Digitale Transformation mit KI: Wo sie beschleunigt und wo sie nach hinten losgeht

Vierundsiebzig Prozent der Unternehmen erwarten, dass KI ihren Umsatz steigert. Zwanzig Prozent schaffen es tatsächlich. Diese Lücke stammt aus Deloittes 2026 State of AI in the Enterprise, einer Befragung von 3.235 Business- und IT-Verantwortlichen in 24 Ländern, und ist damit die ehrlichste verfügbare Zusammenfassung dessen, wo digitale Transformation mit KI tatsächlich steht.

KI-Transformation ist digitale Transformation, bei der KI die Arbeit selbst neu gestaltet, nicht nur die Tools drumherum. Sie beschleunigt zuverlässig dokumentenlastige, volumenstarke, regelbasierte Workflows. Sie schlägt fehl bei Core-System-Neuentwicklungen, compliance-kritischen Entscheidungen und allem, was auf undokumentiertem Legacy-Code läuft. Die entscheidende Variable ist die Neugestaltung des Workflows, nicht die Wahl des Modells.

Das ist wichtiger, als es klingt. Die eine Variante liefert eine schnellere Kopie des Unternehmens, das man ohnehin schon betreibt. Die andere liefert ein anderes Unternehmen. Die meisten Teams finden erst nach ein oder zwei Jahren heraus, welche der beiden sie tatsächlich gekauft haben, wenn das Budget bereits aufgebraucht ist. Wir haben das zwei Jahrzehnte lang bei Projekten zur digitalen Transformation beobachtet.

Was ist KI-Transformation, und wie unterscheidet sie sich von digitaler Transformation?

Digitale Transformation überführt einen Prozess von analog oder On-Premise in digital und Cloud. Der Prozess selbst übersteht die Reise meist unverändert. Man leitet dieselben Freigaben weiterhin durch, nur eben über eine Web-App statt über einen Aktenordner.

KI-Transformation verändert, was der Prozess ist. Statt einem Analysten eine schnellere Tabellenkalkulation zu geben, entfernt man den Schritt, in dem ein Mensch 400 Zeilen liest und ein Urteil fällt, und baut den Workflow um ein System herum neu auf, das dieses Urteil kontinuierlich liefert. Das ist der ganze Unterschied, und er erklärt, warum so viele KI-Programme ins Stocken geraten: Es sind digitale Transformationsprojekte mit einem KI-Etikett.

Der praktische Test ist einfach. Könnte man die KI morgen abschalten und der Prozess liefe genau wie zuvor, nur langsamer, hat man ein Tool hinzugefügt. Würde das Abschalten den Workflow zum Erliegen bringen, weil der Workflow diesen menschlichen Schritt nicht mehr enthält, hat man etwas transformiert. Die meisten Organisationen befinden sich in der ersten Kategorie, berichten aber, als wären sie in der zweiten. Wer die Reihenfolge des zugrunde liegenden Programms noch plant, findet in unserem Leitfaden zur Digital-Transformation-Roadmap die Antwort auf das Reihenfolgeproblem, bevor KI ins Spiel kommt.

Die Akzeptanz ist historisch, der Wert nicht

Die Akzeptanz war tatsächlich historisch. Der Stanford HAI 2026 AI Index berichtet, dass generative KI innerhalb von drei Jahren eine Verbreitung von 53 Prozent der Bevölkerung erreicht hat, schneller als es der PC oder das Internet geschafft haben, wobei 70 Prozent der Unternehmen sie in mindestens einer Geschäftsfunktion einsetzen. China und Europa verzeichneten unter den Unternehmen die höchsten Zuwächse im Jahresvergleich.

