Was sich verändert, wenn KI Teil Ihrer Prozesse wird

Derzeit führen nahezu alle Managementteams dieselbe Diskussion. Auf der einen Seite steht der Druck des Vorstands, eine KI-Strategie voranzutreiben, auf der anderen präsentieren Wettbewerber bereits ihre ersten Pilotprojekte. Gleichzeitig nutzen Mitarbeitende längst KI-Tools, die nie offiziell eingeführt oder freigegeben wurden – und sind damit oft schneller als jede geplante Unternehmensinitiative. Hinter all dem steckt ein Druck, den nur wenige offen ansprechen: die Sorge, zu den Unternehmen zu gehören, die den Anschluss verpassen.

Diese Sorge ist durchaus nachvollziehbar, jedoch lenkt sie den Blick auf das falsche Ziel. Bereits 88 % der Mitarbeitenden nutzen KI bei der Arbeit, doch nur 5 % setzen sie so ein, dass sich ihre Arbeitsweise grundlegend verändert. Auch die Investitionen sprechen eine deutliche Sprache: 85 % der Unternehmen haben ihre Ausgaben für KI im vergangenen Jahr erhöht, während nur 6 % innerhalb eines Jahres einen messbaren Return on Investment erzielen konnten. Das Problem ist also nicht die Einführung von KI – sie findet längst überall statt. Die eigentliche Herausforderung besteht darin, daraus einen nachweisbaren Mehrwert zu schaffen.

Entscheidend für den Erfolg ist, was sich verändert, sobald KI Teil des Unternehmens wird. Sie verändert die Art und Weise, wie Arbeit ausgeführt wird, welche Daten verarbeitet werden, welche Anwendungen eingebunden sind und welche Risiken entstehen. Sie verschiebt Verantwortlichkeiten und wirft neue Fragen zur Governance auf. Das Management möchte wissen, wo KI tatsächlich Mehrwert schafft und welche Prozesse sie nachhaltig transformieren kann. Doch diese Fragen lassen sich erst beantworten, wenn die Veränderungen sichtbar werden.

Bevor KI also gesteuert oder skaliert werden kann, braucht jedes Unternehmen eine klare Antwort auf eine konkrete Frage: Welche Prozesse, Aufgaben, Rollen, Daten, Anwendungen, Risiken und Kontrollen sind tatsächlich vom Einsatz von KI betroffen? Erst wenn diese Transparenz vorhanden ist, lässt sich die Einführung von KI gezielt steuern. Fehlt sie, wird etwas skaliert, das sich dem Blick des Unternehmens bereits entzogen hat.

Die Einführung von KI wird erst dann beherrschbar, wenn Unternehmen verstehen, was sie in ihren Geschäftsprozessen tatsächlich bewirkt.

Fragt man Unternehmen heute nach dem Stand ihrer KI-Initiativen, zeigen die meisten zunächst eine Liste. Darin werden sämtliche KI-Tools aufgeführt, die Mitarbeitende nutzen, sowie alle Pilotprojekte, die derzeit laufen. Diese Übersicht dient dem Management häufig als Nachweis dafür, wie weit die KI-Einführung bereits fortgeschritten ist – bekannte Arbeitsabläufe, die nun mithilfe von KI unterstützt werden.

Das wirkt zunächst wie Fortschritt. Monat für Monat wächst die Liste, und auf den ersten Blick scheint alles in die richtige Richtung zu gehen. Ob diese Lösungen tatsächlich effizient, sicher oder überhaupt sinnvoll sind, ist jedoch eine ganz andere Frage – und genau diese wird oft gar nicht gestellt. Die Liste wird länger, ein Pilotprojekt verläuft erfolgreich, eine Demonstration beeindruckt. Irgendwann setzt sich unbewusst eine Denkweise durch: Die Einführung von KI wird selbst zum Erfolg, anstatt den Ausgangspunkt für die eigentliche Frage zu bilden. Ist die Arbeit tatsächlich effizienter geworden – oder lediglich am Anfang schneller, während die Ergebnisse später manuell korrigiert werden müssen? Werden Daten weiterhin angemessen geschützt? Ein Pilotprojekt wurde nie dafür entwickelt, solche Fragen zu beantworten. Und ein Verzeichnis von KI-Tools kann es ebenfalls nicht.

Warum das so ist, zeigt sich bereits daran, wie KI überhaupt ihren Weg ins Unternehmen findet. In den meisten Fällen geschieht dies auf zwei Wegen.

