Cockpit
    4. November 2026 · 18 min

    AI Operating Model Studie: Was es beschreibt und wie es Arbeitsweise, Führung und Organisation verändert

    AI Operating ModelOrganisationFührungArbeitsweiseFallstudien

    Was ist ein AI Operating Model?

    Diese Frage stelle ich mir seit etwa einem Jahr. Und ich bin immer noch neugierig!

    Ich spreche mit Leuten und probiere Dinge selbst aus. Allerdings habe ich nicht jeden Fall aus erster Hand miterlebt. Es ist schwer zu beurteilen, was real ist und was nur Hype. Manche Behauptungen auf LinkedIn und Substack sind wild. Welche davon halten stand?

    Ich habe Menschen gefragt, die ich kenne und denen ich vertraue. Ihre Organisationen stehen an ganz unterschiedlichen Punkten. Einige haben gerade erst begonnen, KI zu nutzen. Also bin ich der Frage gründlich nachgegangen.

    Diese Studie verbindet meine Erfahrungen mit Arbeitsweisen, Führung und Organisationsdesign, meine Gespräche mit anderen und die Ergebnisse meiner Recherche.

    Ich habe KI genutzt, um Daten, Berichte und Primärquellen zu finden. Die Beispiele habe ich selbst ausgewählt, den Aufbau der Studie festgelegt und meine eigenen Schlüsse gezogen.

    Die Beispiele

    Ich habe sieben reale Fälle aus verschiedenen Unternehmensbereichen ausgewählt:

    • Softwareentwicklung

    • Produktionsplanung und Beschaffung

    • Kundenservice und Operations

    • Fall-Routing und Administration

    • Supply Chain und Einkauf

    • B2B-Vertrieb

    • Finanzen und Verwaltung im Gesundheitswesen

    Ich habe Fälle ausgewählt, die in Geschäftsberichten, Forschungsstudien oder offiziellen Dokumenten festgehalten sind.

    Die Struktur

    • Welches Ergebnis wollte die Organisation erreichen?

    • Wie sieht der End-to-End-Prozess aus?

    • Wie funktionierte der Prozess ohne KI?

    • Wie funktioniert er heute mit KI?

    Was ich aus den Fällen ableite

    • Was sind die prägenden Merkmale eines AI Operating Models?

    • Was bedeuten sie in der Praxis für Arbeitsweisen, Führung und Organisation?

    Diese Studie hilft mir, anhand von Beispielen und Belegen zu erklären, was der Einsatz von KI für eine Organisation bedeutet. Alle Quellen sind online frei zugänglich. Ich möchte Beiträge schreiben, denen Leser vertrauen und die ihnen zur Orientierung dienen können. Sie zeigen auch, wie ich denke und wie ich arbeite.

    Ich wünsche Ihnen viel Freude beim Lesen!

    Sieben Fälle aus der Praxis

    Lieferantenrisiken frühzeitig erkennen (BMW Group)

    Welches Ergebnis strebt BMW an?

    BMW möchte frühzeitig über mögliche Menschenrechtsverletzungen und Umweltschäden informiert werden, damit das Einkaufsteam rechtzeitig handeln kann. Das Team kann den Lieferanten anschließend auffordern, das Problem zu beheben, und nachverfolgen, ob die vereinbarten Maßnahmen umgesetzt wurden.

    Wie sieht der End-to-End-Prozess aus?

    Eine Beschwerde, eine Vor-Ort-Inspektion oder ein Medienbericht kann auf ein Problem hinweisen. BMW prüft, welcher Lieferant betroffen ist und ob die Belege den Bericht stützen. Bestätigt der Einkauf einen Verstoß, vereinbart er Korrekturmaßnahmen mit dem Lieferanten und überwacht deren Umsetzung entlang der Lieferkette.

    Wie funktionierte der Prozess ohne KI?

    BMW nutzt Standardfragebögen, Vor-Ort-Audits und formelle Beschwerdekanäle. Alle drei Instrumente bleiben bestehen. Um die Medien ohne KI zu beobachten, mussten Mitarbeiter Berichte lesen und die genannten Unternehmen mühsam mit den direkten und indirekten Lieferanten von BMW abgleichen. Eine lückenlose weltweite Abdeckung ließ sich auf diese Weise nicht erreichen.

    Wie funktioniert der Prozess mit KI?

    Ein Web-Crawler erfasst kontinuierlich öffentlich zugängliche Nachrichten und Social-Media-Beiträge. Das System durchsucht Quellen in mehr als 50 Sprachen nach Hinweisen in über 140 Risikokategorien. Auch Berichte über vorgelagerte Lieferanten jenseits der ersten Ebene (Tier-N) können Warnmeldungen auslösen. Ein Alert weist auf einen möglichen Verstoß hin. Allein das Einkaufsteam stellt fest, ob tatsächlich ein Verstoß vorliegt, und entscheidet sowie verhandelt über die weiteren Schritte.

    Qualifizierung von Vertriebsinteressenten im Selbstzahlermarkt (Stanford report)

    Welches Ergebnis strebt das Vertriebsteam an?

    Ein Vertriebsteam für ästhetische Medizin möchte Praxen identifizieren, bei denen sich ein persönlicher Besuch vor Ort lohnt. Es muss zwei Fragen beantworten: Welche Praxen im jeweiligen Vertriebsgebiet bieten die betreffenden Behandlungen an? Und welche verfügen über genügend Patienten und ausreichendes Wachstumspotenzial, um einen Besuch zu rechtfertigen?

    Wie sieht der End-to-End-Prozess aus?

