Was Unternehmen vor dem KI-Einsatz klären müssen.

Ordnung vor Automatisierung

Künstliche Intelligenz scheitert in der Industrie selten an Algorithmen, häufiger an unklaren Entscheidungswegen und nicht beherrschten Prozessen. Wer KI einführt, ohne Verantwortung, Transparenz und Lernroutinen zu ordnen, beschleunigt vor allem die bestehende Unordnung. „New Lean“ ist damit weniger Methode als Voraussetzung für wirtschaftliche Wirkung.

Die deutsche Industrie entdeckt gerade eine alte Wahrheit neu: Nicht jede technische Verbesserung ist schon ein wirtschaftlicher Fortschritt. Künstliche Intelligenz lässt sich in Präsentationen mühelos zu einem Produktivitätssprung aufblasen, im Werk hingegen zeigt sie sich oft als unerquicklich ehrlicher Prüfer. Sie stellt keine Frage nach Rechenleistung, sondern nach Ordnung. Und Ordnung ist in Unternehmen bekanntlich kein Naturzustand, sondern eine Führungsleistung, die man entweder erarbeitet – oder durch Gewohnheit ersetzt.

Wer die Diskrepanz zwischen vielversprechenden KI-Piloten und ernüchternder Wirkung im Betrieb erklären will, muss den Blick von Modellen auf Systeme lenken. KI kann Muster in Daten finden und Vorschläge erzeugen; sie kann aber nicht ersetzen, was in vielen Wertschöpfungssystemen fehlt: eindeutige Verantwortlichkeit, nachvollziehbare Entscheidungen und Prozesse, deren Logik nicht nur funktioniert, sondern erklärbar ist. In historisch gewachsenen Organisationen sind Abläufe häufig so zurechtgeschliffen, dass sie operativ durchlaufen – und doch kaum steuerbar bleiben. Entscheidungen entstehen verteilt, nicht selten implizit; Zuständigkeit wird als Organigrammfrage behandelt, obwohl sie in Wahrheit eine Wertschöpfungsfrage ist. Das Ergebnis ist eine Betriebsform, die Output produziert, aber Lernen nur zufällig organisiert: Korrektur findet statt, wenn es brennt, nicht wenn es sich rechnen würde.

KI als Belastungstest der Organisation

Genau an dieser Stelle wird KI zur Vergrößerungsoptik. Sie kann lokale Engpässe optimieren, Prognosen verfeinern oder Wartung plausibler planen – doch sobald die Organisation nicht klar beantworten kann, wer einen Vorschlag annimmt, wer ihn verwirft, wer ihn testet und wer für den Schaden haftet, beschleunigt die Technik vor allem eines: die bestehende Unübersichtlichkeit. Es ist kein Zufall, dass manche Unternehmen nach der Einführung datengetriebener Assistenzsysteme nicht mehr Klarheit, sondern mehr Diskussion haben. Die Maschine liefert Wahrscheinlichkeiten, der Betrieb verlangt Entscheidungen – und dort, wo die Entscheidungskette unklar ist, entsteht aus Geschwindigkeit nicht Wirkung, sondern Lärm.

Damit ist auch die verbreitete Hoffnung relativiert, man könne die KI-Rendite wie eine Maschine in eine Halle stellen: anschließen, skalieren, fertig. Das klassische Lean-Denken hat vielen Betrieben beigebracht, Verschwendung zu reduzieren, Abläufe zu stabilisieren und Probleme an der Quelle zu lösen. Es war eine Disziplin, die von Nähe zum Prozess lebte: Der Mensch sah, verstand, korrigierte. KI verschiebt diese Logik. Entscheidungen werden häufiger modellgestützt, systemübergreifend und probabilistisch vorbereitet. Damit wächst nicht nur die Effizienzchance, sondern auch das Risiko der Entkopplung: Wer nicht mehr versteht, warum ein Modell empfiehlt, was es empfiehlt, entscheidet entweder blind – oder gar nicht. Beides ist betriebswirtschaftlich unerquicklich.

