← Wissen

Lizenzen sind keine Strategie: das AI-Betriebsmodell

Leitfaden Von der Tool-Beschaffung zur Arbeitsweise 6 Min. Lesezeit
Stand: 7. Juli 2026

Lizenzen kaufen, eine Schulung abhalten, Produktivität erwarten: So sieht AI-Einführung in den meisten Unternehmen aus. Das ist IT-Beschaffung, keine Strategie. Und was dabei herauskommt, hat inzwischen einen Namen: Workslop – AI-Output, der aussieht wie Arbeit, aber keine ist. Dabei lässt sich der Unterschied zwischen Nutzung und Wirkung beziffern: Eine klare AI-Strategie hebt den messbaren Geschäftseffekt um 25 Prozentpunkte, bessere Tools allein nur um 5. Wirkung entsteht also primär nicht dort, wo Werkzeuge verteilt werden, sondern dort, wo Arbeitsabläufe neu geschnitten werden. Wie das aussieht, zeigen gerade zwei CEOs im Kontrast.

Das Symptom heißt Workslop

Forscher von Stanford und BetterUp Labs haben dem Phänomen einen Namen gegeben: Workslop ist AI-erzeugter Output, der poliert daherkommt (man denke an super shiny aber komplett nichts-sagende Powerpoint-Folien), aber die eigentliche Arbeit auf den Empfänger verlagert. Der muss interpretieren, korrigieren, oft neu machen. 41 Prozent der Beschäftigten haben im letzten Monat solchen Output von Kollegen bekommen, das Aufräumen kostet knapp zwei Stunden pro Fall.

Das Perfide: Workslop entsteht nicht durch faule Mitarbeiter. Er entsteht durch die Ansage „Nutzt mehr AI!" ohne den Rest. Wer Werkzeuge verteilt, aber keinen Qualitätsmaßstab, keine Spielregeln und keine gemeinsamen Abläufe dazu, bekommt genau das: viel Output, wenig Arbeit.

Seit einem Jahr mittlerweile begegnet mir in jedem Training dasselbe Bild. Die Produktleute haben Zugang zu Copilot, ChatGPT Enterprise oder einem Firmen-GPT. Aber niemand hat mit ihnen erarbeitet, wie sich ihre Arbeit dadurch verändert.

„Sie bekommen Tokens und sollen dann schon machen."

Seit die leistungsfähigen Modelle spürbar Geld kosten, ist es verbranntes Budget. Und eine ordentliche Strategie im Umgang mit AI ist mittlerweile ein Must, kein Nice to Have. Das MIT hat gemessen, dass 95 Prozent der GenAI-Piloten keinen messbaren Effekt aufs Geschäftsergebnis erreichen.

Zwei CEOs, zwei Ausgänge

Wie viel zwischen „AI einführen" und „AI einführen" liegen kann, zeigen die zwei bekanntesten AI-Ansagen der letzten Jahre.

Klarna. Anfang 2024 verkündete CEO Sebastian Siemiatkowski, der neue AI-Assistent erledige die Arbeit von 700 Kundenservice-Mitarbeitern. Gut ein Jahr später holte Klarna wieder Menschen an die Telefone zurück: Die Servicequalität war eingebrochen, Kunden liefen davon. Der Rollout war ein Sparprogramm mit Technik-Etikett – es gab ein Kostenziel, aber niemanden, der definiert hätte, was gute Arbeit ist und wer sie prüft, bevor sie beim Kunden ankommt.

Shopify. Tobi Lütke war in seinem internen Memo vom April 2025 mindestens so radikal, aber in eine andere Richtung:

„Reflexive AI-Nutzung ist jetzt eine Grunderwartung bei Shopify."

Bei Shopify gehört AI-Nutzung seitdem in die Leistungsbeurteilung, und wer zusätzliche Leute beantragt, muss erst zeigen, dass AI die Aufgabe nicht erledigen kann. Man kann das hart finden. Aber es sind Erwartungen, Spielregeln und ein Vorbild von oben – Lütke nutzt die Werkzeuge selbst, täglich, sichtbar.

Der Unterschied zwischen den beiden ist nicht der Mut. Es ist das Betriebsmodell. Und die Zuständigkeit: AI-Einführung ist eine Führungsaufgabe. Wer die AI-Strategie an die IT oder das Mittelmanagement delegiert, plant sein Scheitern gleich mit. Wharton-Professor Ethan Mollick begründet, warum sie auch nicht an Berater delegierbar ist:

Ethan Mollick

„Niemand hat besonderes Wissen darüber, wie sich AI in eurem Unternehmen am besten einsetzen lässt – und niemand ein Playbook, wie ihr sie in eure Organisation integriert."

