KI soll organisatorische Kapazität schaffen, kein Headcount-Theater

Die öffentliche Debatte über KI in Firmen läuft oft über eine Metrik: Headcount. Entweder die dürftige Variante (damit ersetzen wir ein Team von 10) oder die Angst - „ich verliere meinen Job“. Beide Varianten führen nicht zum Ziel. Firmen betrachten menschliche Arbeit als Kostenzeile - die Varianten verfehlen, was in einer Organisation tatsächlich passiert, wenn ein gut gestaltetes System ein Stück repetitiver Arbeit wegnimmt.

Im Normalfall passiert Folgendes: Dieselben Menschen hören auf, Arbeit zu erledigen, die unter ihren Fähigkeiten liegt, und widmen sich den wesentlichen Themen, die ein Unternehmen beflügeln. Die Metadaten werden autonom von einem Agenten durchgeführt, während die Personen Produkte organisch vermarkten und Analysen umsetzen. Der Bericht kommt am Montag, und der Analyst verbringt die nächsten 2 Tage damit, ihn zu deuten, statt ihn zusammenzustellen. Das ist Wirkung - die Kapazitäten wachsen, ohne dass die Gehaltsliste rasant anwächst.

Die mehrsprachige Metadaten-Automatisierung hat schätzungsweise mehr als 220 Stunden manueller Arbeit eingespart. Dahinter stehen 492 Katalogeinträge in vier Sprachen - insgesamt 1.968 lokalisierte Einträge und 3.936 Metadatenfelder, die sonst von Hand erstellt, übersetzt und formatiert worden wären.

Diese Zahl ist nicht aus der Luft gegriffen. Sie basiert auf der zuvor gemessenen Bearbeitungszeit pro Eintrag. Trotzdem bleibt sie eine Schätzung, denn das Ergebnis hängt unter anderem davon ab, wie viel Zeit man für Prüfung und Korrekturen ansetzt.

Google Performance Intelligence spart zusätzlich rund 9,5 Stunden Analysearbeit pro Woche. Auch dieser Wert ist geschätzt. Er leitet sich aus dem Aufwand ab, den die manuellen Reportingzyklen am Montag und Donnerstag zuvor verursacht haben. Auf ein Jahr hochgerechnet wären das etwa 490 Stunden. Aussagekräftiger finde ich jedoch die Wochenzahl: Sie liegt näher an der tatsächlichen Arbeit und lässt sich besser nachvollziehen.

Die dritte Zahl ist mit noch mehr Unsicherheit verbunden. Ein fertiger viersprachiger Content-Hub, der über den Workflow der Semantic Commerce Architecture entsteht, spart gegenüber einer vergleichbaren manuellen Umsetzung mindestens vier volle Arbeitstage - also rund 30 Stunden oder mehr. Entscheidend ist hier das Wort „vergleichbar“. Struktur, Lokalisierung, Schema und inhaltliche Qualität müssen auf demselben Niveau liegen. Da sich darüber berechtigterweise diskutieren lässt, kennzeichne ich auch diese Zahl ausdrücklich als Schätzung.

Diese Zahlen ausschließlich als Kosteneinsparung zu lesen, greift für mich zu kurz. Daraus würde schnell die Schlussfolgerung entstehen, dass künftig weniger Menschen gebraucht werden. In der Praxis wurde durch diese Systeme aber niemand überflüssig. Verändert hat sich vielmehr, womit die vorhandene Zeit verbracht wird.

Zeit verschwindet nicht einfach aus einer Organisation. Sie wird frei und kann anders eingesetzt werden. Die eingesparten Stunden bei der Metadatenproduktion tauchten nicht plötzlich als „Ersparnis“ in einer Tabellenzeile auf. Sie standen stattdessen für Marktanalysen, die Vorbereitung von Lieferantenverhandlungen oder Inhalte zur Verfügung, die tatsächliches Fachwissen erfordern. Und ja: In weniger disziplinierten Wochen entsteht daraus manchmal auch einfach etwas Luft. Selbst das hat einen Wert, auch wenn er in Auslastungskennzahlen selten auftaucht.

Die knappere Ressource ist ohnehin nicht nur Zeit, sondern Aufmerksamkeit. Repetitive Denkarbeit kostet beides. Wer den gesamten Montag damit verbringt, einen Performance-Bericht zusammenzubauen, geht mit weniger Konzentration in die Entscheidungen, die am Dienstag aus diesem Bericht entstehen sollen. Die manuelle Zusammenstellung zu automatisieren ist deshalb mehr wert als die reine Zahl der eingesparten Stunden. Sie schützt auch die Qualität der Arbeit, die danach kommt.

