Reibung ist die fehlende Währung in der KI-Transformation

Das Problem lag nicht in mangelnden Fähigkeiten. Das Problem war, dass das System fähige Mitarbeiter zwang, zu viel Zeit mit der Suche nach benötigten Informationen zu verbringen, bevor sie ihre Arbeit erledigen konnten. Wichtige Dokumente, Schulungsmaterialien, Unternehmensneuigkeiten, Kommunikationsmittel und Betriebsanleitungen waren über verschiedene Orte verstreut. Die Mitarbeiter wussten zwar, dass die Informationen irgendwo existierten, mussten aber dennoch suchen, nachfragen, vergleichen, überprüfen und den Kontext rekonstruieren, bevor sie weiterarbeiten konnten. Der Arbeitstag begann nicht mit der eigentlichen Arbeit, sondern mit der Suche nach den benötigten Informationen.

Diese Belastung war zur Normalität geworden, weil sich Teams ständig anpassen. Sie speicherten Seiten als Lesezeichen, erstellten lokale Kopien, verschickten Nachrichten, legten Verknüpfungen an und stellten immer wieder dieselben Fragen. Von außen betrachtet schien die Arbeit voranzukommen. Intern wurde jedoch viel Zeit damit verbracht, die Arbeitsbedingungen zu schaffen, bevor überhaupt Wertschöpfung möglich war. Das Problem hatte einen Namen: die Suchsteuer. Es handelte sich weder um eine Budgetposition, noch um einen formalen Mangel oder ein gescheitertes Projekt. Es war eine tägliche Belastung, die unsichtbar geworden war, weil die Mitarbeiter gelernt hatten, damit umzugehen.

Die Lösung bestand nicht darin, die Mitarbeiter zu schnellerer Suche aufzufordern. Auch nicht darin, weitere Erinnerungen zu versenden, eine neue Kommunikationskampagne zu starten oder die Teams zu mehr Eigeninitiative zu bewegen. Die Arbeitsabläufe mussten grundlegend umgestaltet werden, sodass der Zugriff zum integralen Bestandteil des Systems wurde und nicht mehr eine individuelle Überlebensstrategie darstellte. Ein zentraler interner Hub wurde als zentrale Anlaufstelle für alle wichtigen Ressourcen geschaffen: Dokumente, Kommunikationsmittel, Schulungsmaterialien und Unternehmensnachrichten. Er wurde so strukturiert, gepflegt und konzipiert, dass Informationen innerhalb von Sekunden verfügbar sind, anstatt erst nach einer mühsamen Suche in verschiedenen Systemen. Die tägliche Suchlast wurde beseitigt, da das System die Mitarbeiter nicht länger mit unnötigen Hürden konfrontierte, bevor sie einen Beitrag leisten konnten.

Deshalb ist Reibungsverlust bei der KI-Transformation so wichtig. Die meisten Unternehmen sprechen immer noch über den Wert von KI anhand von Akzeptanz, Nutzung, Automatisierungspotenzial und Kosteneinsparungen. Sie messen, wie viele Personen das Tool genutzt haben, wie viele Anfragen gestellt, wie viele Lizenzen aktiviert, wie viele Pilotprojekte gestartet und wie viele Anwendungsfälle in die Pipeline aufgenommen wurden. Diese Kennzahlen sind zwar nützlich, beweisen aber keine Arbeitsverbesserung. Ein Unternehmen kann KI intensiv nutzen und die eigentlichen Reibungsverluste dennoch ignorieren. Es kann eine sichtbare Aufgabe automatisieren, während der Workflow langsam, fragmentiert und abhängig davon bleibt, dass Mitarbeiter fehlende Kontextinformationen im Kopf haben.

Reibung ist die fehlende Währung, denn sie zeigt, wo tatsächlich Wert verloren geht. Sie ist die Suche vor der Handlung, die Wartezeit zwischen den Schritten, die wiederholte Klärung, der manuelle Systemvergleich, die Genehmigung, die aufgrund unklarer Zuständigkeiten erforderlich ist, die Ausnahme, die jedes Mal von Grund auf neu gelöst werden muss, die Korrektur nach einem schnellen, aber unvollständigen Ergebnis und der wiedereröffnete Fall, nachdem ein Dashboard die Bearbeitung als abgeschlossen gemeldet hatte. Sie ist die stille Anstrengung, die Menschen täglich unternehmen, um unvollkommene Systeme am Laufen zu halten.