Was ein Betriebsmodell ist

Das Wort klingt nach Beratungs-Foliensatz. Gemeint ist etwas sehr Konkretes: die Antwort auf vier Fragen, aufgeschrieben und in der Organisation, in den Teams verankert.

  1. Spielregeln. Welche Daten dürfen in welches Werkzeug? Die Antwort passt auf eine Seite – die Daten-Ampel. Ohne sie entscheidet jeder selbst, und eure Daten wandern in private Accounts.
  2. Verankerte Workflows statt Einzel-Prompts. Der Unterschied zwischen „Lisa hat einen guten Prompt für Release Notes" und „Release Notes entstehen bei uns immer so". Wiederkehrende Aufgaben werden als dokumentierte, geteilte Abläufe hinterlegt – mit Kontext, Vorlagen und einem klaren Übergabepunkt an den Menschen.
  3. Qualitätssicherung. Woran erkennen wir gute Arbeit, wer prüft was, bevor es rausgeht? Das ist das Gegenmittel gegen Workslop und die Lektion aus Klarnas Rolle rückwärts. Meine Regel dafür: Wer nicht verifiziert hat, hat nicht erledigt.
  4. Ownership. Eine benannte Person, kein Komitee, die Workflows weiterentwickelt, neue Werkzeuge bewertet und Gelerntes ins Team trägt. Ein paar Stunden pro Woche reichen – aber sie müssen jemandem gehören.

Ich betreibe meine eigene Firma nach genau diesem Muster, im Kleinen: Ein Verbund spezialisierter AI-Agenten erledigt Recherche, Website und Backoffice. Jeder Agent hat schriftliche Spielregeln, wiederkehrende Aufgaben sind als Routinen dokumentiert, Ergebnisse werden verifiziert, bevor sie rausgehen, und was schiefgeht, wandert als Learning zurück. Nichts davon ist Raketentechnik, aber etwas Hirnschmalz steckt schon drin.

Womit anfangen

Nicht mit einem AI-Komitee, nicht mit einer 60-Seiten-Richtlinie, nicht mit einer monatelangen Tool-Evaluation. Sondern mit einem Team, end-to-end:

  1. Ein Team auswählen, das Lust hat – nicht das, das gerade Kapazität übrig hat. Die fortgeschrittensten AI-Nutzer sitzen übrigens längst im Haus; viele verstecken sich nur, weil alte Policies ihnen Ärger androhen.
  2. Die vier Fragen für dieses eine Team beantworten: Spielregeln, zwei bis drei verankerte Workflows aus dem Tagesgeschäft, Prüfschritte, ein Owner.
  3. Vier bis sechs Wochen arbeiten und das Vorher-Nachher festhalten.
  4. Per Beobachtung skalieren: Was beim ersten Team trägt, wird zum Standard fürs nächste – nicht umgekehrt per Rollout-Plan.

Wie ihr für den Start den richtigen Anwendungsfall findet und die Vorher-Nachher-Zahl sauber messt, steht im Leitfaden Der erste AI-Use-Case: auswählen, messen, beweisen.

Die Befähigung, die dabei nebenher entsteht, ist rollen- und kontextspezifisch – also genau das, was Art. 4 des EU AI Act verlangt. Zwei Fliegen.

Wohin das führt

Ein Betriebsmodell endet nicht bei geteilten Prompts. Ein Feldexperiment mit 776 Fachleuten bei Procter & Gamble zeigt: Eine Einzelperson mit AI erreicht die Leistung eines Zweier-Teams ohne AI. Wenn das stimmt – und meine eigene Ein-Personen-Firma sowie die Geschichte eines Kunden, wo eine Handvoll Entwickler mit Claude innerhalb von Wochen ein Jahres-Backlog weggeräumt haben, spricht dafür – steht als Nächstes der Zuschnitt der Teams selbst zur Diskussion: kleinere Einheiten, mehr Verantwortung pro Kopf. Wer heute die vier Fragen beantwortet, verteilt morgen nicht nur Arbeit neu, sondern baut auch gleichzeitig an der Organisation, die dieses Tempo aushält.

Und jetzt?

Lizenzen habt ihr schon – wie weit ist euer Betriebsmodell?

Warum sich der Engpass in der Produktentwicklung gerade verschiebt und was das für eure Organisation heißt, steht im Thesenpapier Der verschobene Engpass. Und wo ihr konkret steht, schauen wir uns gemeinsam an: 30 Minuten, kostenlos.

Gespräch vereinbaren → Zum Thesenpapier

Quellen