Dann kommen die Wertzahlen und dämpfen die Stimmung. Deloitte fand heraus, dass 66 Prozent der Unternehmen Produktivitäts- und Effizienzgewinne erzielen, was real ist, aber beim Umsatz zeigt sich die Kluft von 74 Prozent Hoffnung gegenüber 20 Prozent tatsächlicher Erreichung. Produktivitätsgewinne sind die einfache Hälfte. Sie zeigen sich, wenn Einzelne schneller arbeiten. Umsatzgewinne erfordern, dass die Organisation etwas tut, das sie vorher nicht konnte, und das ist ein struktureller Wandel, kein Tooling-Wandel.

Die Redaktion der Harvard Business Review nennt das in ihrem Beitrag über den Übergang von KI-Experimenten zu KI-Transformation die Mikro-Produktivitätsfalle: Tausende einzelne Zeitersparnisse, die sich nie zu einem Geschäftsergebnis summieren, weil niemand das System neu gestaltet hat, in dem diese Einzelnen arbeiten. Alle sind 12 Prozent schneller, und die Gewinn- und Verlustrechnung bemerkt es nicht. Ein vertrautes Muster für alle, die schon einmal beobachtet haben, wie eine digitale Transformation scheitert, aus Gründen, die nichts mit der Technologie zu tun hatten.

Wo digitale Transformation mit KI zuverlässig beschleunigt

KI hat ein konsistentes Profil dessen, worin sie gut ist, und das ist nüchterner, als das Marketing vermuten lässt. Bevor man einen Kandidaten-Workflow bewertet, sollte man ihn gegen vier Bedingungen prüfen.

• Hohes Volumen. Genug Wiederholung, damit sich eine kleine prozentuale Verbesserung technisch lohnt.
• Text- oder musterförmig. Der Input besteht aus Dokumenten, Datensätzen oder numerischen Mustern statt aus Beziehungen oder physischem Urteilsvermögen.
• Tolerant gegenüber einer geringen Fehlerquote. Ein Fehltreffer von 2 Prozent ist ein Ärgernis, keine Klage.
• Hat bereits einen Prüfer. Jemand kontrolliert diesen Output schon heute, und diese Person kann vom Prüfen von allem zum Prüfen von Ausnahmen wechseln.

Vier Arbeitsbereiche erfüllen diese Bedingungen durchgängig:

• Dokumenten- und datenerfassungslastige Workflows. Der klarste Gewinn der Gruppe. Schadensmeldungen, Rechnungsabgleich, Vertragsprüfung, Onboarding-Papierkram für Mitarbeiter und Kunden, Datenabgleich. Die Anleitung der Harvard Business Review zur Transformation des Middle Office mit KI zielt genau auf diese Schicht ab, die wenig sichtbare Bearbeitungsarbeit zwischen kundenorientiertem Front Office und Back Office, die enorm viel Personal bindet, ohne irgendjemanden zu differenzieren.
• Tier-1-Kundenservice. Zuverlässig, sofern man ihn ehrlich abgrenzt. Passwort-Zurücksetzungen, Bestellstatus, Rückgabeberechtigung, Terminänderungen. Die Falle besteht darin, Tier 1 als die gesamte Support-Funktion zu behandeln und dann festzustellen, dass der Eskalationspfad tragend war.
• Prognose und Planung. Bedarfsprognosen, Bestandsnachbestellung, Personalplanung und Preisgestaltung erfordern alle eine kontinuierliche Neuberechnung anhand sich ändernder Eingaben, eine Arbeit, die Menschen schlecht und selten erledigen, weil sie mühsam ist. Hier liefert angewandte generative KI für digitale Transformation tendenziell eine messbare Zahl statt eines Gefühls.
• Legacy-System-Verständnis. Das verdient besondere Aufmerksamkeit, denn hier hilft KI am meisten bei dem, was Transformation tatsächlich blockiert. Richtet man ein Modell auf ein zwölf Jahre altes, nie dokumentiertes System, kartiert es, was der Code tut, welche Teile welche Daten berühren und wo die alten Geschäftsregeln vergraben sind. Ein Entwickler, der das von Hand zusammensetzt, braucht Wochen. Das hier dauert Tage. Es schreibt das System nicht neu, es zeigt, womit man es zu tun hat, was oft der fehlende Baustein für das gesamte Programm ist, und deshalb behandeln wir Legacy-Code als Discovery-Problem, bevor er ein Engineering-Problem wird.

