Viele Unternehmen nutzen KI inzwischen täglich, aber oft am falschen Ort. Eine Mitarbeiterin kopiert eine Kundenanfrage aus dem CRM in einen Chat, lässt eine Antwort formulieren, überträgt die Zusammenfassung per Hand ins ERP und bittet danach die Buchhaltung um eine Freigabe per E-Mail. Die KI arbeitet dabei durchaus nützlich, sie läuft aber neben dem eigentlichen Prozess.
Genau dort liegt der Unterschied zwischen einem Chat-Assistenten und echter KI-Workflow-Automatisierung. Ein produktiver Workflow liest Daten aus den richtigen Systemen, verarbeitet sie nach klaren Regeln, schreibt Ergebnisse zurück, fordert bei Unsicherheit eine Freigabe an und hinterlässt einen nachvollziehbaren Audit-Trail. Das Ergebnis ist nicht einfach mehr KI-Nutzung, sondern ein zuverlässiger Ablauf mit weniger Übergaben, kürzerer Durchlaufzeit und kontrollierbaren Fehlern.
Inhaltsverzeichnis
- Warum KI Workflows im Mittelstand oft neben der Arbeit laufen
- Prozesse auswählen und Anforderungen sauber klären
- Systeme verbinden mit Connectoren und MCP Layer
- Agenten orchestrieren und Workflows mit Kontrolle steuern
- Governance Rollout und Adoption im Unternehmen verankern
- Erfolg messen und Workflow Automatisierung skalieren
Warum KI Workflows im Mittelstand oft neben der Arbeit laufen
Ein typisches Szenario beginnt im Vertrieb. Eine Anfrage kommt per E-Mail, ein Mitarbeiter legt den Kontakt im CRM an, prüft die Kundendaten in einem zweiten System und erstellt anschliessend ein Angebot. Sobald der Auftrag eintrifft, übernimmt die Auftragsbearbeitung erneut manuell. Die Buchhaltung kontrolliert Rechnungsdaten, der Einkauf ergänzt Lieferinformationen und das Management wartet auf einen Statusbericht.
Ein Chatbot kann jede einzelne Aufgabe unterstützen. Er kann eine E-Mail zusammenfassen, einen Antwortentwurf schreiben oder Felder für einen CRM-Eintrag vorschlagen. Er löst aber keine End-to-End-Kette, solange jemand die Daten zwischen E-Mail, CRM, ERP und Buchhaltung kopieren muss.
Das erkennst du an wiederkehrenden Symptomen:
- Manuelle Handoffs: Informationen wechseln per E-Mail, Excel oder Chat zwischen Teams.
- Doppelte Dateneingabe: Derselbe Kunde, Auftrag oder Beleg wird in mehreren Systemen erfasst.
- Unklare Zuständigkeit: Niemand weiss genau, wer eine KI-generierte Empfehlung prüft oder freigibt.
- Fehlende Nachvollziehbarkeit: Später lässt sich nicht rekonstruieren, welche Daten verwendet und welche Entscheidung getroffen wurde.
- Lokale Lösungen: Einzelne Mitarbeiter automatisieren ihre Inbox, während der zentrale Prozess unverändert bleibt.
Österreichische Unternehmen zeigen, dass die Nutzung bereits aus der Experimentierphase herauskommt. Der Anteil der Unternehmen mit mindestens zehn Beschäftigten, die KI-Technologien einsetzen, stieg laut Statistik Austria von 9 % im Jahr 2021 über 11 % im Jahr 2023 und 20 % im Jahr 2024 auf 30 % im Jahr 2025. Das ist ein klarer Hinweis auf breitere operative Relevanz, aber nicht automatisch auf integrierte Automatisierung.
Praktische Regel: KI ist erst dann im Workflow angekommen, wenn sie nicht nur Text erzeugt, sondern einen kontrollierten Prozessschritt in den führenden Systemen ausführt.
Das Zielbild sollte deshalb nicht „mehr Prompts“ heissen. Es lautet: Eine eingehende Anfrage wird erkannt, mit Kundendaten abgeglichen, im CRM klassifiziert, an die richtige Person geroutet und nach Freigabe im ERP weiterverarbeitet. Jede Station hat eine definierte Verantwortung. Jede Ausnahme landet bei einem Menschen, statt stillschweigend falsche Daten weiterzureichen.
