Die Drei Veränderungen Für Den Übergang Von KI-Unterstützung Zu Eigenverantwortung
Organisatorische Lücke: Das größte Hindernis für den KI-Rollout ist nicht die Technik, sondern fehlende organisatorische Infrastruktur.
Urteilskraft-Wandel: Organisationen müssen die Urteilskraft von einzelnen hin zu kollektiven Entscheidungen entwickeln, um die KI-Systementscheidungen zu verbessern.
Governance ist entscheidend: Klare Verantwortlichkeiten und Prüfbarkeit müssen eingeführt werden, damit KI-Systeme rechenschaftspflichtig sind und Fehler adressiert werden können.
Werteneubewertung: Es gilt, Bewertungsmaßstäbe von Geschwindigkeit hin zu Genauigkeit und Entscheidungsqualität umzulenken, um eine bessere KI-Integration zu erreichen.
Erfolgsfaktoren für Pilotprojekte: Klare Zielsetzungen, definierte Verantwortung und abgestimmte Ziele zwischen IT und Fachbereichen sind entscheidend für erfolgreiche KI-Pilotprojekte.
Laut der Deloitte-Studie zu den aufkommenden Technologietrends 2025 untersuchen 30 % der Organisationen agentische KI und 38 % führen Pilotlösungen durch. Aber nur 11 % nutzen diese Systeme in der Produktion.
Die Lücke ist nicht die technische Bereitschaft. Modelle funktionieren. Daten sind vorhanden. Werkzeuge sind zugänglich. Was fehlt, ist die organisatorische Infrastruktur – also die Governance, Zuständigkeiten und Anreizsysteme, die es sicher machen, Entscheidungen an KI zu übergeben.
Teams, die vom Piloten zur Produktion übergehen, nehmen drei spezifische Veränderungen vor. Keine davon ist in erster Linie technischer Natur.
Lesen Sie weiter – und führen Sie weiterhin intelligenter
Erstellen Sie ein kostenloses Konto, um diesen Beitrag fertigzulesen und Teil einer Community zukunftsorientierter Führungskräfte zu werden, die Werkzeuge, Leitfäden und Einblicke für den Erfolg im Zeitalter der KI erschließen.
Have an account? Log In
Verschiebung Eins: Urteilsvermögen als organisatorische Fähigkeit neu definieren
Die meisten Organisationen betrachten Urteilsfähigkeit als persönliche Kompetenz, die sich im Kopf erfahrener Führungskräfte befindet. Zwei Personen können denselben Fall unterschiedlich handhaben, ohne dass jemand erklären kann, warum. Es gibt keine Möglichkeit, den Prozess systematisch zu verbessern, weil die Verantwortung für KI-Entscheidungen nicht definiert ist.
Ahmed Zaidi, CEO von Accelirate, begegnete diesem Muster bei der Zusammenarbeit mit einem großen Krankenhaus, in dem ein Team von 15 Pflegekräften für die Erstellung von Schreiben zur Anfechtung von abgelehnten Versicherungsanträgen verantwortlich war. Auf den ersten Blick schien der Prozess klar und leicht abbildbar zu sein.
Was schnell zum Streitpunkt wurde, war, dass es eigentlich keinen einheitlichen Prozess gab", sagt Zaidi. "Jede Pflegekraft hatte im Laufe der Jahre ihre eigene Strategie entwickelt.
Als Zaidis Team versuchte, aufzuschreiben, „wie wir das tatsächlich machen“, waren sich die Pflegekräfte bei grundlegenden Fragen uneins:
- Was galt als überzeugende klinische Begründung?
- Welche Dokumentation sollte hervorgehoben werden?
- Auf welchen Ton oder welche Formulierung reagierten bestimmte Versicherer?
- Wann sollte man eskalieren und wann die Anfechtung anders formulieren?
Die versteckten Abhängigkeiten reichten noch tiefer. Entscheidungen basierten nicht nur auf dem Ablehnungscode. Sie hingen von ärztlichen Notizen in einem System ab, von Daten zu vorherigen Genehmigungen in einem anderen und von subtilen klinischen Formulierungen in Freitextfeldern. Manche Strategien griffen auf bestimmte Dokumentationsgewohnheiten einzelner Ärzte zurück, die nicht standardisiert waren.
„Was einfach aussah – ‚Anfechtungen automatisieren‘ – wurde zu einer organisatorischen Übung, implizite Urteile explizit zu machen“, sagt Zaidi.