Was daran funktioniert. Oft beginnt die Einführung von KI ganz unkompliziert – nämlich dort, wo Menschen ihre tägliche Arbeit erledigen. Sie möchten Aufgaben schneller und einfacher bewältigen. Da passende KI-Tools heute nur einen Browser-Tab entfernt sind und sich in wenigen Minuten ausprobieren lassen, liegt der Einstieg nahe. Wird ein geeignetes Tool gefunden, wird es kurzerhand eingesetzt.

Nehmen wir den Kundenservice als Beispiel. Täglich gehen zahlreiche Beschwerden ein, von denen jede individuell bewertet werden muss. Manche erfordern lediglich eine Rückfrage, andere eine Rückerstattung, besonders kritische Fälle werden an die Rechtsabteilung weitergeleitet.

Eine Mitarbeiterin registriert sich für das neueste KI-System, über das derzeit alle sprechen, lädt einige fertige Funktionen aus der Community herunter und verbindet sie mit dem Beschwerdepostfach. Die KI analysiert eingehende Nachrichten, zieht die Kundenhistorie zurate und schlägt passende Maßnahmen vor. Das spart Zeit und liefert in den meisten Fällen gute Ergebnisse – also bleibt die Lösung im Einsatz.

Schon bald wird daraus der neue Standard. Das Team gewinnt Vertrauen in das System und beginnt, es auch für weitere Aufgaben einzusetzen. Immer mehr Arbeitsschritte laufen scheinbar schneller ab. Von außen entsteht der Eindruck eines Teams, das KI erfolgreich nutzt – und genau das möchte jedes Unternehmen grundsätzlich fördern.

Welche Risiken entstehen. Gerade weil diese Vorgehensweise funktioniert, verbreitet sie sich schnell. Gleichzeitig fehlt häufig jede Form von Steuerung. Es gibt keine verbindlichen Vorgaben dazu, welche Anwendungen genutzt werden dürfen oder welche Daten an externe KI-Dienste übermittelt werden dürfen. Jede Mitarbeiterin und jeder Mitarbeiter entwickelt dadurch den eigenen Umgang mit KI – außerhalb jeder offiziellen Governance. Das Unternehmen verliert damit den Überblick darüber, welche KI-Anwendungen inzwischen Geschäftsprozesse unterstützen. Gleichzeitig gehen Transparenz, Kontrolle und die Möglichkeit verloren, Prozesse dauerhaft stabil und regelkonform zu gestalten.

Im Kundenservice wirkt die Lösung inzwischen so zuverlässig, dass sie direkt mit dem CRM-System verbunden wird. Die Mitarbeitenden überprüfen die Vorschläge der KI nicht mehr einzeln. Kundendaten werden nun an einen externen KI-Anbieter übertragen, den das Unternehmen nie bewertet hat – auf Basis von Nutzungsbedingungen, die niemand gelesen hat. Niemand hat festgelegt, wie lange diese Daten gespeichert werden oder ob der Umgang mit ihnen überhaupt den geltenden regulatorischen Anforderungen entspricht. Damit erhält KI faktisch eigenständigen Zugriff auf einen kundenbezogenen Geschäftsprozess – ohne geeignete Kontrollen oder Governance.

Dieser mitarbeitergetriebene Ansatz verdient Anerkennung, weil er Innovation aus der Praxis heraus ermöglicht. Doch die Beteiligten lösen in erster Linie ihre eigenen Arbeitsprobleme. Sie führen kein unternehmensweit abgestimmtes Tool ein, bei dem Verantwortlichkeiten, Sicherheit und Compliance bereits berücksichtigt wurden. Hinter einem scheinbar effizienteren, KI-gestützten Prozess verbirgt sich deshalb häufig eine isolierte Einführung einzelner Lösungen. Das Ergebnis sind mangelnde Transparenz über Geschäftsprozesse und Risiken, die von Datenschutzverletzungen bis hin zu Compliance-Verstößen reichen.

Was daran funktioniert. Der zweite Weg verläuft von oben nach unten. Das Management steht kontinuierlich unter Druck, Effizienz zu steigern und Kosten zu senken. Verspricht eine neue Technologie beides, rückt sie schnell in den Fokus. Entsprechend analysiert das Management, in welchen Bereichen KI den größten Nutzen bringen könnte, und beobachtet gleichzeitig aufmerksam die Entwicklungen am Markt. Erzielen Wettbewerber mit ihren KI-Initiativen sichtbare Erfolge, steigt der Handlungsdruck zusätzlich. Mit dem Überblick über die gesamte Prozesslandschaft lassen sich besonders aufwändige Geschäftsprozesse identifizieren – Prozesse, in denen KI manuelle Arbeit reduzieren, Abläufe beschleunigen oder Kosten senken könnte.