Wo KI nach hinten losgeht

Dieselben vier Bedingungen gelten auch umgekehrt. Wo das Volumen gering ist, wo der Output eine Ermessensentscheidung ist, wo Fehler teuer sind oder wo niemand in der Position ist, die Arbeit zu prüfen, fügt KI Risiko statt Geschwindigkeit hinzu. Diese vier Kategorien machen den Großteil der KI-Fehlschläge aus, die wir sehen.

• Core-System-Neuentwicklungen. Der teuerste Fehler auf der Liste. Eine Migration ist entweder richtig oder falsch: Das neue System muss für jeden historischen Datensatz exakt dieselben Antworten liefern wie das alte, sonst hat man seine Daten beschädigt, ohne es zu bemerken. KI schreibt Code, der korrekt aussieht, und korrekt aussehen ist nicht dasselbe wie korrekt sein. Nutzen Sie sie, um das alte System zu verstehen und die Tests zu schreiben, die beweisen, dass das neue damit übereinstimmt. Die Migration selbst überlassen Sie Ingenieuren.
• Compliance-lastige und regulierte Abläufe. Kreditentscheidungen, Leistungsberechtigung, klinische Behandlungspfade, alles mit einem gesetzlich vorgeschriebenen Audit-Trail. Man muss womöglich Monate später erklären, warum eine bestimmte Person eine bestimmte Entscheidung erhielt, gegenüber jemandem mit der rechtlichen Befugnis, danach zu fragen. KI-Systeme handhaben das schlecht, und hier falsch zu liegen kostet weit mehr, als langsam zu sein.
• Agenten auf nicht modernisierten Systemen. Dazu hat Gartner eine Zahl genannt. Gartner prognostiziert, dass über 40 Prozent der agentenbasierten KI-Projekte bis Ende 2027 eingestellt werden, mit Verweis auf steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrollen, und stellt konkret fest, dass die Integration von Agenten in Legacy-Systeme technisch komplex ist, Workflows stört und teure Anpassungen erfordert. Gartner schätzt zudem, dass von den Tausenden Anbietern, die agentenbasierte KI vermarkten, nur rund 130 real sind, was man sich bei der Beschaffung merken sollte.
• Ermessens- und Beziehungsarbeit. Key-Account-Management, Einstellungsentscheidungen auf Senior-Ebene, Partnerverhandlungen und alles, wobei das Ergebnis Vertrauen ist und kein Liefergegenstand.

Wie treibt KI-Enablement die digitale Transformation voran?

Durch die Neugestaltung von Workflows, und die Evidenz dazu ist ungewöhnlich konsistent. Die State-of-AI-Studie von McKinsey testete 31 verschiedene organisatorische Gewohnheiten, um herauszufinden, welche die Unternehmen, die mit KI tatsächlich Geld verdienen, wirklich von allen anderen unterscheiden. Die Gewinner, rund 6 Prozent der Befragten, waren jene, die KI mindestens 5 Prozent ihres Betriebsgewinns zuschrieben, formal Earnings before Interest and Taxes (EBIT). Diese Unternehmen hatten fast dreimal so häufig einzelne Workflows grundlegend neu gestaltet, und diese Neugestaltung gehörte zu den stärksten Einflussfaktoren auf den Geschäftserfolg von allem, was McKinsey gemessen hat.

