Zwischen Effizienzversprechen und Realität KI und die „Supervision Tax“

Anbieter zum Thema

Foxit Europe GmbH

INFOMOTION GmbH

Viele Unternehmen erwarten Effizienzgewinne durch KI. Eine aktuelle Studie zeigt jedoch, dass ein großer Teil der eingesparten Zeit durch die Überprüfung von KI-Inhalten wieder aufgebraucht wird. Entscheidend wird künftig der Kontext.

Viele deutsche Unternehmen erwarten Effizienzgewinne durch KI, doch eine Studie zeigt eine erhebliche Diskrepanz zwischen Wahrnehmung und tatsächlichem Nutzen. Führungskräfte gehen davon aus, wöchentlich rund 4,6 Stunden durch KI einzusparen. Tatsächlich bleiben nach Abzug der notwendigen Überprüfung im Durchschnitt lediglich rund 16 Minuten übrig.

Bei Beschäftigten kippt die Bilanz sogar ins Negative: Sie verlieren rund 14 Minuten pro Woche durch das Überprüfen von Ergebnissen. Hochgerechnet entspricht das mehreren Tausend Euro pro Person und Jahr für eine Tätigkeit, die eigentlich entlasten soll, in der Realität aber zusätzliche Arbeit erzeugt. Damit wird eine zentrale Fehlannahme sichtbar: Produktivität durch KI wird häufig kommuniziert, aber selten belastbar gemessen.

Die verdeckten Kosten der Kontrolle

In vielen Organisationen lässt sich dieser Effekt als eine Art implizite Zusatzbelastung beobachten. Jede KI-generierte Antwort muss geprüft, korrigiert und in den jeweiligen Kontext eingeordnet werden. Dadurch entsteht eine sogenannte „Supervision Tax“. Gemeint ist der Aufwand, der anfällt, weil generische KI-Systeme ohne spezifischen Kontext arbeiten und zwar brauchbare Entwürfe liefern, aber nicht zwangsläufig verlässliche Ergebnisse.

Besonders deutlich wird das in regulierten Bereichen wie Recht, Finanzen, Beschaffung oder Gesundheitswesen. Hier reichen formal korrekte Texte nicht aus, sondern sie müssen den jeweiligen Regularien und Freigabeprozessen entsprechen.

Auch auf wirtschaftlicher Ebene bleibt der Nutzen oft unklar: Laut Forrester gelingt es weniger als einem Drittel der Entscheidungsträger, den Einsatz von KI eindeutig mit finanziellem Wachstum zu verknüpfen. Gleichzeitig zeigen Studien des MIT und der RAND Corporation, dass 85 bis 95 Prozent der KI-Pilotprojekte ihre Ziele nicht erreichen.

Die Technologie funktioniert zwar, doch sie bleibt häufig isoliert von den tatsächlichen Arbeitsprozessen. Diese Lücke zwischen technischer Leistungsfähigkeit und organisatorischer Einbettung ist derzeit einer der Hauptgründe für ausbleibende Effizienzgewinne.

Der Kontext macht die Musik

Ein zentrales Problem liegt in der Natur der derzeit verbreiteten Systeme. Viele Unternehmen nutzen große, universelle Systeme, die auf allgemeinen Internetdaten trainiert wurden. Diese Systeme sind flexibel und vielseitig einsetzbar, verfügen jedoch nicht über das notwendige Wissen zu internen Abläufen oder Zuständigkeiten.

Es geht nicht nur darum, Inhalte zu erzeugen, sondern darum, deren Relevanz und Korrektheit im jeweiligen Anwendungsfall sicherzustellen. Eine KI muss erkennen können, ob ein Dokument bereits freigegeben ist, bestimmte Klauseln Risiken bergen oder ein Prozess bestimmte Genehmigungsgrenzen überschreitet. Ohne dieses Wissen bleibt der Mensch die letzte Instanz. Und genau hier entsteht der größte Teil der zusätzlichen Arbeit.

Technisch liegt die Ursache darin, dass generische Modelle keinen Zugriff auf strukturierte Unternehmensdaten, Versionsstände oder Entscheidungslogiken besitzen. Sie arbeiten probabilistisch auf Basis allgemeiner Trainingsdaten und können deshalb nicht zuverlässig zwischen gültigen und veralteten Informationen unterscheiden.

