„Wer jetzt nicht jeden Prozess mit KI automatisiert, hat den Anschluss verloren." Diesen Satz bekommt man als Geschäftsführer:in gerade von allen Seiten zu hören — im Newsletter, auf der Messe, im Verkaufsgespräch des nächsten Tool-Anbieters. Nur eine Frage beantwortet dir dabei kaum jemand: Welche deiner Abläufe taugen denn nun wirklich dafür? Genau darum geht es hier — inklusive der Hälfte, die in den meisten Artikeln fehlt: welche Prozesse du besser (noch) nicht automatisierst.

Das Wichtigste in Kürze

  • Ob ein Prozess für KI-Automatisierung taugt, kannst du an drei Kriterien prüfen: Häufigkeit, Regelhaftigkeit und Fehlertoleranz (inkl. Nachvollziehbarkeit).

  • Die meisten KI-Projekte scheitern nicht an der Technik, sondern an der falschen Prozessauswahl — das belegen mehrere unabhängige Studien.

  • Vorerst nicht automatisieren: Entscheidungen über Menschen, bindende Außenkommunikation, echte Einzelfälle, emotionale Kommunikation und undokumentierte Abläufe.

  • Nicht alles, was automatisiert werden kann, muss mit KI gelöst werden — oft erledigt eine simple Wenn-dann-Regel denselben Job, nur günstiger und zuverlässiger.

Warum „Was ist technisch möglich?" die falsche Frage ist

Die kurze Antwort: Weil die Technik selten das Problem ist. Wenn KI-Projekte scheitern, dann fast immer, weil der falsche Prozess ausgewählt oder das Problem nie sauber definiert wurde — nicht, weil das Modell oder die Technik zu schwach waren.

Die Zahlen dazu sind ernüchternd. Eine Befragung von S&P Global unter gut 1.000 IT- und Fachverantwortlichen in Nordamerika und Europa zeigt: Der Anteil der Firmen, die die Mehrheit ihrer KI-Initiativen wieder abbrechen, ist binnen eines Jahres von 17% auf 42% gestiegen. Die RAND Corporation kommt in Interviews mit KI-Praktiker:innen zum selben Muster — die häufigste Ursache fürs Scheitern ist nicht die Datenlage und schon gar nicht der Algorithmus, sondern ein falsch definiertes Problem. Und Gartner prognostiziert, dass über 40% der aktuellen „KI-Agenten"-Projekte bis Ende 2027 wieder eingestampft werden, unter anderem wegen unklaren Geschäftsnutzens. Drei Quellen, eine Diagnose.

Dazu kommt etwas, das man leicht unterschätzt: Man sieht einem Prozess nicht an, ob KI ihn gut kann. Ein Feldexperiment der Harvard Business School mit 758 Berater:innen hat gezeigt, dass KI innerhalb ihrer Fähigkeitsgrenze die Leistung deutlich hebt (rund 12% mehr erledigte Aufgaben, 25% schneller) — außerhalb dieser Grenze sank die Quote korrekter Lösungen aber um 19 Prozentpunkte. Die Forscher:innen nennen das die „Jagged Frontier": Zwei ähnlich wirkende Aufgaben können auf verschiedenen Seiten der Grenze liegen. Auf sein Bauchgefühl sollte man sich bei der Auswahl also definitiv nicht verlassen.

Und einfach allen im Team ein KI-Abo hinstellen? Bringt messbar etwas — aber weniger, als der Hype verspricht. Eine dänische Studie, die Befragungen von rund 25.000 Beschäftigten mit Registerdaten verknüpft, beziffert die selbstberichtete Ersparnis durch KI-Chatbots auf durchschnittlich 2,8% der Arbeitszeit — rund eine Stunde pro Woche. Der echte Hebel entsteht erst, wenn KI in einen Prozess eingebaut wird statt neben ihm herzulaufen. Welcher Prozess das verdient, ist damit die eigentliche Frage — und die lässt sich prüfen.

