Warum eine wichtige KI-Frage nicht lautet "Was können wir automatisieren?", sondern "Brauchen wir diesen Outcome überhaupt noch?"
Autor: Tammo Ganders, CEO & Founding Partner @ Rebuilders
04. Mai 2026
KI auf alte Prozesse zu legen automatisiert vor allem eines: die Vergangenheit. Die spannendere Frage ist nicht "Was lässt sich automatisieren?", sondern "Welche Outcomes brauchen wir überhaupt noch?". Prozesse sind historische Artefakte; agentische KI arbeitet zielorientiert und macht detaillierte Prozessdokumentation oft überflüssig. Aber: In regulierten Domänen (GPKE, MaBiS) ist der Weg das Ergebnis, Outcome-Definition ist organisationspolitisch heikel, und Strategie sollte man keiner KI überlassen. Praktisch heißt das: erst Outcome-Audit, dann Trennung in wegabhängige (klassische Automatisierung) und wegunabhängige (agentisch) Outcomes, dann Werkzeugwahl. Kernsatz: KI macht die Outcome-Frage unausweichlich. Beantworten muss sie die Führung.
In nahezu jedem Unternehmen, das wir derzeit zu KI-Einsatz sprechen, läuft dieselbe Choreografie ab. Eine Arbeitsgruppe wird gebildet, oft mit dem Wort "Use Case" im Namen. Sie geht durch die Funktionsbereiche und sammelt Prozesse: Rechnungsprüfung, Vertragsanlage, Reklamationsbearbeitung, Angebotskalkulation, Forderungsmanagement. Jeder Prozess wird aufgenommen, dokumentiert, in Schritte zerlegt. Daneben entsteht eine Bewertungsmatrix mit Volumen, Komplexität, Standardisierungsgrad, geschätztes Effizienzpotenzial. Aus der Matrix wird eine Roadmap. Aus der Roadmap wird ein Pilot. Aus dem Piloten wird, im besten Fall, ein digitalisierter alter Prozess.
Das ist nicht falsch. Es ist nur unambitioniert.
Wer Prozesse automatisiert, macht eine implizite Annahme: Die Prozesse, wie sie heute existieren, bilden den richtigen Weg zum richtigen Ergebnis ab. Diese Annahme ist in den meisten Unternehmen demonstrierbar falsch. Prozesse sind historische Artefakte. Sie sind über Jahre gewachsen, oft als Reaktion auf inzwischen behobene Probleme, alte Systemgrenzen oder personelle Konstellationen, die es längst nicht mehr gibt. Wenn man sie in dieser Form mit KI unterlegt, friert man die Vergangenheit ein und nennt sie Modernisierung.
Die interessantere Frage steht eine Ebene höher: Welches *Ergebnis* soll ein Prozess eigentlich produzieren, und brauchen wir dieses Ergebnis noch, in der heutigen Qualität, mit den heutigen Inputs, in der heutigen Kadenz?
Ein klassischer monatlicher Vertriebsbericht. Outcome: Führungskräfte sollen wissen, wie das Geschäft läuft. Wenn das das Outcome ist, braucht man den Bericht überhaupt noch, oder reicht ein abrufbares Dashboard mit Anomalie-Erkennung? Die KI-Frage lautet dann nicht "Wie automatisieren wir den Bericht?", sondern "Warum produzieren wir ihn noch?"
Eine Reklamationsbearbeitung mit 10 Eskalationsstufen. Outcome: Der Kunde fühlt sich gehört und erhält eine Antwort. Wenn das das Outcome ist, sind die zwölf Stufen Schutz oder Selbstzweck? Was wäre, wenn ein agentisches System die Reklamation aufnimmt, die nötigen Informationen zieht, eine Lösung vorschlägt und nur in Grenzfällen menschlich eskaliert?
Eine Angebotskalkulation, die drei Wochen dauert, weil zwölf Abteilungen Beiträge liefern. Outcome: Der Kunde bekommt einen verbindlichen Preis. Wenn das das Outcome ist, wieviel der dreiwöchigen Wertschöpfung ist Substanz und wieviel ist Rückversicherung gegen interne Verantwortungsdiffusion?
In allen drei Fällen führt die Outcome-Frage zu radikaleren und ehrlicheren Antworten als die Prozessfrage. Und in allen drei Fällen ist die Antwort *nicht primär eine KI-Antwort*. Sie ist eine Führungsantwort, die KI als Werkzeug nutzt.
Bisherige Automatisierung , RPA, klassisches Workflow-Management, regelbasierte Bots etc. setzte voraus, dass der Weg vom Input zum Outcome explizit modelliert war. Genau deshalb war Prozessdokumentation der erste Schritt: ohne Prozessmodell keine Automatisierung. Diese Voraussetzung verändert sich gerade.
Agentische KI-Systeme arbeiten zielorientiert. Man definiert ein Outcome, gibt Constraints und verfügbare Werkzeuge mit, und das System sucht selbst einen Weg. Das verschiebt den sinnvollen Abstraktionspunkt nach oben. Statt 47 Prozessschritte zu beschreiben, beschreibt man das Ergebnis, die Qualitätsanforderung, die nicht verhandelbaren Leitplanken, und überlässt die Wegfindung dem System. Das ist nicht Science-Fiction; in begrenzten Domänen funktioniert es heute schon, etwa in der Recherche, im Customer Service oder in der Code-Generierung.
Daraus folgt eine ungemütliche Konsequenz für die Use-Case-Methodik der letzten zehn Jahre: Wer agentische Systeme einführen will, aber die Prozessdokumentation als Vorarbeit verlangt, baut im Zweifel Bürokratie an einer Stelle auf, an der sie methodisch überflüssig wird. Es ist, als würde man Pferdeställe für die ersten Automobile vorhalten.
