Mit KI automatisieren: welche Prozesse ja, welche nein, und wie man es misst

Was „mit KI automatisieren" heißt (und was NICHT)

„Mit KI automatisieren" heißt, dass ein System — Workflows plus Sprachmodelle — eine Abfolge von Aufgaben ausführt, die vorher ein Mensch erledigt hat, mit genug Urteil, um zwischen einfachen Optionen zu entscheiden, und mit menschlicher Eskalation, wenn der Fall es verlangt. Was die KI gegenüber klassischer Automatisierung beisteuert, ist nicht die Ausführung (das macht Zapier seit 2011) — es ist die kontextbasierte Entscheidung: eine Mail lesen und verstehen, was zu antworten ist, ein Dokument nach Inhalt klassifizieren, Daten aus einer Rechnung mit wechselndem Format extrahieren.

Was es NICHT heißt: „Magie". Ein KI-Automatisierungssystem lernt nicht von allein, passt sich nicht an Fälle an, die du nicht vorgesehen hast, und läuft nicht ohne einen Menschen, der es überwacht und iteriert. Wer dir „autonome KI-Automatisierung deines Business" verkauft, verkauft die Fantasie — und die Rechnung.

Klassische Automatisierung vs. KI-Automatisierung

Die Grenze ist klarer, als es scheint, aber sie verlangt technische Ehrlichkeit, um sie zu sehen:

Die sechs Prozesstypen, die sich am besten automatisieren

Nicht jeder Prozess ist ein guter Kandidat für KI-Automatisierung. Diese sechs liefern nach unserer Erfahrung in unter 90 Tagen klaren ROI, wenn sie sauber implementiert sind.

Dokumentenverarbeitung

Rechnungen, Verträge, Formulare, Lebensläufe, Schadenmeldungen: strukturierte Daten aus unstrukturierten Dokumenten extrahieren. Typische Ersparnis: 70-85% der manuellen Zeit.

Kundenservice und Support

Deflection repetitiver Tickets per Agent mit RAG über deiner Wissensbasis + menschliche Eskalation für das Komplexe. Typische Ersparnis im Mid-Market: 40-60% deflectierte Tickets ohne CSAT-Einbruch.

Interne Operations und Routing

Klassifizierung und Verteilung eingehender Aufgaben (Mails, Tickets, Opportunities) an die richtige Person oder das richtige Team. Typische Ersparnis: die Rolle „Dispatcher" verschwindet und die Antwortzeit sinkt um 60-80%.

Reporting und Analyse

Automatische Zusammenfassungen kommerzieller, operativer oder Produktdaten. Ersetzt keinen Analysten — spart ihm 80% der Zeit, die er für mechanische Extraktions- und Formatierungsarbeit aufwendet.

Prospecting und Outbound (Spezialfall — siehe Growth)

Recherche von Prospects, Verfassen personalisierter Cold Mails, Lead-Scoring. Wird im AI-Growth-Cluster vertieft, weil der Zyklus eigene Regeln hat.

Transaktionale, vertriebliche und interne Mails

Antwortgenerierung, dynamische Templates, Zusammenfassungen langer Threads. Die drei Typen zu unterscheiden ist kritisch — jeder hat seine Technik und seinen Stack.

Wie du priorisierst, was zuerst zu automatisieren ist (ROI-Matrix)

Der typische Fehler ist, mit „dem Vorzeigbarsten fürs Board" anzufangen. Die nützliche Regel: priorisiere nach dem Verhältnis gesparte Stunden / Implementierungsstunden.

Wenn alle vier Variablen gut aussehen, automatisier es. Wenn nur drei, mach es später. Wenn zwei oder weniger, ist es nicht der erste Kandidat.

Die Tools (Make, n8n, custom + LLMs)

Wie die echte Ersparnis gemessen wird (Stunden, Fehler, €)

Der ROI von Automatisierung misst sich nicht in „Produktivität steigern". Er misst sich in konkreten Variablen und vor allem im Vorher-Nachher-Delta:

• Eliminierte menschliche Stunden/Monat — wie viele Personenstunden aus dem Prozess verschwinden.
• Fehlerreduktion — % Fehler vorher vs. nachher, idealerweise mit stichprobenartiger Audit.
• Durchlaufzeit — Stunden vom Input bis zum fertigen Output.
• Kosten pro Lauf — inklusive technischer Kosten (Tokens, Infra) + restliche menschliche Kosten (Supervision).
• Kosten-Ersparnis-Verhältnis — €/Monat gespart ÷ €/Monat Betrieb (>4x ist sehr gut).

Typische Fehler, die Projekte killen

• Keinen internen Owner zuweisen. Das Projekt braucht eine Person intern, die den Flow versteht und eskalieren kann, wenn was bricht. Ohne Owner stirbt es in 6 Monaten.
• 15 Dinge gleichzeitig automatisieren wollen. Du endest mit 15 mittelmäßigen Systemen statt 5, die laufen.
• Die Baseline vorher nicht messen. Wenn du nicht weißt, wie viele Stunden du gebraucht hast, kannst du die Ersparnis nicht belegen.
• POC mit Produktion verwechseln. Die Demo, die in 5 Fällen läuft, ist nicht dasselbe wie das System, das 5.000 trägt.
• Supervision ignorieren. Jede KI-Automatisierung braucht im ersten Quartal wöchentliche menschliche Prüfung. Das auszulassen ist die Garantie, dass ein Randfall zum öffentlichen Incident wird.

Wann NICHT zu automatisieren ist (wichtig)

Es gibt Prozesse, die du NICHT automatisieren solltest — und sie zu erkennen ist genauso wertvoll wie die guten Kandidaten zu finden:

• Prozesse mit geringem Volumen (<30 h/Monat) — das Setup amortisiert sich nicht.
• Prozesse mit hoher Variabilität und niedriger Wiederholbarkeit — der Agent braucht zu viel Aufsicht.
• Entscheidungen mit regulatorischem oder rechtlichem Impact ohne klare menschliche Supervision (AI Act, DSGVO).
• Premium-Kundenservice, wo die menschliche Note das Wertversprechen ist.
• Prozesse, die kurz vor strukturellem Wandel stehen — was du gleich neu definierst zu automatisieren ist verlorene Arbeit.