Die meisten KI-Initiativen in Unternehmen scheitern. Nicht an der Technologie, die funktioniert in eng definierten Anwendungsfällen durchaus passabel, sondern an den Organisationen, die sie einsetzen wollen. Laut einer MIT-Studie mit über 300 KI-Projekten liefern 95% der KI-Pilotprojekte keinen messbaren Ertrag. Die verbleibenden 5% erwirtschaften jedoch Millionen. Was sie anders machen, entscheidet sich in der Organisation.
In der öffentlichen Debatte kommt dieser Befund zu kurz. Während Wirtschaftswissenschaftler darüber streiten, ob KI Arbeitsplätze in Summe vernichtet oder schafft, droht Unternehmen ein ganz anderes Problem: KI wird eingeführt, ohne dass die Organisation darauf vorbereitet ist.
Ein 75 Jahre altes Muster
Frei nach Mark Twain: Geschichte wiederholt sich nicht, sie reimt sich. Entsprechend hat auch das, was gerade mit KI passiert, einen Vorläufer. 1951 untersuchten die Soziologen Eric Trist und Kenneth Bamforth den Wandel in englischen Kohlegruben. Neue Fördertechnik hatte die Produktivität steigern sollen. Stattdessen sank sie, und die Krankenstände stiegen. Der Grund: Die Technik wurde modernisiert, aber die Arbeitsorganisation blieb unverändert. Die eingespielten Teams, die vorher autonom kleine Abschnitte bearbeiteten, wurden in ein starres Fließbandsystem gezwungen, das zwar zur neuen Technik passte, aber nicht zu den Menschen. Trist und Bamforth formulierten daraus ein Prinzip, das als Joint Optimization in die Organisationstheorie einging: Technisches und soziales System müssen gemeinsam gestaltet werden. Eine nur teilweise Optimierung führt dazu, dass das Gesamtsystem aus Menschen, Prozessen und Technik womöglich schlechter funktioniert als vorher.
Dass Organisationen diesen Fehler mit KI wiederholen, zeigt sich an den Ergebnissen, auch wenn die meisten Studien eher die Symptome messen als die Ursache. In einer randomisierten Studie des Forschungslabors METR arbeiteten erfahrene Softwareentwickler mit KI-Unterstützung 19% langsamer als ohne, obwohl sie selbst glaubten, 20% schneller zu sein. Eine IBM-Befragung von 2.000 Vorstandsvorsitzenden ergab, dass drei von vier KI-Projekten kein messbares Ergebnis liefern. Und eine Untersuchung von Carnegie Mellon und Salesforce zeigt, dass KI-Agenten in zwei Dritteln der Fälle an ihren Aufgaben scheitern. Beim Sprung von der Pilot- in die Produktivphase zeigt sich dasselbe Muster: Laut Forrester führen 2026 drei Viertel der Unternehmen agentische KI ein, aber nur eine kleine Minderheit betreibt sie produktiv im relevanten Maßstab.
Die Diskrepanz zwischen Versprechen und Wirklichkeit lässt sich an der Mittelverwendung ablesen. Laut der OECD AI Deployment Survey fließen rund 90% der KI-Budgets in Technologie: Lizenzen, Infrastruktur, Modelle. Weniger als zehn Prozent gehen in Führung, Kompetenzaufbau und Begleitung des Wandels. Die Technik wird modernisiert, die Arbeitsorganisation bleibt unverändert. Trist und Bamforth hätten wohl eine Vermutung, wie das ausgeht.
Schneller, aber nicht besser
Die 90/10-Verteilung erklärt, warum KI auf Organisationsebene so wenig bewirkt. Doch es gibt eine zweite Dimension, die das Problem verschärft: Selbst dort, wo einzelne Mitarbeiter KI produktiv nutzen, profitiert die Organisation oft kaum davon.
Etliche Mitarbeiter, vor allem aus der Softwareindustrie, nutzen generative KI und berichten von drei- bis fünffachen Produktivitätssteigerungen bei KI-gestützten Aufgaben. Auf Organisationsebene schlägt sich das bisher jedoch nicht nieder. Mitarbeiter werden individuell schneller, aber die Organisation kann diese Produktivitätsgewinne nicht aufnehmen. Prozesse, Abstimmungswege und Entscheidungsstrukturen sind nicht darauf vorbereitet.
KI steigert zwar den Durchsatz, aber wenn das System kaputt ist, dreht man nur ein Zahnrad in einer sonst blockierten Maschine schneller. Dies liegt auch daran, dass Organisationen „mehr Aufgaben erledigt“ oft mit „bessere Ergebnisse“ verwechseln.
