Woraus sich minus 78 % zusammensetzen: wie Sie den Automatisierungseffekt aufschlüsseln
Die Zahl „minus 78 % Zeit“ wirkt wie eine Eigenschaft des Produkts. Das ist sie nicht. Sie ist die Summe dreier unabhängiger Veränderungen, von denen jede auch für sich allein funktionieren würde – und keine für sich allein dieses Ergebnis erzielt hätte.
Der Unterschied zwischen „wir haben das System eingeführt und 78 % erreicht“ und „so setzen sich diese 78 % zusammen“ ist ein praktischer. Die erste Formulierung lässt sich nirgendwohin übertragen: In einem anderen Prozess ergibt sie aus unbekanntem Grund eine andere Zahl. Die zweite lässt sich vollständig übertragen, weil sie Mechanismen benennt und kein Endergebnis.
Der Automatisierungseffekt setzt sich aus mindestens drei Komponenten zusammen: der regelbasierten Erstellung des Ergebnisses statt manueller Arbeit, der Zustellung des Ergebnisses an das System of Record (führendes System) und dem Ereignis, das zurückgemeldet wird und den nächsten Schritt auslöst. Die Komponenten wirken auf unterschiedliche Personengruppen und in unterschiedlichem Ausmaß – deshalb ist der Gesamtprozentsatz nicht wiederholbar, die Zusammensetzung dagegen schon.
Automatisierungseffekt aufschlüsseln: die drei Komponenten
Die Aufschlüsselung erfolgt nicht nach Systemkomponenten, sondern nach Arten von Arbeit, die weggefallen oder verändert wurden. Jede Komponente hat einen eigenen Mechanismus, einen eigenen Nutznießer und eine eigene Grenze.
Regelbasierte Erstellung statt manueller Arbeit. Früher öffnete der Vertriebsmitarbeiter die Preisliste, rechnete im Taschenrechner, suchte Fotos im Lagerkatalog und setzte das Dokument im Textverarbeitungsprogramm. Danach wählte er nur noch Positionen aus, der Rest wurde automatisch eingefügt. Diese Komponente liefert den sichtbarsten Teil der Zeitersparnis und wirkt sofort: Der Effekt zeigt sich schon beim ersten Dokument. Ihre Grenze ist der Anteil des Formalisierbaren. Alles, was sich nicht als Regel festhalten lässt, bleibt manuell.
Zustellung des Ergebnisses an das System of Record. Das Dokument verließ die Deal-Karte mit einem einzigen Klick und wurde dort auch automatisch abgelegt. Diese Komponente spart kaum Zeit für den Bearbeiter selbst – sie spart Zeit für alle anderen: für die Führungskraft, die nachschaut, was dem Kunden geschickt wurde, für den Buchhalter, der die Konditionen abgleicht, für den Kollegen, der den Deal übernimmt. Der Effekt tritt verzögert ein und fließt deshalb meist gar nicht in die ROI-Rechnung ein.
Das Ereignis, das in den Kreislauf zurückkehrt. Ob der Kunde die E-Mail geöffnet hat oder nicht, ob er dem Link gefolgt ist oder nicht – diese Fakten lösten die nächste Aktion aus. Diese Komponente spart überhaupt keine Zeit. Sie verändert das Ergebnis: Sie erhöht den Anteil der Deals, die bis zum Gespräch geführt werden. In der Rechnung „eingesparte Stunden“ ist ihr Beitrag null, im Umsatz dagegen nicht.
| Komponente | Wer profitiert | Wann der Effekt sichtbar wird | Was sie begrenzt |
|---|---|---|---|
| Regelbasierte Erstellung | Bearbeiter | Ab dem ersten Dokument | Anteil des Formalisierbaren |
| Zustellung an das System of Record | Alle außer dem Bearbeiter | Nach einem Quartal | Disziplin bei der Systemnutzung |
| Ereignis und Auslöser | Das Unternehmen im Umsatz | Nach einem Deal-Zyklus | Vorhandensein eines nächsten Schritts |
Achten Sie auf die zweite Spalte. Von den Komponenten profitieren unterschiedliche Personengruppen, und das erklärt den typischen Konflikt bei der Einführung: Der Bearbeiter sieht nur die erste Komponente, die Führungskraft erwartet die dritte, und bezahlt wird vom Unternehmen für alle drei zugleich.
Warum sich Technologieeffekt und Organisationseffekt nicht trennen lassen
Die Vorstellung, der Beitrag der Technologie ließe sich getrennt vom Beitrag organisatorischer Veränderungen berechnen, scheitert an den wirtschaftlichen Daten – und das schon seit Langem.
Unternehmen, die sowohl bei den Investitionen in Informationstechnologie als auch bei der Dezentralisierung des Managements zur oberen Hälfte gehörten, waren im Durchschnitt 5 % produktiver als solche, die nur in einem der beiden Bereiche stark waren. Die Marktbewertung jedes Dollars IT-Kapital lag bei dezentralisierten Unternehmen um 2–5 US-Dollar höher als bei zentralisierten.