KI kann Reibungsverluste reduzieren, aber nur, wenn die Organisation die Ursachen dieser Reibungsverluste kennt. Andernfalls kann KI zwar einen Arbeitsschritt beschleunigen, der Gesamtaufwand bleibt jedoch gleich. Ein Tool mag zwar die Erstellung einer Antwort beschleunigen, doch wenn diese weiterhin drei Prüfungen, zwei Rückfragen, eine manuelle Recherche und eine separate Genehmigung erfordert, hat sich die Arbeit im Grunde nicht verändert. Ein Modell mag Informationen schnell zusammenfassen, doch wenn die zugrunde liegenden Datenquellen verstreut, veraltet oder inkonsistent sind, kann die Zusammenfassung die Verwirrung nur noch verstärken. Ein automatisierter Prozess mag die Weiterleitung von Aufgaben beschleunigen, doch wenn die Ausnahmelogik unklar ist, kann er die Aufgaben mit größerer Sicherheit an die falsche Stelle weiterleiten.

Das ist der Unterschied zwischen KI-Aktivität und KI-Wert. Aktivität zeigt, dass etwas passiert. Wert zeigt, dass Reibungsverluste beseitigt, reduziert, neu gestaltet oder bewusst beibehalten wurden, um Qualität oder Kontrolle zu gewährleisten. Ohne diese Unterscheidung können KI-Programme von oben beeindruckend wirken, sich aber im Arbeitsalltag dennoch belastend anfühlen. Das Dashboard zeigt die Nutzung an, während die Mitarbeiter noch suchen. Die Pilotphase zeigt Geschwindigkeit an, während Fälle immer noch neu eröffnet werden. Das Modell liefert eine Antwort, während im Workflow noch ein Mensch den fehlenden Kontext wiederherstellen muss.

Dies ist kein neues Problem, das durch KI entstanden ist. KI macht es lediglich schwieriger, es zu ignorieren. Organisationen tragen seit Jahren versteckte Reibungsverluste mit sich herum. Mitarbeiter verbringen Zeit mit der Informationssuche, dem Kopieren von Daten zwischen Systemen, dem Abgleich von Berichten, dem Warten auf Genehmigungen, der Klärung von Zuständigkeiten, der Fehlerkorrektur und der Eskalation von Ausnahmen, die längst wiederverwendbares Wissen hätten sein sollen. Da die Arbeit dennoch erledigt wird, bleiben die Reibungsverluste unsichtbar. Mitarbeiter kompensieren dies. Führungskräfte normalisieren es. Die Finanzabteilung sieht selten die vollen Kosten. Transformationsteams widmen sich dem nächsten Projekt.

Dann kommt KI ins Spiel, und dieselbe Reibung wird zu einem Skalierungsproblem. Sind die Datenquellen verstreut, wird die KI-gestützte Datenabfrage anfällig. Ist die Prozessverantwortung unklar, kann KI keine Klarheit schaffen. Werden Ausnahmen nicht erfasst, behandelt KI sie als Überraschungen. Sind sich die Teams nicht einig, was ein gutes Ergebnis ausmacht, müssen die KI-Ausgaben stärker geprüft werden. Verbringen Mitarbeitende bereits zu viel Zeit mit der Kontextualisierung, kann KI eine zusätzliche Ebene schaffen, solange das zugrundeliegende Zugriffsproblem nicht gelöst ist.

Das Beispiel mit der Suchsteuer ist deshalb relevant, weil es eine grundlegende operative Wahrheit offenbart: Teams haben selten nur deshalb Schwierigkeiten, weil es ihnen an Einsatz oder Talent mangelt. Oftmals scheitern sie, weil das System sinnvolle Arbeit unnötig erschwert. Suchen bringt kein Ergebnis. Kontextrekonstruktion bringt kein Ergebnis. Dieselbe Frage erneut zu stellen bringt kein Ergebnis. Zwischen Systemen zu wechseln, um die aktuelle Version eines Dokuments zu finden, bringt kein Ergebnis. Diese Aktivitäten mögen in einer fehlerhaften Umgebung notwendig sein, stellen aber dennoch ein Hindernis dar.