Bleiben wir beim Kundenservice. Aufgrund seines hohen Anfragevolumens und der klar definierten Abläufe eignet er sich ideal als Pilotprozess. Das Management gibt das Vorhaben frei, geeignete KI-Anwendungen werden sorgfältig ausgewählt und auf Compliance-Anforderungen geprüft. Anschließend wird die Lösung in den Prozess integriert, und die Mitarbeitenden erhalten ausreichend Zeit und Schulungen für die Einführung. Unter diesen Voraussetzungen scheint die KI den Bearbeitungsprozess tatsächlich deutlich zu beschleunigen.

Im Vergleich zum ersten Ansatz ist das ein erheblicher Fortschritt. Der ausgewählte Prozess ist nachvollziehbar begründet, die eingesetzte Technologie wurde vorab geprüft und das Unternehmen investiert bewusst Zeit und Ressourcen in die Umsetzung. Gerade deshalb wirkt dieser Ansatz wie der Idealfall. Und genau hier beginnen die eigentlichen Herausforderungen.

Welche Risiken entstehen. Ein übergreifender Blick auf die Prozesslandschaft hilft dem Management dabei, geeignete Kandidaten für den KI-Einsatz zu identifizieren. Doch eine erfolgreiche Umsetzung erfordert eine deutlich detailliertere Betrachtung – angefangen bei den einzelnen Aufgaben eines Prozesses, den daran beteiligten Anwendungen und den verwendeten Daten. Jede Aufgabe bringt eigene Risiken mit sich, die individuell bewertet werden müssen. Ohne diese Analyse bleibt selbst eine gut begründete Entscheidung für die Einführung von KI mit Unsicherheiten verbunden: Wie genau sollte die einzelne Aufgabe gestaltet werden? Wann darf KI eine Aktivität vollständig eigenständig ausführen, und wann ist eine menschliche Prüfung erforderlich? Wie soll die Übergabe zwischen mehreren KI-gestützten Aufgaben funktionieren? Genau diese Details entscheiden darüber, ob ein Prozess tatsächlich ausreichend verstanden wurde, um KI sinnvoll und verantwortungsvoll einzusetzen.

Zurück beim Kundenservice: Das eingesetzte Tool funktioniert – schließlich wurde der Pilot bewusst so ausgewählt, dass die Erfolgschancen hoch sind. Es wurde in einem Bereich eingeführt, der ausreichend Zeit und Ressourcen für die Umsetzung bereitgestellt hat, zunächst nur für einen begrenzten Teil der Fälle. Ein engagiertes Team begleitete die Einführung und beseitigte auftretende Probleme. Unter diesen unterstützenden, wenn auch etwas künstlichen Bedingungen konnte die Lösung ihre Vorteile zeigen. Die Mitarbeitenden würden vermutlich bestätigen, dass der Prozess nun besser funktioniert. Doch wie viel besser, lässt sich nur schwer messen. Und viele der Faktoren, die den Erfolg des Piloten ermöglicht haben, lassen sich bei einer unternehmensweiten Skalierung nicht einfach wiederholen.

Typischerweise werden bei dieser Art der KI-Einführung die Prozesskosten vor und nach der Implementierung nicht dokumentiert. Dadurch fehlt jede belastbare Vergleichsbasis. Unternehmen verlassen sich stattdessen auf Aussagen wie: „Die KI spart uns Zeit.“ Dabei wird übersehen, dass die Kosten von KI selten nur aus der offensichtlichen Lizenzgebühr bestehen. Sie umfassen auch das zugrunde liegende Modell, die benötigte Infrastruktur, die Orchestrierung, den laufenden Wartungsaufwand bei Änderungen durch den Anbieter sowie die menschliche Kontrolle, die eigentlich reduziert werden sollte. Genau deshalb geben 42 % der Unternehmen an, den Return on Investment ihrer KI-Investitionen überhaupt nicht bewerten zu können. Die Einsparung am Anfang eines Prozesses kann unbemerkt an anderer Stelle wieder entstehen – und ohne entsprechende Kennzahlen bleibt diese Verschiebung unsichtbar. Ebenso wenig wird häufig betrachtet, ob das zusätzliche Compliance-Risiko den potenziellen Nutzen tatsächlich rechtfertigt. Und eine entscheidende Frage bleibt oft unbeantwortet: Wer ist verantwortlich für eine KI-gestützte Aufgabe, sobald sie eigenständig ausgeführt wird? Und wer übernimmt die Verantwortung, wenn die Person, die sie eingerichtet hat, das Unternehmen längst verlassen hat?