New Lean heißt Beherrschbarkeit

Was unter dem Schlagwort „New Lean“ sinnvollerweise gemeint sein sollte, ist deshalb keine neue Methodensammlung, sondern eine Rückführung der Digitalisierung auf die Kernfrage industrieller Steuerung: Beherrschbarkeit. Ein Wertschöpfungssystem ist erst dann wirklich digital anschlussfähig, wenn Prozesse nicht nur stabil laufen, sondern in ihrer Ursache-Wirkungs-Logik erklärbar bleiben; wenn Entscheidungswege nicht nur existieren, sondern transparent sind; wenn Verantwortung nicht bloß formal benannt wird, sondern in der Praxis greift – und wenn Lernen nicht als Projektkultur betrieben, sondern als Routine organisiert wird. Das klingt unerquicklich unspektakulär. Es ist aber der Unterschied zwischen Technik als Demonstrator und Technik als Produktivität.

Viele Digitalisierungsprogramme drehen die Reihenfolge um. Sie automatisieren Abläufe, deren Logik sie nicht sauber beschreiben können; sie trainieren Modelle auf Daten, deren Entstehung sie nur begrenzt kontrollieren; sie instrumentieren Kennzahlen, ohne die Entscheidung hinter der Kennzahl zu klären. Technisch mag das imponieren, ökonomisch bleibt es riskant. Denn wer Systeme digitalisiert, die er organisatorisch nicht verstanden hat, konserviert nicht selten seine Schwächen – nur schneller. Die produktive Frage lautet daher nicht zuerst, wo KI eingesetzt werden kann, sondern wo Prozess- und Entscheidungslogiken überhaupt so beschaffen sind, dass KI einen belastbaren Beitrag liefern darf: mit klaren Annahmen, definierten Korrekturschleifen und benannter Haftung.

Führung wird zur Ordnungsstiftung

Damit rückt Führung in den Engpass. Nicht als Motivationskunst, sondern als Ordnungsstiftung. Vorstände und Geschäftsführungen müssen Entscheidungen verantworten, die nicht mehr vollständig aus Erfahrung plausibel abgeleitet werden können. Sie müssen Unsicherheit aushalten, statt sie mit Pseudo-Gewissheiten zu übertünchen. Wer KI ernst nimmt, organisiert Zweifel: als Prüfregeln, als Eskalationspfade, als klare Zuständigkeiten zwischen IT, Fachbereich und Betrieb. Führung wird dabei weniger zur Durchsetzung von Zielen als zur Gestaltung einer Entscheidungsfähigkeit, die auch dann trägt, wenn die Maschine nur Wahrscheinlichkeiten liefert.

Ausgerechnet der Mittelstand könnte hierbei strukturelle Vorteile haben – nicht weil er „digitaler“ wäre, sondern weil viele seiner Systeme noch überschaubar sind. Kürzere Wege, klarere Verantwortung, geringere organisatorische Trägheit: Das sind keine nostalgischen Tugenden, sondern Voraussetzungen für steuerbare Integration. Große Konzerne müssen häufig erst wieder Ordnung herstellen, bevor sie aus KI einen Hebel machen können. Mittelständler können Ordnung eher noch gestalten, statt sie zu entwirren. Der Unterschied liegt weniger im Budget als in der Systemqualität.

Die Lehre ist unbequem, aber nützlich: KI wirkt nicht „im Unternehmen“, sondern in beherrschten Wertschöpfungssystemen. Wer sie einführt, ohne Entscheidungs- und Verantwortungslogik zu klären, digitalisiert nicht seine Stärke, sondern seine Schwäche. Darin liegt der eigentliche Prüfstein der kommenden Jahre: Nicht wie viele Modelle ein Unternehmen trainiert, sondern ob es den Mut hat, seine Organisation so zu ordnen, dass Technik überhaupt wirtschaftlich werden kann. KI ist nicht der Anfang der Transformation. Sie ist ihr Belastungstest – und er fällt nur dort gut aus, wo Führung bereit ist, Ordnung vor Geschwindigkeit zu setzen.

Was lernen wir daraus? Dass KI kein Fortschrittsmotor aus sich selbst ist, sondern ein Diagnoseinstrument: Sie zeigt schonungslos, wo ein Unternehmen seine Wertschöpfung nur „betreibt“, aber nicht wirklich steuert. Wo Verantwortung diffus ist, Daten zufällig entstehen und Entscheidungen aus Gewohnheit statt aus nachvollziehbaren Kriterien getroffen werden, liefert KI zwar Vorschläge – aber keine Wirkung. Wer das ignoriert, baut Rechenleistung auf Sand.