Dasselbe Prinzip gilt für KI. Vorschläge, Generierung und Zusammenfassungen allein sind nicht wertvoll. Wert entsteht erst, wenn die Arbeit dadurch effizienter abläuft. Ein Kundenfall wird korrekt abgeschlossen. Ein Finanzprozess benötigt weniger Korrekturen. Eine Führungskraft erhält aktuelle Informationen statt des Berichts der Vorwoche. Ein Mitarbeiter verbringt weniger Zeit mit der Suche und mehr Zeit mit Entscheidungen. Eine Ausnahme wird wiederverwendbar, anstatt immer wieder neu entdeckt werden zu müssen. Ein Workflow lässt sich leichter steuern, da der Ablauf klarer ist.

Deshalb sollten Führungskräfte bei der Bewertung der KI-Einführung vorsichtig sein. Die Nutzungsrate zeigt lediglich, ob das Tool genutzt wird. Sie sagt aber nichts darüber aus, ob es tatsächlich Abläufe optimiert. Ein Team kann KI täglich einsetzen und dennoch Zeit mit der Überprüfung der Ergebnisse verschwenden. Mitarbeiter können mehr Inhalte erstellen und trotzdem mehr Zeit für die Abstimmung der Fakten aufwenden. Ein Chatbot kann mehr Fragen beantworten und dennoch zu wiederholten Kontaktaufnahmen führen, wenn die Antworten unvollständig sind. Ein interner Assistent mag hilfreich erscheinen, während Mitarbeiter weiterhin auf separate, vertrauenswürdige Quellen zurückgreifen, weil sie das System für veraltet halten.

Wenn Führungskräfte lediglich die Akzeptanz fordern, optimieren Teams diese. Sie führen Schulungen durch, fördern die Nutzung, sammeln Erfolgsgeschichten und veröffentlichen interne Dashboards. Diese Maßnahmen können hilfreich sein, wirken aber auch oberflächlich, wenn die eigentliche Frage außer Acht gelassen wird. Wo genau werden Reibungsverluste beseitigt? Was war der Ausgangszustand? Welche Verzögerungen sind verschwunden? Welche Nacharbeiten haben sich reduziert? Welche Suchvorgänge sind nicht mehr nötig? Welche Ausnahmen werden nun einheitlicher behandelt? Welcher Arbeitsaufwand hat sich von der reinen Montage hin zur Beurteilung verlagert?

Reibung verleiht der KI-Transformation eine ehrlichere Wertsprache, da sie Betrieb, Finanzen, Technologie, Governance und Mitarbeiter miteinander verbindet. Im Betrieb äußert sich Reibung als Verzögerung und Nacharbeit. Im Finanzbereich bedeutet sie versteckte Kosten oder ungenutzte Kapazitäten. Im Technologiebereich äußert sie sich in unklaren Anforderungen und einer mangelhaften Systemintegration. Im Governance-Bereich zeigt sie sich in schwacher Nachvollziehbarkeit und unkontrollierten Ausnahmen. Mitarbeiter empfinden sie als verschwendete Mühe und Frustration. Führungskräfte sehen sie letztendlich als Transformation, die zwar geschäftig wirkt, aber nicht genug bewirkt.

Deshalb sollte Reibung als Währung betrachtet werden. Nicht, weil sich alles auf Zeitersparnis reduzieren ließe, sondern weil Reibung aufzeigt, wo das Unternehmen unbewusst Kosten trägt. Diese Kosten können Zeitverlust, Qualitätseinbußen, Kapazitätsengpässe, Vertrauensverlust, Geschwindigkeitseinbußen, Beeinträchtigungen der Kundenzufriedenheit, Kontrollverlust oder Mehraufwand für das Management sein. Ein Unternehmen kann diese Kosten über Jahre hinweg tragen, da sie sich auf verschiedene Personen und Funktionen verteilen. Niemand erhält eine Rechnung für Verwirrung, Recherche, Korrekturen, Wartezeiten oder wiederholte Ausnahmen. Doch die Kosten sind real.

Auch kleine Reibungsverluste sind Reibungsverluste, wenn sie sich wiederholen. In einem einzelnen Betriebsablauf mag die Reduzierung der Rechnungsladezeit von 16 auf 8 Sekunden unbedeutend erscheinen, wenn man sie als Einzeltransaktion betrachtet. Doch bei hohem Arbeitsaufkommen wird diese kleine Änderung relevant, da die Häufigkeit den Wert von Reibungsverlusten verändert. Wenige Sekunden multipliziert mit Tausenden von Transaktionen ergeben Kapazitätsgewinn. Eine täglich wiederholte manuelle Prüfung wird zu einem Kostenfaktor. Ein regelmäßiger Systemwechsel wird zu einer versteckten Belastung.