Genau diese Informationen bilden jedoch die Grundlage für eine fundierte Bewertung des tatsächlichen Nutzens. Ohne sie lässt sich kaum beurteilen, ob KI Aufgaben wirklich schneller und günstiger macht oder ob sich Aufwand und Kosten lediglich verschieben. Ebenso schwer ist zu erkennen, ob bestimmte Tätigkeiten stillschweigend auf andere Abteilungen verlagert wurden. Was auf den ersten Blick wie eine kontrollierte Beschleunigung wirkt, hinterlässt dadurch weiterhin zahlreiche unbeantwortete Fragen: Aufgaben laufen ohne ausreichende Kontrolle, Kosten werden nicht transparent erfasst und ein Teil der Arbeit verschwindet, während gleichzeitig neue Aufgaben entstehen. Ohne eine klare Sicht bleibt offen, welche dieser beiden Entwicklungen tatsächlich überwiegt.

Zwei unterschiedliche Ausgangspunkte – die Einführung durch Mitarbeitende von unten nach oben und die strategisch getriebene Einführung durch das Management von oben nach unten – führen am Ende zum gleichen Ergebnis: KI ist bereits Teil des Unternehmens, doch niemand kann genau sagen, was sie dort tatsächlich bewirkt. Die entscheidende Frage lautet daher: Wo müssen Unternehmen genauer hinschauen?

Jeder Geschäftsprozess besteht im Kern aus einer Kette von Aufgaben. Jede einzelne Aufgabe wird von jemandem ausgeführt, benötigt bestimmte Daten, nutzt bestimmte Systeme und bringt eigene Risiken mit sich. Genau auf dieser Ebene hinterlässt KI ihre Spuren – Aufgabe für Aufgabe. Manche Aktivitäten werden lediglich unterstützt, andere beschleunigt, automatisiert oder nahezu vollständig an KI übergeben.

„Wir nutzen KI in unseren Kundenserviceprozessen“ ist eine Aussage ohne konkrete Bedeutung. „Im Beschwerdebearbeitungsprozess wird die Aufgabe zur Bewertung der Dringlichkeit durch KI unterstützt. Dabei werden der Beschwerdetext und die Kundenhistorie verarbeitet, ein externer KI-Dienst wird genutzt und der zuständige Mitarbeitende prüft den Vorschlag, bevor eine Antwort versendet wird.“ Diese Aussage beschreibt jedoch etwas, das tatsächlich gesteuert und kontrolliert werden kann.

Doch die Aufgabe selbst ist nur der Ausgangspunkt. In einem Prozessmodell ist jede Aufgabe mit dem geschäftlichen Kontext verbunden, in dem sie stattfindet. Wird KI eingeführt, verändert sich nicht nur die Aufgabe selbst, sondern auch dieser gesamte Kontext. Genau hier werden die tatsächlichen Auswirkungen sichtbar. Aus dieser Perspektive betrachtet reicht der Einfluss von KI weit über den erzeugten Mehrwert hinaus. Er zeigt sich auch in veränderten Verantwortlichkeiten, neuen Risikoprofilen und Kontrollen, die möglicherweise nicht mehr das erkennen, wofür sie ursprünglich entwickelt wurden. Einige Beispiele verdeutlichen diese Auswirkungen.

Ganzheitliche Betrachtung KI-unterstützter Prozesse

Daten

Die Daten selbst haben sich nicht verändert, wohl aber die Art und Weise, wie sie genutzt werden. Es ist ein grundlegender Unterschied, ob eine Person einen Kundendatensatz liest oder ein KI-Modell diesen verarbeitet – ebenso wie die damit verbundenen Risiken.

Anwendungen

Durch den Einsatz von KI entsteht eine neue Form der Abhängigkeit. Das Modell, das hinter einer Aufgabe steht, wird Teil der Unternehmensarchitektur – mit eigenen Kosten, Sicherheitsanforderungen und Anbieter-Risiken. Dabei geht es nicht nur um mögliche Ausfälle. Der Zugriff auf ein Modell kann auch bewusst eingeschränkt oder entzogen werden. Anbieter können beispielsweise API-Zugänge für bestimmte Regionen begrenzen, und Regierungen betrachten den Zugang zu leistungsfähigen KI-Technologien zunehmend als etwas, das durch politische Entscheidungen beeinflusst werden kann.

