Wie Unternehmen ihr Operating Model für KI-getriebene Arbeit anpassen müssen

Warum es ein neues Target Operating Model braucht

Künstliche Intelligenz – insbesondere moderne generative KI – verändert rasant, wie Organisationen ihre Abläufe gestalten. Autonome KI-Agenten sind auf dem Vormarsch: 85 Prozent der Unternehmen erwarten, Agenten an Ihre Geschäftsanforderungen anzupassen; nahezu drei Viertel planen, innerhalb der nächsten zwei Jahre KI-Agenten einzusetzen [1]. Während frühere digitale Werkzeuge vor allem Routineaufgaben und klar definierte Prozesse automatisiert haben, geht es bei KI häufig um Aufgaben, die die Wertschöpfung steigern, etwa im Rahmen der Analyse und Entscheidungsunterstützung, der Erstellung von Inhalten oder bei Kommunikationsaufgaben.

Unternehmen, die KI-Agenten einsetzen, stehen dabei aber vor einem grundlegenden Dilemma: Sie wollen schnell vorankommen, andererseits müssen sie einen verantwortungsvollen und sicheren Einsatz gewährleisten. Die Voraussetzung für den Wandel zu einer KI-gestützten Organisation schafft dabei weniger die Technik als eine gezielte Weiterentwicklung der angestrebten Struktur und Arbeitsweise der Organisation, des sogenannten Target Operating Models (TOM).

Zentrale Bausteine einer erfolgreichen Transformation

Technologie ist lediglich ein Baustein; für eine nachhaltige Transformation müssen gleichzeitig  mehrere eng miteinander verknüpfte Handlungsfelder berücksichtigt werden. Helbling hat umfassende Erfahrungen mit Transformationsprogrammen und KI-Projekten gesammelt und auf dieser Basis eine Methodik entwickelt, die klare Orientierung bietet. Dabei wird technologische Exzellenz mit Geschäfts- und Prozesswissen verbunden. Die sechs wesentlichen Elemente dieses Ansatzes werden im Folgenden vorgestellt.

A) Führung und strategische Ausrichtung

Um Veränderungen im Kern eines Unternehmens wirksam zu verankern, muss die Transformation von der obersten Führungsebene getragen werden. Strategische Ambitionen und Entscheidungen müssen transparent kommuniziert werden, damit die Organisation voranschreiten und auch potenziell anspruchsvolle Veränderungen mittragen kann. Strategische Fragestellungen mit Auswirkungen auf operative Umsetzungsschritte – etwa der Aufbau interner Ressourcen im Vergleich zu Partnerschaften – sind dabei frühzeitig zu klären. Ebenso müssen bei langfristigen Datenstrategien von Beginn an geopolitische Risiken und das Kosten-Umsatzziel-Spannungsfeld beachtet werden. So bereiten die strategischen Leitplanken das Unternehmen auf unterschiedliche Zukunftsszenarien vor.

B) Operating model & Governance

Die Transformation zu einer KI-gestützten Organisation lässt sich nur dann skalieren, wenn Vertrauen in den KI-Einsatz innerhalb der gesamten Organisation aktiv aufgebaut und gesichert wird. Eine starke Governance ist hierfür entscheidend: Klare Verantwortlichkeiten auf Management- und weiteren Organisationsebenen, ein robustes Risikomanagement, Transparenz sowie die Einhaltung regulatorischer Vorgaben sind hierfür die Basis.

C) Use-Case-Portfolio und Neugestaltung der Prozesse

Die Auswahl der richtigen Bereiche und Anwendungsfälle ist ein entscheidender erster Schritt. Dem muss eine Bewertung des finanziellen Potenzials und übergeordneter geschäftlicher Überlegungen vorangehen. Bereiche mit hohen Volumina oder hoher Wertschöpfung bieten häufig interessante Möglichkeiten für den Einstieg.

Ziel ist es nicht, Menschen aus dem Ablauf herauszunehmen, sondern Anwendungsfälle gezielt im Sinne einer intelligenten Zusammenarbeit zwischen Mensch und KI neu zu gestalten. Ausgangspunkt ist eine klare Analyse des angestrebten Ergebnisses: Welche Ziele sind realistisch und sinnvoll? Welche Prozesse ermöglichen neue technische Lösungen? Und welche Prozesse werden allenfalls obsolet, weil sich die Ergebnisse auf andere Weise erreichen lassen?

