Ein Muster, das ich am eigenen Leibe erfahren habe, beim Versuch, KI sinnvoll in eigene Abläufe einzubauen: Ein Prozessschritt wird identifiziert — ein Texten, ein Sortieren, ein Beantworten —, dieser Schritt bekommt ein KI-Tool, und dann wird gemessen, ob der Schritt jetzt schneller geht. Das funktioniert. Kurzfristig. Das Problem: Ein optimierter Schritt in einem unveränderten Ganzen verschiebt den Engpass nur an die nächste Stelle, er löst ihn nicht auf. Wer KI so einsetzt, betreibt Prozesslogik. Was tatsächlich trägt, ist Systemtheorie — und der Unterschied zwischen beiden ist keine akademische Feinheit, sondern entscheidet darüber, ob eine KI-Einführung nach einem Jahr noch funktioniert oder im Pilotstatus verstaubt.
Was die Zahlen zeigen
Die Schärfe dieses Problems lässt sich beziffern. Bei klassischer robotergestützter Prozessautomatisierung (RPA) berichtet Gartner, dass rund die Hälfte der Projekte über die Pilotphase hinaus nicht skaliert — vor allem, weil starre Architekturen mit Veränderungen im echten Betrieb nicht mitwachsen (siehe die Einordnung dazu bei Gartner Peer Community). Für die nächste Automatisierungswelle sieht es nicht grundsätzlich anders aus: Gartner rechnet damit, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 wieder eingestellt werden, wie unter anderem bei Coasty referenziert wird.
Der Grund ist fast immer derselbe: Automatisiert wird, was sich leicht automatisieren lässt — repetitive, regelbasierte Abläufe ohne Varianz. Genau die Fälle, die eigentlich Kontextverständnis, Abwägung und Rückkopplung brauchen, bleiben unangetastet, weil sie sich nicht in ein starres Skript pressen lassen. Diese starren Architekturen sind laut Gartner der Hauptgrund für die Skalierungsprobleme bei RPA — ein Befund, der sich fast wörtlich auf viele Agentic-AI-Piloten übertragen lässt, nur mit teurerer Technologie.
Auf der anderen Seite zeigen Analysen zu KI-zentrierten Organisationen ein deutlich anderes Bild: McKinsey beziffert bei Unternehmen, die Workflows systematisch statt punktuell um Agentic AI herum neu gestalten, eine Zeitersparnis von 20 bis 40 Prozent sowie eine Backlog-Reduktion von 30 bis 50 Prozent. Der Unterschied zwischen den scheiternden rund 50 Prozent und diesen Zahlen liegt nicht im Modell, das eingesetzt wird. Er liegt darin, ob KI in ein System eingebettet ist oder nur an einen Prozessschritt angeflanscht wurde.
Der eigentliche Unterschied: Schritte optimieren versus Verhalten verstehen
Prozesslogik denkt in Abfolgen: Schritt A, dann Schritt B, dann Schritt C. Jeder Schritt lässt sich einzeln verbessern, einzeln messen, einzeln durch ein KI-Tool ersetzen. Das ist intuitiv und deshalb der naheliegende erste Zugriff — aber es beantwortet nur die Frage, ob ein einzelner Schritt schneller wird. Es beantwortet nicht, ob das Gesamtergebnis besser, konsistenter oder überhaupt noch richtig ist.
Systemtheorie stellt eine andere Frage: Wie verhalten sich die Teile zueinander? Die Systemwissenschaftlerin Donella Meadows hat dafür ein Konzept geprägt, das sich seit Jahrzehnten in der Praxis bewährt: Leverage Points — Stellen in einem System, an denen kleine Eingriffe große Wirkung entfalten, im Unterschied zu Parametern, an denen viel Aufwand kaum etwas verändert. Meadows hat dieses Modell ursprünglich an sehr physischen Systemen entwickelt — Rohrleitungen, Industrieanlagen, Bevölkerungsdynamik —, und “physische Struktur” meint bei ihr wörtlich die gebaute Infrastruktur eines Systems: teuer und langsam zu verändern, deshalb ein vergleichsweise schwacher Hebelpunkt. Übertragen auf digitale Systeme ist das der Tech-Stack, das CMS, die einmal angeschaffte Software — auch hier gilt: Mehr Werkzeuge zu kaufen verändert wenig, wenn Regeln, Rückkopplung und Ziel des Systems nicht stimmen. Der eigentliche Hebel liegt fast immer in den Verbindungen, Regeln und Rückkopplungsschleifen zwischen den Teilen, nicht in den Teilen selbst.