Welche Prozesse eignen sich für KI-Automatisierung?

Geeignet sind Prozesse, die drei Kriterien gleichzeitig erfüllen: Sie kommen häufig vor, sie folgen erkennbaren Regeln, und sie verzeihen Fehler — oder lassen sich so bauen, dass ein Mensch das Ergebnis prüft, bevor es Wirkung entfaltet. Fehlt eines der drei, ist der Prozess kein Kandidat für Automatisierung, sondern höchstens für KI-Assistenz.

  1. Häufigkeit: Passiert es oft genug, dass sich der Aufwand lohnt? Jede Automatisierung kostet Einrichtung, Tests und Pflege. Ein Ablauf, der dreimal im Jahr vorkommt, spielt das nie wieder ein — derselbe Ablauf fünfzigmal pro Woche sehr wohl. Die Forschung ist sich hier einig: Wiederholungsrate und Volumen sind das meistgenannte Eignungskriterium überhaupt.

  2. Regelhaftigkeit: Kannst du den Ablauf komplett aufzeichnen? Das Fraunhofer IAO hat dafür einen wunderbar einfachen Test: Lässt sich ein Prozess mit allen Verzweigungen und Ausnahmen vollständig als Flussdiagramm zeichnen, ist er wahrscheinlich automatisierbar. Wenn du beim Zeichnen ständig bei „kommt drauf an" landest, hast du deine Antwort. Dann ist das kein Prozess — das ist Ermessen mit Prozess-Kostüm.

  3. Fehlertoleranz und Nachvollziehbarkeit: Was kostet ein Fehler — und kannst du erklären, warum die Maschine so entschieden hat? Das ist das Kriterium, das seit generativer KI den Unterschied macht. Sprachmodelle arbeiten nämlich nicht deterministisch wie ein Taschenrechner, sondern wahrscheinlichkeitsbasiert — gelegentliche Fehler sind eingebaut, nicht die Ausnahme. Bei einer internen Textzusammenfassung ist das egal, ein Mensch überfliegt sie ohnehin. Bei einer automatisch verschickten Preiszusage ist es das nicht. Und die Fehler summieren sich: Schafft jeder Schritt 90% Genauigkeit, kommt ein Prozess mit 20 automatisierten Schritten rechnerisch nur noch in gut 12% der Fälle fehlerfrei durch. Ein aktueller Bewertungsrahmen aus der Forschung gewichtet Compliance-Anforderungen deshalb sogar höher als die reine Machbarkeit.

Wo alle drei Kriterien erfüllt sind, ist KI grundsätzlich stark in vier Rollen: vorsortieren (z.B. eingehende Anfragen nach Anliegen und Dringlichkeit klassifizieren — E-Mail-Triage ist übrigens ein Klassiker unter den dokumentierten Anwendungsfällen), vorbereiten (Antwortentwürfe, die ein Mensch freigibt), zusammenfassen (Dokumente, Verläufe, Besprechungen) und übertragen (Daten aus unstrukturierten Quellen wie PDFs in deine Systeme bringen). Auffällig an dieser Liste: In jeder dieser Rollen beschleunigt die KI den Prozess — die Entscheidung trifft weiterhin jemand anderes.

Welche dieser Rollen in deinem Betrieb die größte Wirkung hätten und in welcher Reihenfolge man sie angeht, ist dann keine Frage mehr, die ein Blogartikel seriös beantworten kann — dafür muss man sich die Abläufe konkret ansehen. Genau das machen wir in der KI-Potenzialanalyse.

Welche Prozesse eignen sich (noch) nicht für KI-Automatisierung?