KI-Anwendungsfälle erfordern dieselbe Disziplin. Eine kleine Korrektur nach jeder generierten Ausgabe mag harmlos erscheinen, bis sie sich in Tausenden von Fällen bemerkbar macht. Eine kurze Verzögerung aufgrund unklarer Genehmigungslogik mag zunächst überschaubar wirken, bis Mitarbeiter Aufgaben schneller weiterleiten, als Menschen die Zuständigkeit klären können. Eine wiederholte Ausnahme mag wie ein Sonderfall erscheinen, bis dem Unternehmen klar wird, dass es jede Woche für die manuelle Behebung derselben Abweichung bezahlt. Reibungsverluste werden teuer, wenn sie sich wiederholen, und die meisten Reibungsverluste in Unternehmen wiederholen sich.

Der Fehler besteht darin, Reibungsverluste als Nutzerbeschwerde statt als betriebliches Signal zu werten. Mitarbeiter, die sagen: „Das dauert zu lange“, beschreiben oft mehr als nur eine Unannehmlichkeit. Sie weisen möglicherweise auf fehlende Zuständigkeiten, mangelnden Zugriff, ein schwaches Systemdesign, veraltetes Wissen, unklare Regeln oder einen Workflow hin, der auf manueller Höchstleistung beruht. Ignorieren Unternehmen dieses Signal, verlieren sie die notwendigen Erkenntnisse, um bessere Arbeitsabläufe zu gestalten. Hören sie genau hin, erkennen sie, wo KI helfen kann und wo sie lediglich die Symptome bekämpft.

Nicht jeder Reibungspunkt sollte beseitigt werden. Gewisse Reibung schützt das Unternehmen. Bei risikoreichen Entscheidungen kann eine zweite Überprüfung notwendig sein. Eine rechtliche Prüfung kann angebracht sein. Ein manueller Validierungsschritt kann Kunden, Mitarbeiter oder die finanzielle Korrektheit schützen. Ziel ist es nicht, jede Unterbrechung im Arbeitsablauf zu beseitigen. Ziel ist es, den Unterschied zwischen schützender und unbeabsichtigter Reibung zu erkennen.

Gezielte Reibungsverluste sind beabsichtigt. Sie existieren, weil das Risiko sie rechtfertigt. Unbeabsichtigte Reibungsverluste entstehen hingegen, weil das System unklar, veraltet, fragmentiert oder schlecht gesteuert ist. Die KI-Transformation wird umso effektiver, je besser Organisationen diese beiden Aspekte unterscheiden können. Das Entfernen gezielter Reibungsverluste kann Risiken schaffen. Die Automatisierung unbeabsichtigter Reibungsverluste kann schwache Designs zwar beschleunigen, aber nicht beheben. Der richtige Weg hängt davon ab, die Ursachen der Reibungsverluste zu verstehen.

Hier wird die Denkweise des Architekten praktisch. Der operative Held arbeitet mit Reibungsverlusten. Der Architekt fragt, warum diese Reibungsverluste immer wieder auftreten und ob die Organisation sie beseitigen, neu gestalten, steuern oder beibehalten sollte. Der Held erledigt die Arbeit durch Anstrengung. Der Architekt schafft Bedingungen, unter denen die Arbeit nicht mehr von diesem Anstrengungsniveau abhängt. KI braucht mehr von dieser zweiten Haltung.

Im Fall der Suchsteuer hatten die Beteiligten eigene Strategien entwickelt, um mit den Reibungsverlusten umzugehen. Das zeichnet gute Teams aus. Die Lösung bestand jedoch nicht darin, ihre Anpassungsfähigkeit auf Dauer zu loben. Die Lösung lag darin, Transparenz zum festen Bestandteil des Systems zu machen. Sobald die Ressourcen zentralisiert, gepflegt und leicht zugänglich waren, gewann das Team nicht durch ein neues Tool an Wert. Es wurde effektiver, weil das System aufhörte, Zeitverschwendung vor Arbeitsbeginn zu verursachen.

Dies ist derselbe Standard, den KI erfüllen sollte. Wird KI in eine fragmentierte Wissensumgebung integriert, kann sie zwar Fragmente schneller abrufen, ohne jedoch die Wahrheit zu schaffen. Wird KI in einen Workflow mit unklaren Zuständigkeiten integriert, kann sie die Übergabe beschleunigen, ohne die Verantwortlichkeit zu verbessern. Wird KI in einen Prozess mit vielen unbehandelten Ausnahmen integriert, kann sie zwar sichere, aber unvollständige Ergebnisse liefern. Wird KI in ein Team integriert, das bereits mit Korrekturen überlastet ist, kann sie die Belastung erhöhen, sofern die Arbeit nicht neu strukturiert wird.

