Praxisnahe Orientierung für verantwortungsvolle KI-Programme.
KI-Einführung und Arbeitsgestaltung
Ein praxisnaher Leitfaden, um Aufgaben lokal zu erfassen, KI belastbar zu testen, Aufwand neu zuzuordnen und Rollen erst nach einem Pilot anzupassen.
ModelFold Editorial Team8 Min. Lesezeit
Eine KI kann die erste Antwort eines Serviceteams beschleunigen und gleichzeitig anderswo neue Arbeit erzeugen: Die Teamleitung erhält mehr Prüfungen, Spezialistinnen bearbeiten schwierigere Eskalationen, und jemand muss fehlerhafte Wissensgrundlagen korrigieren. Wer nur die schnellere Produktion zählt, überschätzt deshalb leicht die verfügbare Kapazität. Eine belastbare Neugestaltung beginnt bei den tatsächlich ausgeführten Aufgaben, verfolgt jeden verschobenen Aufwand bis zu seinem neuen Ziel und setzt Rollen erst neu zusammen, wenn Zuständigkeit, Arbeitslast und Kompetenzaufbau sichtbar sind.
Das Wichtigste in Kürze
Die Neugestaltung sollte bei einzelnen Aufgaben beginnen, weil eine Stelle Tätigkeiten mit sehr unterschiedlichen Veränderungsmöglichkeiten bündelt. KI kann einen Arbeitsschritt übernehmen, einen zweiten unterstützen, einen dritten unverändert lassen und einen vierten neu schaffen. Ein Urteil über den ganzen Stellentitel verdeckt diese Unterschiede. Die unmittelbare Frage lautet deshalb: Was verändert sich bei beobachtbaren Aufgaben unter den lokalen Arbeitsbedingungen? Erst danach wird entschieden, wie diese Aufgaben wieder zu vollständigen Rollen und funktionierenden Teams zusammengesetzt werden.
Auch Expositionsdaten beantworten diese lokale Frage nicht. Der verfeinerte ILO-Index nutzt berufsbezogene Aufgabeninformationen und bezeichnet Transformation allgemein als wahrscheinlicher als Ersatz; er misst aber weder die Automatisierung noch den Personalbedarf eines konkreten Betriebs. Die OECD beschreibt ebenfalls, dass viele Beschäftigte KI eher über veränderte Aufgaben und Arbeitsbedingungen als über Stellenverlust erleben dürften. Solche Befunde sind ein Anlass für genauere Untersuchung, nicht eine belastbare Grundlage für Stellenabbau, Produktivitätsversprechen oder pauschale Automatisierungsquoten.
Ein belastbares Aufgabenbuch beschreibt die tatsächlich geleistete Arbeit, ihre Nachfrage und ihre Bedingungen so konkret, dass ein späterer Vergleich möglich wird. Formulieren Sie jede Aufgabe als Handlung mit Objekt, etwa «Anfrage klassifizieren» statt «Kundenservice». Erfassen Sie Auslöser, Eingaben, Ergebnis, Abschlusskriterium, heutige Zuständigkeit, Empfänger und Ausnahmeweg. Trennen Sie Schritte, wenn Belege, Urteil, Folgen oder Zuständigkeiten wechseln; fassen Sie kleine Handgriffe nur zusammen, wenn sie gemeinsam verändert und gleich kontrolliert werden.
Interviews mit Mitarbeitenden und Führungskräften, direkte Beobachtung, Arbeitsproben und Systemdaten sollten einander ergänzen. Keine dieser Quellen genügt allein: Erinnerungen können seltene Nebentätigkeiten ausblenden, Aufzeichnungen erklären nicht zwingend das Urteil hinter einer Handlung, und eine Beobachtung bildet saisonale Spitzen kaum vollständig ab. O*NET kann mit berufsbezogenen Aufgabenbeschreibungen, Bewertungen und Kontextdaten als Vokabular- und Vollständigkeitscheck dienen. Als US-Berufsinformationssystem belegt es jedoch nicht, was in einem Schweizer Betrieb tatsächlich vorkommt, wie oft es geschieht oder welchen Aufwand es verursacht.
Jede Aufgabe sollte mit repräsentativen Fällen gegen eine eindeutig dokumentierte KI-Konfiguration getestet werden, bevor eine künftige Arbeitsteilung festgelegt wird. Halten Sie Modellversion, Werkzeuge, Prompts, Daten, Kontrollen und Testdatum fest. Der Fallbestand braucht häufige Routinefälle ebenso wie legitime Varianten, unklare Grenzen, seltene folgenreiche Fälle, fehlende oder widersprüchliche Eingaben und bekannte historische Fehler. Wo es relevant ist, werden Ergebnisse nach Erfahrung, Produkt, Kanal, Kundengruppe oder Region getrennt ausgewertet statt in einem Teamdurchschnitt versteckt.
Warum diese Vorsicht nötig ist, zeigt ein vorregistriertes Experiment mit 758 Beratenden: Innerhalb der ausgewählten KI-Fähigkeitsgrenze verbesserte die Unterstützung die gemessene Leistung, bei einer ausgewählten komplexen Aufgabe ausserhalb davon sank dagegen die Korrektheit. Die Ergebnisse gelten nur für diese Personen, Aufgaben, Konfiguration und Periode. Die Studie beschreibt die Fähigkeitsgrenze zudem als ungleichmässig und veränderlich. Der freiwillige NIST AI RMF Core ergänzt dazu, dass Mensch-KI-Verantwortlichkeiten, Befähigung und Aufsichtsprozesse differenziert dokumentiert werden sollen.
| Aufgabenkonfiguration | Verantwortung des Menschen | Verantwortung der KI | Erforderliche Betriebsgestaltung |
|---|---|---|---|
| Durch Menschen ausgeführt | Führt die Aufgabe aus und bleibt zuständig. | Keine oder nur nicht operative Unterstützung. | Heutige Zuständigkeit und Grund für die Beibehaltung dokumentieren. |
| KI-unterstützter Mensch | Rahmt die Aufgabe, prüft nötige Belege und entscheidet. | Unterstützt innerhalb klarer Grenzen. | Zulässige Eingaben, Prüfregeln, Abschlussbefugnis und Delegationsgrenzen festlegen. |
| KI zuerst, menschlicher Entscheid oder Review | Prüft definierte Fälle oder trifft den folgenreichen Entscheid. | Erstellt oder leitet den ersten Output. | Warteschlange, Kriterien, Priorität, Befugnis, Ausnahmen und Spitzenkapazität benennen. |
| Begrenzte Automatisierung | Überwacht die Leistung und löst Ausnahmen. | Schliesst eine eng abgegrenzte Aufgabe unter erlaubten Bedingungen ab. | Grenzen, Stoppbedingungen, Beobachtbarkeit, Änderungsführung und Rückfalllösung definieren. |
Neben der Produktion müssen Verifikation, Urteil, Ausnahmebearbeitung und Koordination separat gemessen werden. Diese fünf Konten sind ein praktisches redaktionelles Buchungsmodell, kein Forschungsstandard. Produktion umfasst das Suchen, Formulieren, Umwandeln, Erfassen oder Ausführen des ersten Arbeitsergebnisses. Verifikation erfasst die Prüfung von Quellenbasis, Berechnungen, Vollständigkeit, Vorgaben und nachgelagerter Verwendbarkeit. Zum Urteil gehören Einordnung, Interpretation, Auswahl, Befugnis und Verantwortung; diese Arbeit verschwindet nicht automatisch, wenn ein System bereits einen flüssigen Vorschlag liefert.
Die OECD-Evidenzübersicht zeigt, weshalb Zeit allein zu kurz greift: KI kann monotone Arbeit verringern, zugleich aber das Tempo erhöhen, Autonomie einschränken oder Beschäftigte auf ein engeres Aufgabenspektrum konzentrieren; die Wirkung variiert nach Umfeld und Person. Der NIST-Rahmen fordert klare Rollen, Kommunikationswege, Rückmeldungen und Überwachung, schreibt die fünf Konten jedoch nicht vor. Für die Praxis bedeutet das: Ein kleiner Zeitgewinn bei vielen Mitarbeitenden darf nicht gegen eine überlastete Prüf- oder Eskalationsstelle aufgerechnet werden, ohne deren reale Nachfrage und Spitzen zu messen.
KI entfernt Arbeit nicht als sauberen Block; sie verschiebt Aufwand, Befugnis, Ausnahmen und Lernen.
ModelFold Editorial Team
Veränderte Aufgaben werden zu tragfähigen Rollen, indem jede notwendige Pflicht, Befugnis und Warteschlange einer benannten Funktion mit ausreichender Kapazität zugeordnet wird. Dazu können Output-Review, Ausnahmeverantwortung, Wissenspflege, Systemverantwortung, Leistungsüberwachung, Lernverantwortung und Eskalationsbefugnis gehören. «Human in the Loop» genügt als Beschreibung nicht: Festzulegen sind die zu prüfenden Belege, auslösende Fälle, Entscheidungskompetenz, Kommunikationswege und das Verhalten der Warteschlange unter Spitzenlast. Der NIST-Rahmen stützt solche klaren Verantwortlichkeiten, schreibt aber kein Personalmodell vor.
Ein hypothetisches Supportteam verdeutlicht die Verschiebung. KI-gestützte Suche und Entwürfe können bei getesteten Routinefällen Produktionszeit reduzieren. Die Mitarbeitenden behalten jedoch Diagnose, Kontextprüfung und Entscheide innerhalb ihrer Befugnis; Teamleitungen oder Fachstellen übernehmen möglicherweise mehr Reviews, Ausnahmen, Wissenskorrekturen und Coaching. Eine Studie mit 5’179 Supportmitarbeitenden fand stark nach Erfahrung variierende Produktivitätseffekte und nur hinweisende Evidenz zur Verbreitung leistungsstarker Praktiken. Ein weiteres Feldexperiment mit 776 Fachpersonen zeigte veränderte Leistung und Wissensintegration in getesteten Einzel- und Teamkonfigurationen, liess langfristige Expertise-Fragen aber offen.
Erst ein gemessener Pilot mit vollständiger Arbeitslast liefert genügend Evidenz für vorläufige Kapazitäts-, Rollen- oder Leistungsentscheide. Berechnen Sie für einen klar bezeichneten Zeitraum die bei beobachteter Nachfrage reduzierte menschliche Produktionsarbeit. Ziehen Sie zusätzlichen Aufwand für Verifikation, Urteil, Ausnahmen, Koordination, Lernen, Überwachung und Wissenspflege ab. Berücksichtigen Sie veränderte Nachfrage, Servicequalität, Nacharbeit, Spitzen und an andere Stellen übertragene Arbeit. Verstrichene Wartezeit erklärt den Arbeitsfluss, darf aber nicht automatisch als menschliche Arbeitszeit verbucht werden.
Der Pilot muss lange genug laufen, damit Nebenarbeit sichtbar wird und sich die Nachfrage vernünftig stabilisieren lässt; eine universelle Mindestdauer gibt die Evidenz nicht her. Der verbleibende Wert ist deshalb zunächst provisorische Kapazität, nicht automatisch ein Stellenäquivalent. Die OECD berichtet über unterschiedlich verteilte Auswirkungen auf Arbeitsqualität, während der NIST-Rahmen laufende Messung, Rückmeldungen und dokumentierte Verantwortung verlangt. Weil sich KI-Leistung zwischen ähnlichen Aufgaben unterscheiden und die Fähigkeitsgrenze verändern kann, wird die Gestaltung nach relevanten Konfigurations- oder Kontextänderungen erneut geprüft.
Bleiben Aufgabenbuch, repräsentative Tests, Zuständigkeiten, Prüfwirksamkeit, Ausnahmekapazität oder Kompetenzaufbau unvollständig, bleiben Stellenmodell, Stellenbeschreibungen, Leistungsmasse und Serviceversprechen unverändert. Das Aufgabenbuch dient als Pilot- und Lerninstrument, nicht als Abkürzung zu einem Personalentscheid. Arbeitsrechtliche, sozialpartnerschaftliche, datenschutzrechtliche, barrierebezogene, diskriminierungs-, sicherheits-, regulatorische und fachlich geschützte Fragen gehören zu den dafür qualifizierten und befugten Stellen der Organisation. Die Methode macht diese Beurteilungen nicht und ersetzt weder formelle Mitwirkung noch erforderliche Fachprüfung.
Zerlegen Sie die lokal beobachtete Arbeit in konkrete Aufgaben und erfassen Sie Nachfrage, Aufwand, Urteil, Folgen und Abhängigkeiten. Testen Sie anschliessend eine dokumentierte KI-Konfiguration mit repräsentativen Fällen, führen Sie die fünf Aufwandkonten und setzen Sie Pflichten sowie Zuständigkeiten erst danach zu einer vollständigen Rolle zusammen.
Sie plant von der tatsächlichen Aufgabennachfrage, Bearbeitungszeit, Variation, Verantwortung und den getesteten KI-Wirkungen aus. Eine berufsweite Expositions- oder Automatisierungsschätzung ersetzt diese lokale Evidenz nicht und erlaubt für sich allein keinen Schluss auf Personalkapazität.
Als anpassbares Raster dienen vier Konfigurationen: durch Menschen ausgeführt, KI-unterstützter Mensch, KI zuerst mit menschlichem Entscheid oder Review sowie begrenzte Automatisierung. Jede Wahl benötigt festgelegte Befugnisse, zulässige Aktionen, Prüfkriterien, Ausnahmewege, Überwachung, Stoppbedingungen und eine Rückfalllösung.
Messen Sie Produktion, Verifikation, Urteil, Ausnahmebearbeitung und Koordination getrennt nach Aufgabe und Zeitraum. Wird Arbeit verschoben, erfassen Sie Zielrolle, Nachfrage, Warteschlange und Spitzenlast; ergänzen Sie Lern-, Überwachungs- und Wissenspflegeaufwand in der Kapazitätsabstimmung.
Die Einsparung bleibt provisorisch, bis ein gemessener Pilot die vollständige Arbeitslast, Qualitätswirkung, veränderte Nachfrage, Spitzen, übertragene Arbeit und Kompetenzentwicklung berücksichtigt. Fehlen stabile Evidenz, wirksame Prüfung oder benannte Zuständigkeiten, sollte daraus keine Änderung von Stellen, Leistungszielen oder Serviceversprechen abgeleitet werden.
Für diesen Artikel wurden folgende Quellen herangezogen:
Wir berichten darüber, wie KI tatsächlich in einem Unternehmen ankommt. Wir arbeiten mit benannten Quellen, trennen Recherche von Einschätzung und nutzen KI-Unterstützung für Recherche und Entwürfe unter dokumentierten redaktionellen Kontrollen. Eine individuelle Fachprüfung ersetzen wir nicht.
So untersuchen Teams reale Arbeitsabläufe, prüfen Engpässe mit mehreren Evidenzquellen und entscheiden erst danach über einen begrenzten KI-Test.
Ein praxisnaher Leitfaden, um Ausnahmen, Freigaben und Übergaben evidenzbasiert neu zu gestalten, bevor ein Workflow automatisiert wird.
Ein praxisnaher Leitfaden, um KI-Entscheidungsrechte klar zuzuweisen und Evidenz aus Pilotprojekten in Portfolio- und Strategieentscheide zu übersetzen.
