Perspektiven4 Min. Lesezeit

KI legt oft Workflow-Mängel offen, bevor sie die Arbeit verbessert

Ein KI-Pilot kann fehlende Quellen, Regeln, Zuständigkeiten und Kompetenzen sichtbar machen, bevor er Arbeit beschleunigt. Diagnostizieren Sie die Lücke, bevor Sie mehr Training verordnen.

Bokili EditorialVeröffentlicht am 15. Oktober 2026· Geprüft am 15. Oktober 2026

Ein KI-Diagnoseprisma macht Werkzeug-, Prozess-, Trainings- und Regelprobleme in einem unübersichtlichen Arbeitsablauf sichtbar.

Die ersten Wochen eines KI-Pilotprojekts können die Arbeit schlechter erscheinen lassen. Ausnahmen häufen sich. Überprüfungen dauern länger als erwartet. Verschiedene Mitarbeiter erzielen unterschiedliche Ergebnisse mit demselben Tool. Führungskräfte könnten schlussfolgern, dass das Modell schwach ist oder die Mitarbeiter mehr Prompt-Training benötigen. Manchmal stimmt das. Aber ein KI-Pilotprojekt deckt oft ein bereits bestehendes Problem auf: Der Workflow basierte auf ungeschriebenen Regeln, improvisierten Quellen, unsichtbaren Übergaben oder einem Experten, der leise jeden Fall reparierte. KI hat dieses Chaos nicht verursacht. Sie hat es sichtbar gemacht.

Warum ein KI-Pilotprojekt erst schlechter aussieht, bevor es besser wird

Die KI-Nutzungstaxonomie des NIST beginnt mit menschlichen Zielen und Ergebnissen und beschreibt dann eine Aufgabe als Kombination von Aktivitäten. Diese Unterscheidung ist wichtig. Wenn ein Pilotprojekt nur die Modellantwort misst, kann es die umgebende Arbeit übersehen, die bestimmt, ob die Antwort nützlich wird. Dieselbe Antwort kann mit einem vollständigen Briefing, einer benannten Quelle und einem klaren Prüfer erfolgreich sein, aber scheitern, wenn eines dieser Elemente fehlt.

Das UK Government AI Playbook macht einen ähnlichen praktischen Punkt: Definieren Sie das Ziel, verstehen Sie die Benutzerbedürfnisse und entscheiden Sie, wo KI eingesetzt werden sollte und wo nicht. Es empfiehlt auch eine sinnvolle menschliche Kontrolle in den richtigen Phasen. Diese Entscheidungen zwingen ein Team, Dinge zu benennen, die ein manueller Prozess möglicherweise implizit gelassen hat. Die daraus resultierenden Fragen können sich wie Reibung anfühlen, aber sie sind auch ein Beweis dafür, wie die Arbeit wirklich funktioniert.

Vier Signale, die das Pilotprojekt aufdecken könnte

Tool-Problem

Das System kann die erforderliche Aktivität unter den getesteten Bedingungen nicht zuverlässig ausführen. Ändern Sie das Tool, grenzen Sie die Aufgabe ein oder verstärken Sie die technische Kontrolle.

Prozess-Problem

Die Eingabe, Quelle, Übergabe, der Verantwortliche oder die Akzeptanzregel fehlen oder sind inkonsistent. Beheben Sie den Workflow, bevor Sie die Mitarbeiter bitten, härter zu prompten.

Schulungs-Problem

Der Workflow ist intakt, aber die Mitarbeiter können ein beobachtbares Verhalten wie Formulieren, Prüfen oder Eskalieren noch nicht ausführen. Üben Sie dieses Verhalten.

Richtlinien-Problem

Das Team weiß nicht, was erlaubt ist, wer die Autorität hat oder welcher Evidenzstandard gilt. Klären Sie die Regel und den Entscheidungsverantwortlichen.

Praxisbeispiel: Das Modell hat die fehlende Regel nicht geschaffen

Stellen Sie sich ein Finanzteam vor, das KI testet, um kurze Kommentare zu überfälligen Rechnungen zu erstellen. Die ersten Ergebnisse sind inkonsistent. Ein Analyst verwendet den Ledger-Export; ein anderer fügt Notizen aus E-Mails hinzu. Kundennamen stimmen nicht über Dateien hinweg überein. Niemand hat definiert, wann eine strittige Rechnung als überfällig bezeichnet werden darf, und der endgültige Genehmiger wechselt je nach Region. Eine schnelle Diagnose besagt, dass das Modell unzuverlässig ist. Eine bessere Diagnose trennt die Signale: Dateianpassung ist ein Prozessproblem, die Regel für strittige Rechnungen ist ein Richtlinienproblem, die Auswahl zulässiger Eingaben ist ein Schulungsproblem, und jeder verbleibende Extraktionsfehler kann ein Tool-Problem sein.

