30.07.2026 Michael Dannhauer
ShareErfolgreiche KI-Einführung beginnt nicht mit Technologie. Sie beginnt mit einer präzisen Definition operativer Entscheidungen.
Unternehmen beschäftigen sich in den Bereichen Produktion, Logistik und Supply Chain Management intensiv mit KI. Trotzdem bleiben viele Vorhaben hinter den Erwartungen zurück. Nicht, weil die Modelle zu schwach wären. Sondern weil unklar bleibt, wie Menschen, Prozesse und Entscheidungen mit diesen Systemen zusammenarbeiten sollen.
Wenn KI-Empfehlungen auf operative Realität treffen
Ein typisches Szenario aus der Fertigungsplanung: Das System meldet einen drohenden Materialengpass bei einem zentralen Bauteil. Ein KI-gestütztes System empfiehlt, mehrere Aufträge kurzfristig neu zu priorisieren, damit die verfügbaren Teile möglichst effizient eingesetzt werden. Rechnerisch ergibt das Sinn: Liefertermine ließen sich stabilisieren, Ausfälle vermeiden.
Doch die Planerin stoppt die Umplanung. Nicht, weil sie der Technologie grundsätzlich misstraut. Sondern weil sie aus der morgendlichen Qualitätsrunde weiß, dass ein Teil der eingelagerten Bauteile fehlerhaft ist. Diese Information ist im System noch nicht berücksichtigt. Würde die neue Priorisierung umgesetzt, könnten genau jene Aufträge vorgezogen werden, für die diese fehlerhaften Teile vorgesehen sind. Im schlimmsten Fall stünde nicht nur ein Auftrag still, sondern eine komplette Produktionslinie. Die KI kennt den Materialfluss. Die Planerin kennt den operativen Kontext.
Die wahre Herausforderung heißt organisatorische Integration
Genau an solchen Stellen entscheidet sich, ob KI-Systeme im Alltag genutzt werden oder ob Mitarbeitende beginnen, Entscheidungen wieder außerhalb des Systems zu treffen. Viele Unternehmen diskutieren vor allem über Modelle, Rechenleistung und generative KI. Das Problem beginnt meist früher: bei der Frage, welche Entscheidung ein System überhaupt verbessern soll und wie diese Entscheidung organisatorisch eingebettet wird.
Oft entsteht ein klassisches „Hammer-sucht-Nagel“-Problem: Unternehmen verfügen über eine Technologie und suchen anschließend nach einem passenden Anwendungsfall. Doch leistungsfähige Modelle allein reichen nicht aus, wenn deren Empfehlungen organisatorisch neben den eigentlichen Arbeits- und Entscheidungsprozessen stehen bleiben. Dass genau diese organisatorische Integration für viele Unternehmen eine Herausforderung bleibt, zeigen aktuelle Untersuchungen von McKinsey („State of AI 2025“) und Deloitte („The State of Generative AI in the Enterprise“). Beide Studien kommen zu dem Ergebnis, dass der wirtschaftliche Nutzen von KI häufig weniger an der Technologie als an ihrer Verankerung in realen Arbeitsabläufen scheitert.
In den öffentliche KI-Debatten geht es oft darum, wie stark generative KI menschliche Wissensarbeit, Content-Produktion oder Büroaufgaben verändert. Im Arbeitsalltag von Disponenten und Planern in Logistik, Produktion oder Supply Chain Management steht etwas anderes im Mittelpunkt: wie kann ein KI-basiertes System Entscheidungen unter Zeitdruck verbessern? Welche Lieferung wird priorisiert? Welche Maschine erhält zusätzliche Kapazität? Welche Route wird angepasst, wenn ein Engpass entsteht? In diesen Bereichen reicht es nicht aus, dass ein System plausible Antworten liefert. Empfehlungen müssen nachvollziehbar, belastbar und im Zweifel korrigierbar sein.
Menschen bleiben Teil operativer Verantwortung
Genau an diesem Punkt wird Human-in-the-loop relevant. Der Begriff klingt zunächst nach Sicherheitsmechanismus, so als müssten Menschen eingreifen, damit KI-Systeme nicht zu eigenständig werden. In operativen Prozessen beschreibt er jedoch etwas anderes: ein Organisationsmodell für Entscheidungen unter Unsicherheit.
„Menschen bleiben unverzichtbar für diesen Prozesses, weil operative Entscheidungen Verantwortung erzeugen.“
Sie beeinflussen Lieferzusagen, Bestände, Ressourcen und Kosten und haben damit weitreichende Auswirkungen auf Lieferfähigkeit, Auslastung oder Personalplanung. Eine KI-basierte Automatisierung dieser Prozesse, bei denen der Menschen lediglich Freigaben erteilt oder nur noch im Ausnahmefall eingreift, reicht hier nicht aus. Menschen sollen die Empfehlungen eines KI-Systems nicht nur prüfen. Sie müssen Kontextwissen ergänzen und die Auswirkungen einer Entscheidung auf die operative Realität einschätzen. So entsteht kein Gegensatz zwischen Menschen und KI, sondern ein kontinuierlicher Regelkreis aus Analyse, Bewertung und Anpassung.