Die Einschränkung nenne ich gleich: Das sind Korrelationsdaten aus den späten Achtzigern und den Neunzigern, kein Experiment, und die Prozentzahlen lassen sich nicht auf heutige Einführungen übertragen. Wertvoll ist die Struktur der Schlussfolgerung: Technologie und organisatorische Veränderung sind komplementär – ihre Effekte multiplizieren sich, statt sich zu addieren. Genau deshalb lässt sich der Gesamtprozentsatz keiner der beiden Seiten allein zuschreiben.
Warum der Durchschnittseffekt mehr verbirgt als er zeigt
Ein zweiter Weg, sich davon zu überzeugen, dass eine Gesamtkennzahl ohne Aufschlüsselung nutzlos ist, führt über Studien mit Kontrollgruppe. Dort zeigt sich, dass sich der „Durchschnittseffekt“ aus sehr unterschiedlichen Zahlen zusammensetzt.
Der Zugang zu einem generativen KI-Assistenten steigerte die Produktivität von Support-Mitarbeitenden im Durchschnitt um 14 % bearbeiteter Anfragen pro Stunde. Bei Neueinsteigern und geringer qualifizierten Mitarbeitenden lag der Zuwachs bei 34 %, bei erfahrenen Kräften nahe null.
Das ist ein Diskussionspapier und keine abschließend begutachtete Publikation zum Zeitpunkt der Lektüre, und die Daten stammen aus einem einzigen Unternehmen mit einem einzigen Tool. Die Prozentzahlen selbst lassen sich nicht verallgemeinern. Verallgemeinerbar ist der Mechanismus: Der Durchschnittseffekt setzt sich aus einem großen Effekt bei der einen Gruppe und einem nahezu null bei der anderen zusammen, und die Entscheidung „einführen oder nicht“ hängt von der Struktur Ihres Teams ab, nicht vom Durchschnitt.
Bei Aufgaben innerhalb der Fähigkeiten des Modells erledigten Berater mit Zugang dazu 12,2 % mehr Aufgaben und waren 25,1 % schneller, bei höherer Qualität. Bei Aufgaben außerhalb dieser Fähigkeiten lagen dieselben Teilnehmenden um 19 % seltener richtig als jene, die ohne Modell arbeiteten.
Hier zählt das Vorzeichen. Ein und dasselbe Tool im selben Unternehmen liefert bei einer Aufgabenklasse ein Plus und bei einer anderen ein Minus. Die Mittelung dieser beiden Zahlen ergibt einen Wert, der kein reales Nutzungsszenario beschreibt.
Effekt im eigenen Prozess aufschlüsseln: Methode
Die Methode erfordert weder eine Kontrollgruppe noch Statistik. Sie erfordert, dass Änderungen nacheinander eingeführt werden und nicht in einem einzigen Release – und genau dafür fehlt meist die Geduld.
Die Ausgangsmessung ist der einzige Teil, den man nicht nachträglich vornehmen kann. Drei Zahlen sind in einem halben Tag erhoben: wie viel Zeit ein einzelnes Ergebnis kostet, welcher Anteil der Ergebnisse einen Fehler enthält, welcher Anteil bis zur Antwort des Kunden führt. Ohne sie wird jeder spätere Vergleich zum Streit um Erinnerungen.
Die Pause zwischen den Schritten dient nicht der Sauberkeit des Berichts, sondern der Steuerbarkeit. Fällt der Effekt nach einem einzigen Release geringer aus als erwartet, haben Sie keine Möglichkeit herauszufinden, welche der drei Änderungen nicht gewirkt hat, und der nächste Schritt muss aufs Geratewohl gewählt werden.
Warum sich Pilotergebnisse bei der Skalierung nicht wiederholen
Die Aufschlüsselung erklärt auch das häufigste Scheitern: Der Pilot zeigte einen Effekt, die unternehmensweite Einführung nicht. Im Pilot wirkt in der Regel nur die erste Komponente, die zweite ist bestenfalls angedeutet, und die dritte fehlt ganz.
Rund 95 % der Organisationen erzielen aus Pilotprojekten mit generativer KI keine messbare Rendite, und nur 5 % der speziell entwickelten unternehmensinternen KI-Tools erreichen den produktiven Einsatz. Als Ursache nennen die Autoren eine Lernlücke: Pilotsysteme halten Kontext nicht fest und verbessern sich nicht durch Feedback.
Das ist ein Branchenbericht und keine begutachtete Studie, und die Stichprobe wird nicht als zufällig beschrieben – eine Verzerrung zugunsten von Unternehmen, die ihre Ergebnisse öffentlich machen, ist möglich. Der beschriebene Mechanismus deckt sich jedoch mit der Aufschlüsselung: Der Pilot zeigt die erste Komponente, während den Return on Investment die zweite und dritte schaffen – und die werden im Pilot nicht aufgebaut, weil sie Integration und einen Prozessverantwortlichen erfordern. Mehr dazu in der Analyse, wo genau der Effekt entsteht.