Die richtige Reihenfolge ist entscheidend. Zuerst muss die Arbeit sichtbar gemacht werden. Dann gilt es, die Reibungspunkte zu identifizieren. Anschließend muss entschieden werden, welche Reibungspunkte auf Verschwendung, Kontrollprobleme, Wissenslücken, mangelnde Verantwortlichkeiten, Systemfehler oder einen legitimen Bestandteil des Risikomanagements zurückzuführen sind. Erst danach sollte die Organisation entscheiden, wo KI ihren Platz hat. Andernfalls wird KI lediglich zu einem schnelleren Weg durch dieselbe Verwirrung.

Dies verändert auch die Wirtschaftlichkeitsberechnung. Eine schwache Berechnung besagt, dass KI Zeit spart, weil eine Aufgabe schneller erledigt wird. Eine überzeugendere Berechnung hingegen besagt, dass KI einen definierten Reibungspunkt in einem definierten Arbeitsablauf reduziert, gemessen an einer realen Ausgangslage, einschließlich Korrektur, Nachbearbeitung, Eskalation und Governance. Das ist schwieriger zu entwickeln, aber viel schwieriger zu fälschen.

Führungskräfte sollten andere Fragen stellen. Nicht nur, wie viele Personen das KI-Tool genutzt haben, sondern auch, welche Reibungspunkte beseitigt wurden. Nicht nur, wie viele Stunden theoretisch eingespart wurden, sondern auch, ob diese Stunden tatsächlich freigesetzt oder in die Prüfung verlagert wurden. Nicht nur, ob das Modell schneller reagiert hat, sondern auch, ob der Fall dauerhaft gelöst blieb. Nicht nur, ob der Agent die Arbeit weitergeleitet hat, sondern auch, ob Ausnahmen dem richtigen Verantwortlichen gemeldet wurden. Nicht nur, ob das Unternehmen eine KI-Roadmap besitzt, sondern auch, ob es eine Reibungspunktanalyse gibt.

Eine Reibungsanalyse muss nicht unnötig kompliziert sein. Sie basiert auf praktischen Erkenntnissen: Wo warten Mitarbeiter, wo suchen sie, wo kopieren sie, wo klären sie, wo bitten sie um Klärung, wo Fälle wieder aufgenommen werden, wo Ausnahmen sich wiederholen, wo Führungskräfte eingreifen und wo Mitarbeiter stillschweigend alternative Systeme betreiben, weil das offizielle System nicht funktioniert. Diese Erkenntnisse sind bereits im Unternehmen vorhanden. Das Problem ist, dass sie meist verteilt, normalisiert und nicht als strategisch betrachtet werden.

Globale Organisationen müssen besonders vorsichtig sein, da Reibungsverluste je nach Kontext variieren. Ein Prozess kann in verschiedenen Regionen denselben Namen tragen, während die internen Reibungsverluste unterschiedlich sind. In einem Land können sie durch regulatorische Vorgaben bedingt sein, in einem anderen durch sprachliche Komplexität, in einem weiteren durch kundenspezifische Vorgehensweisen, in einem dritten durch den Reifegrad des Systems oder in einem vierten durch interne Genehmigungsverfahren. Ein zentrales KI-Programm, das von überall gleichen Reibungsverlusten ausgeht, verkennt die lokalen Gegebenheiten. Ein lokaler Ansatz ohne gemeinsame Vorgehensweise führt zu Fragmentierung. Die Balance muss zwischen gemeinsamen Wertvorstellungen und lokalen operativen Erkenntnissen gefunden werden.

Deshalb ist Reibung ein besserer Ausgangspunkt als allgemeine Produktivität. Produktivität kann zu allgemein und zu leichtfertig als Maßstab genommen werden. Reibung lenkt die Diskussion näher an die Arbeitsprozesse heran. Was genau bremst die Arbeit? Welche Kosten entstehen? Wer trägt die Last? Wie häufig tritt das Problem auf? Warum existiert es? Sollte KI es beseitigen, reduzieren, umleiten, steuern oder unverändert lassen?

