KI verlangt von Führungskräften nicht, sich zwischen Automatisierung und Augmentierung zu entscheiden. Sie verlangt, die Grenze zwischen beiden zu gestalten.
In der Praxis löst KI zwei unterschiedliche Verschiebungen aus.
Manche Aufgaben werden automatisiert, weil sie repetitiv, regelbasiert und risikoarm sind. Ein Kundenservice-Chatbot, der Standardanfragen löst – etwa zum Bestellstatus, zu Erstattungen oder einfachen Kontofragen –, ist ein typisches Beispiel. Der KI-Assistent von Klarna soll beispielsweise in seinem ersten Monat rund zwei Drittel der Kundenservice-Chats bearbeitet haben.
Andere Aufgaben werden augmentiert, weil sie Urteilsvermögen, Kontext, Kreativität oder Verantwortlichkeit erfordern. In der Fertigung ist der Siemens Industrial Copilot ein gutes Beispiel: Er unterstützt Ingenieure und Instandhaltungsteams im Umgang mit Betriebsdaten, Automatisierungslogik und technischer Dokumentation, aber der menschliche Experte bewertet die Empfehlung weiterhin selbst und entscheidet, was als Nächstes geschieht.
Diese Unterscheidung steht auch in der Managementliteratur im Mittelpunkt. Sebastian Raisch und Sebastian Krakowski definieren Automatisierung als Übernahme einer menschlichen Aufgabe durch Maschinen, Augmentierung hingegen als enge Zusammenarbeit von Menschen und Maschinen bei der Erledigung einer Aufgabe. Ihr zentraler Punkt: Beides lässt sich nicht sauber trennen, sondern ist voneinander abhängig.
Hier beginnt die eigentliche Führungsfrage.
Sie lautet nicht: Soll KI Arbeit ersetzen oder Menschen unterstützen? Sondern: Welche Teile eines Workflows soll die KI übernehmen, wo sollen Menschen verantwortlich bleiben, und wie wird diese Grenze gesteuert?
1. Automatisierung
Automatisierung bedeutet, dass KI oder ein anderes maschinelles System eine Aufgabe übernimmt, die zuvor ein Mensch erledigt hat. Wichtig ist nicht, dass es nie eine menschliche Beteiligung gibt. In vielen betrieblichen Kontexten gestalten Menschen weiterhin die Regeln, überwachen die Leistung, bearbeiten Ausnahmen oder greifen ein, wenn etwas schiefgeht.
Ein gutes Beispiel ist das Recruiting. In der Personalgewinnung im großen Maßstab kann KI repetitive Schritte übernehmen, etwa das Sichten von Bewerbungen, den Abgleich von Kandidaten mit vordefinierten Kriterien oder die Priorisierung von Profilen für die Durchsicht. Raisch und Krakowski verweisen auf den Einsatz KI-basierter Lösungen im Recruiting-Prozess von Unilever. Die Rolle des Menschen verschwindet nicht, verschiebt sich aber von der manuellen Bearbeitung jeder einzelnen Bewerbung hin zur Überwachung des Systems, zur Prüfung von Ausnahmen und zu den abschließenden Einstellungsentscheidungen.
Automatisierung ist attraktiv, weil sie Geschwindigkeit, Konsistenz und Skalierbarkeit verspricht. Sie kann manuellen Aufwand verringern und Prozesse unabhängiger von der Verfügbarkeit einzelner Personen machen.
Hier müssen Führungskräfte sorgfältig sein. Automatisierung kann Geschwindigkeit und Konsistenz erhöhen, aber auch neue Kosten, neue Risiken und neue Abhängigkeiten schaffen. Die Frage lautet daher nicht einfach, ob sich eine Aufgabe automatisieren lässt, sondern ob die Automatisierung den Workflow als Ganzes verbessert.
Aktuelle Berichte von Axios zeigen, warum das wichtig ist. Die weltweiten IT-Ausgaben sollen 2026 auf 6,31 Billionen US-Dollar steigen, 13,5 % mehr als 2025; dazu tragen KI-Infrastruktur, Software, Cloud-Dienste und Abonnements bei. Axios weist außerdem darauf hin, dass manche Unternehmen bereits mehr für KI als für Mitarbeitergehälter ausgeben, und nennt Beispiele, in denen Token-Kosten KI-Budgets schneller aufgezehrt haben als erwartet. Es geht nicht darum, dass KI „zu teuer“ wäre. Es geht darum, dass die Ausführung durch KI zu neuen Betriebskosten führt – und deshalb einen klaren Business Case braucht.