Vier Schritte zu einer übertragbaren Effektkennzahl
Messen Sie drei Zahlen vor dem Start
Zeit pro Ergebnis, Anteil fehlerhafter Ergebnisse, Anteil bis zur Antwort geführt. Ein halber Tag Arbeit, den Sie später nicht nachholen können.
Führen Sie Änderungen einzeln ein
Zuerst die Regeln, dann die Zustellung, dann die Ereignisse. Zwischen den Schritten liegt eine Pause, die für die Messung ausreicht.
Ordnen Sie den Effekt nach Gruppen zu
Getrennt nach Neueinsteigern und erfahrenen Kräften, nach einfachen und komplexen Fällen. Der Durchschnitt über diese Gruppen beschreibt keine von ihnen.
Beschreiben Sie die Zusammensetzung, nicht das Endergebnis
Der Ergebnisbericht sollte drei Zeilen enthalten, nicht eine. Eine einzelne Zeile lässt sich im nächsten Prozess nicht wiederholen.
Wenn sich der Effekt Ihrer Einführung in einer einzigen Zahl ausdrückt, werden Sie ihn im zweiten Prozess nicht wiederholen können – und Sie werden nicht wissen, warum.
Häufig gestellte Fragen zur Wirkungszuordnung bei Automatisierung
Wie misst man den Effekt der Prozessautomatisierung?
Über drei unabhängige Kennzahlen, die vorher und nachher erhoben werden: Zeit pro Einheit Ergebnis, Anteil der Ergebnisse mit Fehler und Anteil der Ergebnisse, die bis zum nächsten Schritt gelangen. Eine einzelne aggregierte Prozesskennzahl genügt nicht: Sie verdeckt Situationen, in denen die Zeit gesunken, der Fehleranteil aber gestiegen ist, und umgekehrt.
Was tun, wenn keine Ausgangsmessung (Baseline) durchgeführt wurde?
Rekonstruieren Sie sie anhand von Dokumenten, nicht aus dem Gedächtnis. Nehmen Sie zwanzig Ergebnisse aus dem Zeitraum vor der Einführung: Erstellungs- und Versanddatum liefern die Zeit, der Inhalt den Fehleranteil, der E-Mail-Verlauf den Anteil der bis zur Antwort geführten Fälle. Das ist weniger genau als eine direkte Messung, aber überprüfbar – und die Erinnerungen der Mitarbeitenden sind es nicht.
Warum ist unser Effekt kleiner als im beschriebenen Fall?
Höchstwahrscheinlich wirkt bei Ihnen eine andere Kombination von Komponenten. Hatten Sie bereits ein System of Record, in das das Ergebnis gelangte, liefert die zweite Komponente null – sie war bei Ihnen bereits abgedeckt. Gibt es nach dem Versand des Ergebnisses keinen nächsten Schritt im Prozess, liefert auch die dritte Komponente null. Dann bleibt nur die erste übrig, und das Gesamtergebnis fällt deutlich bescheidener aus.
Wie aussagekräftig ist die Aufschlüsselung in drei Komponenten?
Das ist die Analyse eines einzelnen Prozesses in einem einzelnen Unternehmen, kein universelles Modell. Die Anzahl der Komponenten hängt vom Prozess ab: mal sind es zwei, mal fünf. Universell ist eine andere Anforderung – es müssen mehr als eine sein, und jede muss einen eigenen Mechanismus und einen eigenen Nutznießer haben. Gelingt die Aufschlüsselung nicht, wurde der Effekt höchstwahrscheinlich schlicht nicht gemessen.
Die Kennzahl „minus 78 % Zeit für die Angebotserstellung“ und die Mechanik des Dienstes (regelbasierte Berechnung, automatisches Einfügen von Abbildungen, einheitliches Layout, Pflichtblöcke, Versand aus der Deal-Karte, Nachverfolgung von Öffnungen und Klicks, ereignisgesteuerte Auslöser für Trigger-Mails, Statistik nach Vertriebsmitarbeitenden) stammen aus der Beschreibung des eigenen Produkts Alego.Digital. Das ist eine interne Kennzahl des Unternehmens des Autors; sie wurde nicht von unabhängiger Seite geprüft und dient als Illustration der Mechanik, nicht als Branchenmaßstab. Die Aufschlüsselung des Gesamteffekts in drei Komponenten ist eine nachträgliche Rekonstruktion des Autors anhand der Art der Änderungen: Eine getrennte Messung je Komponente wurde zum Zeitpunkt der Einführung nicht durchgeführt.
- Brynjolfsson E., Hitt L. M. Beyond Computation: Information Technology, Organizational Transformation and Business Performance. Journal of Economic Perspectives, 2000. aeaweb.org
- Brynjolfsson E., Li D., Raymond L. Generative AI at Work. NBER Working Paper 31161, 2023. nber.org
- Dell'Acqua F. et al. Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013, 2023. ssrn.com
- MIT Project NANDA. The GenAI Divide: State of AI in Business 2025, 2025. nanda.media.mit.edu