Im nächsten Schritt wird jeder Anwendungsfall in kleinere Entscheidungseinheiten zerlegt, um im Fall eine wirksame Integration von KI zu ermöglichen. Dabei erhält das System in jedem Schritt nur die jeweils erforderlichen Informationen, um eine Überfrachtung zu vermeiden. Die sogenannte Context Pollution ist eine häufige Herausforderung im Umgang mit KI-Agenten.

Entscheidend ist zudem die richtige Verteilung von Entscheidungen zwischen Mensch und System. Je nach Risikoprofil und weiteren Rahmenbedingungen kann der Autonomiegrad eines KI-Systems stark variieren. Unabhängig davon verbleibt die Verantwortung bei den Fachleuten. Diese müssen Leitplanken festlegen und laufend überwachen, Risikoschwellen definieren, Qualitätskontrollen, Bias-Prüfungen oder klare Eskalationskriterien definieren. Bei erhöhtem Risiko wird menschliches Eingreifen gezielt ausgelöst.

Dafür müssen Mitarbeitende geschult werden, damit sie für die Kontrolle und den Umgang mit Ausnahmen und Eskalationen gewappnet sind. Dieses Design braucht es auch regulatorisch: So verlangt zum Beispiel die EU eine Gestaltung von Hochrisiko-KI-Systemen, bei der jederzeit wirksame menschliche Aufsicht und rechtzeitiges Eingreifen möglich sind [2].

D) Skalierbares Datenfundament und -architektur

Vertrauen entscheidet darüber, wie weit und wie schnell KI skaliert. Vertrauen entsteht nicht allein durch Datenqualität und -zugänglichkeit, sondern durch die Fähigkeit, Entscheidungen jederzeit nachvollziehen zu können. Unternehmen müssen eine entsprechende Architektur etablieren. Diese sollte auf Integrität, Überprüfbarkeit und auf durchgängige Traceability, also die lückenlose Nachvollziehbarkeit, ausgelegt sein. Nur so ist jederzeit eine Antwort darauf möglich, warum ein System zu einem bestimmten Zeitpunkt eine bestimmte Entscheidung getroffen hat. Dazu gehört, dass Ergebnisse wie Entscheidungswege, Kontextinformationen und genutzte Daten dauerhaft erfasst und rekonstruierbar sind. Damit wird ermöglicht, KI-Systeme zu verstehen, zu debuggen, zu auditieren und kontinuierlich zu verbessern. Das baut nachhaltig Vertrauen und Resilienz in der Organisation auf.

E) Cybersicherheit

Mit der tiefen Verankerung von KI-Systemen in operativen Abläufen und ihrem wachsenden Autonomiegrad verschärfen sich die sicherheitsrelevanten Herausforderungen. Etablierte Sicherheitsprinzipien wie das Least-Privilege-Prinzip, bei dem Berechtigungen nur im erforderlichen Kontext, nur im notwendigen Umfang und nur für die erforderliche Dauer vergeben werden, behalten weiterhin ihre Gültigkeit. Zugleich müssen neue Risikokategorien berücksichtigt werden. So besteht die Gefahr, dass Agenten durch Prompt-Injections manipuliert werden. Da diese Systeme eigenständig Aktivitäten anstossen können, haben solche Angriffe unmittelbar Auswirkungen auf die reale Welt und lösen operative Probleme aus.

KI-gestützte Unternehmen müssen daher einen konsequenten Governance-by-Design-Ansatz verfolgen: Das Verhalten von Agenten muss beobachtbar und nachvollziehbar bleiben. Aktionen sollen im Sinne einer wirksamen Aufsicht und gezielter Gegenmassnahmen rückverfolgbar und, wo immer möglich, reversibel sein. Den Zugriff auf sensible Systeme oder wirkungsstarke Funktionen müssen adäquate Berechtigungskonzepte und explizite Autorisierungsmechanismen steuern. Dies ist umso wichtiger, als KI nicht nur innerhalb moderner Systemlandschaften an Wirkung gewinnt, sondern auch bei der Analyse der kaum dokumentierten bestehenden IT-Infrastruktur, den Legacy-Systemen. Dadurch können Schwachstellen automatisiert und erheblich schneller identifiziert werden – eine Fähigkeit, die nicht nur defensiven, sondern ebenso offensiven Akteuren zugutekommen wird.