Automatisierung schafft Wert, wenn sie den Workflow als Ganzes verbessert. Sie kann Durchlaufzeiten verkürzen, Konsistenz und Verlässlichkeit erhöhen, operative Risiken senken und menschliche Kapazität für höherwertige Arbeit freisetzen. Wird der zugrunde liegende Prozess aber nicht neu gestaltet, kann Automatisierung den Aufwand auch an anderer Stelle verlagern – in Überwachung, Ausnahmebehandlung, Governance oder Kostenkontrolle. Governance bedeutet in diesem Zusammenhang, klare Regeln festzulegen, wann KI eigenständig handeln darf, wann Menschen eingreifen müssen und wer für das Ergebnis verantwortlich bleibt.
2. Augmentierung
Augmentierung bedeutet, dass KI die menschliche Arbeit verbessert, statt die menschliche Rolle zu ersetzen. Die Aufgabe wird weiterhin von einer Person erledigt, doch KI verbessert, wie diese Person recherchiert, analysiert, vergleicht, formuliert oder eine Entscheidung vorbereitet. Der Mensch bleibt dafür verantwortlich, das Problem einzuordnen, das Ergebnis zu interpretieren und zu entscheiden, was als Nächstes geschieht.
Ein gutes Beispiel ist die Wirkstoffforschung. Raisch und Krakowski verweisen auf den Einsatz KI-basierter Lösungen in der Wirkstoffforschung und -entwicklung von Pfizer. Hier kann KI Wissenschaftlern helfen, komplexe Daten zu durchsuchen, Muster zu erkennen, Hypothesen zu generieren und Forschungsrichtungen zu priorisieren. Doch der menschliche Experte bewertet weiterhin die wissenschaftliche Plausibilität, wägt Zielkonflikte ab und entscheidet, welche Richtung verfolgt wird.
Dieses Muster zeigt sich auch bei Finanzdienstleistungen und in der Softwareentwicklung. Der interne GPT-basierte Assistent von Morgan Stanley hilft Vermögensberatern, große Mengen interner Research- und Wissensbestände zu durchsuchen und zu verdichten, während der Berater für das Kundengespräch und die Empfehlung verantwortlich bleibt. GitHub Copilot hilft Entwicklern, Code schneller zu schreiben und zu prüfen, aber der Entwickler entscheidet weiterhin, ob der Code korrekt, sicher und für das Produkt geeignet ist.
In jedem dieser Fälle verbessert KI die Arbeit, macht menschliches Urteilsvermögen und menschliche Kontrolle aber nicht überflüssig.
Augmentierung hat jedoch auch Grenzen. Das Produktivitätspotenzial von Augmentierung kann erheblich sein. In einer Feldstudie mit 5.172 Kundenservice-Mitarbeitenden steigerte der Zugang zu einem generativen KI-Assistenten die Produktivität im Durchschnitt um rund 15 %, mit den größten Zuwächsen bei weniger erfahrenen Beschäftigten. Ein separates Experiment mit GitHub Copilot ergab, dass Entwickler eine Programmieraufgabe mit KI-Unterstützung 55,8 % schneller abschlossen als ohne.
Diese Zahlen bedeuten jedoch nicht, dass Augmentierung automatisch Wert schafft. Erfordert jedes KI-gestützte Ergebnis weiterhin eine vollständige menschliche Prüfung, kann der Prozess an einer Stelle schneller und insgesamt langsamer werden. Verlassen sich Mitarbeitende zu stark auf KI-Ergebnisse, schaffen Organisationen neue Risiken durch Kompetenzverlust, Nachlässigkeit und unklare Verantwortlichkeit.
Die Lehre daraus: Augmentierung ist nicht einfach „KI plus Mensch“. Sie funktioniert nur, wenn auch die Rolle des Menschen neu gestaltet wird: was die Person prüft, wo sie Urteilsvermögen einbringt, wann sie das System außer Kraft setzt und wer für das Endergebnis verantwortlich bleibt.
