AI First hat einen wahren Kern. Meist ist es nicht die AI


Bicycle

Stell dir vor, die Geschäftsführung ruft AI First aus. Jeder Bereich soll seine Abläufe daraufhin durchsehen, wo ein Modell helfen kann. Nach ein paar Wochen liegt eine Liste auf dem Tisch, und auffallend viele Schritte tragen denselben Vermerk: Hier fehlt uns ein klarer Ablauf, ein Modell hilft da wenig.

Was folgt daraus für einen Slogan, der mit AI beginnt? Mein Standpunkt: AI First hat einen wahren Kern, nämlich den Anlass, alle Abläufe noch einmal anzusehen. Der größere Gewinn ist das Ergebnis der Inventur: ein besserer Prozess, in dem möglichst viel fest geregelt abläuft. AI arbeitet dort, wo ein Modell einen echten Vorteil bringt, und beim Finden und Bauen des geregelten Teils darf sie trotzdem helfen.

Der Slogan öffnet das Budget für die Inventur

Als Strategie ist AI First für mich unscharf, als Anlass für eine Inventur dagegen wertvoll, denn unter diesem Etikett ist plötzlich Geld da, überall hinzuschauen. Dass ein Etikett Budgets öffnet und dann zum Selbstzweck wird, hat die Reengineering-Welle der 1990er gezeigt. Michael Hammer forderte 1990, Abläufe nicht mit IT zu beschleunigen, sondern neu zu entwerfen („Don't Automate, Obliterate“).1 Thomas Davenport, nach eigener Aussage einer der Mitgestalter der Bewegung, zog 1995 Bilanz: Die Idee sei richtig gewesen, die Anwendung habe versagt. Das Label half, Projekte genehmigt zu bekommen, und weil die teuren Programme rasch Zahlen liefern mussten, wurde Stellenabbau der schnellste Weg dorthin.2 Die Lehre für heute: Ohne einen neu gedachten Ablauf bleibt vom AI-Programm nur das Etikett.

Wo ein Modell hilft und wo ein Ablauf genügt

Ich ziehe die Grenze zwischen Regel und Modell entlang der Frage, wie stark ein Schritt von Fall zu Fall schwankt. Eine Rechnung macht das greifbar. Kommt sie als strukturierte E-Rechnung (XRechnung, ZUGFeRD), lässt sie sich ohne Modell auslesen, denn die Daten stehen an festen Stellen. Kommt dieselbe Rechnung als eingescanntes PDF, muss sie zuerst gelesen werden, und dafür ist ein Modell sinnvoll. Mit dem Lesen endet seine Aufgabe, den Rest erledigen feste Regeln: Sie prüfen die Summen und die Lieferfirma und geben die Buchung frei. Auch eine unscharfe Aufgabe hat also einen regelbaren Rest, und das Muster kehrt in unseren Beispielen unten wieder.

Gleiche Rechnung, zwei Wege: Die E-Rechnung geht direkt in feste Regeln. Ein PDF-Scan wird zuerst von einem Modell gelesen, danach prüfen dieselben festen Regeln Summen und Lieferfirma und geben die Buchung frei.

Fest geregelt (deterministisch) heißt: Dieselbe Eingabe führt immer zum selben, nachvollziehbaren Ergebnis. Ein Modell (probabilistisch) wägt bei jedem Vorgang neu ab und kann beim zweiten Mal anders entscheiden.

Ob sich der feste Ablauf lohnt, hängt an zwei Dingen: wie oft der Schritt vorkommt und wie stabil die Anforderungen sind. Bei hohem Volumen und stabilen Anforderungen rechnet sich der feste Ablauf für mich schnell, bei seltenen oder ständig wechselnden Aufgaben gewinnt oft das Modell. Dazu kommt der Prüfaufwand, den ein Ablauf von Anfang an mitbringen muss.

Wann lohnt der feste Ablauf: Matrix aus Volumen und Stabilität der Anforderungen. Häufig und stabil: fester Ablauf, rechnet sich schnell. Selten und stabil: Modell oder von Hand. Selten und wechselnd: Modell. Häufig und wechselnd: Ablauf mit Modell nur an der Schwankung.