    Das Team definiert zunächst sein Vertriebsgebiet. Es trägt verstreute Informationen zusammen, um Praxisprofile zu erstellen und die Interessenten zu priorisieren. Dieser Teil des Prozesses endet, sobald der Außendienst die Liste erhält. Ob ein Besuch zu einem qualifizierten Verkaufsgespräch oder einem Abschluss führt, liegt außerhalb des hier untersuchten Prozesses.

    Wie funktionierte der Prozess ohne KI?

    In regulierten Märkten, in denen Versicherungen die Behandlungskosten erstatten, liefern Abrechnungsdaten klare Anhaltspunkte für die tatsächliche Aktivität. In diesem reinen Selbstzahlermarkt gab es jedoch weder zentrale Register noch Abrechnungsdaten. Vertriebsmitarbeiter mussten Praxen auf gut Glück besuchen, um Interessenten zu finden, Websites manuell durchsuchen oder Empfehlungen nachgehen.

    Wie funktioniert der Prozess mit KI?

    Ein KI-System führt öffentlich zugängliche Informationen von Praxis-Websites, Leistungsübersichten, Bewertungen und Social Media zusammen. Es schätzt Behandlungsvolumina und erstellt ein Ranking der Praxen. Der Außendienst erhält eine Liste von Interessenten in priorisierter Reihenfolge. Die verfügbaren Daten zeigen allerdings nicht, wie verlässlich dieses Ranking künftige Umsätze prognostiziert.

    Routing von Patentanmeldungen (Europäisches Patentamt)

    Welches Ergebnis strebt das Patentamt an?

    Eine neue Patentanmeldung muss Prüfer mit Fachwissen auf dem relevanten technischen Gebiet erreichen. Erst dann kann die materielle Recherche zum Stand der Technik beginnen. Eine korrekte Erstzuweisung wirkt sich sowohl auf die Prüfungsdauer als auch auf deren Qualität aus.

    Wie sieht der End-to-End-Prozess aus?

    Geht eine Anmeldung ein, erhält sie eine vorläufige technische Klassifikation. Ein Klassifikationscode leitet die elektronische Akte an die zuständige Fachdirektion weiter. Stellt die empfangende Abteilung fest, dass die Anmeldung nicht in ihr Fachgebiet fällt, stimmt sie sich mit Kollegen ab und veranlasst eine Übergabe. Eine spezialisierte Klassifikationseinheit entscheidet bei Unstimmigkeiten.

    Wie funktionierte der Prozess ohne KI?

    Eine erfahrene Fachkraft las Titel, Zusammenfassung sowie Patentansprüche durch und vergab manuell eine vorläufige Klassifikation gemäß den offiziellen Prüfungsrichtlinien.

    Wie funktioniert der Prozess mit KI?

    Ein trainiertes System analysiert den Volltext der Anmeldung. Es kann eine Klassifikation vorschlagen oder die Akte automatisch zuweisen. Prüfer nutzen das bestehende Verfahren, um Akten weiterzuleiten, die in die falsche Abteilung gelangen. Die Patentprüfer behalten die rechtliche und fachliche Verantwortung für die Prüfung der Anmeldung.

    Weiterleitung von Fahrgastmeldungen an Bord von Zügen (Deutsche Bahn / Railmate)

    Welches Ergebnis strebt die Deutsche Bahn an?

    Wenn Fahrgäste eine defekte Klimaanlage oder einen verschmutzten Sitzplatz melden, bringt der Service den größten Mehrwert, wenn das Zugpersonal das Problem noch während der Fahrt beheben kann. Meldungen über schwerwiegende Mängel müssen unverzüglich das zuständige Instandhaltungswerk des Zuges erreichen.

    Wie sieht der End-to-End-Prozess aus?

    Fahrgäste können ein Problem über einen QR-Code am Sitzplatz, das ICE-Portal oder die App melden. Das System analysiert und kategorisiert die Freitextnachricht und leitet sie anschließend an das Dienst-Smartphone des Zugchefs oder direkt an die Instandhaltungssysteme weiter. Der gesamte Prozess endet, sobald jemand das Problem im Zug behebt.

    Wie funktionierte der Prozess ohne KI?

    Fahrgäste machten sich entweder auf die Suche nach Zugbegleitern oder schickten eine schriftliche Mitteilung an den zentralen Kundenservice. Mitarbeitende lasen diese Nachrichten manuell und antworteten erst Tage später. Zu diesem Zeitpunkt half die Antwort für die betreffende Fahrt nicht mehr weiter.

    Wie funktioniert der Prozess mit KI?

    Railmate nutzt Natural Language Processing, um Meldungen in mehr als 200 Kategorien einzuteilen. Die Deutsche Bahn erhält rund 3,2 Millionen Rückmeldungen pro Jahr. Jeden Monat gehen etwa 3.000 dringende Meldungen direkt auf den mobilen Geräten des Personals ein. Diese Zahlen dokumentieren die Weiterleitung der Meldungen. Sie geben jedoch keinen Aufschluss darüber, wie viele Probleme die Crew während der Fahrt tatsächlich behoben hat.

    Vergleich technischer Angebote (Audi / Tender Toucan)

    Welches Ergebnis will Audi erzielen?

    Bevor Audi komplexe Produktionsanlagen beschafft, müssen die Planer die Angebote der Lieferanten mit den technischen Spezifikationen abgleichen. Ein verlässlicher Vergleich zeigt Zeile für Zeile, zu welchen Anforderungen sich der jeweilige Lieferant verpflichtet, wo sein Angebot abweicht und was unbeantwortet bleibt. Auf diese Punkte können die Planer die Verhandlungen anschließend gezielt ausrichten.

    Wie sieht der End-to-End-Prozess aus?