Was muss sich ändern? Zuerst die Entscheidungsfähigkeit, nicht die Tool-Landschaft. Ein Betrieb wird KI-tauglich, wenn er drei Dinge wieder ernst nimmt: eindeutige Verantwortung entlang der Wertschöpfung (nicht entlang der Abteilungen), erklärbare Prozesslogik (nicht nur „läuft irgendwie“) und eine Lernroutine, die Irrtum nicht moralisch bewertet, sondern systematisch auswertet. Das klingt nach Organisationslehre, ist aber in Wahrheit Investitionspolitik im Unternehmen: Ohne klare Zuständigkeit und Korrekturmechanismus bleibt jeder KI-Einsatz ein Risiko mit hübscher Oberfläche.

Ein praktikabler Einführungsrahmen

Unternehmen sollten nicht mit einem starren Zeitversprechen arbeiten, sondern mit klaren Reifestufen. Zuerst werden geschäftskritische Entscheidungen, Verantwortlichkeiten und Eskalationswege sichtbar gemacht. Danach werden Datenquellen, Prozesslogik und Qualitätskriterien stabilisiert. Erst auf dieser Grundlage sollte eine KI-Anwendung vom Pilot in den produktiven Betrieb übergehen.

1. Entscheidungen klären: Wer entscheidet bei welchem Prozessereignis – und wer darf übersteuern?
2. Daten verantworten: Wo entstehen die entscheidungsrelevanten Daten, wer verantwortet Qualität und Aktualität?
3. Prozesslogik dokumentieren: Welche Ursache-Wirkungs-Beziehungen muss die Organisation selbst verstehen, bevor sie automatisiert?
4. KI kontrolliert produktiv setzen: Monitoring, Freigaben, Stop-/Override-Regeln und ein klarer Verantwortlicher gehören zum Betriebsmodell.
5. Wirkung messen: Entscheidend sind betriebliche Effekte wie Durchlaufzeit, Qualität, Termintreue, Fachzeiteinsatz oder Plan-Ist-Abweichung – nicht die Zahl der eingesetzten Modelle.

Der entscheidende Punkt ist: Geschwindigkeit entsteht erst aus Ordnung. Wer das akzeptiert, gewinnt Zeit – paradoxerweise gerade dadurch, dass er die KI am Anfang bremst und die Organisation zuerst führungsfähig macht.

Was die Evidenz nahelegt

Mehrere internationale Unternehmensstudien und Beratungsreports aus dem Jahr 2025 kamen trotz unterschiedlicher Methodik zu einem ähnlichen Muster: Der wirtschaftliche Nutzen von KI hängt nicht nur von Modellqualität oder Zahl der Use Cases ab. Wiederkehrende Erfolgsfaktoren sind die Einbettung in reale Geschäftsprozesse, klare Verantwortlichkeiten, belastbare Daten, messbare Zielgrößen und Governance für produktive Anwendungen.

Für INFPRO ist daraus keine allgemeingültige Erfolgsformel abzuleiten. Die Studien stützen jedoch eine belastbare Arbeitshypothese: KI skaliert besser in Organisationen, die ihre Entscheidungs- und Prozesslogik beherrschen. Technologie kann diese Ordnung verstärken; sie kann sie nicht ersetzen.

Weiterführende Ausgangsquellen der ursprünglichen Analyse: BCG, McKinsey, Deloitte, EY und KPMG, Veröffentlichungen 2025. Einzelne Kennzahlen wurden in dieser aktualisierten Fassung bewusst nicht fortgeschrieben, da Methodik, Stichprobe und Bezugsrahmen zwischen den Untersuchungen variieren.

Management-Check vor dem KI-Rollout

• Ist für den Anwendungsfall ein fachlich verantwortlicher Owner benannt?
• Ist nachvollziehbar, woher die verwendeten Daten stammen und welche Qualitätsgrenzen gelten?
• Ist definiert, wann ein Mensch einen Modelloutput prüfen oder übersteuern muss?
• Gibt es Monitoring, Fehlerbehandlung und einen Stop-/Fallback-Pfad?
• Ist der wirtschaftliche Zielwert des Einsatzes vorab definiert?

Weiterführend bei INFPRO: New Lean, Lean muss wieder Führungsaufgabe werden, Adaptive Governance und KI & Technologie.