Die Outcome-These ist kein Universalprinzip. Sie hat drei Herausforderungen, die berücksichtigt werden müssen:
In regulierten Domänen ist oft der Weg das Ergebnis. In der Energiewirtschaft zum Beispiel sind Prozesse wie GPKE, MaBiS oder die Marktkommunikation nicht historische Zufälle, sondern regulatorisch festgelegte Abläufe. Der Outcome, eine korrekte Rechnung, eine konforme Bilanzkreismeldung, ist trivial; die Wege sind vorgeschrieben. Hier kann Outcome-Denken sogar gefährlich sein, weil es Compliance-Kontext ausblendet. Die Frage ist dann nicht "Brauchen wir diesen Prozess?", sondern "Wie führen wir den vorgeschriebenen Prozess am intelligentesten aus?"
Outcomes sind organisatorisch politisch. Ein Prozess ist verhandelbar, weil er Schritte hat, an denen jeder seine Rolle behaupten kann. Ein Outcome legt offen, wer was wirklich beiträgt, und wer nicht. Das ist der eigentliche Grund, warum Unternehmen seit dreißig Jahren Outcome-Methoden predigen (Lean, Six Sigma, OKRs, Jobs-to-be-Done) und trotzdem regelmäßig bei Prozessdokumentation landen. Die Outcome-These ist nicht zuerst ein KI-Thema, sondern ein Organisationsdesign-Thema. Wer sie ernst meint, fordert implizit eine andere Führungskultur. Das ist anstrengend, politisch teuer, aber auch nicht ignorierbar.
Agentische Systeme sind heute schlecht im Aushandeln von Outcome-Qualität. Sie finden gute Wege innerhalb klar definierter Constraints. Die strategische Frage "Welches Outcome wollen wir überhaupt, und in welcher Qualität?" ist keine, die man delegieren sollte. Wer sie an die KI delegiert, delegiert Strategie an ein stochastisches System. Das ist ein Kategoriefehler.
Die richtige Abstraktionsebene für KI-Einsatz ist nicht der bestehende Prozess, sondern das zugrundeliegende Wertversprechen, und die kritische Frage, ob die heutige Prozesslandschaft dieses Wertversprechen überhaupt noch optimal bedient.
Das verändert die Methodik. Statt eine Prozesslandkarte zu erstellen und Effizienzpotenziale zu schätzen, beginnt man mit einer Outcome-Landkarte: Welche Ergebnisse produzieren wir heute für wen, mit welchem Zweck, in welcher Qualität? Welche dieser Outcomes sind heute noch wertvoll? Welche sind Erbe? Welche fehlen? Erst danach stellt sich die Frage, mit welchen Wegen (alten Prozessen, neuen agentischen Architekturen, hybriden Modellen) diese Outcomes am besten erzeugt werden.
Der Unterschied ist nicht akademisch. Er entscheidet darüber, ob KI ein Effizienz-Layer über der Vergangenheit wird oder ein Hebel für eine zukunftsfähige Organisation.
Für Unternehmen, die KI substanziell einsetzen wollen, ergeben sich daraus drei Bewegungen.
Vor jeder Use-Case-Sammlung steht ein Outcome-Audit. Welche Berichte, Dokumente, Reports, Sitzungen produzieren wir, und welcher Outcome rechtfertigt sie heute noch? In den meisten Unternehmen lässt sich auf dieser Ebene zwischen 20 und 40 Prozent der Aktivität abräumen, bevor überhaupt von KI gesprochen wird.
Für die verbleibenden Outcomes wird gefragt, ob sie regulatorisch wegabhängig sind oder nicht. Wegabhängige Outcomes (Compliance, Sicherheit, Audit) werden mit klassischer Automatisierung optimiert. Wegunabhängige Outcomes werden für agentische Architekturen freigegeben, mit klarer Outcome-Definition, Qualitätskriterien und Constraints. Wie aus dieser Sortierung eine belastbare Portfolio-Entscheidung wird, also welche Vorhaben jetzt automatisiert, welche augmentiert und welche zurückgestellt werden, beschreiben wir im ADOPT²-Rahmen separat.
Drittens: Die Führungsfrage rückt vor die Werkzeugfrage. Wer Outcomes verantworten will, muss sie definieren, messen und verteidigen können. Das ist Führungsarbeit, keine IT-Aufgabe. KI-Einführung ohne diese Vorarbeit produziert teure Pilotfriedhöfe.
Die meisten Unternehmen werden in den nächsten drei Jahren KI in ihre bestehenden Prozesse einbauen und das Transformation nennen. Sie werden Effizienzgewinne erzielen, die sich vorzeigen lassen, und ihre Prozesslandschaft wird leicht beschleunigt aussehen wie zuvor. Das ist der einfachere Pfad.
Der schwierigere Pfad beginnt mit einer Frage, die sich keine Use-Case-Liste stellt: Welche unserer heutigen Outcomes brauchen wir überhaupt noch? Wer diese Frage ehrlich beantwortet, hat das eigentliche Potenzial agentischer Systeme verstanden, und gleichzeitig verstanden, dass es nicht zuerst um KI geht, sondern darum, was eine Organisation für wen leistet.
KI macht diese Frage unausweichlich. Sie beantwortet sie aber nicht.
Hat Ihnen der Artikel gefallen? Rebuilders baut Organisationen, Wertschöpfung und Geschäftsmodelle des deutschen Mittelstands so um, dass Unternehmen wirtschaftlich erfolgreich, organisatorisch wandlungsfähig und technologisch zukunftsfähig bleiben. Entdecken Sie unsere Leistungen und lassen Sie uns sprechen.