Die Frage nach der richtigen Balance zwischen Autonomie und Kontrolle
Viele Unternehmen unterschätzen allerdings, wie tief solche Veränderungen in bestehende Prozesse eingreifen. Sobald KI-Systeme Entscheidungen beeinflussen, entstehen neue organisatorische Fragen: Wer trägt Verantwortung? Welche Daten gelten als belastbar? Wie transparent muss ein System seine Vorschläge erklären?
Unternehmen sollte daher vor der Einführung klären, wie viel Autonomie sie einem KI-System geben wollen. INFORM verbindet mit KI-Systemen in Unternehmensprozessen deshalb mehr als den Einsatz automatisiert arbeitender Werkzeuge. Im Mittelpunkt steht die Idee der Entscheidungsintelligenz: Systeme sollen in komplexen Situationen konkrete Handlungsempfehlungen liefern – etwa bei Produktionsplanung, Disposition oder Ressourcensteuerung. Entscheidend ist dabei, dass sich diese sinnvoll in bestehende Prozesse, Rollen und Entscheidungen integrieren lassen. Dadurch verschiebt sich der Fokus weg von der reinen Modellleistung hin zur Frage, wie transparent und überprüfbar solche Empfehlungen im betrieblichen Alltag sind.
Warum Transparenz zur operativen Voraussetzung wird
Damit wird Transparenz zu einer operativen Frage. Das technische Stichwort dafür lautet Explainable AI. Gemeint sind Systeme, die ihre Empfehlungen nicht nur ausgeben, sondern sichtbar machen, welche Faktoren dabei eine Rolle gespielt haben. In operativen Prozessen ist das kein technisches Zusatzthema. Mitarbeitende müssen nachvollziehen können, welche Faktoren eine Empfehlung beeinflussen. Nur dann können sie Vorschläge prüfen, hinterfragen und im laufenden Prozess bewerten. Wenn eine Absatzprognose deutlich vom Erfahrungswissen eines Planungsteams abweicht, entsteht sofort die
Frage: Welche Daten haben diese Empfehlung beeinflusst? Saisonmuster? Lieferzeiten? Preisaktionen? Historische Ausreißer?
Bleibt diese Logik verborgen, entstehen Parallelstrukturen. Entscheidungen werden wieder in Excel vorbereitet oder telefonisch abgestimmt. Das System läuft technisch weiter, verliert aber operativ an Bedeutung.
Die Mercer-Studie „Global Talent Trends 2024“ verweist auf eine ähnliche Spannung zwischen technologischen Erwartungen, neuen Kompetenzanforderungen und organisatorischer Orientierung in Unternehmen. Das Problem liegt häufig weniger in Ablehnung als in fehlender Orientierung. Menschen müssen verstehen, welche Rolle sie künftig im Entscheidungsprozess einnehmen sollen.
Nicht jede Entscheidung braucht dieselbe Kontrolle
Allerdings wäre es zu einfach, daraus einen allgemeinen Ruf nach mehr menschlicher Kontrolle abzuleiten. Nicht jede Entscheidung braucht dieselbe Form von Aufsicht. Eine automatisierte Nachbestellung für Standardmaterialien folgt anderen Regeln als eine kurzfristige Produktionsumplanung bei knappen Kapazitäten. Wer jede KI-Empfehlung manuell freigeben lässt, verlagert das Problem nur: Das System rechnet schnell, die Organisation bleibt langsam.
Die Managementfrage lautet deshalb nicht, ob Menschen oder KI entscheiden sollen.
„Entscheidend ist, wie Unternehmen Verantwortung, Transparenz und Automatisierung sinnvoll miteinander verbinden.“
Fazit: KI-Projekte brauchen Entscheidungsarchitektur
Viele KI-Projekte scheitern genau dort, wo diese Frage nicht geklärt ist. Dann existiert zwar ein leistungsfähiges Modell, aber keine belastbare Entscheidungsarchitektur darum herum.
Erfolgreiche KI-Einführung beginnt deshalb nicht mit Technologie. Sie beginnt mit einer präzisen Definition operativer Entscheidungen: Welche Handlung soll verbessert werden? Welche Datenbasis ist dafür belastbar? Wer darf Empfehlungen übersteuern? Und welche Erklärung braucht ein Mensch, um einer Empfehlung zu vertrauen?
Hinzu kommt eine weitere Frage: Wie werden solche Systeme in bestehende Arbeits- und Entscheidungsprozesse eingebettet? Erst dort entscheidet sich, ob KI im Alltag genutzt wird oder organisatorisch ein isoliertes Werkzeug bleibt.
Erst wenn diese Fragen beantwortet sind, wird aus einem KI-Projekt mehr als ein Technikprojekt. Dann entsteht ein belastbares System für Entscheidungsunterstützung.
ÜBER UNSERE EXPERT:INNEN
Michael Dannhauer
Michael Dannhauer ist seit 2002 im Corporate Marketing bei INFORM tätig und beschäftigt sich mit Themen rund um die Optimierung von Geschäftsprozessen mithilfe von KI.