Übersetzt auf KI-Einführungen heißt das: Ein System braucht sechs Bausteine, die eine reine Prozesskette nie mitliefert.
| Baustein | Was Prozesslogik übersieht |
|---|---|
| Verbindungen | Wie wirkt sich eine Änderung an Schritt A auf Schritt C aus? |
| Zweck | Wofür ist der Ablauf eigentlich da — welches Ziel entscheidet bei Zielkonflikten? |
| Speicher | Was lernt das System aus dem hundertsten Durchlauf, das der erste noch nicht wusste? |
| Regeln | Welche Grenzen gelten, bevor ein Ergebnis überhaupt in den nächsten Schritt darf? |
| Rückkopplung | Fließen Korrekturen zurück in den Ausgangspunkt, oder verpuffen sie am Ende der Kette? |
| Elemente | (Der einzige Baustein, den reine Prozesslogik tatsächlich abdeckt.) |
KI hat von Haus aus keinen Speicher und keine Rückkopplung — jede Anfrage ist grundsätzlich zustandslos, wenn niemand bewusst dafür sorgt, dass Ergebnisse zurückfließen und etwas daraus gelernt wird. Ein klassisches Softwaresystem hat diesen Zustand oft schon eingebaut. Ein KI-Agent hat ihn nicht automatisch — er muss explizit konstruiert werden. Genau diese Lücke ist es, an der die meisten gescheiterten Automatisierungsprojekte hängen: Es fehlt nicht an Rechenleistung, es fehlt an Architektur.
Warum reine Prozessoptimierung an Grenzen stößt
Die naheliegende Reaktion auf scheiternde Automatisierung ist, den Prozess noch genauer zu spezifizieren — mehr Regeln, mehr Ausnahmefälle, mehr Wenn-dann-Verzweigungen. Das verschärft das Problem oft, statt es zu lösen. Klassische RPA-Bots sind darauf ausgelegt, feste, regelbasierte Aufgaben zuverlässig auszuführen, scheitern aber sobald echte Variabilität ins Spiel kommt — wechselnde Formate, veränderte Genehmigungslogik, unstrukturierte Eingaben. Jede neue Ausnahme bedeutet neuen Code, neue Wartung, neue Bruchstellen. Das Resultat ist ein System, das mit jeder Verbesserung fragiler statt robuster wird, weil Komplexität an der falschen Stelle absorbiert wird: in immer mehr Einzelregeln statt in einer Struktur, die mit Abweichung umgehen kann.
Eine aktuelle Forschungsarbeit zu Multi-Agenten-Architekturen beschreibt die Konsequenz für Unternehmen so: Die eigentliche Verschiebung findet nicht bei einzelnen autonomen Agenten statt, sondern beim Übergang von isolierten Systemen der reinen Dokumentation zu Systemen, die aktiv Arbeitsabläufe steuern. Das 2025 vorgestellte SYMBIOSIS-Framework von Sethi, Martin und Klu argumentiert genau in diese Richtung: Systemdenken müsse bewusst mit KI verbunden werden, damit komplexe, sozio-technische Zusammenhänge überhaupt greifbar werden. Mit anderen Worten: Nicht die KI muss klüger werden, damit ein Prozess trägt. Die Struktur drumherum muss es sein.
Die ehrliche Gegenposition
Systemtheorie kann selbst zur Ausrede werden, bevor überhaupt etwas läuft. Es gibt ein reales Risiko, sich in Architektur zu verlieren, weil ein sauberes Modell auf dem Papier intellektuell befriedigender ist als der unordentliche erste Praxisdurchlauf. Wer endlos an Verbindungen, Regeln und Rückkopplungsschleifen feilt, ohne je einen echten Durchlauf zu starten, hat am Ende kein System — sondern nur eine sehr elegant begründete Untätigkeit. Systemtheorie erklärt, warum Struktur nötig ist. Sie ersetzt nicht den Moment, in dem diese Struktur zum ersten Mal wirklich benutzt wird und sich zeigt, ob sie hält.
Der praktikable Mittelweg: klein anfangen, aber von Anfang an mit den sechs Bausteinen im Kopf bauen — auch wenn Speicher und Rückkopplung im ersten Durchlauf noch rudimentär sind. Das unterscheidet sich fundamental davon, erst zehn Einzelprozesse zu bauen und danach zu hoffen, dass sie sich schon irgendwie zu einem System zusammenfügen.
Was das für den KI-Einsatz im Unternehmen bedeutet
Drei Konsequenzen lassen sich daraus ziehen, die über das reine Prinzip hinausgehen:
Erstens: Bevor ein einzelner Prozessschritt mit KI belegt wird, lohnt die Frage nach dem Zweck des Gesamtsystems — wofür ist der Ablauf da, und woran würde man erkennen, dass er sein Ziel verfehlt? Diese Frage fehlt in den meisten RPA-Projekten komplett; automatisiert wird, was sich leicht automatisieren lässt, nicht was dem Zweck am meisten nützt.