BCG fasst denselben Befund als Budgetverteilung. Das 10-20-70-Prinzip von BCG schreibt 10 Prozent des KI-Werts den Algorithmen zu, 20 Prozent Daten und Technologie und 70 Prozent Menschen und Prozessen. Das ist eher ein Rahmenmodell als ein Umfrageergebnis, aber es sagt das Scheitern gut voraus: Organisationen verteilen ihre Aufmerksamkeit genau umgekehrt zu diesem Verhältnis, quälen sich mit der Modellauswahl, während niemand für die Prozessneugestaltung verantwortlich ist.

Die Tiefendaten von Deloitte zeigen, wie wenige Unternehmen diese Grenze überschritten haben. Nur 34 Prozent beginnen, KI für eine tiefgreifende Transformation zu nutzen, indem sie neue Produkte schaffen oder Kernprozesse neu erfinden, 30 Prozent gestalten Schlüsselprozesse rund um KI neu, und 37 Prozent nutzen KI nur oberflächlich, mit wenig bis keiner Änderung an bestehenden Prozessen. In diesem letzten Drittel lebt das Muster von Produktivität ohne Umsatz.

Die Anleitung von MIT Sloan zur Beschleunigung der KI-Transformation ergänzt einen nützlichen Mechanismus: Neugestaltung nach Aufgabe, nicht nach Jobtitel. Zerlegen Sie eine Rolle in ihre 15 bis 20 Einzelaktivitäten, bilden Sie ab, wie die Arbeit tatsächlich ausgeführt wird, statt wie es das Organigramm behauptet, und entscheiden Sie dann Aktivität für Aktivität, was an ein System übergeht und was bei einem Menschen bleibt. Rollen sind eine zu grobe Einheit für die Neugestaltung. Aktivitäten sind die richtige Körnung, und das ist dieselbe Disziplin, die hinter jedem tragfähigen Satz an Digital-Transformation-Strategien steht.

Wie man KI in eine bereits laufende Transformation integriert

Die meisten Organisationen, die das hier lesen, starten nicht bei null. Es läuft bereits ein Programm, eine Roadmap mit festen Terminen, und jetzt kommt das Mandat, KI hinzuzufügen. Hier ist die Reihenfolge, die sich tatsächlich bewährt, sobald echte Fristen und echte Legacy-Systeme ins Spiel kommen.

1. Einen Workflow wählen, keine Abteilung. “KI im Betrieb” ist kein Projekt. “Bearbeitung von Rechnungsausnahmen, derzeit 3,2 Vollzeitkräfte, 14.000 Dokumente pro Monat, 6 Prozent Fehlerquote” ist ein Projekt, weil es eine Baseline liefert, an der man gemessen werden kann.
2. Die Daten langweilig machen, bevor man sie smart macht. Saubere, zugängliche, verbundene Daten sind die Voraussetzung, und dort fließt der Großteil des Zeitplans tatsächlich hin. Wenn die relevanten Datensätze in vier Systemen mit drei verschiedenen Kundenkennungen liegen und es keinen Abgleich zwischen ihnen gibt, ist das Ihr Projekt für das erste Quartal, egal was die KI-Roadmap sagt.
3. Nur die Verrohrung reparieren, die die KI tatsächlich berührt. Die gesamte Technologielandschaft neu aufzubauen, bevor überhaupt KI-Arbeit stattfindet, ist eine mehrjährige Methode, nichts zu tun. Man muss nur die Systeme modernisieren, die den gewählten Workflow speisen, plus die Verbindungen zwischen ihnen. Eine Warnung: Wenn diese Systeme in die Cloud wandern, sollte man sie dabei neu gestalten, statt die alte Struktur unverändert zu übernehmen. Das unveränderte Übernehmen wirkt im ersten Monat günstiger und kostet in jedem folgenden Monat mehr.
4. Die Evaluierungsschicht bauen, bevor man den Agenten baut. Man braucht automatisierte Prüfungen, die anzeigen, dass das System sich verschlechtert, bevor ein Kunde es merkt. Teams überspringen diesen Schritt, weil er keine Demo liefert, und genau dieser Schritt entscheidet, ob die Sache in Produktion überlebt.
5. Eine Funktion beweisen, dann ausweiten. Ein Workflow, gemessen an seiner Baseline, parallel zum bestehenden Prozess laufend, bis Parität nachgewiesen ist. Dann der nächste. Organisationen, die Kapazität ohne Neueinstellungen skalieren, erreichen das, indem sie bewährte Funktionen aufeinander aufbauen, statt acht Pilotprojekte gleichzeitig zu starten.