    Das Team startet mit den Spezifikationen und den Angeboten der Lieferanten. Die Planer prüfen zunächst den Anforderungskatalog und gleichen dann jedes Angebot damit ab. Der hier untersuchte Prozess endet, sobald die Fachexperten die Vergleichstabelle freigeben. Die kaufmännische Vergabeentscheidung ist ein separater Schritt.

    Wie funktionierte der Prozess ohne KI?

    Die Planer durchsuchten die Dokumente manuell. Spezifikationen konnten bis zu 1.000 Seiten umfassen, bei Angeboten von jeweils über 100 Seiten – oft von bis zu 15 Lieferanten. Ein Team konnte mehrere Wochen allein mit dem Textvergleich verbringen.

    Wie funktioniert der Prozess mit KI?

    Das Planungsteam nutzt Tender Toucan, um aus den Spezifikationen eine strukturierte Checkliste zu erstellen. Die Fachexperten prüfen und geben diese Liste zunächst frei. Erst danach durchsucht die KI die Angebote nach relevanten Belegstellen und zeigt die Querverweise an. Die Fachexperten prüfen jede Bewertung anhand des Originaldokuments. Audi berichtet von einer Zeitersparnis von bis zu 30 Prozent in der Analysephase.

    Ein Produkt mit Coding-Agenten entwickeln (Anthropic / Claude Cowork)

    Welches Ergebnis wollte Anthropic erzielen?

    Anthropic wollte, dass auch Personen, die noch nie ein Terminal benutzt hatten, Claude Zugriff auf lokale Ordner gewähren können – beispielsweise um aus einer Notizsammlung einen Bericht zu erstellen. Das Deliverable war eine funktionierende Preview einer Desktop-App.

    Wie sah der End-to-End-Prozess aus?

    Der Ausgangspunkt war eine Beobachtung: Menschen nutzten Claude Code, einen für Entwickler entwickelten Agenten, für Aufgaben, die über seinen ursprünglichen Zweck hinausgingen. Das Produktteam gestaltete die Interaktionen und die Benutzeroberfläche, legte Limits für den Dateizugriff fest und baute die Anwendung. Nach einer intensiven finalen Entwicklungsphase erhielten Abonnenten die Preview.

    Wie würde der Prozess ohne KI ablaufen?

    Softwareentwickler würden die Architektur und Komponenten entwerfen, den Code von Hand schreiben, Unit-Tests aufsetzen und Fehler über aufeinanderfolgende Entwicklungszyklen hinweg beheben – unter Verwendung bestehender Frameworks.

    Wie lief der Prozess mit KI ab?

    Die Entwickler gaben vor, wie sich die Software verhalten sollte, und ließen Claude Code den Code direkt im Projektverzeichnis bearbeiten und refaktorisieren. Die Entwickler legten die architektonischen Rahmenbedingungen fest, überprüften den Code und führten Tests durch. Die viel zitierten „zehn Tage Entwicklungszeit“ bezogen sich auf die finale Implementierungsphase. Ein kleines Kernteam konnte dabei auf Komponenten zurückgreifen, die intern bereits existierten.

    Vorhersage, welche Einsprüche gegen Versicherungsablehnungen erfolgreich sein werden (WellSpan Health)

    Welches Ergebnis strebt WellSpan an?

    Wenn eine Krankenversicherung die Kostenübernahme für einen Krankenhausaufenthalt ablehnt, kann das Krankenhaus Einspruch einlegen. WellSpan möchte Fälle mit realistischen Erfolgsaussichten identifizieren, damit das klinische Team seine begrenzte Zeit für Einsprüche nutzen kann, die sich tatsächlich lohnen.

    Wie sieht der End-to-End-Prozess aus?

    Nach einer Ablehnung prüft das Krankenhaus die medizinische Begründung und entscheidet, ob Einspruch eingelegt wird. Reicht es Einspruch ein, bestimmt die Antwort des Kostenträgers das Ergebnis. Eine entscheidende Lücke bleibt bestehen: Bei Ablehnungen, gegen die das Krankenhaus nie Einspruch einlegt, kann niemand wissen, wie das Ergebnis ausgefallen wäre.

    Wie funktionierte der Prozess ohne KI?

    Beratungsärzte prüften die Akten manuell und stützten sich auf ihre eigene Erfahrung, um zu entscheiden, welche Ablehnungen angefochten werden sollten. Unter Zeitdruck konnten dabei Einsprüche übersehen werden, die dem Krankenhaus möglicherweise Erstattungen gesichert hätten.

    Wie funktioniert der Prozess mit KI?

    Ein prädiktives Modell, das mit 2.473 historischen Fällen trainiert wurde, schätzt die Erfolgswahrscheinlichkeit eines Einspruchs. Das klinische Team nutzt diesen Score zur Priorisierung der Fälle, verfasst die Begründung und entscheidet über die Einreichung. Nach der Implementierung wurde ein höherer Anteil der Ablehnungen aufgehoben. Da sich im selben Zeitraum auch regulatorische Vorgaben und interne Richtlinien änderten, kann die Studie den Beitrag des Algorithmus zu dieser Verbesserung nicht isoliert bestimmen.

    Was ein AI Operating Model beschreibt

    Ein AI Operating Model beschreibt, wie eine Organisation ein Ergebnis erzielt, wenn Menschen und KI zusammenarbeiten. Es geht vom gewünschten Ergebnis aus und legt fest, welche Aufgaben Menschen und Systeme übernehmen, wie ihre Beiträge ineinandergreifen und wer entscheiden, korrigieren oder eingreifen kann. Es umfasst die eigentliche Arbeit, die dafür erforderliche Technologie, wer den Betrieb aufrechterhält und wie die Organisation aus den tatsächlichen Ergebnissen lernt.