Nicht geeignet sind Prozesse mit seltenen oder instabilen Abläufen, echten Ermessensentscheidungen, hohen Fehler- oder Haftungsfolgen — und alles, wo Entscheidungen über Menschen fallen. Aus unserer Sicht lässt sich das auf eine Faustregel bringen, nach der wir auch selbst arbeiten: Sobald Vertrauen, Außenwirkung oder sensible Einzelfälle im Spiel sind, gehört der Mensch in den Prozess. Wir automatisieren nicht alles, was technisch möglich ist — und raten unseren Kund:innen zum selben. Die fünf Kategorien im Einzelnen:

1. Entscheidungen über Menschen

Bewerbungen automatisch aussortieren, Kündigungen nach Kennzahlen, automatisierte Kreditentscheidungen — hier zieht nicht nur die Vorsicht eine Grenze, sondern das Gesetz. Art. 22 der DSGVO verbietet Entscheidungen mit rechtlicher Wirkung, die ausschließlich automatisiert fallen, grundsätzlich. Und selbst die eng gefassten Ausnahmen (etwa beim Vertragsabschluss oder mit ausdrücklicher Einwilligung) verlangen Schutzmaßnahmen wie das Recht, einen Menschen eingreifen zu lassen. Und nein, ein Mensch, der die Maschinen-Entscheidung nur noch abnickt, heilt das nicht: Der Europäische Gerichtshof hat im SCHUFA-Urteil klargemacht, dass schon die automatisierte Bewertung selbst unter die Regel fallen kann, wenn sich alle danach richten. Der EU AI Act stuft dieselben Einsatzfelder (Bewerbungsfilterung, Beförderungs- und Kündigungsentscheidungen, Leistungsüberwachung, Kreditwürdigkeit) als Hochrisiko ein — mit einem Pflichtenkatalog, der für ein KMU in keinem Verhältnis zum Nutzen steht (Stand: Anfang Juli 2026; die Hochrisiko-Pflichten greifen nach aktueller Beschlusslage spätestens ab Dezember 2027). Was bleibt, ist KI als Assistenz: vorsortieren ja, entscheiden nein — und die Entscheidung muss inhaltlich beim Menschen liegen, nicht nur formal.

2. Alles, was dein Unternehmen nach außen bindet

Was dein System deinen Kund:innen zusagt, hast DU zugesagt. Air Canada musste das vor Gericht lernen: Der Chatbot der Airline hatte einem Kunden eine Erstattungsregel erklärt, die es gar nicht gab — das Gericht entschied, das Unternehmen haftet für die Auskunft wie für jede andere Aussage auf seiner Website. Beim Software-Anbieter Cursor erfand der Support-Bot 2025 eine Nutzungsregel, die nie existierte (angeblich nur ein Gerät pro Abo) — woraufhin verärgerte Kund:innen öffentlich ihre Abos kündigten und sich der Mitgründer entschuldigen musste. Der Schaden ist in solchen Fällen selten die einzelne Erstattung — es ist das Vertrauen. Preiszusagen, Vertragsauskünfte, Lieferzusagen und verbindliche Beratung gehören deshalb (noch) nicht in die Hände eines Systems, das gelegentlich überzeugend Falsches behauptet.

3. Echte Ermessens- und Einzelfälle

Verhandlungen, Eskalationen, Kulanzentscheidungen, komplexe Sonderangebote: Prozesse, die beim Flussdiagramm-Test durchfallen, fallen auch in der Praxis durch. Das lehrreichste Beispiel ist IBM Watson for Oncology — jahrelang als KI-Revolution der Krebsmedizin vermarktet, bis interne Dokumente „unsichere und falsche" Therapievorschläge belegten; am Ende wurde das Programm eingestellt und die ganze Sparte verkauft. Allein ein Partnerprojekt in Texas kostete 62 Mio. Dollar, ohne je regulär am Patienten anzukommen. Die Fallhöhe im KMU ist zum Glück kleiner, das Muster ist dasselbe: Wo jeder Fall anders liegt und Kontext, Erfahrung und Abwägung gefragt sind, liefert KI überzeugende Vorschläge — und liegt dabei unvorhersehbar oft daneben. Erinnerst du dich an die „Jagged Frontier" von oben? Genau hier verläuft sie.

