Automatisierung ohne Entscheidungsregeln verstärkt Chaos

Schneller falsch ist nicht besser. KI ohne Entscheidungsarchitektur multipliziert Fehler, statt sie zu reduzieren.

Der Mechanismus

• Unklare Eingaben führen zu schnelleren, aber fehlerhaften Ausgaben
• Fehlende Entscheidungslogik erzeugt Optionen ohne Orientierung
• Undefinierte Standards liefern Möglichkeiten statt Lösungen

Was Organisationen übersehen

Typische KI-Projekte konzentrieren sich auf Werkzeugauswahl, Datenbeschaffung und Integration. Drei entscheidende Fragen bleiben offen: Wer entscheidet am Ende? Nach welchen Kriterien? Mit welcher Konsequenz?

Ein praktisches Beispiel

Ein Team automatisiert die Report-Erstellung. Aus zwei Stunden pro Report werden fünf Minuten, dafür entstehen zwanzig Reports statt einem. Ohne Kriterien zur Relevanzbestimmung multipliziert sich die Auswahlarbeit. Es entsteht keine Zeitersparnis, sondern mehr Aufwand.

Was vor der Automatisierung geklärt sein muss

• Entscheidungsregeln definieren
• Qualitätskriterien festlegen
• Verantwortung zuweisen

Automatisierung verstärkt bestehende Strukturen. Klarheit muss der Automatisierung vorangehen, nicht folgen.

Automatisierung als Chaosvervielfältiger: die empirische Basis

Das MIT-Projekt NANDA hat über 300 KI-Implementierungen ausgewertet und einen konsistenten Befund dokumentiert: Organisationen, die Automatisierung ohne vorherige Prozessklärung einführen, berichten von einer höheren Rate an Nacharbeit, nicht von weniger. Die Entlastungserwartung kehrt sich um, weil Automatisierung bestehende Unschärfen nicht eliminiert, sondern mit Maschinengeschwindigkeit vervielfältigt.

Der McKinsey-Bericht State of AI 2025 zeigt, dass rund 21 Prozent der Organisationen, die generative KI nutzen, tatsächlich Arbeitsabläufe neu gestaltet haben. Die übrigen 79 Prozent legen KI über unveränderte Prozesse. Das ist die präzise Beschreibung des Mechanismus: Automatisierung ohne Prozessklärung erzeugt kein verbessertes System, sondern ein schnelleres Abbild des alten Problems.

Warum unklare Prozesse die schlechteste Grundlage für Automatisierung sind

Ein Prozess, der manuell unscharf ist, hat eine eingebaute Korrekturfunktion: den menschlichen Urteilsaugenblick. Die Person, die einen Schritt ausführt, erkennt Ausnahmen, passt an, fragt nach. Dieser implizite Puffer ist in unklaren Prozessen der eigentliche Stabilitätsfaktor.

Wenn diese Person durch Automatisierung ersetzt wird, entfällt der Puffer. Das System führt aus, was definiert ist. Was nicht definiert ist, fehlt. Ausnahmen werden entweder ignoriert oder falsch behandelt, weil keine Entscheidungsregel für sie existiert. Die Automatisierung ist dabei nicht das Problem. Das Problem ist, dass die Unschärfe des Prozesses erst durch ihre Entfernung sichtbar wird, wenn es zu spät ist, sie ohne Mehraufwand zu korrigieren.

Gartner benennt dieses Muster in seiner Einschätzung zur KI-Einführung präzise: Prozesse, die vor der Automatisierung nicht dokumentiert und bereinigt wurden, erzeugen nach der Automatisierung höhere Fehlerraten als zuvor. Der Grund liegt nicht in schlechter Technologie, sondern in schlechter Vorbereitung.

Der Überflutungseffekt: mehr Output, mehr Entscheidungslast

Automatisierung ohne Entscheidungsarchitektur erzeugt häufig einen Überflutungseffekt. Das Report-Beispiel illustriert ihn: Zwei Stunden Arbeit für einen Report werden zu fünf Minuten Arbeit für zwanzig Reports. Die Frage, welcher dieser Reports relevant ist, wer ihn lesen soll und welche Konsequenzen er haben soll, wurde nicht gestellt. Das Team, das früher zwei Stunden für einen Report aufgewendet hat, verbringt nun vier Stunden damit, zwanzig Reports zu sichten, die meisten davon irrelevant.

Der Work Trend Index 2025 von Microsoft und LinkedIn dokumentiert diesen Effekt auf Organisationsebene: 68 Prozent der befragten Wissensarbeiter berichten, dass die Menge an Informationen, die sie täglich verarbeiten müssen, in den letzten zwei Jahren gestiegen ist. Gleichzeitig berichten nur 38 Prozent, dass sie das Gefühl haben, effizienter zu arbeiten. Automatisierung hat den Output erhöht, die Entscheidungsklarheit nicht.