Deshalb gewinnt souveräne KI – also die Kontrolle über die Modelle, Daten und Infrastrukturen, von denen ein Unternehmen abhängig ist – zunehmend strategische Bedeutung auf Vorstandsebene. Diese Abhängigkeit lässt sich zudem nicht einfach wieder auflösen. Viele Unternehmen stellen fest, dass ein Wechsel des KI-Anbieters mit erheblichem Aufwand verbunden ist. Ein Prozess, der stillschweigend von einem externen Modell abhängig geworden ist, übernimmt daher automatisch auch dessen Risiken – oft ohne dass diese Abhängigkeit jemals bewusst entschieden wurde.

Risiko

KI bringt eigene neue Risiken mit sich: Halluzinationen, Modellveränderungen, verzerrte Ergebnisse oder Ausfälle auf Seiten des Anbieters. Darüber hinaus verändert sie das bestehende Risikoprofil von Aufgaben, die bereits vor dem Einzug der KI mit operativen Risiken behaftet waren. Dadurch verschiebt sich die Diskussion weg von der wenig hilfreichen Aussage „KI ist riskant“ hin zu einer viel konkreteren Frage: Welche Risiken haben sich verändert, bei welchen Aufgaben passiert das – und in welchem Ausmaß?

Kontrollen

Eine Kontrolle, die darauf ausgelegt ist, menschliche Fehler zu erkennen, erkennt nicht automatisch auch Fehler von Maschinen. Ein Vier-Augen-Prinzip kann beispielsweise sehr effektiv dabei helfen, menschliche Fehler aufzudecken. Es erkennt jedoch möglicherweise nicht, wenn eine KI ein Ergebnis erzeugt, das überzeugend klingt, plausibel wirkt – aber dennoch falsch ist. Je sicherer und überzeugender eine KI ihre Ergebnisse formuliert, desto geringer kann die Wahrscheinlichkeit werden, dass eine prüfende Person diese kritisch hinterfragt. Die Kontrolle wird weiterhin im Audit dokumentiert und als erfüllt betrachtet, obwohl sie das Risiko, für das sie ursprünglich entwickelt wurde, möglicherweise nicht mehr reduziert. Das ist problematischer, als überhaupt keine Kontrolle zu haben – denn sie erzeugt eine falsche Sicherheit.

Rollen

Durch KI verschwinden Rollen nicht zwangsläufig – sie verändern sich. Die Verantwortung verschiebt sich: vom Ausführen einer Aufgabe hin zur Überprüfung, vom aktiven Bearbeiten hin zur Überwachung. Das ist eine tatsächliche Veränderung der benötigten Kompetenzen und geht weit über eine reine Anpassung von Rollenbezeichnungen hinaus. Auch regulatorische Anforderungen entwickeln sich weltweit in diese Richtung. Der EU AI Act ist ein Beispiel dafür: Bei Hochrisiko-KI-Systemen muss die menschliche Überwachung einer konkret benannten Person zugeordnet sein, die tatsächlich in der Lage ist, Entscheidungen der KI zu hinterfragen und bei Bedarf einzugreifen. Eine rein formale menschliche Beteiligung reicht nicht aus. Entscheidend ist eine Person mit der notwendigen Verantwortung, Befugnis und Unabhängigkeit, um Entscheidungen kritisch zu prüfen.

Prozessablauf

Die Einführung von KI verändert nicht nur die Objekte, die mit einem Prozess verbunden sind. Sie verändert auch, wie Arbeit tatsächlich durch den Prozess fließt. Wenn KI benachbarte Aufgaben automatisiert, können bisherige Übergaben zwischen einzelnen Arbeitsschritten wegfallen. Das kann zwar die Durchlaufzeit verkürzen, gleichzeitig aber auch informelle Kontrollpunkte entfernen, an denen Probleme früher erkannt wurden. Auch die Entscheidungsbefugnis verschiebt sich zunehmend von Menschen hin zu Systemen. Dadurch wird es umso wichtiger, nachvollziehbar festzuhalten, wer weiterhin Verantwortung für diese Entscheidungen trägt – insbesondere, wenn Unternehmen sich zunehmend in Richtung Agentic AI bewegen.

All diese Informationen müssen jedoch nicht verborgen bleiben. Aufgaben können mit ihrem jeweiligen KI-Reifegrad gekennzeichnet und direkt mit dem eingesetzten Anbieter verknüpft werden. Dadurch lässt sich jede KI-gestützte Aktivität wieder in den übergeordneten Geschäftskontext einordnen.

Die wahre Stärke von GPM liegt nicht nur darin, KI sichtbar zu machen, sondern auch messbar. Sobald KI-bezogene Informationen Bestandteil des Prozessmodells werden, können Unternehmen über die reine Dokumentation von KI-Nutzung hinausgehen. Sie erhalten ein Verständnis dafür, wie weit die Einführung von KI fortgeschritten ist und wo gezielte Steuerung oder Governance erforderlich ist.