Lange Zeit galt die Optimierung von Eingaben als entscheidender Hebel für bessere Ergebnisse. Prompt Engineering entwickelte sich zu einer eigenen Disziplin. Inzwischen zeigt sich jedoch, dass dieser Ansatz strukturelle Defizite nicht ausgleichen kann: Selbst präzise formulierte Prompts können fehlenden Zugriff auf relevante Datenquellen oder fehlende Prozesslogik nicht kompensieren.

Die nächste Entwicklungsstufe liegt daher in der Integration von Daten und Prozessen. Context Engineering beschreibt den Ansatz, KI-Systeme enger mit unternehmensinternem Wissen zu verknüpfen. Dazu gehören etwa der Zugriff auf strukturierte Datenquellen, die Einbindung von Dokumentenbeständen oder die Integration in bestehende Workflows, um nicht nur Antworten zu generieren, sondern Entscheidungen innerhalb definierter Rahmenbedingungen zu unterstützen. In der Praxis bedeutet das häufig den Einsatz von Retrieval-Mechanismen, die relevante Unternehmensdaten in Echtzeit einbinden, sowie die Kopplung an bestehende Systeme und Freigabeprozesse.

Spezialisierte Modelle als nächster Schritt

Vor diesem Hintergrund gewinnen unternehmensspezifische Modelle an Bedeutung. Statt auf große, universelle Systeme zu setzen, entwickeln Unternehmen zunehmend kleinere, spezialisierte Modelle, die auf ihre eigenen Daten zugeschnitten sind.

Gartner prognostiziert, dass Unternehmen bis 2027 dreimal so viele aufgabenspezifische Modelle einsetzen werden wie generalistische Systeme. Bis 2028 sollen mehr als die Hälfte aller eingesetzten KI-Modelle in Unternehmen domänenspezifisch sein. 2023 lag dieser Anteil noch bei etwa einem Prozent.

Diese Entwicklung hat auch ökonomische Gründe: Laut Gartner können spezialisierte Modelle in einzelnen Anwendungsfällen bis zu viermal effizienter arbeiten, sowohl bei den Kosten als auch bei den Reaktionszeiten. Der Markt für solche Lösungen soll bis 2028 ein Volumen von 11,3 Milliarden US-Dollar erreichen.

Welchen Unterschied diese Modelle machen können, zeigt ein konkretes Beispiel aus der Justiz: Am Oberlandesgericht Stuttgart wurde mit OLGA ein spezialisiertes System eingeführt, das bei der Bearbeitung von mehr als 10.000 offenen Fällen unterstützt. Das System kategorisiert umfangreiche Akten, extrahiert relevante Informationen und schafft so Freiraum für komplexe juristische Entscheidungen. Die Bearbeitungszeit konnte nach Angaben des Gerichts um mehr als die Hälfte reduziert werden. Der entscheidende Faktor liegt dabei nicht in der reinen Leistungsfähigkeit des Modells, sondern in seiner Einbettung in institutionelles Wissen und konkrete Arbeitsabläufe.

Integration statt Insellösung

Entscheidend für den Erfolg ist jedoch nicht allein die Spezialisierung. Ebenso wichtig ist die Einbettung in bestehende Prozesse. KI entfaltet ihren Nutzen erst dann vollständig, wenn sie unauffällig im Hintergrund arbeitet, Abläufe unterstützt und Fehler reduziert – ohne zusätzliche Komplexität zu erzeugen. Im Gegensatz zu generischen Assistenten berücksichtigen solche Systeme Rollen, Zugriffsrechte und organisatorische Regeln.

Gartner erwartet, dass bis Ende 2026 rund 40 Prozent aller Unternehmensanwendungen solche aufgabenspezifischen KI-Funktionen enthalten werden. Heute liegt dieser Anteil noch unter fünf Prozent. Damit verschiebt sich der Fokus von isolierten Anwendungen hin zu integrierter Intelligenz.

Die aktuellen Entwicklungen zeigen: Der Einsatz von KI allein ist kein Garant für Effizienz. Entscheidend ist, wie gut die Systeme in den jeweiligen Kontext eingebettet sind. Erst wenn KI mit unternehmensspezifischem Wissen verbunden wird, kann sich die Kosten-Nutzen-Bilanz verbessern. Nicht die Größe oder Vielseitigkeit eines Modells entscheidet über den Erfolg, sondern seine Fähigkeit, reale Prozesse abzubilden und verlässlich zu unterstützen. Unternehmen stehen damit vor der Aufgabe, KI nicht als isoliertes Werkzeug zu betrachten, sondern als integralen Bestandteil ihrer operativen Infrastruktur.

(ID:50826200)