Der Branchenkontext verschiebt den Startpunkt, aber nicht die Methode. Transformation im Einzelhandel beginnt meist mit Bedarfsprognose, Nachbestellung und Tier-1-Support, was wir im Detail für KI-gestützte digitale Transformation im Einzelhandel aufschlüsseln. E-Learning-Plattformen starten typischerweise mit Content-Generierung und adaptiver Bewertung. Öffentlicher Sektor und Sozialleistungen starten mit Aufnahme-Triage und Fallweiterleitung, wo das Volumen hoch und die Regeln bereits schriftlich festgelegt sind. Logistik startet mit Routen- und Bestandsoptimierung. Personalwesen und Recruiting starten mit Screening und Terminplanung, mit einer festen Grenze um die endgültige Einstellungsentscheidung.

Die Personalfrage, die man nicht überspringen kann

Seien wir direkt bei dem, was die meisten Führungskräfte eigentlich fragen. Ja, KI kann den Personalbestand reduzieren, und in den richtigen Workflows ist die Reduktion dauerhaft und substanziell. Dokumentenverarbeitung, Tier-1-Support und Routineabgleich brauchen tatsächlich weniger Personal, sobald die Arbeit um ein System statt um eine Warteschlange herum neu aufgebaut wird. Wer etwas anderes behauptet, verkauft Beruhigung.

Der größte Schaden entsteht durch zu schnelles Vorgehen. Gartner prognostiziert, dass bis 2027 die Hälfte der Unternehmen, die Personalabbau auf KI zurückführten, für ähnliche Funktionen wieder einstellen werden, unter anderen Jobtiteln. Eine dazugehörige Gartner-Umfrage unter 321 Führungskräften aus Kundenservice und Support ergab, dass nur 20 Prozent tatsächlich die Agentenzahl wegen KI reduziert hatten, was darauf hindeutet, dass die Pressemitteilungen den tatsächlichen Ergebnissen deutlich vorausgeeilt sind.

Klarna ist das meistzitierte Beispiel, weil das Unternehmen ungewöhnlich offen damit umgegangen ist. Nachdem rund 700 Kundenservice-Stellen gestrichen und die Arbeit an einen KI-Assistenten weitergeleitet wurden, sagte CEO Sebastian Siemiatkowski gegenüber Bloomberg, das Unternehmen habe sich zu stark auf Effizienz und Kosten konzentriert, das Ergebnis sei geringere Qualität gewesen, und man stelle wieder Menschen ein. Die Technologie funktionierte. Die Abgrenzung nicht.

Was die Unternehmen, die einmalig kürzen, von denen unterscheidet, die kürzen und dann wieder einstellen, ist eine unvoreingenommene Bestandsaufnahme der Arbeit, bevor irgendjemand entlassen wird. Das bedeutet, dass jemand kartiert, welche Workflows neu gestaltet werden können, wie jeder umgebaut werden sollte, was ein System aufnehmen kann und was nicht, und, der Teil, den fast alle überspringen, wohin die freigewordene Kapazität umgeleitet wird, um neuen Umsatz zu generieren, statt nur eine kleinere Kostenzeile zu erzeugen. Eine Transformation, die nur Kosten entfernt, ist eine halbe Transformation.