4. Persönliche und emotionale Kommunikation

Die Vanderbilt University hat nach dem Amoklauf an der Michigan State University eine Beileids-Mail an ihre Studierenden geschickt — erstellt mit ChatGPT, samt Fußnote, die das auswies. Die Reaktion war verheerend, die Entschuldigung folgte prompt. Man kann daraus viel lernen, aber das Wichtigste ist: Menschen verzeihen einem Unternehmen fast jeden Tippfehler — delegierte Anteilnahme verzeihen sie nicht. Kondolenz, Kritik- und Konfliktgespräche, persönlicher Dank an langjährige Kund:innen, das Gespräch nach einer Reklamation, die schiefging: Der Wert dieser Nachrichten liegt exakt darin, dass ein Mensch sich die Zeit genommen hat. Automatisiert man sie, automatisiert man ihren Wert gleich mit weg.

5. Prozesse, die instabil oder undokumentiert sind

Die unspektakulärste Kategorie — und die häufigste. Wenn ein Ablauf in drei Köpfen drei verschiedene Versionen hat, nirgends dokumentiert ist und sich monatlich ändert, dann gibt es schlicht nichts, was man automatisieren könnte. Was passiert, wenn man es trotzdem tut? Man bekommt einen automatisierten chaotischen Prozess. Derselbe Fehler, nur schneller und in Serie. Die Erkenntnis ist übrigens älter als jedes Sprachmodell: Schon 1990 beschrieb Michael Hammer in der Harvard Business Review, wie Ford seine Kreditorenbuchhaltung mit über 500 Beschäftigten nicht durch Automatisierung des alten Ablaufs sanierte — das hätte gerade einmal ein Fünftel eingespart —, sondern durch dessen Neugestaltung: Am Ende reichte ein Viertel der Belegschaft, und Wettbewerber Mazda erledigte dieselbe Arbeit gar mit fünf Leuten. Hammers Rat: hört auf, die alten Trampelpfade zu asphaltieren. Gartner liefert die moderne Fassung dazu: 60% der KI-Projekte ohne belastbare Datenbasis werden nach ihrer Prognose bis Ende 2026 aufgegeben. Der Trost: Diese Kategorie ist die einzige der fünf, die du selbst ändern kannst. Erst den Prozess klären und stabilisieren, dann neu durch den 3-Kriterien-Check schicken — deshalb steht im Titel „(noch) nicht".

Und wenn der Prozess passt — braucht es dann überhaupt KI?

Ehrliche Antwort: erstaunlich oft nein. Ein großer Teil dessen, was gerade als „KI-Automatisierung" verkauft wird, ist schlichte Regel-Automatisierung — wenn Rechnung eingeht, dann ablegen und Buchhaltung benachrichtigen. Dafür braucht es kein Sprachmodell, das hat Software schon vor zehn Jahren gekonnt, nur redet jetzt jeder anders darüber. Gartner hat dafür den schönen Begriff „Agent Washing" geprägt und schätzt, dass von tausenden Anbietern, die mit KI-Agenten werben, nur rund 130 echte agentische Fähigkeiten haben. Selbst Anthropic — immerhin ein KI-Anbieter, der an jedem verkauften Modell verdient — empfiehlt in seinen Entwickler-Leitlinien, immer die einfachste Lösung zu suchen und Komplexität nur zu erhöhen, wenn es nötig ist.

Die Trennlinie ist dabei einfach: Folgt der Schritt festen Regeln mit strukturierten Daten (Rechnungsnummer, Betrag, Datum), reicht eine Regel — zuverlässig, günstig, jederzeit nachvollziehbar. KI gehört genau an die Stellen, wo unstrukturierter Input verstanden werden muss: die formlos geschriebene Kundenmail, das gescannte Lieferdokument, der Gesprächsverlauf. Ein guter Automatisierungs-Aufbau ist deshalb meistens ein fester, regelbasierter Ablauf mit einzelnen KI-Bausteinen an den Verstehens-Stellen — nicht „KI macht alles". Wer dir Letzteres verspricht, will dir vor allem etwas verkaufen — nicht etwas lösen.