Zweitens: Speicher und Rückkopplung sind kein Nice-to-have, sondern der Unterschied zwischen einem System, das mit jedem Durchlauf besser wird, und einem, das beim hundertsten Mal genauso viele Fehler macht wie beim ersten. Wenn ein besseres Modell erscheint oder sich eine Datenquelle ändert, sollte sich im Idealfall nur die Ausführungsebene austauschen — nicht die gesamte Struktur.
Drittens: Wenn Produktion durch KI billig wird, verschiebt sich der Engpass zuverlässig auf Koordination. Das Bauen einzelner Textstücke, Antworten oder Entscheidungen wird günstiger — die eigentliche Frage wird, wie sich hundert einzeln erzeugte Ergebnisse zueinander verhalten, ob sie konsistent bleiben und ob sich Fehler selbst korrigieren. Das ist keine Frage der Qualität einzelner Teile mehr, sondern eine Frage nach Verhalten aus Verbindungen — der Kern dessen, was Systemtheorie seit jeher beschreibt.
Ein Praxisbeispiel: Content-Generierung als Mikrokosmos
Wenn man einen Kandidaten sucht, an dem sich der Unterschied zwischen Prozesslogik und Systemtheorie besonders klar zeigt, lohnt der Blick auf Content-Generierung mit KI. Auf den ersten Blick sieht sie aus wie ein klassischer Prozess: Thema wählen, recherchieren, Text schreiben, veröffentlichen — eine Kette wie jede andere, die sich Schritt für Schritt mit KI belegen lässt. Genau diese Annahme ist der Grund, warum so viele Unternehmen hier zuerst scheitern.
Content-Generierung ist tatsächlich eines der unstrukturiertesten, kontextabhängigsten Probleme, die es in einem Unternehmen gibt. Ob ein Text gut ist, hängt nicht von der Einhaltung einer Schrittfolge ab, sondern von einer Vielzahl von Bedingungen, die sich gegenseitig beeinflussen: Passt das Thema zur Marke oder widerspricht es ihr? Wurde dieser Aspekt in einem früheren Text schon anders dargestellt — und driftet die Faktenlage damit auseinander? Verändert sich die Tonalität von Stück zu Stück, weil niemand rückkoppelt, was beim letzten Mal funktioniert hat? Eine reine Prozesskette beantwortet keine dieser Fragen, weil sie jeden Text isoliert behandelt. Ein System dagegen braucht genau die Bausteine aus der Tabelle oben: einen Speicher, der frühere Inhalte kennt, Regeln, die einen Markenfilter vor jede Veröffentlichung schalten, und Rückkopplung, die Korrekturen zurück in die nächste Runde trägt — nicht nur einen schnelleren Prozessschritt zum Schreiben selbst.
Das macht Content-Generierung zu mehr als nur einem Anwendungsfall unter vielen. Sie ist eine Blaupause für eine ganze Klasse von Unternehmensproblemen, die strukturell ähnlich gelagert sind: Kundenkommunikation, Angebotserstellung, Support-Antworten — überall dort, wo Ergebnisse zwar einzeln erzeugt werden, aber in ihrer Gesamtheit konsistent, markenkonform und lernfähig bleiben müssen. Wer für Content-Generierung ein tragfähiges System baut — mit Speicher, Filter und Rückkopplung statt einer bloßen Werkzeugkette —, hat damit ein Muster in der Hand, das sich auf diese anderen Fälle übertragen lässt, statt für jeden erneut bei Null anzufangen.
Fazit
Prozesslogik fragt: Wie mache ich diesen einen Schritt schneller? Systemtheorie fragt: Was passiert, wenn hundert Schritte wie dieser zusammenkommen — bleibt das Ergebnis konsistent, oder driftet es auseinander? Im KI-Zeitalter ist diese zweite Frage die einzige, die auf Dauer trägt. Die Gartner-Zahlen zu gescheiterten Automatisierungsprojekten sind kein Zufall — sie sind das vorhersagbare Ergebnis davon, Prozessdenken auf ein Problem anzuwenden, das Systemdenken verlangt.
Quelle: Gartner (RPA- und Agentic-AI-Prognosen), Donella Meadows Project (Leverage Points), McKinsey (Seizing the Agentic AI Advantage), Sethi/Martin/Klu (SYMBIOSIS-Framework, arXiv:2503.05857, 2025)