Der Durchbruch kam, als das Team nicht mehr versuchte, den „richtigen“ Pflegeansatz auszuwählen, sondern das Expertenwissen aller 15 Pflegekräfte zusammenführte. In strukturierten Sitzungen diskutierten sie Strategien, besprachen Spezialfälle und einigten sich darauf, was historisch zu erfolgreichen Rückforderungen führte. Dann ergänzten sie diese Grundlage mit realen Ergebnissen – welche Vorlagen zu mehr erfolgreichen Anfechtungen führten, welche Dokumentationskombinationen die Umkehrungsraten verbesserten.
Statt Meinungen zu kodifizieren, kodifizierten sie validierte Muster.
Diese Externalisierung schafft etwas, das Organisationen selten haben: die Fähigkeit, Urteilsvermögen im großen Stil zu beobachten und zu verbessern. Jede Handlung wird protokolliert. Jede Ausnahme wird sichtbar. Jedes Überschreiben zeigt, wo Regeln nicht zur Realität passen. Teams erkennen Muster, verfeinern Schwellenwerte, verbessern die Leistung im Laufe der Zeit.
Das Ergebnis war messbar: Bessere Genauigkeit bei den Anfechtungen, kürzere Durchlaufzeiten, höhere Rückgewinnungsraten und geringeres Compliance-Risiko, weil die Entscheidungen jetzt standardisiert, dokumentiert und prüfbar waren.
Governance hat das System nicht verlangsamt, sondern der Organisation ermöglicht, systematisch aus ihren eigenen Entscheidungen zu lernen.
Verschiebung Zwei: Klare Zuständigkeit für das Agentenverhalten festlegen
Die entscheidende Voraussetzung, um in die Produktion zu gehen, ist das Vertrauen der Organisation, dass KI-Handlungen begrenzt, prüfbar, reversibel und überwacht sind.
Teams, die vorankommen, benennen eine verantwortliche Person, die explizit für das Verhalten des Agenten und auch für dessen Fehler haftet. Der erste bedeutsame Fehler ist der Test, ob diese Infrastruktur tatsächlich funktioniert.
Im Krankenhausprojekt hatte Zaidi einen Agenten im Einsatz, der die Erstellung und Priorisierung von Anfechtungsschreiben unterstützte. Dieser sollte Fälle triagieren und eine Weiterleitung empfehlen, wenn bestimmte Risikoschwellen erreicht wurden.
Der erste relevante Fehler entstand, als der Agent eine wichtige, zeitkritische Ablehnung als Routinefall einstufte und nicht eskalierte. Die Logik hatte den Ablehnungscode zwar korrekt interpretiert, aber einen sekundären Kontextfaktor – das ablaufende Einspruchsfenster des Versicherungsvertrags – nicht berücksichtigt.
Der Fehler wurde eingedämmt, war aber finanziell relevant. Er wurde durch eine tägliche Ausnahmeprüfung entdeckt, die das Team in den Workflow integriert hatte – eine menschliche Kontrollinstanz, die besonders wertvolle Fälle stichprobenartig überprüfte.
Was dieser Moment zeigte, war nicht, dass der Agent fahrlässig war, sondern dass unsere Eskalationskriterien unvollständig waren", sagt Zaidi. "Wir hatten klinische und technische Ablehnungslogik kodifiziert, aber die Vertragsmetadaten nicht vollständig in das Priorisierungsschema integriert.
Die Governance-Struktur half auf zwei Arten:
- Protokollierung und Nachvollziehbarkeit zeigten genau, warum der Agent diese Entscheidung getroffen hatte, und die Auditfunktion mit Mensch-in-der-Schleife erkannte Hochrisikofälle.
- Es deckte eine Lücke auf. Die Definition von „Risiko“ war zu eng gefasst.
Das Team reagierte, indem es die Eskalationsregeln um finanzielle und zeitliche Risiko-Variablen erweiterte, dynamische, vertragsbasierte Schwellenwerte implementierte, die Überwachung rund um auslaufende Einsprüche verstärkte und klarere Übersteuerungspfade anlegte.
In agentischen Systemen resultieren Fehler selten aus einer einzigen schlechten Entscheidung, sondern aus unvollständiger Kontextmodellierung. Verantwortlichkeit in der KI-Führung bedeutet, auf frühe Erkennung zu setzen, nicht Perfektion zu unterstellen.
Wie Führungskräfte mit dem ersten Fehler umgehen, ist entscheidend. Wird er als Lernchance behandelt und das System angepasst, steigt das Vertrauen im Team. Werden Rückzieher gemacht oder individuelle Schuld zugewiesen, scheitert das Pilotprojekt.
Erfolgreiche Organisationen vermeiden keine Fehler. Sie bauen Systeme, die Fehler schnell aufdecken, sie als Daten behandeln und sich verbessern.
