Die ehrliche Antwort auf »Wo lohnt sich KI-Automatisierung?« lautet: »Genau da, wo klassische Automatisierung versagt — und nirgends sonst.« Dieser Beitrag schärft die Trennlinie und gibt Ihnen ein einfaches Framework, mit dem Sie selbst entscheiden können.
1. Die ehrliche Antwort
Wenn ein Prozess regelbasiert beschreibbar ist, brauchen Sie keine KI, sondern eine ordentliche Workflow-Engine. KI lohnt sich erst, wenn die Variabilität zu groß für Regeln, aber zu klein für menschliche Bearbeitung ist. Genau dieser Zwischenraum ist 2026 der Wachstumsmarkt — und genau dort sind die meisten falschen Versprechen unterwegs.
2. Die 2×2-Matrix
Wir nutzen in unseren Discovery-Workshops eine einfache Matrix:
| Eingaben homogen | Eingaben heterogen | |
|---|---|---|
| Selten | Mensch / einmaliger Code | Mensch |
| Häufig | Klassische Automatisierung | KI-Sweet-Spot |
Die Achsen sind:
- Häufigkeit — wie oft passiert der Prozess pro Woche oder Monat?
- Variabilität — sind die Eingaben strukturiert oder kommen sie als Freitext, Bild, Mail?
3. Der KI-Sweet-Spot
Der Quadrant „häufig und heterogen” ist der KI-Sweet-Spot. Beispiele aus echten Projekten:
- E-Mail-Triage — täglich Hunderte E-Mails, alle anders formuliert.
- Dokumentenextraktion — Rechnungen, Lieferscheine, Verträge — gleiche Felder, aber jede Quelle anders.
- Support-Ticket-Klassifikation — gleiche Fragen, immer neu formuliert.
- Angebotsvorlagen — Anfrage als Freitext, Angebot strukturiert.
Hier scheitert klassische Regelautomatisierung (zu variabel), und manuelle Bearbeitung kostet zu viel Zeit. KI füllt genau diese Lücke. Mehr in KI für E-Mails, Angebote und Dokumente.
4. Wo klassische Automatisierung besser ist
Wenn ein Prozess homogen ist — strukturierte Eingaben, klare Regeln — gehört er nicht in ein LLM. Beispiele:
- Buchungssätze nach Schema vorbereiten → klassisches ETL.
- Zeiterfassung mit Stundenkonten verrechnen → klassische Logik.
- Bestände aktualisieren nach Wareneingang → klassisches ERP-Event.
KI hier einzusetzen ist teurer, langsamer und fehleranfälliger als ein paar Zeilen Code oder eine Workflow-Engine. Wer das vermischt, baut technische Schulden.
5. Anti-Use-Cases — Finger weg
Die häufigsten Vorhaben, die wir aktiv abraten:
- Vollautomatische Vertragsabschlüsse — Haftungsrisiko, Eskalation zwingend notwendig.
- „Vollautonomer Agent für alles” — verkauft sich gut, scheitert in Produktion. Lieber kleine, klar abgegrenzte Agenten. Siehe Was ist ein KI-Agent?.
- KI-Klassifikation für seltene, kritische Entscheidungen — zu wenig Trainingsdaten, zu hohes Risiko.
- Kreative Arbeit, die das eigene Markenversprechen trägt — funktioniert technisch, untergräbt aber das Markenversprechen.
6. ROI realistisch berechnen
Eine ehrliche ROI-Rechnung für KI-Automatisierung enthält:
- Einsparung — eingesparte Stunden × interner Stundensatz, plus Durchsatz-Gewinn, plus reduzierte Fehlerkosten.
- Investition — Projektkosten + laufende Modell- und Hosting-Kosten + interner Aufwand für Eval und Maintenance.
- Amortisation — typisch 4–9 Monate bei gut gewählten Use Cases.
Wichtig: rechnen Sie nicht mit 100% Automatisierungsgrad. Realistische Auslastungen liegen bei 60–85% — der Rest geht weiter über den Menschen, mit KI-Vorbereitung. Das ist trotzdem ein enormer Gewinn.
7. Bewertungs-Framework in 5 Schritten
So gehen wir in unseren Workshops vor:
- Prozesse listen — alle Routineprozesse mit >10/Woche Häufigkeit aufschreiben.
- In Matrix einordnen — homogen/heterogen, selten/häufig.
- Sweet-Spot-Kandidaten markieren — alles, was rechts oben landet.
- Datenqualität prüfen — gibt es strukturierte Beispiele, Eval-Set möglich?
- Priorisieren — wirtschaftliche Wirkung × Umsetzungsaufwand.
Am Ende stehen typischerweise 2–3 Use Cases mit hohem Hebel — und eine längere Liste, die Sie nicht angehen sollten. Das ist wertvoller als die typischen „Was wäre noch alles möglich?”-Listen aus Berater-Workshops.
Wenn Sie diesen Schritt strukturiert angehen wollen, lesen Sie auch Warum viele KI-Projekte scheitern und KI-Beratung: ein guter Einstieg.
Häufige Fragen.
/ 01Was unterscheidet KI-Automatisierung von klassischer Workflow-Automatisierung?
Klassische Automatisierung folgt festen Regeln (wenn X, dann Y). KI-Automatisierung kann mit unstrukturierten Eingaben und Variabilität umgehen — z. B. eine E-Mail in natürlicher Sprache verstehen statt nur ein Formular auszufüllen. Beide ergänzen sich: KI für die schwierigen Stellen, klassische Workflows für den Rest.
/ 02Welcher ROI ist bei KI-Automatisierung realistisch?
Bei gut gewählten Use Cases sehen wir typisch 200–400% ROI über 18 Monate, mit Amortisation nach 4–9 Monaten. Bei schlecht gewählten Use Cases: gar keiner. Der Unterschied liegt nicht an der Technik, sondern an der Use-Case-Auswahl.
/ 03Lohnt sich KI-Automatisierung auch für kleine Teams (<50 Mitarbeitende)?
Ja, aber selektiv. Kleine Teams haben weniger Volumen, deshalb müssen die Use Cases präziser sein. Pragmatische Einstiege: Mail-Triage, Dokumentenextraktion, interner Wissensassistent. Vermeiden: maßgeschneiderte Agenten ohne Skaleneffekte.
/ 04Wie lange dauert ein typisches KI-Automatisierungs-Projekt?
Pilot bis Go-Live: 6–12 Wochen für klar abgegrenzte Use Cases. Bei strategischeren Vorhaben (mehrere Quellen, komplexe Logik): 4–6 Monate. Wer das in 2 Wochen verspricht, hat etwas anderes vor — meist Templating, keine echte Automatisierung.
/ 05Wie messe ich, ob meine KI-Automatisierung wirklich funktioniert?
Drei Ebenen: technische Eval (Klassifikationsrate, Faithfulness, Fehlerrate), wirtschaftliche Messung (eingesparte Zeit, Durchsatz, Fehlerkosten), Nutzerzufriedenheit (NPS oder einfache Daumen-hoch/runter-Metrik). Ohne mindestens die ersten beiden weiß niemand, ob das System gut ist.