Die im vorherigen Abschnitt beschriebenen Zusammenhänge bleiben dabei nicht länger statische Dokumentation. Unternehmen können Prozesselemente anhand deren KI-Reifegrad, der erforderlichen menschlichen Kontrolle, dem eingesetztem KI-Anbieter, der Kritikalität von Entscheidungen oder den Kosten der KI-Ausführung bewerten. Dadurch wird es möglich, den KI-Einsatz über die gesamte Prozesslandschaft hinweg zu identifizieren, zu analysieren und gezielt zu steuern.

Beispielhafte KI-Attribute einer Aufgabe

Diese Transparenz ermöglicht Fragen, die ein reines KI-Inventar nicht beantworten kann:

• KI-Reifegrad: Welche Aufgaben werden weiterhin vollständig manuell ausgeführt? Welche Prozesse nutzen bereits KI? Wo arbeiten autonome KI-Agenten?
• Menschliche Kontrolle: Bei welchen KI-gestützten Entscheidungen ist weiterhin eine menschliche Freigabe erforderlich? Wo arbeitet KI bereits ohne direkte Überwachung?
• KI-Anbieter: Welche externen KI-Anbieter werden im Unternehmen genutzt? Welche Geschäftsprozesse hängen von einem bestimmten Anbieter ab?
• Kritikalität von Entscheidungen: Welche KI-gestützten Entscheidungen haben den größten Einfluss auf das Unternehmen? Welche davon benötigen besonders starke Governance und Kontrolle?
• Kosten der KI-Ausführung: Wie hoch sind die durchschnittlichen KI-Kosten für die Ausführung einer Aufgabe? Wo lässt sich der Verbrauch von Tokens optimieren, um die Kosteneffizienz zu verbessern?

ADONIS unterstützt Unternehmen dabei, den Einsatz von KI von isolierten Experimenten zu einer strategisch gesteuerten Geschäftsfähigkeit weiterzuentwickeln. Da alle relevanten Informationen direkt im Prozessmodell verankert sind, können Unternehmen den KI-Einsatz aus unterschiedlichen Perspektiven analysieren – von übergeordneten Management-Dashboards bis hin zu einzelnen Prozessaktivitäten.

Unabhängig von der Betrachtungsebene gilt: Jede KI-Initiative verursacht Kosten und diese bestehen selten nur aus den offensichtlichen Ausgaben. Die entscheidende Frage lautet daher: Rechtfertigt der erzeugte Mehrwert die Investition, die hinter der KI steckt? Ohne einen klaren Blick auf beide Seiten bleibt diese Entscheidung eine Einschätzung.

ADONIS schafft genau diese Transparenz, indem Kosten direkt mit den Aufgaben und KI-Agenten verbunden werden, durch die sie entstehen. Da dieselben Aufgaben zusätzlich Informationen zu menschlicher Kontrolle, eingesetzten Anbietern, Entscheidungskritikalität und Ausführungshäufigkeit enthalten können, werden Kosten nicht isoliert betrachtet. Stattdessen lassen sie sich im Kontext bewerten: was die KI macht, wie häufig der Prozess ausgeführt wird und wie viel Kontrolle die Aufgabe benötigt.

ADONIS kann daraus ableiten, wie sich ein Prozess unter realistischen Bedingungen verhält, indem berücksichtigt wird, wie häufig er ausgeführt wird, welche Kosten mit einzelnen Aufgaben und KI-Agenten verbunden sind und welche Form der menschlichen Kontrolle für die jeweiligen Aktivitäten erforderlich ist. Unternehmen können dadurch einen bestehenden IST-Prozess mit geplanten KI-gestützten SOLL-Varianten vergleichen, bevor Änderungen tatsächlich umgesetzt werden. Durch die Kombination aus Prozesshäufigkeit, aufgabenbezogenen Kosten, Kosten der KI-Ausführung und erwarteten Effizienzgewinnen entsteht eine strukturierte Grundlage, um den potenziellen Return on Investment zu bewerten. Der ROI wird dadurch weniger zu einer nachträglichen Erfolgsgeschichte und vielmehr zu einer fundierten Entscheidung, die bereits vor Investition und Umsetzung getroffen werden kann.

Auf Ebene der gesamten Prozesslandschaft bietet ADONIS zudem eine konsolidierte Sicht auf den KI-Reifegrad verschiedener Geschäftsbereiche. Statt einzelne Prozesse isoliert zu betrachten, können Entscheidungsträger direkt erkennen, welche Fähigkeiten und Abläufe weiterhin weitgehend manuell ausgeführt werden, wo die Einführung von KI bereits voranschreitet und in welchen Bereichen das größte Potenzial für weitere Verbesserungen liegt.