Prozesse auswählen und Anforderungen sauber klären
Der grösste Fehler bei Automatisierungsprojekten ist ein Start mit dem Tool. Teams vergleichen Plattformen, Modelle und Agenten, bevor sie wissen, welcher Prozess überhaupt wirtschaftlich und technisch geeignet ist. Beginne stattdessen mit der Arbeit, die heute messbar Aufwand verursacht und morgen kontrolliert automatisiert werden kann.
Die Prozessliste als Entscheidungsgrundlage
Sammle zuerst die wiederkehrenden Abläufe aus Vertrieb, Einkauf, Buchhaltung, Kundenservice und Backoffice. Beschreibe nicht nur den Prozessnamen, sondern den tatsächlichen Weg einer Transaktion:
- Auslöser festhalten: E-Mail, Formular, Auftrag, Zahlungseingang oder Slack-Nachricht.
- Datenquellen benennen: CRM, ERP, Dokumentenablage, Postfach oder Buchhaltungssystem.
- Entscheidungen dokumentieren: Welche Regeln gelten, welche Informationen fehlen häufig?
- Übergaben markieren: Wo kopiert ein Mensch Daten oder wartet auf eine Rückmeldung?
- Ausnahmen sammeln: Welche Fälle brauchen zwingend fachliche Prüfung?
Bewerte jeden Kandidaten nach Volumen, Regelklarheit, Datenqualität, Systemabhängigkeit und Freigabebedarf. Ein hoher Wiederholungsgrad ist hilfreich, reicht aber nicht aus. Ein Prozess mit vielen Durchläufen und unstrukturierten Eingangsdaten kann riskanter sein als ein kleinerer Ablauf mit klaren Feldern und stabilen Schnittstellen.
Quick Win oder End-to-End-Fall
Ein guter Einstieg ist eine klar begrenzte Teilaufgabe. Dazu zählen etwa die Klassifizierung eingehender Anfragen, das Extrahieren definierter Rechnungsfelder oder die Vorbereitung eines CRM-Datensatzes. Die KI darf dabei vorschlagen und anreichern, während die eigentliche Buchung oder Statusänderung zunächst kontrolliert erfolgt.
Komplexe End-to-End-Fälle brauchen mehr Vorarbeit. Sie berühren mehrere Systeme, Rollen und Berechtigungen. Ein Auftrag kann beispielsweise nur dann weiterlaufen, wenn Kundendaten vollständig sind, die Konditionen geprüft wurden und eine definierte Freigabe vorliegt. Solche Abläufe sind wertvoll, aber sie sollten nicht als erster unkontrollierter Agent gebaut werden.
Anforderungen so formulieren, dass sie testbar sind
Schreibe für jeden Kandidaten ein kleines Prozessblatt. Es sollte den Startpunkt, die Eingaben, die erwartete Ausgabe, die erlaubten Aktionen, die Freigabegrenze und den Eskalationsweg enthalten. Ergänze eine Verantwortungsmatrix: Wer besitzt den Prozess, wer prüft die KI-Ausgabe, wer betreibt die Schnittstelle und wer entscheidet bei einem Fehler?
Formuliere Ziele mit vorhandenen Messgrössen. Durchlaufzeit, Fehlerquote, Bearbeitungsvolumen und Eskalationsrate sind brauchbarer als ein allgemeines Ziel wie „mehr Effizienz“. Miss den Ausgangszustand, bevor du automatisierst. Sonst kannst du nach dem Go-live nicht unterscheiden, ob die Lösung tatsächlich hilft oder nur Arbeit verschiebt.
Systeme verbinden mit Connectoren und MCP Layer
Eine KI kann nur dann zuverlässig in ERP-, CRM- und Buchhaltungsprozessen arbeiten, wenn sie kontrollierten Zugriff auf die richtigen Daten und Aktionen erhält. Der Connector ist dabei nicht bloss ein technischer Adapter. Er übersetzt zwischen Geschäftslogik und Systemlogik, prüft Eingaben und begrenzt, was ein Agent überhaupt ausführen darf.