Was wir bei uns umgestellt haben

In unserem Team gehen wir diese Inventur selbst durch, und der Wert der Aufteilung ist für uns groß. Wir wollen so viel wie möglich in den geregelten Bereich bringen und haben schon einiges umgestellt.

Zwei Beispiele aus unseren Trainingsunterlagen. Ob die Codebeispiele mit der aktuellen Version des Werkzeugs noch laufen, hat früher jemand von Hand geprüft. Heute prüfen das feste Tests, die wir mit Claude Code entworfen haben, bei jeder Änderung automatisch. Fehler fallen sofort auf, nicht erst vor Kund:innen. Und für das Aktualisieren der Diagramme haben wir früher bis zu einen Tag je Training eingeplant, entsprechend sparsam wurde gezeichnet. Weil ein Diagramm jetzt wenig kostet, kamen in einem einzigen Training bei der letzten Überarbeitung 24 neue dazu. Wir halten Varianten nebeneinander, wählen die verständlichste und streichen, was nichts verbessert. Die AI hilft beim Entstehen der Unterlagen, im Raum zählt nur das Ergebnis.

Auch den Diagramm-Ablauf haben wir mit Claude Code gebaut. Im Alltag läuft beides weitgehend ohne AI, und deshalb ist es schnell, günstig und nachvollziehbar.

Jede Umstellung bekommt bei uns vorab eine Messgröße: was ein Vorgang kostet, wie früh ein Fehler auffällt, wie lange ein Durchlauf dauert. Das empfehle ich jedem AI-Programm. Wer vor dem Start festlegt, woran sich Erfolg zeigt, kann danach belegen, ob es besser wurde, sonst bleibt „schneller“ ein Gefühl. Die falsche Messgröße kann sogar schaden: In einer Kanzlei, die Forschende aus Stanford, Virginia und Dartmouth beobachtet haben, lieferten Paralegals mit AI mehr Wert bei weniger Fällen, die alte Messung nach Fallzahl bildete das nicht mehr ab. Und wer Token-Verbrauch zählt, belohnt laut derselben Studie Nutzung um ihrer selbst willen.3 Anthropic, der Hersteller von Claude, rät in seinem Leitfaden zu Agenten selbst, mit der einfachsten Lösung anzufangen und die Komplexität nur zu erhöhen, wenn es nötig ist.4

Was ein Vorgang kostet

Ein Modell kostet bei jedem Vorgang, ein fester Ablauf einmal beim Bau und danach in der Pflege. Für die Budgetplanung zählt vor allem, dass sich die Kosten je Vorgang beim festen Ablauf gut vorhersagen lassen. Beim Modell hängen sie von der Modellwahl ab: Ein Praxisleitfaden zu AI-Budgets rechnet vor, dass dieselbe Session mit fünf Fragen im Copilot-Katalog je nach Modell rund 270-mal so viel kosten kann, und sieht in der Gewohnheit den einzigen Grund, das teure zu wählen.5

Auch die Revision, die Entscheidungen nachvollziehen will, profitiert: Bei einem festen Ablauf lässt sich zeigen, nach welcher Regel entschieden wurde. Beim Modell lässt sich das Ergebnis belegen, die Entscheidung dahinter nur eingeschränkt, und ein zweiter Vorgang kann anders ausgehen.

Der stärkste Einwand gegen meine Linie: Modelle werden billiger, warum also Abläufe bauen? Die Gesamtkosten bestehen aber aus Bau, Änderung und Prüfung, und der Einwand gewinnt dort, wo ein Schritt selten vorkommt oder sich die Anforderungen oft ändern. Offen ist, ob Modelle so verlässlich werden, dass der Unterschied bei der Prüfbarkeit schrumpft. Ich plane heute nicht darauf.

Sitzt das Wissen im Kopf oder im Gespräch?