Die Governance-Blindstelle
Einer der häufigsten Governance-Fehler, die Zaidi beobachtet, ist das, was er passive KI-Governance nennt – also die Annahme, Protokollierung sei gleich Kontrolle.
„Organisationen sagen mit Überzeugung: ‚Jede Entscheidung des Agenten wird protokolliert. Wir haben vollständige Nachvollziehbarkeit‘“, sagt Zaidi. „Das klingt beruhigend, gerade in regulierten Umgebungen. Aber allein das Protokollieren reduziert das Risiko nicht. Es dokumentiert es lediglich.“
Im Gesundheitswesen beinhalten Agentenentscheidungen und Einsatz von KI oft Vertragsmanagement und Nuancen, klinische Fachsprache, Interpretation durch Kostenträger und Zeitrestriktionen. Auch wenn technisch jeder Output rückverfolgbar ist, häufen sich Risiken in Grenzfällen knapp außerhalb der vordefinierten Schwellenwerte, bei Veränderungen in Dokumentationsmustern oder im Antwortverhalten der Kostenträger und bei Eskalationen, die eigentlich nötig gewesen wären, aber nicht explizit gegen eine Regel verstoßen haben.
Viele Organisationen gehen davon aus, dass das System konform ist, solange nichts schiefgeht. Das Fehlen eines sofortigen Problems ist jedoch kein Beweis für Sicherheit. Es kann einfach bedeuten, dass niemand genau genug hinsieht.
Wahre KI-Governance-Reife beinhaltet definierte Überprüfungsrhythmen zur Stichprobenentscheidung, quantitative Risikoschwellen, die automatisch eine menschliche Überprüfung auslösen, klare Zuständigkeit für die Überwachung auf operativer Ebene und Feedbackschleifen, bei denen wiederkehrende Ausnahme-Muster zu einer Regelanpassung führen.
Ich stelle Führungskräften oft eine einfache Frage: ‚Wer wacht morgens mit der Verantwortung dafür auf, was der Agent gestern entschieden hat?‘“, sagt Zaidi. „Gibt es darauf keine klare Antwort, ist das Governance-Modell nicht vollständig.
Dritte Veränderung: Was wird wertgeschätzt?
In den meisten Organisationen ist Fachwissen eng mit Status, Arbeitsplatzsicherheit und informeller Macht verknüpft. "Die Person zu sein, die sich auskennt", ist die Grundlage von Einfluss und Schutz. Urteile transparent zu machen, kann sich anfühlen, als würde man das einzige erlernte Druckmittel aus der Hand geben.
Im Krankenhaus wurden Pflegekräfte traditionell nach Mengen gemessen – wie viele Einspruchsschreiben sie pro Tag verfassen konnten.
Nachdem die agentenunterstützte Texterstellung eingeführt wurde, wurde diese Kennzahl kontraproduktiv. Wenn die KI Erstentwürfe generierte, spiegelte die Stückzahl alleine keinen Wert mehr wider.
Leistungsmessung verlagerte sich auf die Genauigkeit der klinischen Bewertung, Wirksamkeit der Anpassungen an KI-generierten Schreiben, beeinflusste Rückholbeträge und den Beitrag zur Verbesserung von Vorlagen und Eskalationslogik.
Eine Krankenschwester stach besonders als Führungspersönlichkeit hervor. Sie hatte eine außergewöhnliche Fähigkeit, zu erklären, warum bestimmte Formulierungen bei bestimmten Versicherern besser ankamen. Anstatt nach Geschwindigkeit bewertet zu werden, wurde sie unentbehrlich, ihr Urteilsvermögen in wiederverwendbare Systemregeln und Vorlagen zu integrieren.
Ihr Einfluss wuchs, weil sie Intuition in strukturierte Logik übersetzen konnte“, sagt Zaidi. „Das ist eine ganz andere Kompetenz, die in agentischen Umgebungen hoch geschätzt wird.
Der Wandel war kulturell: von „Wie schnell kannst du produzieren?“ hin zu „Wie gut kannst du Entscheidungssysteme gestalten?“
Wenn Organisationen Heldentaten, Geschwindigkeit oder Intuition belohnen – aber nicht Dokumentation, Überwachung oder Systemverbesserung –, bleibt Know-how bei Einzelnen gefangen. Teams, denen der Wandel gelingt, fördern Menschen, die ihr Urteilsvermögen in ein System überführen, es kontinuierlich verbessern und damit andere stärken.
Sobald Fachwissen als etwas betrachtet wird, das die organisatorischen Fähigkeiten stärkt, anstatt persönliche Unentbehrlichkeit zu betonen, verschwindet der Widerstand gegen KI. Die Übergabe an Agenten wird zu einem Zeichen von Seniorität, statt eine Bedrohung für diese darzustellen.