    Im Kern steht die Arbeitsteilung, die zu einem Ergebnis führt, für das jemand die Verantwortung übernimmt. Die sieben Fälle zeigen, warum die bloße Beschreibung eines KI-Tools zu wenig aussagt. Jemand muss einer Risikowarnung nachgehen. Die Meldung eines Fahrgasts muss rechtzeitig die richtige Person erreichen, damit diese handeln kann. Ein technischer Angebotsvergleich muss der Prüfung durch Experten standhalten. Das Operating Model erklärt, wie die Organisation das, was die KI erzeugt, in etwas verwandelt, das Menschen tatsächlich nutzen können.

    Welches Ergebnis zählt – und für wen?

    Der Ausgangspunkt ist die Frage, welches Ergebnis für die beteiligten Personen von Bedeutung ist. Der unmittelbare Output eines Systems und das Ergebnis des gesamten Prozesses sind zwei verschiedene Dinge.

    Bei BMW ist ein Medienbericht ein erster Anhaltspunkt. Eine Untersuchung stellt fest, ob ein Lieferant gegen eine Vorgabe verstoßen hat und welche Maßnahmen erforderlich sind. Bei der Deutschen Bahn ermöglicht die korrekte Klassifizierung einer Meldung erst, dass jemand reagieren kann. Der Fahrgast sitzt unter Umständen immer noch in einem Wagen mit defekter Klimaanlage. Bei Audi endet der betrachtete Prozess mit einem technischen Vergleich, den Fachleute geprüft haben. Die Vergabe des Auftrags ist ein weiterer Schritt.

    Ein AI Operating Model bestimmt daher, wer die Leistung empfängt, welches Ergebnis benötigt wird und wo der betrachtete Prozess endet. Diese Abgrenzung legt fest, welche Aufgaben zum Prozess gehören und wie Erfolg gemessen wird. Die Messung der Weiterleitung von Fahrgastmeldungen beantwortet eine andere Frage als die Messung, wie lange Fahrgäste darauf warten, dass ein Problem behoben wird.

    Welche Aufgaben übernehmen Menschen und KI?

    In den sieben Fällen spielt KI unterschiedliche Rollen. BMW findet Hinweise in öffentlichen Quellen. Im Vertriebsfall fasst das System Informationen zu Praxisprofilen und einer priorisierten Kontaktliste zusammen. Das Europäische Patentamt und die Deutsche Bahn nutzen KI, um Vorgänge zu klassifizieren und weiterzuleiten. Bei Audi und WellSpan bereiten Systeme die Grundlage für fachliche Beurteilungen vor. Die Entwickler von Cowork geben an, dass Claude Code Änderungen am Code selbst vorgenommen hat.

    Diese Unterschiede sind für das Operating Model von zentraler Bedeutung. Das Finden von Informationen, das Aussprechen einer Empfehlung und das Ausführen einer Handlung sind grundverschiedene Aufgaben. Jede davon erfordert andere Anweisungen, Kontrollen und Eingriffsmöglichkeiten.

    Für jeden Schritt muss die Organisation festlegen, was das System beiträgt und was Menschen tun. Deren Arbeit geht weit über die reine Ausführung der Aufgabe und die finale Entscheidung hinaus. Sie umfasst auch die genaue Formulierung der Anfrage, die Bereitstellung des passenden Materials, die Prüfung von Zwischenergebnissen und den Umgang mit Ausnahmen.

    Wer kann entscheiden, freigeben und eingreifen?

    Die Arbeitsteilung bedeutet auch, Entscheidungsbefugnisse zuzuweisen. Ein AI Operating Model legt fest, was ein System eigenständig tun darf, welche Schritte eine menschliche Freigabe erfordern und wer ein Ergebnis korrigieren oder eine Aktion stoppen kann.

    Beim Europäischen Patentamt kann eine Abteilung eine Akte, die sie irrtümlich erhalten hat, umleiten. Bei Audi prüfen Fachleute zunächst die Anforderungsliste und verifizieren später die Angebotsvergleiche. Bei WellSpan entscheidet das klinische Team, ob ein Fall weiterverfolgt wird.

    Entscheidungsrechte müssen daher bei jedem Schritt explizit geregelt sein. Zu sagen, dass ein Mensch die Verantwortung behält, lässt praktische Fragen offen. Die verantwortliche Person muss in der Lage sein, rechtzeitig einzugreifen, und über die notwendigen Informationen verfügen, um ein fundiertes Urteil fällen zu können.

    Wie werden Übergaben und Ausnahmen gehandhabt?

    Oft muss jemand übernehmen, bevor ein KI-Ergebnis genutzt werden kann. Bei der Deutschen Bahn muss eine Meldung das Zug- oder Instandhaltungspersonal rechtzeitig und mit ausreichenden Details erreichen, damit gehandelt werden kann. Bei BMW muss aus einer Warnmeldung ein Fall werden, den jemand untersuchen kann. Beim Patentamt muss es einen festgelegten Weg geben, um eine fehlgeleitete Akte zu korrigieren.

    Das Operating Model legt daher fest, wer die jeweiligen Outputs erhält, welche Informationen diese Personen benötigen und was geschieht, wenn etwas unklar ist. Es deckt auch Fälle ab, die das System nicht sinnvoll klassifizieren kann, sowie Fälle, die der vorgesehene Empfänger nicht bearbeiten kann.

    Eine Übergabe ist erst dann vollständig definiert, wenn man weiß, wie ein Fall sowohl weitergegeben als auch zurückgesendet werden kann. Wer weist auf fehlende Informationen hin? Wer bereinigt eine falsche Zuordnung? Wer übernimmt einen Fall, den die bestehenden Regeln nicht abdecken?

    Was macht den Prozess zuverlässig?