Fazit: Automatisiere Abläufe, nicht Verantwortung

Aus unserer Sicht ist die Sache klar: Die Frage ist nicht, ob KI-Automatisierung sich für KMU lohnt — richtig eingesetzt tut sie das definitiv. Die Frage ist, an welcher Stelle. Der 3-Kriterien-Check (Häufigkeit, Regelhaftigkeit, Fehlertoleranz und Nachvollziehbarkeit) sortiert deine Kandidaten; die fünf Kategorien oben markieren die Sperrzonen — und die wichtigste Erkenntnis dahinter passt in einen Satz: Ein Prozess wird durch KI nicht besser, er wird nur schneller. Besser wird er durch Klarheit, und die muss vorher da sein.

Wir halten es dabei selbst so: KI darf bei uns vorsortieren, vorbereiten, zusammenfassen und übertragen — aber sobald Vertrauen, Außenwirkung oder sensible Einzelfälle im Spiel sind, sitzt ein Mensch im Prozess. Denn Verantwortung lässt sich nicht wegautomatisieren.

Wenn du wissen willst, welche deiner Prozesse den Check tatsächlich bestehen — und welche 2–3 davon den größten Hebel haben —, dann schau dir unsere KI-Potenzialanalyse an: Wir gehen deine Abläufe gemeinsam durch, ehrlich inklusive der Stellen, an denen wir dir von KI abraten.

Häufige Fragen zur KI-Automatisierung

Was ist der Unterschied zwischen KI-Automatisierung und klassischer Automatisierung?

Klassische Automatisierung führt feste Wenn-dann-Regeln aus und braucht strukturierte Daten — gleicher Input, gleiches Ergebnis, jedes Mal. KI-Automatisierung ergänzt diese Abläufe um Bausteine, die unstrukturierten Input verstehen (freie Texte, Dokumente, Sprache), arbeitet dafür aber wahrscheinlichkeitsbasiert: Gelegentliche Fehler sind systembedingt. Deshalb gilt: Regeln, wo Regeln reichen — KI nur an den Verstehens-Stellen.

Ab welchem Volumen lohnt sich KI-Automatisierung?

Eine seriöse Pauschalzahl gibt es nicht — es kommt auf das Verhältnis von Einrichtungs- und Pflegeaufwand zur eingesparten Zeit an. Als Denkrichtung: Ein täglicher 10-Minuten-Ablauf bindet übers Jahr rund 40 Arbeitsstunden, ein seltener Quartalsprozess fast nichts. Je häufiger und gleichförmiger ein Ablauf, desto eher rechnet er sich; Misstrauen ist bei Anbietern angebracht, die Wirtschaftlichkeit ohne Blick auf deine Zahlen versprechen.

Warum scheitern so viele KI-Automatisierungsprojekte?

Die Studienlage zeigt ein klares Muster: falsch gewählte Prozesse und unklar definierte Probleme (RAND), schlechte Datenbasis (Gartner) und Kostenfixierung ohne Qualitätsblick: Klarna etwa ließ seine KI erst großspurig die Arbeit von rund 700 Servicekräften übernehmen — und holte dann wieder Menschen dazu, weil die Qualität litt. Am Modell selbst scheitert es fast nie. Die gute Nachricht: Genau diese Fehler sind mit sauberer Prozessauswahl vermeidbar.

Woran erkenne ich schnell, ob ein Prozess automatisierbar ist?

Stell drei Fragen: Kommt er häufig vor? Kannst du ihn vollständig als Flussdiagramm zeichnen, ohne bei „kommt drauf an" zu landen? Und darf ein gelegentlicher Fehler passieren bzw. prüft ein Mensch das Ergebnis? Dreimal Ja: guter Kandidat. Bei einem Nein: KI höchstens als Assistenz. Und wenn Vertrauen, Außenwirkung oder sensible Einzelfälle betroffen sind: Mensch im Prozess, keine Diskussion.