Nach den Kosten bleibt die Frage, welche Rolle AI bei einem Schritt bekommt, und für mich hängt sie daran, wo das Wissen dafür steckt. Bei wiederkehrender, regelbasierter Arbeit sitzt es im Kopf der Erfahrenen, etwa bei der Risikoprüfung und der Schadenbearbeitung. Paulina Dubas nennt das AI als Compiler: AI hilft einmal, das Wissen in einen festen Ablauf zu übersetzen, danach läuft der Ablauf.6 Dafür müssen die Erfahrenen noch da sein. Laut Presseberichten (Bloomberg, TTNews) ließ Ford erfahrene Qualitätsingenieur:innen gehen, bevor ihr Wissen übertragen war, und holte sie später zurück.7 Hier lohnt es sich, die Reihenfolge einzuhalten: erst übertragen, dann verändern.

Im Kundenservice dagegen entsteht das Wissen im Gespräch, niemand weiß, was die nächste Nachricht enthält. Hier bleibt AI im laufenden Betrieb als Unterstützung: Sie fängt die Routinefragen ab, und Menschen führen die Gespräche, in denen es auf Urteil ankommt. Laut Presseberichten ersetzte Klarna den Support weitgehend durch AI und ruderte nach Qualitätsproblemen zurück (Forbes, Entrepreneur), während IKEA einen Chatbot die Routine abfangen ließ und Mitarbeitende zu Einrichtungsberater:innen umschulte (PYMNTS).7 Beide Fälle verbindet eine Frage: Sitzt das Wissen in Köpfen, die man erst übertragen muss, oder entsteht es im Gespräch, das Menschen weiterführen?

Übersetzen oder unterstützen: Sitzt das Wissen im Kopf der Erfahrenen, übersetzt AI es einmal in einen festen Ablauf, der danach läuft (Fall laut Presse: Ford). Entsteht es im Gespräch, fängt AI die Routine ab und Menschen führen, wo Urteil zählt (Fälle laut Presse: Klarna, IKEA).

Der feste Ablauf ist eine Investition

Den festen Ablauf muss jemand bauen und pflegen, und dafür braucht es Engineering. Was passiert mit der Finanzierung, wenn die Delle kommt? Der DORA-Report 2026 rechnet damit: Er beschreibt für die AI-Einführung eine Phase sinkender Produktivität, die er „tuition cost of transformation“ (Lehrgeld der Umstellung) nennt, und warnt, dass ein Abbruch mitten im Tal den Ertrag kostet (hier nach dem InfoQ-Bericht über den Report).8

Was ohne diese Investition passiert, zeigt ein Befund von Faros, einem Anbieter von Engineering-Analytik: In Teams mit hoher AI-Nutzung wurde mehr erledigt, auf Unternehmensebene war aber kein Effekt nachweisbar, und der Stau wanderte laut Faros in die Prüfung.9 Für Entscheider:innen heißt das: Beschleunigte Einzelschritte kosten AI-Budget und zeigen im Ergebnis wenig, solange der Ablauf drumherum bleibt. Das Geld gehört in den ganzen Ablauf und seine Engpässe, und deshalb muss eine Inventur mehr leisten als eine Liste der Schritte, in denen AI helfen könnte.

Zur Investition gehören auch vorbereitete Leute. Lisanne Bainbridge beschrieb schon 1983, dass Automatisierung den Menschen die Ausnahmen überlässt, die am meisten Können verlangen, während sie im Normalbetrieb weniger üben.10 Ein sauberer Ablauf mit wenigen Ausnahmen verlangt deshalb Training für die Ausnahmen.

Die Frage vor jedem Schritt

Als Gestaltungsprinzip für Entscheider:innen bleibt bei mir eine Frage, die ich bei jedem Schritt zuerst stelle: Brauchen wir hier überhaupt ein Modell, oder fehlt uns ein Prozess?

Lautet die Antwort „ein Modell“, folgen vier Fragen:

  1. Wie stark schwankt dieser Schritt von Fall zu Fall, und wo steckt die Schwankung?
  2. Was kostet ein falsches Ergebnis, und wer bemerkt es?
  3. Lässt sich der Modellanteil so weit verkleinern, dass eine Regel oder ein Mensch ihn prüfen kann?
  4. Woran messen wir nach der Umstellung, dass es besser ist, und wie sieht der Wert heute aus?