Im Umgang mit sensiblen Daten müssen Unternehmen Datensouveränität umfassender verstehen. Es genügt nicht, Daten nur in genehmigten Ländern oder Rechtsräumen zu speichern und zu verarbeiten. Ebenso sollte jederzeit garantiert werden, dass diese Daten geltenden rechtlichen, regulatorischen und internen Governance-Anforderungen unterliegen.

Vor dem Hintergrund der genannten Entwicklungen bleibt auch der Security-by-Design-Ansatz eine zentrale Voraussetzung für den Erfolg.

F) Fähigkeiten und Arbeitskräfte

Organisationen richten sich zunehmend daran aus, welche Fähigkeiten (skills) benötigt werden und flexibel über Mensch und KI-Agenten hinweg kombinierbar sind. Hier kann KI dem Menschen Kapazitäten für Kernbereiche schenken. Gleichzeitig besteht die Gefahr, dass das System besonders interessante oder wertschöpfende Aufgaben absorbiert. Beispiele hierfür sind das Programmieren bei Softwareentwicklern oder analytische Tätigkeiten bei Wissensarbeitenden.

Es ist eine zentrale Herausforderung, Sinngehalt und Attraktivität der Arbeitsbereiche zu erhalten und diese nicht nur auf die Überwachung von Systemen und das Treffen von punktuellen Entscheidungen zu reduzieren. Organisationen müssen deshalb über die Neuverteilung der Aufgaben zwischen Mensch und Maschinen hinausdenken. Wird gezielt in Weiterbildung und Umschulung investiert, kann KI die menschliche Arbeit sinnvoll erweitern und neue Potenziale erschliessen. Zugleich wird Substanz, Kreativität und Verantwortungsgefühl bewahrt.

Ein Beispiel: Prozessneugestaltung in der Praxis

Diese Herangehensweise hat sich in der Praxis bewährt. Das nachfolgende Projekt von Helbling zeigt exemplarisch, wie KI erfolgreich in die Neugestaltung eines Prozesses eingebunden werden kann

In der Onkologie eines Schweizer Spitals verwendet die Ärzteschaft einen erheblichen Teil der Zeit auf die Identifikation vielversprechender Behandlungsoptionen. Ein wesentlicher Mehrwert von KI liegt daher in der Reduktion des Recherche-Zeitaufwands, damit sich die Fachkräfte stärker auf die direkte Versorgung der Patientinnen und Patienten konzentrieren können.

Nach einer Analyse der relevanten Prozesse hinter der Aufgabe wurde die Zielsetzung klar definiert. Im Vordergrund steht die Bestimmung der Therapie, die im individuellen Fall am besten geeignet ist. Wenn es keine tragfähigen Optionen im standardisierten Kontext gibt, müssen auch Off-Label- oder Off-Limitation-Therapien ausserhalb der regulären Anwendungen mit belastbarer Evidenz begründet werden. Der Gesamtprozess lässt sich in drei zentrale Schritte gliedern: 1. Wissensaufbau, 2. Literatursuche und 3. Vorbereitung der Dokumentation.

Zunächst verschafft sich die Fachkraft auf Basis der molekularen Analyse ein Verständnis der Ausgangssituation. Die KI stellt primär als Assistenzsystem relevante Inhalte aus verschiedenen Datenquellen bereit – etwa aus Bildern oder Beschreibungen. Gleichzeitig baut die KI kontextuelles Wissen auf, das im zweiten Schritt einer weitgehend autonomen Literatursuche relevant wird.

Die Ärztin oder der Arzt kann die Ergebnisse jederzeit anhand der zitierten Quellen überprüfen und bei Bedarf weitere Erläuterungen oder Präzisierungen anfordern, bis der Vorschlag klar, nachvollziehbar und überzeugend ist. Die finale Freigabe erfolgt stets durch den Menschen.