Über die Systeme innerhalb von AI Operations hinweg zeigt sich dabei ein klares Muster: Menschen verbringen weniger Zeit mit Produktion und mehr Zeit mit Entscheidungen, die Kontext und Urteilsvermögen verlangen.

Metadaten zu erstellen ist Produktion. Zu beurteilen, ob ihre inhaltliche Ausrichtung dazu passt, wie ein Unternehmen und seine Produkte verstanden werden sollen, ist Urteilsvermögen.

Zahlen aus mehreren Plattformen zusammenzutragen ist Produktion. Zu entscheiden, ob ein ROAS-Trend eine Neustrukturierung der Kampagnen rechtfertigt, ist Urteilsvermögen.

Die Systeme übernehmen zunehmend den ersten Teil. Dadurch verschwindet der zweite nicht - im Gegenteil: Er bekommt endlich mehr Raum.

Der Nutzen eines Systems entsteht erst dann, wenn die dadurch freigewordene Entscheidungskapazität tatsächlich eingesetzt wird.

Ein System, das drei unterschiedliche Seitenprototypen erzeugt, schafft nur dann einen Vorteil, wenn jemand mit ausreichendem Kontext die Varianten bewertet und eine Richtung auswählt. Geschieht das nicht, wurde lediglich die Produktion beschleunigt und die Entscheidung zum neuen Engpass gemacht. Es entsteht mehr Output, aber nicht zwangsläufig mehr Wirkung.

Dabei möchte ich das Bild nicht sauberer zeichnen, als es in Wirklichkeit ist. Drei Unsicherheiten bleiben.

Erstens geschieht die sinnvolle Umverteilung freier Kapazität nicht von selbst. Die gewonnene Zeit kann in anspruchsvollere Arbeit fließen - oder in zusätzlichen Meetings verschwinden. Der Unterschied liegt meist in der Führung und nicht in der Technologie. Ich habe beides erlebt.

Zweitens stammen meine Zahlen aus einem bestimmten Umfeld: einem schlanken kommerziellen Betrieb, in dem dieselben Menschen sowohl die repetitive Arbeit erledigen als auch die anspruchsvolleren Entscheidungen treffen können. In einer größeren Organisation mit stärker getrennten Rollen funktioniert diese Verschiebung möglicherweise nicht auf dieselbe Weise. Dann kann die Frage nach dem Personalbedarf durchaus real werden. Meine Erfahrung lässt sich nicht ohne Weiteres auf jede Organisation übertragen - und ich bin skeptisch, wenn jemand genau das für die eigene Erfahrung behauptet.

Drittens bleibt eine langfristige Frage offen: Wenn Produktionsarbeit zunehmend verschwindet und der Schwerpunkt auf Urteilsvermögen wandert, wie entwickelt die nächste Generation dieses Urteilsvermögen?

Ein Teil der mühsamen Arbeit, die heute automatisiert werden kann, war bisher auch eine Form des Lernens. Menschen entwickelten dabei ein Gefühl für Daten, Ausnahmen, Zusammenhänge und die Eigenheiten einer Domäne. Wenn diese Erfahrungsstufe wegfällt, müssen wir neue Wege finden, um dieses Wissen aufzubauen. Darauf habe ich noch keine überzeugende Antwort. Für mich ist das eines der interessantesten offenen Probleme der angewandten KI - und es erhält deutlich weniger Aufmerksamkeit als die Diskussion darüber, wie viele Stellen ersetzt werden könnten.

Die entscheidende Frage lautet deshalb nicht, wie viele Stellen ein System ersetzt. Sie lautet: Wird die Organisation dadurch zu Dingen fähig, die sie vorher nicht angehen konnte?

Daran messe ich den Wert der hier beschriebenen Systeme. Nicht daran, ob sie auf dem Papier Kosten senken, sondern daran, ob sie anspruchsvollere Preisanalyse, belastbarere Prognosen und mehrsprachige strukturierte Inhalte in einer Tiefe ermöglichen, die zuvor wirtschaftlich kaum realisierbar gewesen wäre.

Das ist organisatorische Wirkung. Der Rest ist Theater.