Die frühen Warnzeichen des Scheiterns
In den ersten 30 bis 60 Tagen eines Piloten ist ein Scheitern fast immer vorhersehbar.
Das deutlichste Warnsignal ist das Fehlen eines klar definierten Ergebnisses. Wenn ein Team nicht in operationellen Begriffen beschreiben kann, woran Erfolg erkennbar ist—wie etwa kürzere Zykluszeiten, erhöhte Wiederherstellungsraten oder geringere Fehlerquoten—dann handelt es sich beim Piloten vermutlich lediglich um zielloses Experimentieren.
Weitere Warnzeichen sind: kein klar benannter betrieblicher Verantwortlicher, mangelnde Abstimmung zwischen Fachbereich und IT bezüglich Zeitaufwand und Komplexität, Unfähigkeit den eigentlichen zu automatisierenden Entscheidungsprozess zu erläutern, und die Behandlung der Initiative als "KI-Exploration" statt als Neugestaltung der Geschäftsprozesse.
Piloten geraten ins Stocken, wenn Fachverantwortliche den Aufwand unterschätzen, der notwendig ist, um Urteilsvermögen in strukturierte Logik zu überführen, während die IT die Variabilität und die Ausnahmen in Geschäftsprozessen unterschätzt.
Erfolgreiche Piloten tun drei Dinge in den ersten 30 Tagen:
- Definieren einen engen Projektumfang mit messbaren Ergebnissen
- Benennen einen festen fachlichen Verantwortlichen sowie engagierte Experten
- Stellen Rückendeckung der Führungsebene bereit, um Experimente zu ermöglichen und Verfahrenshindernisse zu beseitigen.
"Agentische KI ist kein reines Technologiethema—es ist ein Thema der Entscheidungsarchitektur", sagt Zaidi. "Wird das nicht frühzeitig adressiert, wird es zum Kostennachweis."
Wie Bereitschaft aussieht
Wenn eine Organisation erklärt, bereit zu sein, eine agentische Lösung zu skalieren, sucht Zaidi nach struktureller Reife in den Bereichen Personal, Prozesse und Technologie. Das bedeutet:
- Ein benannter fachlicher Verantwortlicher mit Ergebnisverantwortung
- Ein klar definiertes System für Ausnahmen und Eskalationen
- Transparenz hinsichtlich Entscheidungen und Ergebnissen
- Stückkosten, die den Rollout rechtfertigen
- Ein bereits implementiertes Rahmenwerk für Governance.
Die meisten Teams unterschätzen zwei Dinge: die Kosten der Analyse und die Zeit, die nötig ist, um Entscheidungslogik korrekt auszulagern.
Ein Reifegrad, dem Zaidi vertraut:
Wenn ich frage: 'Wie entscheidet der Agent, wenn Unsicherheit besteht?' – und sie klar antworten können—einschließlich Eskalationsgrenzen und Zuständigkeit—dann sind sie wahrscheinlich bereit. Wenn die Antwort vage bleibt oder mit 'Das Modell wird es schon erfassen' abgetan wird, sind sie noch optimistisch, aber nicht vorbereitet.
Die nun entscheidende Fähigkeit befindet sich an der Schnittstelle zwischen Urteilsvermögen und Systemen. Personen, die nicht nur sagen können, was entschieden wurde, sondern auch warum. Die Intuition in Signale, Schwellen und Ausnahmen zerlegen können. Die neugierig sind, wo ihr eigenes Urteilsvermögen versagt.
Im Alltag verbringen diese Menschen weniger Zeit mit Ausführung und mehr Zeit damit, Arbeit zu überwachen, zu korrigieren und Prozesse—egal ob von Menschen oder Agenten ausgeführt—fortlaufend zu verbessern.
Organisationen, die diesen Wandel meistern, erlangen etwas, das Wettbewerber im Pilotmodus nicht haben: die Fähigkeit, Urteilsvermögen in großem Maßstab zu verbessern. Sie können Annahmen testen, Ergebnisse messen und die Qualität von Entscheidungen iterativ weiterentwickeln—auf eine Weise, die unmöglich war, als Fachwissen nur in Köpfen existierte.
Der Wettbewerbsvorteil besteht nicht in besserer KI. Entscheidend ist die organisatorische Infrastruktur, die KI-Besitz möglich macht. Diese Infrastruktur—Governance, die Geschwindigkeit ermöglicht, Verantwortlichkeiten, die Rechenschaft schaffen, und Anreize, die übertragbares Know-how belohnen—ist der Unterschied zwischen den 11 % mit KI-Lösungen in Produktion und den 38 % im Pilotstadium.