Die Ursache ist die fehlende Entscheidungsarchitektur. Wenn nicht definiert ist, was ein gutes Ergebnis ist, was nicht gebraucht wird und wer entscheidet, erzeugt Automatisierung nicht Entlastung, sondern Rauschen. Das Rauschen muss dann von Menschen gefiltert werden, was den ursprünglichen Zeitgewinn aufzehrt.

Mittelstand-Beispiele: Automatisierung, die Chaos produziert

Ein Handelsunternehmen mit 80 Mitarbeitern automatisiert die Bestellprognose mit einem KI-System. Das System läuft zwei Monate und erzeugt täglich aktualisierte Bestellempfehlungen für den Einkauf. Das Einkaufsteam nimmt die Empfehlungen zur Kenntnis, setzt aber die meisten manuell außer Kraft, weil niemand definiert hat, welchen Empfehlungen zu folgen ist und welchen nicht. Das System liefert täglich Arbeit, die zu 60 Prozent ignoriert wird. Die Zeitersparnis ist negativ: Die Sichtung der Empfehlungen kostet mehr Zeit als zuvor die manuelle Prognose.

Ein mittelständisches Beratungshaus automatisiert die Erstellung von Projektzusammenfassungen aus Besprechungsprotokollen. Die Zusammenfassungen entstehen in Sekunden und werden per E-Mail an Kunden weitergeleitet. Nach drei Wochen häufen sich Kundenbeschwerden: Die Zusammenfassungen enthalten korrekte Formulierungen, aber falsche Priorisierungen und fehlende Kontexteinordnungen. Das Team verbringt nun mehr Zeit mit der Nachbearbeitung von Beschwerden als zuvor mit der manuellen Erstellung der Zusammenfassungen.

Beide Fälle zeigen dieselbe Struktur: Die Automatisierung hat die Produktionsgeschwindigkeit erhöht, aber keine Klärung der Relevanz- und Qualitätsfragen vorgenommen. Das Ergebnis ist mehr Aufwand, nicht weniger.

Was Entscheidungsarchitektur bedeutet und warum sie vor der Automatisierung stehen muss

Entscheidungsarchitektur ist die Summe der Regeln, die bestimmen, was in einem automatisierten System als gutes Ergebnis gilt, welche Ausnahmen menschliches Eingreifen erfordern und wer bei Grenzfällen entscheidet. Sie ist keine technische Komponente, sondern eine organisatorische. Sie muss vor der Automatisierung stehen, weil Automatisierung sie nicht erzeugt, sondern voraussetzt.

Eine Entscheidungsarchitektur für einen automatisierten Prozess beantwortet mindestens fünf Fragen: Was ist das erwartete Ergebnis in messbaren Begriffen? Was gilt als Ausnahme, die menschliches Eingreifen erfordert? Wer entscheidet bei Ausnahmen, und bis wann? Was ist die Konsequenz, wenn ein Ergebnis die Qualitätsschwelle nicht erreicht? Wie wird die Qualität des automatisierten Outputs laufend gemessen?

Diese fünf Fragen sind in den meisten Automatisierungsprojekten nicht explizit beantwortet. Sie existieren implizit in den Köpfen der Beteiligten, was bedeutet, dass sie nicht verlässlich sind, sobald Personen wechseln oder das System mit Ausnahmen konfrontiert wird.

Was gute Automatisierung von schlechter unterscheidet

Gute Automatisierung beginnt mit einem klar definierten Prozess, der ohne KI bereits stabil funktioniert. Sie automatisiert die Schritte, die regelbasiert und wiederkehrend sind, und lässt die Schritte menschlich, die Kontext, Urteil oder Ausnahmebewertung erfordern. Die Grenze zwischen automatisiert und menschlich ist explizit und dokumentiert.

Schlechte Automatisierung beginnt mit einem unklaren Prozess und der Hoffnung, dass KI die Unklarheit bereinigt. Sie automatisiert alle Schritte, ohne zwischen regelbasierten und urteilsbasierten zu unterscheiden. Die Grenze zwischen automatisiert und menschlich ist implizit und zufällig.

McKinsey benennt das als den entscheidenden Hebel: Fundamentale Neugestaltung von Arbeitsabläufen hat die höchste Korrelation mit messbar positivem KI-Ertrag. Die Umgestaltung kommt vor der Automatisierung, nicht als Folge von ihr.