	Schnelles Urteil	Diagnostische Lesart
Unterschiedliche Antworten	Das Modell ist inkonsistent.	Prüfen Sie, ob derselbe Auftrag, dieselbe Quelle und dieselbe Regel verwendet wurden.
Langsame Prüfung	KI hat keine Zeit gespart.	Suchen Sie den fehlenden Nachweis oder die fehlende Befugnis, die die Prüfung ausweitet.
Viele Ausnahmen	Die Mitarbeitenden nutzen das Tool falsch.	Trennen Sie wiederkehrende Prozesslücken von Verhaltensweisen, die geübt werden müssen.
Ein Experte korrigiert alles	Lassen Sie den Experten eingebunden.	Machen Sie die verborgene Regel sichtbar und benennen Sie einen Verantwortlichen.

Lesen ist der Anfang. Üben macht den Unterschied.

Jetzt starten

Nutzen Sie die ersten zwanzig Fälle als Workflow-Beweis

Behandeln Sie nicht jeden gescheiterten Fall als Aufforderung zur Umschreibung. Führen Sie eine kleine Diagnoseaufzeichnung für die ersten zwanzig repräsentativen Fälle. Notieren Sie das beabsichtigte Ergebnis, den Punkt, an dem die Arbeit sich verlangsamte oder zurückgegeben wurde, die fehlende Bedingung und den nächsten Verantwortlichen. Der Zweck ist nicht, ein Fehlerregister gegen Mitarbeiter zu erstellen. Es geht darum, ein Systemproblem von einem Lernproblem zu unterscheiden, bevor Geld für das falsche Heilmittel ausgegeben wird.

Ein vierstufiger Diagnose-Loop

1
Den beobachtbaren Moment festhalten
Beschreiben Sie, was passiert ist, ohne die Ursache zu erraten: Eine Quelle fehlte, ein Prüfer gab den Entwurf zurück oder eine Ausnahme hatte keinen Verantwortlichen.
2
Die Lücke klassifizieren
Markieren Sie Tool, Prozess, Training oder Richtlinie. Verwenden Sie nur zwei Bezeichnungen, wenn die Beweise wirklich auf beides hindeuten.
3
Den kleinsten Fix testen
Ändern Sie eine Bedingung: Standardisieren Sie die Eingabe, klären Sie eine Regel, üben Sie ein Verhalten oder grenzen Sie die KI-Aktivität ein.
4
Einen vergleichbaren Fall erneut durchführen
Prüfen Sie, ob der Fix das gleiche Arbeitsergebnis verbessert. Wenn nicht, überdenken Sie die Diagnose, anstatt weitere Anweisungen hinzuzufügen.

Lassen Sie nicht das Training jeden organisatorischen Mangel beheben

Die OPM-Richtlinie zur Bedarfsanalyse für Schulungen fragt, warum ein erforderliches Verhalten nicht existiert, und warnt davor, dass Training nicht immer die beste – oder einzige – Lösung ist. Das ist eine nützliche Disziplin für die KI-Einführung. Ein Kurs kann keine unzugängliche Quelle, widersprüchliche Genehmigungsregeln oder ein unmögliches Serviceziel beheben. Training wird wertvoll, nachdem der Workflow das Verhalten benannt hat, das eine Person tatsächlich ausführen kann.

Führen Sie eine zehnminütige Pilot-Diagnose durch

Wählen Sie einen aktuellen KI-gestützten Fall, der langsam war, zurückgegeben oder abgelehnt wurde.
Notieren Sie das erwartete Arbeitsergebnis und den genauen Punkt, an dem der Fortschritt stoppte.
Ordnen Sie die Hauptlücke einem Bereich zu: Tool, Prozess, Training oder Richtlinie.
Nennen Sie einen Beleg, der diese Einordnung stützt.
Wählen Sie die kleinste Korrektur und einen vergleichbaren Fall für den erneuten Test.
Benennen Sie eine verantwortliche Person und einen Termin für den erneuten Test.

Sichtbarkeit ist ein früher Erfolg des Pilotprojekts

Ein Pilot sollte an konkreten Ergebnissen bewertet werden, nicht daran, ob keinerlei Probleme auftreten. Neu sichtbare Probleme sind jedoch nicht automatisch neue Probleme. Führungskräfte können sie nutzen, um den Ablauf zu verbessern, Training gezielt einzusetzen und vor der Skalierung ehrliche Kontrollen einzubauen. Vertiefen Sie das Thema mit dem Leitfaden zur Bewertung einer Ausnahme-Warteschlange (https://bokili.com/de/learn/ki-automatisieren-warteschlange-bepreisen), dem manuellen Fallback für KI-Workflows (https://bokili.com/de/learn/ki-workflow-manueller-fallback) und den Bokili-Funktionen (https://bokili.com/de/features). Der erste Wertbeitrag von KI kann eine bessere Karte der Arbeit sein. Nutzen Sie diese Karte, bevor Sie Geschwindigkeit verlangen.