Übersicht über Prozesse anhand ihres KI-Reifegrads

Die wirklich relevanten Risiken zeigen sich selten in nur einer einzelnen Dimension. Eine eigenständig laufende Aufgabe ist zunächst unproblematisch – bis sie gleichzeitig sensible Daten verarbeitet, geschäftskritische Entscheidungen trifft oder von einem einzigen externen Anbieter abhängig ist. Genau deshalb kombiniert ADONIS verschiedene KI-Attribute in einer gemeinsamen Ansicht. Dabei wird der KI-Reifegrad beispielsweise der Entscheidungskritikalität gegenübergestellt und nach Prozessen differenziert dargestellt. So werden kritische Kombinationen sichtbar, anstatt sich über verschiedene Berichte und Systeme zu verteilen.

Eine hochautomatisierte Aufgabe, die sensible Daten verarbeitet, oder eine geschäftskritische Entscheidung ohne menschliche Eingriffsmöglichkeit wird dadurch unmittelbar sichtbar, anstatt danach extra manuell suchen zu müssen.

Portfolio zur Bewertung der KI-Einführung

Dieselben Verknüpfungen machen auch Abhängigkeiten von KI-Anbietern beherrschbar. Jede KI-gestützte Aufgabe ist mit der zugrunde liegenden Anwendung verbunden – und jede Anwendung wiederum mit ihren Risiken und Kontrollen. Wenn ein Anbieter beispielsweise eine Compliance- oder Datenschutzanforderung nicht mehr erfüllt, müssen Unternehmen nicht mühsam recherchieren, welche Bereiche betroffen sind. Stattdessen können sie den Verknüpfungen folgen: Alle Prozesse, die von diesem Anbieter abhängig sind, werden sofort sichtbar – inklusive der damit verbundenen Risiken und Kontrollen. Dadurch können Unternehmen bewerten, welche Auswirkungen ein Wechsel hätte, die damit verbundenen Kosten einschätzen und alternative Prozessvarianten modellieren, bevor eine Entscheidung getroffen wird. Die Abhängigkeit von einem Anbieter wird dadurch nicht länger zu einer unkontrollierbaren Schwachstelle, sondern zu einer transparenten Grundlage für Entscheidungen.

Zu verstehen, wo KI eingesetzt wird, ist nur dann wertvoll, wenn daraus konkrete Entscheidungen entstehen. In ADONIS fließt diese Transparenz direkt in Entscheidungsprozesse ein. Denn dasselbe Prozessmodell ist bereits mit allen Informationen verbunden, die für eine fundierte Bewertung notwendig sind: den Anwendungen hinter einem Prozess, den verwendeten Daten, den bestehenden Risiken, den vorgesehenen Kontrollen und den beteiligten Rollen. Dabei können beliebige KI-bezogene Informationen dort ergänzt werden, wo sie im Unternehmen relevant sind – auf Ebene eines Prozesses, einer Aufgabe, einer Anwendung, eines Risikos oder einer Rolle.

Dadurch entsteht eine Sicht vom gesamten Prozessportfolio bis hin zu einem einzelnen Arbeitsschritt. Unternehmen erhalten damit eine belastbare Grundlage, um zu entscheiden, welche Prozesse tatsächlich für den Einsatz von KI geeignet sind – und nicht nur diejenigen, die besonders sichtbar oder aktuell im Fokus stehen.

Aus dieser Transparenz entstehen Entscheidungen auf Basis konkreter Informationen statt Vermutungen. Die gleiche Sichtweise, die zeigt, wo KI Mehrwert schafft, macht auch sichtbar, wo Herausforderungen entstehen können. Dadurch wird aus einer intuitiven Frage wie „Wo sollten wir investieren oder skalieren?“ eine Entscheidung auf Grundlage nachvollziehbarer Fakten. Sie zeigt auch komplexere Handlungsfelder:

• Wo ein Prozess zunächst neu gestaltet werden muss, bevor KI sinnvoll eingesetzt werden kann
• Wo bestehende Kontrollen für menschliche Fehler angepasst werden müssen, um auch Maschinenfehler zu erkennen
• Wo die richtige Entscheidung möglicherweise darin besteht, auf eine Einführung zu verzichten

Szenarien lassen sich bereits vor der Umsetzung vergleichen: ein vollständig manueller Ausgangsprozess, eine KI-unterstützte Variante, ein Prozess mit Agentic AI Unterstützung. Die gleiche Perspektive, die Risiken sichtbar macht, zeigt auch Chancen auf.