3. Das Paradox
Das Paradox besteht darin, dass Automatisierung und Augmentierung keine Gegensätze sind. Sie verstärken einander.
Erstens wird Augmentierung häufig zur Lernphase für die Automatisierung.
Wenn Mitarbeitende KI zur Unterstützung einer Aufgabe nutzen, erkennt die Organisation, welche Teile des Workflows repetitiv sind, welche Ausnahmen häufig auftreten, welche Entscheidungsregeln stabil sind und wo die Datenqualität gut genug ist. Mit der Zeit können diese Erkenntnisse eine gezielte Automatisierung möglich machen.
Der Kundenservice ist ein gutes Beispiel. Zunächst unterstützt die KI die Mitarbeitenden womöglich nur, indem sie Antworten vorschlägt oder frühere Interaktionen zusammenfasst. Wenn die Organisation lernt, welche Anfragen vorhersehbar, risikoarm und häufig wiederkehrend sind, können manche dieser Interaktionen schrittweise vom KI-gestützten Service zur automatisierten Bearbeitung übergehen.
Zweitens schafft Automatisierung neue menschliche Arbeit.
Wenn KI die Standardausführung übernimmt, kann der Bedarf an menschlicher Beteiligung bei dieser konkreten Aufgabe erheblich sinken. In Industrieanlagen, Lagern, Callcentern oder Back-Office-Prozessen kann Automatisierung menschliche Arbeit in bestimmten Rollen deutlich reduzieren oder ersetzen. Auf der Ebene des Operating Models entsteht jedoch auch neue menschliche Arbeit rund um Überwachung, Ausnahmebehandlung, Qualitätskontrolle, Regelanpassung, Leistungsmonitoring und Governance.
Mit anderen Worten: Automatisierung entfernt Menschen nicht einfach aus der Organisation. Sie verändert, wo menschliche Arbeit gebraucht wird.
Drittens können beide Ansätze Probleme verursachen, wenn sie nicht bewusst gestaltet werden.
Zu viel Automatisierung kann verdeckte Risiken, schwache Verantwortlichkeit und den Verlust menschlicher Expertise zur Folge haben. Zu viel Augmentierung kann überlastete Workflows schaffen, in denen jedes KI-Ergebnis weiterhin geprüft werden muss. Die Softwareentwicklung verdeutlicht das Spannungsfeld: GitHub Copilot kann Programmieraufgaben beschleunigen, aber Entwickler müssen weiterhin Korrektheit, Sicherheit und Passfähigkeit zur übrigen Codebasis prüfen. In komplexen oder proprietären Kontexten zeigen Studien zudem, dass KI-Unterstützung an Grenzen stoßen kann. Augmentierung muss daher um Prüfung und Verantwortlichkeit herum gestaltet werden und darf nicht als automatische Produktivität behandelt werden.
Das ist das Automatisierungs-Augmentierungs-Paradox: KI kann Teile der Arbeit übernehmen und macht zugleich menschliches Urteilsvermögen, Aufsicht und Verantwortlichkeit wichtiger.
4. Was das für das Operating Model bedeutet
Hier wird das Automatisierungs-Augmentierungs-Paradox praktisch.
Die Frage lautet nicht mehr einfach, welche Aufgaben sich automatisieren lassen oder wo Mitarbeitende durch KI unterstützt werden können. Die Frage lautet, wie Arbeit neu zu gestalten ist, wenn KI zwischen beidem wechseln kann.
Wenn KI die Standardausführung automatisiert, richten sich Rollen weniger auf das Erzeugen von Ergebnissen und mehr auf Aufsicht, Ausnahmebehandlung, Qualitätskontrolle und kontinuierliche Verbesserung.
Wenn KI Entscheidungen augmentiert, brauchen Führungskräfte klarere Regeln dafür, wann eine KI-Empfehlung ein nützlicher Input ist, wann menschliches Urteilsvermögen erforderlich ist und wer für die endgültige Entscheidung verantwortlich bleibt.