Das spricht dafür, KI-Workforce-Transformation als eigenständiges Engagement mit eigenem Evidenzstandard zu behandeln. Menschen zu entlassen ist der einfache Teil, und es ist der einzige Teil, der sich schwer rückgängig machen lässt. Genau herauszufinden, was mit welcher Technologie in welchem Zeitrahmen automatisiert werden sollte, zu Kosten, die die Einsparungen tatsächlich übersteigen, und anschließend das Vertrauen von Kunden und verbleibendem Personal wiederherzustellen, falls man es falsch gemacht hat, ist der schwierige Teil. Es ist zudem erheblich günstiger, ihn zuerst zu erledigen. Die konkreten architektonischen Fehler hinter diesen Rückabwicklungen werden in warum KI-Workforce-Transformation scheitert behandelt.

Warum Redwerk

Wir liefern digitale Transformation seit 2005, was bedeutet, dass wir die Grundlagen lange gelernt haben, bevor KI zum Anlass wurde, eine zu beauftragen. Das ist wichtiger, als es klingt. Zu wissen, wie eine Transformation tatsächlich gelingt, wo die Reihenfolge-Fallen liegen und welche Teile eines Unternehmens sich gegen Veränderung wehren, ist das, was uns beurteilen lässt, wo KI in ein Programm gehört und wo sie etwas ohnehin Schwierigem nur zusätzliches Risiko hinzufügen würde.

Von Bibliotheksfilialen zu jedem Browser. Als COVID die physischen Standorte schloss, auf die das Frühkindheitsbildungsprodukt von AWE Learning angewiesen war, musste das Offline-Produkt schnell zu einem Cloud-Produkt werden, ohne die Sicherheitskontrollen zu verlieren, die es für Kinder geeignet machten. Wir haben es gebaut: modern, konfigurierbar, zentral verwaltet und erreichbar für jeden mit einem Browser statt nur für jeden, der eine Bibliotheksfiliale erreichen konnte.

Ein Dashboard für Sozialarbeit über alle Kanäle. Für US-amerikanische Sozialbehörden haben wir Current gebaut, eine SaaS-Plattform, die fragmentierte, weitgehend manuelle Prozesse der Sozialleistungserbringung durch Echtzeit-Dashboards und prädiktive Analysen ersetzte. Sachbearbeiter sehen jetzt die gesamte Arbeitslast über jeden Zugangspunkt, Schalter, Telefon, Post und online, an einem Ort und können verfolgen, was sich bewegt. So sieht eine Transformation aus, wenn sie die Arbeit verändert, statt sie nur zu digitalisieren.

Jahrzehntelange Preisexpertise, direkt ins Produkt verwandelt. Bei KillerBee bestand das Rohmaterial aus jahrzehntelangem Wissen über die Preisgestaltung von Baumaterialien, das in den Köpfen von Menschen und in Tabellenkalkulationen steckte. Wir haben daraus eine automatisierte Smart-Pricing-Plattform gemacht, die heute weltweit im Einsatz ist, und genau das ist das Muster hinter den meisten erfolgreichen KI-Geschäftstransformationen: die bereits vorhandene Expertise kodieren, statt die von jemand anderem zu importieren.

Wir sind auch mit Projekten vertraut, die halbfertig ankommen. Einen ins Stocken geratenen Build zu übernehmen, produktiv zu arbeiten, bevor die Anforderungen vollständig ausformuliert sind, und Spezialisten genau auf den Stack anzusetzen, den man bereits betreibt, sind die drei Dinge, für die uns Kunden am häufigsten beauftragen. Wenn Sie wissen wollen, wo KI Ihre Transformation tatsächlich beschleunigen würde und wo sie sie gefährden würde, buchen Sie einen Discovery Call, und wir gehen beides mit Ihnen durch.

FAQ

Sehen Sie, wie wir eine KI-gestützte Recruiting-App gebaut haben, die von einem US-Personaldienstleistungsriesen übernommen wurde

Bitte geben Sie Ihre Geschäfts-E-Mail-Adresse ein ist keine Geschäfts-E-Mail

Fallstudie erhalten