KI-Produktivität in Fachabteilungen: Wirkung belastbar messen

Eine KI-Lizenz macht eine Fachabteilung noch nicht produktiver. Wirkung entsteht erst, wenn ein geeignetes Werkzeug eine klar beschriebene Aufgabe unterstützt, Mitarbeitende es sicher bedienen und das Ergebnis fachlich prüfen können. Ob dabei tatsächlich Zeit frei wird oder die Qualität steigt, lässt sich nur im jeweiligen Arbeitsablauf messen.

Dieser Beitrag konzentriert sich deshalb auf die organisatorische Frage: Wie wird aus einem möglichen Anwendungsfall ein überprüfbarer Produktivitätseffekt? Die Bedienung einzelner Werkzeuge und grundlegende Prüfroutinen behandelt ergänzend der Beitrag KI in Fachabteilungen praktisch nutzen.

Studienwerte sind keine eigene Nutzenrechnung

Empirische Studien zeigen, dass generative KI bei bestimmten Aufgaben Wirkung haben kann. Sie zeigen aber auch, warum pauschale Prozentwerte irreführend sind. In der veröffentlichten Feldstudie „Generative AI at Work“ untersuchten die Forschenden einen konkreten Assistenzdienst mit Daten von 5.172 Beschäftigten im Kundensupport. Im untersuchten Betrieb stieg die Zahl der pro Stunde gelösten Anliegen im Mittel um 15 Prozent; die Ergebnisse unterschieden sich deutlich nach Erfahrung und Qualifikationsniveau.

Dieses Ergebnis belegt weder einen allgemeinen Zeitgewinn für E-Mails noch einen festen ROI für andere Fachabteilungen. Aufgabe, System, Daten, Nutzergruppe und Messgröße waren eng definiert. Die Veröffentlichung weist zudem auf unterschiedliche Effekte je nach Erfahrung und Qualifikationsniveau hin. Für eine betriebliche Entscheidung ist daher die übertragbare Erkenntnis wichtiger als der Einzelwert: Produktivität muss für einen konkreten Prozess und unter realistischen Einsatzbedingungen gemessen werden.

Mit der Aufgabe beginnen, nicht mit dem Tool

Ein brauchbarer Pilotfall ist enger als „Texte erstellen“ oder „Recherche beschleunigen“. Er beschreibt einen wiederkehrenden Ablauf, zum Beispiel:

• einen ersten Entwurf aus freigegebenen Stichpunkten strukturieren,
• ein Besprechungsprotokoll nach einem festgelegten Schema aufbereiten,
• Informationen aus vorgegebenen Dokumenten für einen internen Status zusammenfassen,
• Varianten einer Formulierung erzeugen, die anschließend fachlich freigegeben werden.

Für jede Aufgabe sollten Eingaben, erwartetes Ergebnis, zulässige Daten und verantwortliche Prüfung feststehen. Nicht geeignet für einen ersten Produktivitätstest sind Abläufe, deren Ergebnis kaum objektiv bewertet werden kann oder bei denen Fehler erhebliche rechtliche, finanzielle oder persönliche Folgen haben.

Das NIST AI Risk Management Framework empfiehlt entsprechend, den Einsatzkontext, den erwarteten Nutzen und die Kosten zu dokumentieren, menschliche Aufsicht festzulegen und Systeme unter Bedingungen zu bewerten, die dem späteren Einsatz ähneln. Das freiwillige Rahmenwerk ersetzt keine rechtliche Prüfung, liefert aber einen nachvollziehbaren Aufbau für Pilot und Bewertung.

Qualifizierung am realen Arbeitsablauf ausrichten

Eine allgemeine Produktdemonstration vermittelt Funktionen, aber noch keine verlässliche Arbeitsweise. Eine arbeitsplatznahe Qualifizierung verbindet vier Ebenen:

1. Aufgabe beschreiben: Ziel, Kontext, Quellen und gewünschtes Ausgabeformat eindeutig festlegen.
2. Werkzeug bedienen: Eingaben iterativ verbessern und verfügbare Quellen- oder Referenzfunktionen richtig nutzen.
3. Ergebnis prüfen: Richtigkeit, Vollständigkeit, Ton und Übereinstimmung mit den Ausgangsdaten kontrollieren.
4. Grenzen einhalten: Nur freigegebene Daten verwenden und festgelegte Prüfschritte sowie Eskalationswege beachten.

Reale Unternehmensdaten gehören nur dann in eine Übung, wenn Werkzeug, Vertrag, Konfiguration und Nutzungszweck dafür geprüft und freigegeben sind. Für frühe Übungen können synthetische oder anderweitig unkritische Testdaten geeigneter sein.