Das Problem der Suchkosten wurde gelöst, weil das Unternehmen die Suche nicht länger als normale Arbeitsleistung betrachtete. Das ist die Lehre daraus. Viele KI-Potenziale werden sich auf ähnliche Weise ergeben: indem man wiederholte Reibungsverluste nicht länger als unvermeidliche Betriebskosten hinnimmt. Das Unternehmen sollte KI nicht um ihrer selbst willen verfolgen. Es muss vielmehr die Aufgaben identifizieren, die unnötig kompliziert sein könnten, und dann entscheiden, ob KI der richtige Mechanismus ist, um diese zu optimieren.

Die Transformation durch KI wird nicht glaubwürdig, nur weil mehr Menschen KI nutzen. Sie wird glaubwürdig, wenn dadurch Arbeitsabläufe effizienter werden. Weniger unnötige Recherchen. Weniger wiederholte Rückfragen. Weniger versteckte Korrekturen. Weniger wiederaufgenommene Fälle. Besserer Zugang zu den Fakten. Sauberere Ausnahmebehandlung. Stärkere Governance. Mehr Zeit für fundierte Entscheidungen statt für die Zusammenstellung von Prozessen.

Das ist der Standard. Reibungsverluste sind kein schwammiges Konzept. Sie stellen die Betriebskosten für Arbeitsabläufe dar, die nicht reibungslos funktionieren. Organisationen, die dies erkennen, werden bessere KI-Entscheidungen treffen. Organisationen, die es nicht erkennen, werden weiterhin Aktivität mit Fortschritt verwechseln.

Fragen und Antworten

F: Was bedeutet Reibung im Kontext der KI-Transformation?

A: Reibung ist der Widerstand, der den reibungslosen Ablauf von der Absicht zum Ergebnis behindert. Dazu gehören Suchen, Warten, Nacharbeiten, wiederholtes Nachfragen, Systemwechsel, manueller Vergleich, unklare Zuständigkeiten, wiedereröffnete Fälle, Ausnahmebehandlung und versteckte Korrekturen.

F: Warum ist Reibung ein besserer Wertindikator als Akzeptanz?

A: Die Akzeptanz zeigt, ob ein Tool genutzt wird. Die Reibungsverluste zeigen, ob sich die Arbeit tatsächlich verbessert. Ein Team kann KI intensiv einsetzen und dennoch mit denselben Verzögerungen, Nacharbeiten, Korrekturen und dem gleichen Suchaufwand zu kämpfen haben. Die Nutzung belegt den Kontakt mit dem Tool, nicht seinen Wert.

F: Kann KI mehr Reibung erzeugen?

A: Ja. KI kann mehr Reibungsverluste verursachen, wenn die Ergebnisse einer gründlichen Überprüfung bedürfen, wenn die Quellinformationen unzuverlässig sind, wenn die Ausnahmelogik unklar ist, wenn die Governance erst nach der Implementierung hinzugefügt wird oder wenn die Mitarbeiter dem System nicht genug vertrauen, um es für sinnvolle Arbeit zu nutzen.

F: Ist jede Reibung schlecht?

A: Nein. Gewisse Reibungsverluste schützen das Unternehmen, beispielsweise durch rechtliche Prüfungen, Qualitätskontrollen oder risikoreiche Genehmigungsschritte. Entscheidend ist, schützende Reibungsverluste von zufälligen Reibungsverlusten zu unterscheiden. Schützende Reibungsverluste sollten bewusst gestaltet werden. Zufällige Reibungsverluste sollten beseitigt oder neu gestaltet werden.

F: Was sollten Führungskräfte messen, um Reibungsverluste zu verstehen?

A: Führungskräfte sollten Wartezeiten, Suchzeiten, Nachbearbeitungen, Korrekturaufwand, Wiederöffnungsraten, Eskalationsvolumen, wiederholte Ausnahmen, Übergabeverzögerungen, manuelle Vergleiche und die Frage, ob Mitarbeiter Zeit mit der Zusammenstellung von Kontext verbringen, anstatt Wert zu schaffen, messen.

F: Was ist der erste praktische Schritt?

A: Beginnen Sie damit, herauszufinden, wo Teams Zeit verlieren, bevor die eigentliche Arbeit beginnt. Betrachten Sie die Suche, Prüfung, den Abgleich, die Klärung und die Wiederherstellung des Kontextes. Genau hier kann KI oft helfen, aber nur, wenn die zugrunde liegenden Arbeitsprozesse zuvor verstanden wurden.