    Die Arbeitsteilung erfordert technische und organisatorische Unterstützung. Menschen benötigen Zugriff auf die Daten und Originaldokumente, auf die sie sich stützen. Systeme brauchen Grenzen für die Tools, die sie nutzen dürfen. Die durchgeführten Schritte müssen nachvollziehbar sein, und jemand muss für Zwischenfälle und Änderungen zuständig sein. Die Quellen zu Entscheidungsrechten, KI-Agenten und Governance in dieser Studie greifen diese Anforderungen auf.

    Gemeinsame Regeln müssen im Kontext des jeweiligen Prozesses funktionieren. Fachleute können ein Ergebnis nur dann verifizieren, wenn sie die zugrunde liegenden Belege einsehen können. Eine Freigabe ist nur dann wirksam, wenn sie vor der eigentlichen Handlung erfolgt. Ein Eingriffsrecht nützt wenig, wenn niemand weiß, wer zuständig ist oder wie diese Person zu erreichen ist, wenn etwas schiefgeht.

    Wie werden Ergebnisse überprüft und Prozesse verbessert?

    Ein Operating Model benötigt auch Feedback aus der täglichen Arbeit. Diese Rückmeldungen zeigen, ob Klassifizierungen, Bewertungen und Übergaben hilfreich waren und an welchen Stellen der Prozess angepasst werden muss.

    Beim Patentamt können Korrekturen fehlgeleiteter Akten Schwachstellen im Prozess aufdecken. WellSpan kennt das Ergebnis der eingelegten Widersprüche. Welche Fälle ohne Widerspruch wie ausgegangen wären, lässt sich jedoch nicht wissen. Der Vertriebsfall dokumentiert, wie das Team eine qualifizierte Kontaktliste aufgebaut hat, liefert jedoch keine Belege dafür, wie gut das Ranking vorhergesagt hat, welche Interessenten tatsächlich kaufen würden.

    Ein AI Operating Model erfasst daher, welche Ergebnisse die Organisation beobachten kann, welche unbekannt bleiben und wer die Belege auswertet. Die Erkenntnisse können Änderungen am KI-Modell, den verwendeten Kategorien, Prüfschritten, Übergaben oder Zuständigkeiten erfordern. Entscheidend ist, dass Menschen operative Erfahrungen in konkrete Änderungen umsetzen können.

    Was die sieben Fälle für Arbeitsweisen, Führung und Organisation bedeuten

    Arbeitsweisen

    Die Aufgabe definieren, das Ergebnis prüfen und weiterführen

    Wenn KI einen Teil einer Aufgabe übernimmt, verändert sich der Arbeitsmix der Beschäftigten. Bei Audi erstellt das Tool einen Anforderungskatalog und einen Angebotsvergleich. Fachkräfte prüfen und ergänzen beides. Bei Anthropic beschreiben die Entwickler, wie sie das gewünschte Verhalten spezifizierten und „Claude Code“ bei der Umsetzung der Änderungen anleiteten.

    Die Menschen erstellen das Ergebnis nun nicht mehr nur selbst. Sie definieren die Aufgabe auch präzise, prüfen das zugrunde liegende Material und beurteilen, ob das Ergebnis brauchbar ist. Weniger manuelle Erstellung verringert nicht automatisch den Aufwand an Arbeit, die Fachwissen erfordert.

    Arbeitspläne müssen daher explizite Vorkehrungen für die Instruktion, die Überprüfung von Ergebnissen und die Nachbereitung treffen. Mitarbeiter benötigen die passenden Dokumente, die erforderliche Expertise und ausreichend Zeit. Einen Prüfungsschritt nur auf dem Papier einzuführen, bringt wenig, wenn die Mitarbeiter ihn unter realen Arbeitsbedingungen nicht durchführen können.

    Prüfungen dort ansetzen, wo Fehler sich nachgelagert fortpflanzen können

    Audi veranschaulicht, wie Prüfungen auf verschiedenen Stufen unterschiedliche Zwecke erfüllen. Fehlt auf der anfänglichen Checkliste eine Anforderung, übersieht das Team diese möglicherweise im Angebot jedes Lieferanten. Die Verifizierung der Checkliste dient daher einem anderen Zweck als die Überprüfung der Bewertung eines einzelnen Angebots.

    Das bedeutet nicht, dass jedes Ergebnis mehrfach geprüft werden muss. Entscheidend ist, wo ein Fehler entstehen kann und wie weit seine Auswirkungen reichen. Genau an diesen Punkten sind geeignete Kontrollen oder Möglichkeiten zur Fehlerkorrektur erforderlich.

    Neue Leads an der Kapazität ausrichten, darauf zu reagieren

    Medienbeobachtung hilft BMW, zusätzliche Risiken zu identifizieren. Im Vertriebsfall entdeckt das Team Praxen, die auf der früheren Liste qualifizierter Interessenten fehlten. Beide Ergebnisse erzeugen Arbeit. Jemand muss den Hinweisen nachgehen oder den Interessenten prüfen und Kontakt aufnehmen.

    Teams brauchen eine Methode, um die generierten Hinweise und Leads auszuwählen und weiterzuverfolgen. Welche Fälle haben Vorrang? Welche Informationen benötigt das Team, um handeln zu können? Was passiert, wenn mehr Leads eingehen, als bewältigt werden können? Eine höhere Anzahl von Leads nützt wenig, wenn das Team die wirklich relevanten Fälle nicht weiterverfolgen kann.

    Führung

    Entscheidungskompetenzen nach den Fehlerfolgen festlegen

    Die Fälle unterscheiden sich darin, wie leicht Fehler erkannt und korrigiert werden können. Eine Patentakte, die an die falsche Abteilung geschickt wurde, kann über ein etabliertes Verfahren umgeleitet werden. Bei WellSpan lässt sich das Ergebnis eines Widerspruchs, den niemand einlegt, niemals ermitteln. Ein ungerechtfertigt niedriger Score bleibt daher möglicherweise unbemerkt.