Wenn KI im Zeitverlauf zwischen Automatisierung und Augmentierung wechselt, können Prozesse nicht statisch bleiben. Sie brauchen Verantwortliche, Messung, Governance und kontinuierliche Neugestaltung.
Deshalb darf sich die Diskussion nicht auf Produktivität beschränken. Aktuelle Debatten über KI-Kosten und KI-Akzeptanz zeigen zwei wichtige Restriktionen. Erstens ist Automatisierung nicht automatisch günstiger, wenn Rechenleistung, Abonnements, Integration, Monitoring und Governance eingerechnet werden. Zweitens bedeutet Akzeptanz nicht automatisch Vertrauen, wenn Mitarbeitende und Kunden nicht verstehen, was das System tut, wann Menschen beteiligt bleiben und wer verantwortlich ist, wenn etwas schiefgeht.
Für Führungskräfte bedeutet das: Eine KI-Transformation sollte nicht mit einer Tool-Liste beginnen. Sie sollte mit einer Workflow-Landkarte beginnen.
Zwei Fragen sind am wichtigsten:
· Wo sollte KI die Ausführung übernehmen, weil die Arbeit repetitiv, verlässlich und messbar ist?
· Wo sollten Menschen verantwortlich bleiben, weil Urteilsvermögen, Vertrauen oder Verantwortlichkeit das Ergebnis wesentlich verändern?
Der erste Artikel dieser Reihe argumentierte, dass die KI-Nutzung steigt, die KI-Reife aber nicht. Das ist einer der Gründe dafür.
Viele Unternehmen fragen sich noch immer: Wie viel Arbeit können wir automatisieren?
Eine reifere Frage lautet: Wie sieht in diesem Workflow die richtige Arbeitsteilung zwischen Mensch und KI aus?
Das künftige Operating Model wird nicht vollständig automatisiert sein. Es wird aber auch nicht rein durch Menschen augmentiert sein. Es wird ein bewusst gestaltetes System sein, in dem KI dort die Ausführung übernimmt, wo sie verlässlich ist, Menschen dort entscheiden, wo Urteilsvermögen zählt, und Governance die Grenze zwischen beiden festlegt.
Das ist die eigentliche Herausforderung zwischen Automatisierung und Augmentierung – und eine der zentralen Fragen, die wir in dieser AI-Operating-Model-Reihe bei ProNexum Consulting weiter untersuchen werden.
Dieser Artikel entstand in Zusammenarbeit mit Linh Tong und Theodor Eis .
Quellen
Primäre wissenschaftliche Quelle: Sebastian Raisch und Sebastian Krakowski, „Artificial Intelligence and Management: The Automation-Augmentation Paradox“, Academy of Management Review, 2021.
Weitere Quelle zum Produktivitätsgewinn im Kundenservice: Brynjolfsson, Li und Raymond, „Generative AI at Work“. https://arxiv.org/pdf/2304.11771
Weitere Quelle zum Produktivitätsergebnis bei GitHub Copilot: Peng, Kalliamvakou, Cihon und Demirer, „The Impact of AI on Developer Productivity: Evidence from GitHub Copilot“. https://arxiv.org/pdf/2302.06590
Weitere Quelle zu den Grenzen von GitHub Copilot in komplexen Softwareentwicklungskontexten: Ruchika Pandey, Prabhat Singh, Raymond Wei und Shaila Shankar, „Transforming Software Development: Evaluating the Efficiency and Challenges of GitHub Copilot in Real-World Projects“, 2024. https://arxiv.org/abs/2406.17910
Weitere Quelle zum Kontext der KI-Betriebskosten: Axios, „AI can cost more than human workers now“. https://www.axios.com/2026/04/26/ai-cost-human-workers
Weitere Quelle zum Kontext von Vertrauen und Akzeptanz: Axios, „An AI hate wave is here“. https://www.axios.com/2026/05/17/ai-backlash-polling-sentiment
Dieser Beitrag erschien zuerst am 24. Juli 2026 auf LinkedIn: Originalfassung (Englisch). Die deutsche Fassung ist eine Übersetzung des englischsprachigen Originals. Der Beitrag dient der allgemeinen Information und stellt keine Rechts-, Steuer- oder Anlageberatung dar.