Informationen, die auf Aufgabenebene definiert wurden – beispielsweise welche Schritte eine menschliche Prüfung benötigen und welche vollständig automatisiert ablaufen können – bleiben nicht länger reine Dokumentation, die niemand nutzt. Über MCP kann ein Agent dieses Wissen zur Laufzeit abrufen und nach den Regeln handeln, die für seinen jeweiligen Arbeitskontext gelten. Damit wird genau die Lücke geschlossen, die beim zweiten Einführungspfad entstanden ist: Das Management konnte zwar den richtigen Prozess auswählen, hatte aber keine Möglichkeit, Anforderungen und Governance-Vorgaben bis auf einzelne Aufgabenebene herunterzubrechen. Mit MCP begleiten diese Anforderungen nun die Arbeit selbst.

Zu wissen, wo KI eingesetzt wird, was sie tut und wie sie im Unternehmen eingebettet ist, ist eine eigene Herausforderung. Genau dafür dient das AI Governance Cockpit. Da die Dashboards individuell konfigurierbar sind, können sie auf die Bedürfnisse verschiedener Nutzergruppen zugeschnitten werden. Das Management erhält eine ganzheitliche Übersicht: Wo KI im Unternehmen eingesetzt wird, welche Anwendungen und Anbieter dahinterstehen, welche Risiken mit den jeweiligen Prozessen verbunden sind und wer für den jeweiligen KI-Einsatz verantwortlich ist.

Mitarbeitende sehen dagegen ihren eigenen Verantwortungsbereich: für welche Aufgaben sie verantwortlich sind, welche KI-Systeme und Daten beteiligt sind und wo ihre Prüfung und ihr Eingreifen erforderlich ist. So bleibt hinter jeder KI-gestützten Aufgabe eine klar benannte verantwortliche Person. Aus einer Technologie, die zuvor unsichtbar im Hintergrund arbeitete, wird dadurch ein transparenter und verantworteter Bestandteil des Geschäftsprozesses.

AI Governance Cockpit

Damit verändert sich auch die zentrale Fragestellung. „Können wir KI hier einsetzen?“ ist vor allem eine Frage nach technischer Möglichkeit – und die Antwort lautet heute in den meisten Fällen: ja. Die entscheidendere Frage lautet: „Sollten wir KI hier einsetzen – und wie tun wir das verantwortungsvoll?“ Diese Frage betrifft Wertbeitrag, Risiko und Verantwortung. Und sie lässt sich nur beantworten, wenn die Auswirkungen messbar sind, bevor eine Entscheidung getroffen wird.

Mit ADONIS können Unternehmen zuverlässige Analysefunktionen nutzen, um die Auswirkungen von KI auf ihre Prozesse zu bewerten und fundiert zu entscheiden, wo sie investieren, skalieren, Prozesse neu gestalten oder bestehende Ansätze weiterentwickeln möchten.

Die Einführung von KI in Unternehmen ist längst über die Frage hinausgewachsen, ob sie überhaupt erlaubt werden soll. Mitarbeitende finden weiterhin neue Möglichkeiten, ihre Arbeit mit KI schneller zu erledigen. Gleichzeitig sucht das Management nach den Prozessen, in denen KI den größten Nutzen bringen kann. Beides wird nicht aufhören – und das ist gut so.

Der Unterschied zwischen Unternehmen, die echten Mehrwert aus KI erzielen, und jenen, die weiterhin in Pilotprojekten feststecken, liegt in einer entscheidenden Fähigkeit: Sie müssen nachvollziehen können, welchen Einfluss KI auf einzelne Aufgaben, die verwendeten Daten, veränderte Risiken, entstehende Kosten, eingesetzte Anbieter und Verantwortlichkeiten hat. Ein reines KI-Inventar kann diese Zusammenhänge nicht sichtbar machen.

Ein Prozessmodell hingegen schon – denn Aufgaben, Daten und Risiken sind bereits Bestandteil dieses Modells. Und genau das bietet ADONIS Unternehmen: Das bestehende Prozessmodell wird zum zentralen Ort, an dem KI gestaltet, bewertet, gemessen und weiterentwickelt wird – nicht zu einem zusätzlichen System, das KI isoliert neben den bestehenden Prozessen verwaltet.

KI wird ihren Weg in die Arbeitswelt weiter finden. Die offene Frage lautet jedoch, ob Ihr Unternehmen mit belastbaren Fakten erklären kann, was sich durch KI verändert hat, wie diese Veränderungen aussehen und wer dafür verantwortlich ist.