    Führungskräfte müssen diese Unterschiede berücksichtigen, wenn sie über den Grad an Ermessensspielraum entscheiden. Sie müssen die Folgen eines Fehlers bedenken, wie leicht er zu erkennen ist und ob er korrigiert werden kann. Diese Abwägungen bestimmen, wo Freigaben, Stichproben und Interventionsrechte erforderlich sind.

    WellSpan könnte beispielsweise medizinisches Fachpersonal bitten, eine Stichprobe von Fällen mit niedrigen Scores zu prüfen, um festzustellen, ob manche davon bessere Erfolgsaussichten hatten, als die Scores vermuten ließen. Dies ist eine Gestaltungsoption. Der veröffentlichte Fall berichtet nicht über deren Einsatz.

    Durchsatz, Qualität und Wirkung getrennt bewerten

    Die Zahl der bearbeiteten Fälle misst die Systemaktivität. Sie sagt uns wenig über die Qualität der Arbeit oder ihren Nutzen für die Empfänger. Das Feedbackvolumen der Deutschen Bahn zeigt nicht, wie viele Probleme während einer Fahrt gelöst wurden. Die berichtete Dauer der finalen Entwicklungsphase von „Cowork“ belegt nicht, wie viel Zeit das Team im Vergleich zu einem ähnlichen Projekt ohne Coding-Agents eingespart hat.

    Die Bewertung eines Prozesses erfordert daher drei separate Fragen:

    • Wie viel Arbeit wird bewältigt?

    • Wie präzise und nützlich sind die Ergebnisse?

    • Was verbessert sich für die Person, die die Leistung letztlich erhält?

    Die passenden Kennzahlen hängen davon ab, wo der Prozess endet. Für einen Angebotsvergleich können Durchlaufzeit und Qualität der technischen Bewertung angemessen sein. Für den Fahrgastservice insgesamt zählt auch, ob und wann jemand das Problem behebt.

    Veränderungen bei Arbeitslast und Kapazität gemeinsam betrachten

    Mehr Warnmeldungen, Vorbewertungen und automatisch generierte Ergebnisse verändern die nachfolgende Arbeit. Führungskräfte müssen daher sowohl die Leistung des Systems als auch die für Prüfung, Entscheidungen und Maßnahmen verfügbare Kapazität bewerten.

    Die sieben Fälle lassen keinen allgemeinen Schluss darüber zu, ob Organisationen mehr oder weniger Personal benötigen. Sie zeigen jedoch, dass KI Aufgaben verlagert oder es ermöglicht, zuvor liegengebliebene Arbeiten anzugehen. Jede Organisation muss prüfen, wo ein bestimmter Prozess Kapazitäten freisetzt und wo zusätzlicher Bedarf entsteht.

    Organisation

    Verantwortung für das End-to-End-Ergebnis zuweisen

    Eine Fahrgasteingabe verbindet einen digitalen Meldekanal und eine automatisierte Weiterleitungsentscheidung mit der Arbeit des Zugpersonals oder der Instandhaltung. Eine verbesserte Klassifizierung nützt wenig, wenn die Meldung zu spät eintrifft oder die vom Empfänger benötigten Informationen fehlen.

    Jemand muss die klare Verantwortung für den gesamten Prozess tragen – einschließlich des Zusammenspiels von technischem System, den handelnden Menschen und den Rückmeldungen. Dazu ist nicht zwingend eine neue Organisationseinheit erforderlich. Entscheidend ist, dass jemand den gesamten Prozess überblicken und abteilungsübergreifend Veränderungen anstoßen kann.

    Gemeinsame Infrastruktur von Fachbereichsverantwortung trennen

    Mehrere Anwendungen können Zugriffsverwaltung, Protokollierung und technisches Testing gemeinsam nutzen. Die Urteile, die Menschen fällen, erfordern hingegen fachspezifisches Wissen. Produktionsplaner beurteilen, ob ein Angebot eine technische Anforderung erfüllt. Bei WellSpan bewertet medizinisches Personal die Gründe für einen Widerspruch und dessen Erfolgsaussichten.

    Daraus ergibt sich ein Ansatz für die Aufgabenteilung: Die technische Infrastruktur kann geteilt werden, während Fachspezialisten die Verantwortung für Beurteilungen in ihrem Bereich behalten. Die praktische Frage ist, welche Services organisationsweit einheitlich bereitgestellt werden sollten und welche Entscheidungen nah bei den Personen verbleiben müssen, die für das Ergebnis verantwortlich sind.

    Die Befugnis erteilen, auf Feedback zu reagieren

    Korrekturen und nachfolgende Ergebnisse können aufzeigen, wo ein Prozess verbessert werden muss. Um auf dieses Feedback zu reagieren, bedarf es Klarheit über drei Zuständigkeiten: Wer erfasst und bewertet es? Wer kann Änderungen anstoßen? Wer prüft die vorgeschlagenen Änderungen und übernimmt die Verantwortung für deren Umsetzung in die Praxis?

    Das Verfahren des Patentamts zur Umleitung von Akten bietet einen Ausgangspunkt für die Erfassung von Feedback. WellSpan verfügt über die Ergebnisse der eingereichten Widersprüche. Bei der Interpretation dieser Ergebnisse spielt es eine Rolle, bei welchen Fällen der Ausgang überhaupt bekannt ist.

    Damit eine Organisation lernt, braucht es einen abgestimmten Weg vom Erkennen einer Beobachtung über deren Bewertung bis hin zur Anpassung von Regeln, Systemen oder Zuständigkeiten. Das bloße Vorhandensein der Daten begründet diesen Prozess noch nicht.