Führungskräfte und Fachverantwortliche haben dabei unterschiedliche Aufgaben. Führungskräfte bestimmen Ziel, Ressourcen und Entscheidungskriterien. Fachverantwortliche definieren, woran ein gutes Ergebnis erkannt wird. IT, Datenschutz, Informationssicherheit, Compliance und gegebenenfalls Mitbestimmung werden abhängig vom Einsatzfall einbezogen. Ein Workshop kann diese Zuständigkeiten sichtbar machen, sie aber nicht ersetzen.

Produktivität mehrdimensional messen

Eine reine Zeitmessung greift zu kurz. Ein schneller Entwurf ist kein Gewinn, wenn zusätzliche Korrekturen den Vorteil wieder aufzehren. Für eine abgegrenzte Aufgabenklasse sind mindestens folgende Größen sinnvoll:

Vorher- und Pilotmessung sollten dieselbe Aufgabenklasse und dieselben Qualitätskriterien verwenden. Andernfalls ist unklar, ob ein Unterschied vom Werkzeug, von unterschiedlich schwierigen Fällen oder von einer veränderten Bewertung stammt. Kleine Piloten liefern zudem keine universelle Wahrheit; sie schaffen eine dokumentierte Entscheidungsgrundlage für den eigenen Kontext.

Wirtschaftlichkeit nachvollziehbar berechnen

Ein belastbarer Business Case verwendet eigene Messwerte und legt Annahmen offen. Eine einfache Struktur lautet:

Nettonutzen = Wert der nutzbaren Zeit oder Qualitätsverbesserung − Lizenz-, Einführungs-, Prüf- und Betriebsaufwand

Dabei ist „eingesparte Zeit“ nicht automatisch eine Kostensenkung. Zunächst entsteht möglicherweise freie Kapazität. Ihr betrieblicher Wert hängt davon ab, ob sie für zusätzliche Aufgaben, kürzere Durchlaufzeiten oder eine überprüfbare Qualitätsverbesserung genutzt wird.

Für die Entscheidung sollten deshalb dokumentiert werden:

• Zahl und Häufigkeit der betrachteten Aufgaben,
• gemessene Bearbeitungs- und Nacharbeitszeit vor und im Pilot,
• fachliche Qualitätswerte und relevante Fehler,
• Schulungs-, Prüfungs- und Administrationsaufwand,
• tatsächliche Lizenz- und Betriebskosten,
• Annahme zur Verwendung frei werdender Kapazität.

Ohne diese Größen sind weder eine Amortisationsdauer noch ein prozentualer Produktivitätsgewinn seriös ableitbar.

Vom Workshop zum kontrollierten Pilot

Ein Workshop ist dann ein sinnvoller Baustein, wenn er nicht mit einem Erfolgsversprechen verwechselt wird. Er kann Aufgaben strukturieren, Prüfkriterien vermitteln und einen Pilot vorbereiten. Der anschließende Ablauf kann so aussehen:

1. eine klar prüfbare Aufgabe und passende Teilnehmende auswählen,
2. Werkzeug, Daten und organisatorische Freigaben klären,
3. Ausgangswerte und Mindestqualität erfassen,
4. Arbeitsweise und Prüfroutinen gemeinsam erproben,
5. Nutzung, Zeit, Nacharbeit, Qualität und Probleme dokumentieren,
6. über Anpassung, Ausweitung oder Abbruch entscheiden.

Unterstützung nach dem Workshop ist besonders dort sinnvoll, wo Fragen aus realen Fällen gesammelt, Arbeitsweisen vereinheitlicht oder Messdaten ausgewertet werden müssen. Ob und wie lange diese Begleitung erforderlich ist, hängt vom Pilot ab und lässt sich nicht pauschal vorgeben.

Quellen und Stand

• Brynjolfsson, Li und Raymond: Generative AI at Work, The Quarterly Journal of Economics (2025)
• NIST: AI Risk Management Framework Core
• NIST: Generative AI Profile

Stand der Quellenprüfung: 5. Oktober 2026. Das NIST AI Risk Management Framework ist freiwillig; NIST weist auf eine laufende Überarbeitung hin. Studienergebnisse gelten für den jeweils untersuchten Kontext; Produktfunktionen, Verträge und betriebliche Vorgaben sind vor einem Einsatz gesondert zu prüfen.

Fazit

KI-Produktivität ist keine Eigenschaft eines Werkzeugs, sondern das Ergebnis eines überprüfbaren Arbeitsablaufs. Unternehmen sollten deshalb mit einer eng beschriebenen Aufgabe beginnen, Qualitäts- und Risikokriterien festlegen und Wirkung gegen die eigene Ausgangslage messen. Erst diese Daten tragen eine Entscheidung über Ausweitung und Wirtschaftlichkeit.

Der KI-Produktivitäts-Workshop für Fachabteilungen unterstützt dabei, geeignete Aufgaben, Prüfroutinen und einen messbaren Pilot im jeweiligen Organisationskontext vorzubereiten.