Was die MIT-Studie zusätzlich zeigt: Die erfolgreichen fünf Prozent investieren in tiefe Integration, in Partnerschaften, in Systeme, die sich über die Zeit verbessern. Die anderen stecken in dem, was auch als Pilot Hell bezeichnet wird: einem endlosen Kreislauf aus Proof-of-Concepts, die nie in Produktion gehen. Der wirtschaftliche Nutzen entsteht selten dort, wo er sich vorzeigen lässt: in der unauffälligen Back-Office-Automatisierung, nicht in den Marketing- und Vertriebsdemos. Reduktion von Outsourcing-Verträgen, Einsparung bei Agenturen, Optimierung von Compliance-Prozessen. Vorgänge, die kaum ein Berater in Verkaufspräsentationen als Beispiel wählen würde.
Der Mensch als Engpass
Dass individuelle Gewinne nicht auf die Organisation durchschlagen, liegt zu einem Teil in der Natur der Arbeit selbst. KI kann Teilstrecken eines Prozesses automatisieren, oft in einem Bruchteil der bisherigen Zeit. Aber an jedem Übergabepunkt, jedem Entscheidungspunkt, jedem Medienbruch muss ein Mensch eingreifen: prüfen, bewerten, freigeben, weiterleiten. Diese Schnittstellen werden zum neuen Engpass.
Wenn KI die Ausführung beschleunigt, aber Entscheidungswege und Abstimmungsprozesse gleich bleiben, staut sich das System an den menschlichen Knotenpunkten. Doch das Problem geht tiefer als Geschwindigkeit. KI verändert nicht nur das Tempo der Arbeit, sondern die Art, wie Arbeit aufgeteilt wird. Wo bisher ein Vorgang sequenziell von A über B nach C lief, bleibt nach der Automatisierung der Ausführungsschritte vor allem die wechselseitige Abstimmung als Aufgabe. Das erfordert eine andere Form der Zusammenarbeit als vorher, und damit andere Prozesse, andere Rollen, eine andere Arbeitsteilung. Agenten reparieren keine Schwächen bestehender organisationaler Koordination, sie erben sie. Wenn sie nicht zur veränderten Arbeitsteilung passt, macht KI es nicht besser, sondern mindestens unübersichtlicher, wenn nicht schlimmer.
Was daraus folgt
Den KI-Wandel bewältigen am ehesten die Unternehmen, die das Zusammenspiel von Technologie und Arbeitsorganisation verstehen — nicht die mit den höchsten Technikbudgets. Die MIT-Studie zeigt: Die erfolgreichen fünf Prozent geben nicht mehr Geld aus als der Rest, sie geben es anders aus. Sie investieren in Prozessverständnis, bevor sie automatisieren. Sie befähigen Mitarbeiter, statt sie zu ersetzen. Und sie akzeptieren, dass ihre Organisationsstrukturen gewachsen sind, nicht am Reißbrett entworfen. Gerade deshalb lässt sich KI nicht einfach einstöpseln, als wäre die Organisation eine Maschine, in die man ein neues Bauteil einsetzt. Wer Technologie einführt, muss mit der Organisation arbeiten, wie sie ist — und Technik und Arbeitsorganisation gemeinsam weiterentwickeln.
Konkret heißt das: Für jeden Prozess entscheiden, wo KI menschliche Arbeit ersetzt und wo sie diese unterstützt — und zwar explizit. Eine aktuelle Studie in Management Science zeigt, dass genau diese Unterscheidung zwischen Automatisierung und Augmentierung die zentrale Designentscheidung ist, die in den meisten Organisationen unausgesprochen bleibt. Darüber hinaus: die Arbeitsteilung und Koordination an die veränderten Abläufe anpassen, statt KI in bestehende Strukturen zu pressen. Die bestehenden Piloten zu Ende führen, statt neue aufzusetzen. Und die eingesparte Zeit in Kompetenzaufbau investieren, statt Stellen abzubauen, um KI-Lizenzen zu finanzieren.
Doch unabhängig davon, wie gut oder schlecht einzelne Organisationen diesen Wandel bewältigen, auf individueller Ebene ist eine durch KI ausgelöste Verschiebung bereits im Gang. Wettbewerbsdruck, veränderte Erwartungen und der wachsende Einsatz von KI in der Breite verändern, was kognitive Arbeit ausmacht und was sie wert ist. Organisationen müssen KI nicht erfolgreich einführen, damit sich die Anforderungen an den Einzelnen verschieben; es reicht bereits, dass andere das tun. Was diese Verschiebung für Experten, Berufseinsteiger und die kognitive Belastbarkeit von Wissensarbeitern bedeutet, ist Gegenstand des nächsten Artikels dieser Serie.