Implementierungsanleitung: Entscheidungsarchitektur vor dem Start

Bevor ein Automatisierungsprojekt gestartet wird, werden vier Dokumente erstellt. Das erste ist eine Prozessbeschreibung, die jeden Schritt des zu automatisierenden Ablaufs beschreibt, einschließlich der Ausnahmen, die heute manuell behandelt werden. Das zweite ist eine Entscheidungsmatrix, die für jede Kategorie von Inputs das erwartete Output definiert und die Ausnahmekategorien benennt, die menschliches Eingreifen erfordern.

Das dritte Dokument ist ein Qualitätsschwellenwert: was gilt als akzeptables Ergebnis, was nicht, und wie wird das gemessen? Das vierte ist ein Verantwortungsplan: wer ist Owner des automatisierten Prozesses, wer entscheidet bei Ausnahmen, und wie wird der Betrieb laufend überwacht?

Diese vier Dokumente sind keine bürokratische Last. Sie sind die Grundlage dafür, dass Automatisierung das hält, was sie verspricht. Ohne sie wird Automatisierung das bestehende System schneller machen, nicht besser. Und schnell falsch ist schlechter als langsam richtig.

Quellen

• MIT Project NANDA: The GenAI Divide — State of AI in Business 2025 (Juli 2025), https://nanda.media.mit.edu
• McKinsey & Company: The State of AI in 2025 (November 2025), https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
• Microsoft & LinkedIn: Work Trend Index 2025, https://www.microsoft.com/en-us/worklab/work-trend-index
• Gartner: Einschätzungen zur KI-Einführung und Prozessreife 2025, https://www.gartner.com
• Europäische Kommission: EU AI Act — Anforderungen an automatisierte Entscheidungssysteme, https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

Der EU AI Act verlangt dokumentierte Entscheidungsarchitektur

Ab dem 2. August 2026 gelten für alle Hochrisiko-KI-Systeme unter dem EU AI Act vollständige Anforderungen an die Risikosteuerung und die menschliche Aufsicht. Artikel 9 verlangt ein dokumentiertes Risikomanagementsystem, das die Risiken des Systems identifiziert, bewertet und Maßnahmen zu ihrer Beherrschung vorsieht. Für automatisierte Entscheidungssysteme bedeutet das konkret: Die Entscheidungsregeln, nach denen das System operiert, müssen schriftlich dokumentiert sein. Ohne diese Dokumentation ist das Risikomanagementsystem nicht auditierbar. Wer Automatisierung ohne dokumentierte Entscheidungsarchitektur einführt, kann diese Anforderung strukturell nicht erfüllen, selbst wenn er im Nachhinein versucht, die Dokumentation zu rekonstruieren. Die Anforderung gilt für das System im Betrieb, nicht für eine theoretische Beschreibung seiner möglichen Funktionsweise.

Prozessdisziplin als Voraussetzung für KI-Wirkung: der McKinsey-Befund

McKinsey identifiziert im State of AI 2025 die fundamentale Neugestaltung von Arbeitsabläufen als den Hebel mit der höchsten Korrelation zum messbaren KI-Ertrag. Diese Beobachtung ist kein Zufall. Organisationen, die Arbeitsabläufe vor der Automatisierung neu gestalten, müssen die Entscheidungsregeln explizit machen, weil die Neugestaltung ohne sie nicht möglich ist. Wer einen Prozess neu aufbaut, muss jede Entscheidung im Prozess benennen und regeln. Das Ergebnis ist automatisch eine dokumentierte Entscheidungsarchitektur. Organisationen, die Automatisierung ohne Neugestaltung einführen, überspringen diesen Schritt und erzeugen damit das Muster, das McKinsey als charakteristisch für die 79 Prozent beschreibt, die KI über unveränderte Prozesse legen: mehr Geschwindigkeit, keine Wirkung.

Die Qualitätsschwelle: was ein akzeptables automatisiertes Ergebnis ist

Eine Entscheidungsarchitektur ohne Qualitätsschwellen ist unvollständig. Die Qualitätsschwelle beantwortet die Frage: Welches Ergebnis des automatisierten Systems ist akzeptabel, und welches erfordert menschliches Eingreifen? Diese Frage wird in den meisten Automatisierungsprojekten nicht gestellt, weil sie unbequem ist. Sie erzwingt eine Definition von Qualität, die messbar und prüfbar ist. Wer sagt, das System liefert gute Ergebnisse, ohne zu definieren, was gut bedeutet, hat keine Qualitätsschwelle, sondern eine Meinungsäußerung. Gartner beschreibt dieses Muster als strukturellen Hauptgrund für hohe Fehlerraten nach der Automatisierung: Systeme werden gegen keine definierten Standards geprüft, weil die Standards nie definiert wurden.