    Fazit · Wie KI Führung und Organisation bei der Leistungserbringung verändert

    Die sieben Fallbeispiele bieten kein einheitliches Organigramm für KI. Sie lassen jedoch ein Muster erkennen. Wertschöpfung entsteht, wenn Menschen die Ergebnisse von KI mit fachlicher Prüfung, Entscheidungen und der notwendigen Arbeit zur Umsetzung dieser Entscheidungen verknüpfen. Ein AI Operating Model muss daher den gesamten Weg beschreiben – von einem Lead, einem Bericht oder einer Anfrage bis hin zu einem Ergebnis, für das jemand die Verantwortung trägt, einschließlich Übergaben, Ausnahmen und Feedback.

    Führungskräfte müssen Entscheidungskompetenzen danach zuweisen, welche Konsequenzen ein Fehler hat, wie leicht er erkannt werden kann und ob er sich korrigieren lässt. Menschliche Aufsicht ist besonders dort wertvoll, wo Fehler schwer rückgängig zu machen sind, wo regulatorische Vorgaben greifen oder wo die Reputation auf dem Spiel steht. Führungskräfte müssen zudem Durchsatz, Qualität und tatsächliche Wirkung getrennt voneinander bewerten. Ein hohes Volumen an bearbeiteten Fällen belegt nicht, dass sich der Service oder dessen Ergebnis verbessert hat.

    Für die Organisation gilt: Die Verantwortung muss vom Beginn der Arbeit bis zum Ergebnis reichen. Datenzugriff, Protokollierung, Sicherheit und Betrieb können zentral bereitgestellt werden. Fachliche Beurteilung und die Verantwortung für das Ergebnis gehören jedoch nah an die Menschen, die das Fachgebiet kennen.

    Eine zentrale Führungsaufgabe besteht daher darin, die Übergaben zu gestalten. Die Beteiligten müssen wissen, wer eine Anfrage klärt, Zwischenergebnisse prüft, über den Umgang mit Ausnahmen entscheidet und sicherstellt, dass die Arbeit die nächste Person erreicht. Damit Menschen dem Prozess vertrauen, müssen sie wissen, wie sie eingreifen können, Zugriff auf die ursprünglichen Belege haben, genügend Zeit für die Prüfung haben und wissen, wo ein Fehler zu melden ist.

    Letztlich kann eine Organisation ihren KI-Einsatz nur dann skalieren, wenn der gesamte Prozess über die Kapazitäten verfügt, um das Pensum zu bewältigen. Mehr Warnmeldungen, Vorschläge und automatisch generierte Entwürfe schaffen zusätzliche Arbeit. Ohne die Kapazität zu prüfen, zu klären und zu handeln, stiftet mehr Transparenz kaum Wert. Eine Organisation lernt, wenn sie Erfahrungen aus dem Arbeitsalltag routinemäßig in Anpassungen ihrer Regeln, Systeme, Verantwortlichkeiten oder Prozesse überführt.

    Referenzen

    Lieferkette, Vertrieb und Patentverwaltung

    Verfahren der BMW Group, der anonymisierte Vertriebsfall und die Prüfungsrichtlinien des Europäischen Patentamts.

    01 · Unsere Sorgfaltspflichten

    BMW Group · März 2026 · Verfahrensbeschreibung (auf Deutsch) · Quelle anzeigen

    Abschnitte 1–4. BMW beschreibt sein Medienmonitoring, Beschwerdeverfahren, Abhilfemaßnahmen und wie überprüft wird, ob diese Maßnahmen wirken.

    02 · BMW Group Bericht 2025

    BMW AG · März 2026 · Konzernbericht (auf Deutsch) · Quelle anzeigen

    Die Nachhaltigkeitserklärung erläutert, wie der Einkauf Lieferanten bewertet und vereinbarte Maßnahmen nachverfolgt.

    03 · The Enterprise AI Playbook: Lessons from 51 Successful Deployments

    E. Pereira, A. W. Graylin und E. Brynjolfsson · Stanford Digital Economy Lab · April 2026 · Interviewbasierter Bericht · Quelle anzeigen

    Kapitel 7, S. 63. Der Absatz zum Vertrieb in der ästhetischen Medizin beschreibt den anonymisierten Fall. Die Forschenden wählten für die Studie erfolgreiche Implementierungen aus.

    04 · Guidelines for Examination, B–V, 2. Preclassification

    Europäisches Patentamt · Ausgabe 2026 · Offizielle Richtlinien, englische Fassung · Quelle anzeigen

    Dieser Abschnitt beschreibt die erste technische Klassifikation und wie sie in der elektronischen Akte erfasst wird.

    05 · Guidelines for Examination, B–V, 2.1. Incorrect preclassification

    Europäisches Patentamt · Ausgabe 2026 · Offizielle Richtlinien, englische Fassung · Quelle anzeigen

    Dieser Abschnitt legt dar, wie eine Anmeldung an eine andere Recherchenabteilung überwiesen wird und wie in Zweifelsfällen bei der Klassifikation verfahren wird.

    06 · AI use at the EPO

    Europäisches Patentamt · Offizieller Bericht über den KI-Einsatz · Abgerufen am 4. November 2026 · Quelle anzeigen

    Das Amt beschreibt die KI-gestützte Weiterleitung von Akten und die fachliche Verantwortung seiner Mitarbeitenden.

    Fahrgastservice, Produktionsplanung und Softwareentwicklung

    Berichte der Deutschen Bahn und von Audi sowie Quellen zur Entwicklung und Veröffentlichung von Cowork.