Die Frage vor jedem Schritt: Brauchen wir ein Modell? Wenn nein, einen Prozess bauen. Wenn ja, vier Fragen: Schwankung eingrenzen, Fehlerkosten klären, Modellanteil verkleinern, Messgröße festlegen.

AI hilft beim Beantworten: Claude liest bei uns die Abläufe mit und deckt Ausnahmen auf. Wo die Grenze verläuft und wer sie verantwortet, entscheiden Menschen mit Budget und Haftung.

Die Inventur wird zur Gewohnheit

Die Grenze zwischen Ablauf und Modell steht nicht fest. Nach unserer Erfahrung lässt sich, was heute ein Modell braucht, nach ein paar gleich verlaufenen Vorgängen oft in einen festen Ablauf überführen. Die Inventur ist deshalb ein Rhythmus und kein einmaliges Projekt. Wo verläuft die Grenze bei dir gerade, und wann hast du sie zuletzt verschoben?

Diese Frage beschäftigt uns täglich, mit Technikteams, die Abläufe bauen, und mit Führungsteams, die entscheiden, wo die Grenze verläuft. Wenn du gerade vor einer solchen Inventur stehst oder mittendrin bist, reden wir gern darüber, wie sie bei dir aussehen könnte. Unser Angebot dazu findest du unter infralovers.com/de/courses, und das Enablement-Team ist die Form, in der wir Teams dabei begleiten.


Wie dieser Artikel entstanden ist

Die Position ist meine, Claude hat beim Strukturieren und Gegenlesen geholfen. Die Quellen stehen unten. Den vollständigen Workflow beschreibe ich in AI-gestützte Wissensarbeit: Wie ich meinen Recherche- und Schreibprozess neu aufbaue.


  1. Michael Hammer (1990): Reengineering Work: Don't Automate, Obliterate. Harvard Business Review, Juli/August 1990. hbr.org ↩︎

  2. Thomas H. Davenport (1995): The Fad That Forgot People. Fast Company. Davenport beschreibt sich selbst als einen der Schöpfer von Reengineering; die Einordnung ist seine Selbstauskunft. Archivkopie ↩︎

  3. Dylan Walsh (2026): Want Employees to Embrace AI? Stop Selling It as a Productivity Tool. Stanford HAI, 7. Oktober 2026; Bericht über eine Feldstudie von Karunakaran (Stanford), Raveendhran (University of Virginia) und Kim (Dartmouth). hai.stanford.edu ↩︎

  4. Anthropic: Building Effective Agents (Schluntz und Zhang, Dezember 2024). anthropic.com ↩︎

  5. Jeffrey Monnette (2026): AI Credit Playbook, How to Slow Your Copilot Budget Burn. Das Chat-Beispiel (0,0068 gegen 1,85 Dollar) stammt aus dem Beitrag. LinkedIn ↩︎

  6. Paulina Dubas (2026): Tokenmaxxing. LinkedIn-Beitrag; „agents as the compiler, code as the runtime“ ist ihre Formulierung. LinkedIn ↩︎

  7. Presseberichte. Klarna: Forbes, Entrepreneur. IKEA: PYMNTS. Ford: Bloomberg, TTNews. ↩︎ ↩︎

  8. InfoQ (2026): New DORA report claims strong engineering foundations decide AI ROI. Sekundärbericht über den DORA-Report 2026. infoq.com ↩︎

  9. Faros AI: The AI Productivity Paradox. Herstellerbefund auf Basis eigener Telemetrie; verglichen werden Teams mit hoher und niedriger AI-Nutzung. faros.ai ↩︎

  10. Lisanne Bainbridge (1983): Ironies of Automation. Automatica 19(6). ↩︎

Zurück Unsere Trainings entdecken

Wir sind für Sie da

Sie interessieren sich für unsere Trainings oder haben einfach eine Frage, die beantwortet werden muss? Sie können uns jederzeit kontaktieren! Wir werden unser Bestes tun, um alle Ihre Fragen zu beantworten.

Hier kontaktieren