Wie gute Automatisierung entsteht: fünf Prinzipien

• Prozess zuerst klären: Der zu automatisierende Prozess wird schriftlich beschrieben, bevor das Werkzeug ausgewählt wird. Ausnahmen und Grenzfälle sind Teil der Beschreibung.
• Entscheidungsregeln explizit machen: Für jede Entscheidung im Prozess wird eine Regel formuliert, nach der das System entscheidet. Was keine Regel hat, wird nicht automatisiert.
• Qualitätsschwelle definieren: Vor dem Produktivbetrieb wird schriftlich festgelegt, was ein akzeptables Ergebnis ist und nach welchem Kriterium gemessen wird.
• Menschliche Eingriffspunkte identifizieren: Die Stellen im automatisierten Prozess, an denen menschliches Eingreifen erforderlich ist, werden vor dem Start definiert, nicht als Reaktion auf Fehler.
• Owner benennen: Jeder automatisierte Prozess hat eine namentlich benannte Person, die für die Qualität des Outputs und für die Reaktion auf Ausnahmen verantwortlich ist.

Warum Geschwindigkeit ohne Struktur teurer ist als Langsamkeit mit Struktur

Das Versprechen von Automatisierung ist Geschwindigkeit. Aber Geschwindigkeit ohne Struktur ist eine negative Investition: Je schneller ein fehlerhafter Prozess läuft, desto mehr Fehler produziert er pro Zeiteinheit, desto mehr Nacharbeit entsteht, desto größer ist der Schaden. Das MIT-Projekt NANDA zeigt, dass Organisationen, die Automatisierung ohne Prozessklärung einführen, konsistent höhere Nacharbeitsraten berichten. Der Geschwindigkeitsvorteil wird durch Korrekturaufwand überkompensiert. Langsam richtig zu beginnen ist ökonomisch überlegen. Eine Woche Prozessklärung vor der Automatisierung verhindert Monate von Nacharbeit nach ihr. Diese Kalkulation ist keine Schätzung. Sie ist das, was die verfügbaren Studiendaten über fehlgeschlagene Automatisierungsprojekte dokumentieren.

Bitkom 2025: was deutsche Unternehmen bei Automatisierung falsch machen

Bitkom erhebt jährlich den Stand der Digitalisierung und Automatisierung in deutschen Unternehmen. Die Daten 2025 zeigen ein konsistentes Muster: Der häufigste Grund für enttäuschende Automatisierungsprojekte ist nicht die technische Qualität der eingesetzten Werkzeuge, sondern die fehlende organisatorische Vorbereitung. Konkret nennen befragte Unternehmen fehlende Prozessdokumentation, unklare Zuständigkeiten und nicht definierte Erfolgskriterien als die drei häufigsten Ursachen für Projekte, die hinter den Erwartungen zurückbleiben. Diese drei Faktoren sind identisch mit den Elementen einer fehlenden Entscheidungsarchitektur. Bitkom empfiehlt als konkreten Gegenmaßnahme die systematische Prozessdokumentation vor jeder Automatisierungsinitiative, was exakt der Reihenfolge entspricht, die in diesem Beitrag beschrieben wird.

Entscheidungsregeln als Automatisierungsvoraussetzung

Jede Automatisierung setzt implizite Entscheidungen um. Wenn diese Entscheidungen nicht explizit dokumentiert sind, setzt die Automatisierung nicht die beste, sondern die zufälligste Variante um. Vor jeder Automatisierungsinitiative muss daher die Frage stehen: Welche Entscheidungsregel soll das System ausführen, und unter welchen Bedingungen soll es eskalieren? Gartner empfiehlt, Entscheidungsregeln in einem Logikdokument zu formalisieren, bevor ein einziger Automatisierungsworkflow konfiguriert wird.

Klärung vor Konfiguration

Bevor ein Automatisierungsworkflow konfiguriert wird, sollten vier Fragen schriftlich beantwortet sein: Welche Entscheidungsregel soll das System ausführen? Wer prüft die Ausgabe? Was passiert bei Ausnahmen? Und wie wird die Qualität gemessen? Wer diese Fragen nicht beantworten kann, automatisiert Unklarheit — schneller und skalierbarer als zuvor. Die Technologie macht dabei keinen Unterschied: Sie verstärkt, was sie vorfindet.

Automatisierung, die auf unklaren Entscheidungsregeln aufbaut, ist nicht effizienter — sie ist fehlerresistenter gegen Verbesserung. Wer den Prozess nicht versteht, kann das System nicht korrigieren. Die Investition in Prozessklärung vor der Konfiguration ist deshalb keine Verzögerung, sondern eine Absicherung der Investition selbst. McKinsey belegt: Organisationen, die diesen Schritt überspringen, verbringen bis zu 40 Prozent ihrer KI-Betriebszeit mit Nachkorrekturen statt mit Weiterentwicklung.

Entscheidungsqualität ist die Grundlage jeder belastbaren Automatisierung.