    07 · „DB Mobilität erleben“ 2024: Innovationen für eine starke Schiene

    Deutsche Bahn AG · April 2024 · Medieninformation (auf Deutsch) · Quelle anzeigen

    „Railmate“, S. 3. Dieser Abschnitt nennt die Anzahl der Kategorien, das jährliche Feedback-Volumen, die an das Zugpersonal weitergeleiteten Meldungen und ein Beispiel zur Temperatur an Bord.

    08 · Geschäftsbericht 2025

    Deutsche Bahn AG · März 2026 · Konzernbericht (auf Deutsch) · Quelle anzeigen

    Nachhaltigkeitserklärung, „Verbraucher und Endnutzer“ (ESRS S4), S. 237. Die Deutsche Bahn beschreibt die Meldekanäle, den Einsatz von Railmate und wie Meldungen die zuständigen Fachbereiche erreichen.

    09 · Wie und wo nutzt Audi Künstliche Intelligenz?

    Audi AG · 7. August 2025 · Unternehmensartikel (auf Deutsch) · Quelle anzeigen

    Der Abschnitt über Tender Toucan nennt die Dokumentenumfänge, die Abfolge der Schritte beim Abgleich und die Prüfung des Lastenhefts durch das Planungsteam.

    10 · Künstliche Intelligenz: Audi steigert Effizienz in der Fertigung

    Audi AG · 28. Mai 2025 · Pressemitteilung (auf Deutsch) · Quelle anzeigen

    Audi beschreibt, wie Fachleute die Ergebnisse prüfen, und beziffert die potenzielle Zeitersparnis bei der Angebotsanalyse. Beide Audi-Quellen sind Unternehmensveröffentlichungen.

    11 · Claude Release Notes

    Anthropic · Eintrag vom 12. Januar 2026 · Release Notes · Quelle anzeigen

    Der Eintrag zur ersten Preview von Cowork dokumentiert Veröffentlichungsdatum, Plattform, Verfügbarkeit und den Zugriff auf lokale Dateien.

    12 · Anthropic’s Felix Rieseberg: Claude Cowork, Mythos, and the SaaS Extinction

    Felix Rieseberg im Gespräch mit Matt Turck · The MAD Podcast · 10. April 2026 · Interview · Quelle anzeigen

    Ab Minute 11:19 ordnet Rieseberg die zehn Tage vor der Veröffentlichung ein und beschreibt die vorangegangenen Arbeiten sowie den Bedarf, den das Team beobachtet hatte.

    13 · Anthropic’s viral new work tool wrote itself

    Megan Morrone · Axios · 13. Januar 2026 · Bericht mit Schilderungen der Entwickler · Quelle anzeigen

    Boris Cherny und Felix Rieseberg beschreiben, wie sie Claude Code eingesetzt haben. Die Darstellung, wer welche Aufgaben übernommen hat, stammt von den beteiligten Personen.

    Gesundheitsverwaltung und das Operating Model

    Die WellSpan-Studie und die vier Quellen, die zur Interpretation der Fälle herangezogen wurden.

    14 · Transforming appeal decisions: machine learning triage for hospital admission denials

    Timothy Owolabi · JAMIA Open 8(1), ooaf016 · 25. Februar 2025 · Implementierungsstudie · Quelle anzeigen

    Die Abschnitte „Materials and methods“ und „Discussion“ dokumentieren die 2.473 Fälle und erläutern die Grenzen des Vorher-Nachher-Vergleichs.

    15 · The AI-First Operating System: A Blueprint for Operating and Business Model Innovation

    World Economic Forum und Kearney · 23. Juni 2026 · Whitepaper · Quelle anzeigen

    Dieser vorgeschlagene Entwurf verknüpft Workflows, technische Grundlagen und die Arbeitsteilung zwischen Mensch und KI.

    16 · Designing Decision Rights for AI

    I. M. Sebastian, P. Weill, T. Haskamp und J. vom Brocke · MIT Center for Information Systems Research · 18. Juni 2026 · Research Briefing · Quelle anzeigen

    Die Autoren setzen Entscheidungsrechte ins Verhältnis zu Unsicherheit und den potenziellen Folgen von Fehlern. Ihre Untersuchung stützt sich auf 30 Interviews mit 27 Führungskräften aus neun Organisationen.

    17 · KI-Agenten verstehen und nutzen: KI-Agenten im Unternehmen

    M. Kintz et al. · Fraunhofer HNFIZ, IAO und IAIS · Februar 2026 · Technischer Leitfaden (auf Deutsch) · Quelle anzeigen

    Die Kapitel über KI-Agenten und Tools erläutern, wie ein Agent Aktionen ausführen und auf die Ergebnisse reagieren kann.

    18 · Updated Model AI Governance Framework for Agentic AI

    Infocomm Media Development Authority · Singapur · 20. Mai 2026 · Factsheet zum aktualisierten Framework · Quelle anzeigen

    Der Leitfaden und seine Beispiele erläutern Zugriffsbeschränkungen, menschliche Freigaben sowie die Verantwortung für das Tagesgeschäft.

    Redaktioneller Hinweis

    Ich habe KI unterstützend bei der Recherche und beim Verfassen dieser Studie sowie bei der Übersetzung ins Englische eingesetzt. Ich habe die sieben Fallbeispiele ausgewählt, die Fragestellungen formuliert und die Schlussfolgerungen gezogen. Meine Interpretation stützt sich auf meine Erfahrung mit Arbeitsweisen, Führung und Organisationsdesign.

    Die sieben Fallbeispiele veranschaulichen, wie Organisationen KI in spezifischen Kontexten einsetzen. Die annotierten Quellenangaben erläutern, was die jeweilige Quelle dokumentiert und wo die Evidenz begrenzt ist.

    © 2026 Bianca J. Schulz – 77Applied. Alle Rechte vorbehalten.

    Lesen Sie weiter: