Wie können traditionelle Unternehmen generative KI erfolgreich in wiederholbare, alltägliche Geschäftsabläufe integrieren?

Host: Willkommen zu A.I.S. Insights — powered by Living Knowledge. Mein Name ist Anna Ivy Summers. In der heutigen Folge besprechen wir eine Studie mit dem Titel: „Verzahnung von menschlichen Fähigkeiten und KI: Eine Fallstudie zur GenKI-gestützten Workflow-Stabilisierung“. Alex, worum geht es dabei im Kern?
Expert: Hallo Anna. Die Studie wurde von Weilin Pu, Felix Tan, Eric Lim und Haifeng Xu für die ICIS 2026 verfasst. Sie untersucht, wie generative KI in traditionellen Branchen den Übergang von informellem Ausprobieren zu strukturierten und wiederverwendbaren organisatorischen Arbeitsabläufen vollzieht.
Host: Das adressiert eine bekannte Herausforderung. Während einzelne Mitarbeitende generative KI rasch für abgegrenzte Aufgaben nutzen, fällt es Unternehmen oft schwer, diese offenen Werkzeuge in geschlossene Geschäftsprozesse einzubinden. Warum ist das so?
Expert: Genau diese Diskrepanz analysiert die Studie. Generative KI liefert offene, variable Ergebnisse, während etablierte Routinen Vorhersehbarkeit und Standardisierung verlangen. Besonders in traditionellen Unternehmen ohne ausgereifte digitale Infrastruktur neigt man dazu, neue Tools in bestehende Abläufe zu pressen, statt die Prozesse an die Technologie anzupassen.
Host: Welchen methodischen Ansatz hat das Forschungsteam gewählt?
Expert: Die Autoren führten eine qualitative Fallstudie über vier Jahre bei einem chinesischen Immobilienunternehmen durch. Die Datenbasis besteht aus siebenunddreißig leitfadengestützten Interviews, Systemdemonstrationen und interner Dokumentation. Dadurch konnte die schrittweise Integration der Technologie im Zeitverlauf rekonstruiert werden.
Host: Welche zentralen Phasen und Ergebnisse beschreibt die Studie?
Expert: Die Stabilisierung verläuft laut den Ergebnissen in vier Phasen: Sondieren, Flicken, Neuverweben und Externalisieren. In der ersten Phase, dem Sondieren, testen Mitarbeitende Werkzeuge explorativ. Das schafft organisatorisches Bewusstsein, führt aber zu minimalen Produktivitätsgewinnen.
Host: Und wie entwickelte sich das in der Praxis weiter?
Expert: In der zweiten Phase, dem Flicken, werden punktuelle Engpässe auf Aufgabenebene gelöst, etwa durch das schnelle Generieren von Einzelbildern. Da die Kernabläufe intakt bleiben, sind auch hier die Effizienzgewinne begrenzt. Erst in der dritten Phase, dem Neuverweben, verändert sich die Arbeitsweise grundlegend.
Host: Was bedeutet dieses Neuverweben konkret für die Abläufe?
Expert: Menschliche Rollen und Softwarekonfigurationen werden zu standardisierten Pipelines umstrukturiert. Die Fachkräfte erstellen Inhalte nicht mehr manuell, sondern steuern und validieren die KI-Ausgaben. Im untersuchten Unternehmen verkürzten sich die Durchlaufzeiten im Designprozess dadurch von mehreren Tagen auf wenige Minuten.
Host: Die vierte Phase war das Externalisieren. Was passierte dort?
Expert: Nachdem die internen Arbeitsabläufe stabilisiert waren, wurden sie von den ursprünglichen Nutzern entkoppelt. Das Unternehmen bündelte die Prozesse zu einer eigenständigen Softwareplattform und bot diese externen Kunden an.
Host: Was bedeutet das nun für die Praxis? Welche Lehren können Unternehmen daraus ziehen?
Expert: Ein zentraler Punkt ist, dass die bloße Anschaffung von KI-Tools ohne Prozessanpassung kaum operative Vorteile bringt. Führungskräfte müssen Arbeitsschritte neu definieren und Mitarbeitende gezielt auf Steuerungs- und Prüffunktionen vorbereiten. Zudem zeigt die Untersuchung, dass intern stabilisierte Workflows das Potenzial haben, als neue Produkte vermarktet zu werden.
Host: Vielen Dank für diese Einordnung, Alex. Die Studie verdeutlicht, dass der messbare Nutzen generativer KI vor allem von der systematischen Reorganisation der Arbeitsprozesse abhängt. Vielen Dank fürs Zuhören bei A.I.S. Insights — powered by Living Knowledge. Bis zum nächsten Mal.