Connectoren passend zum System bauen
Standard-Connectoren sind sinnvoll, wenn sie die benötigten Objekte, Felder und Aktionen sauber abdecken. Für BMD, DATEV, Navision, Exact und weclapp reicht eine oberflächliche Verbindung aber oft nicht aus. Buchhaltung und ERP enthalten gewachsene Berechtigungen, individuelle Felder, Freigabelogik und unterschiedliche Datenmodelle.
Ein Custom Connector sollte deshalb mindestens diese Funktionen abbilden:
- Lesen: Kunden, Lieferanten, Belege, Aufträge und Statusinformationen gezielt abrufen.
- Validieren: Pflichtfelder, Formate, Dubletten und Berechtigungen vor einer Aktion prüfen.
- Schreiben: Änderungen idempotent und mit klarer Rückmeldung ausführen.
- Fehler behandeln: Zeitüberschreitungen, fehlende Daten und abgelehnte Aktionen unterscheiden.
- Protokollieren: Aufruf, Nutzerkontext, Eingabe, Ergebnis und Freigabe dokumentieren.
In der Buchhaltung kann ein Workflow beispielsweise einen Beleg aus einem Postfach erfassen, relevante Felder extrahieren und gegen Lieferanten- oder Bestelldaten prüfen. Die KI sollte nicht selbständig jede Buchung durchführen. Sie kann einen Buchungsvorschlag vorbereiten, Unsicherheiten markieren und die Freigabe an die zuständige Rolle geben.
Der MCP Layer als governanter Zugriffspunkt
Ein Enterprise MCP Layer bündelt den Zugriff auf Kernsysteme über definierte Werkzeuge und Richtlinien. Der Agent erhält nicht unbeschränkten Datenbankzugang, sondern darf nur freigegebene Funktionen aufrufen. Das erleichtert Berechtigungsprüfung, Modellwechsel, zentrale Protokollierung und die Kontrolle sensibler Daten.
Die Architektur sollte Datenfluss und Verantwortlichkeit sichtbar machen:
- Ein Ereignis startet den Workflow.
- Der Agent fordert genau die benötigten Informationen an.
- Der MCP Layer prüft Identität, Rolle und erlaubte Aktion.
- Der Connector ruft das Zielsystem auf und validiert die Antwort.
- Der Workflow speichert Ergebnis, Status und mögliche Eskalation.
EU-Residenz, Aufbewahrung, Zugriffstrennung und Audit-Logs gehören von Anfang an in die Architektur. Sie sind keine nachträglichen Einstellungen, die man kurz vor dem Go-live ergänzt. Wer die Integrationen ansehen will, sollte dabei nicht nur auf die Anzahl der Schnittstellen achten, sondern auf Authentifizierung, Fehlerbehandlung und Wartbarkeit.
Was in der Praxis häufig nicht funktioniert
Ein einzelner Agent mit weitreichenden Systemrechten klingt zunächst effizient. In produktiven Umgebungen erzeugt er aber schwer prüfbare Entscheidungen, unklare Fehlerbilder und ein unnötig grosses Schadenspotenzial. Besser ist eine kleine Zahl eng definierter Werkzeuge, die jeweils eine klar beschriebene Aktion ausführen.
Diese Trennung entspricht dem Grundgedanken einer Enterprise-Automatisierungsplattform: Orchestrierung, Integrationen, Berechtigungen und Beobachtbarkeit müssen zusammenspielen. Der MCP Layer ist dabei keine magische Abkürzung. Er schafft eine kontrollierte Brücke, die technisch betrieben, getestet und versioniert werden muss.
Agenten orchestrieren und Workflows mit Kontrolle steuern
Ein produktiver Agenten-Workflow besteht nicht aus einem grossen Prompt, sondern aus mehreren kleinen Zuständigkeiten. Ein Agent erkennt den Eingang, ein anderer bereitet Daten auf, ein dritter prüft das Ergebnis. Diese Aufteilung macht den Ablauf verständlicher und verhindert, dass ein Modell gleichzeitig interpretieren, buchen und freigeben soll.
Aufgaben begrenzen und Übergaben definieren
Nimm einen Support- oder Vertriebsprozess. Eine eingehende E-Mail wird zunächst klassifiziert. Danach extrahiert ein Verarbeitungsschritt Kundennummer, Anliegen und Dringlichkeit. Ein weiterer Schritt sucht passende Daten im CRM, erstellt einen Antwortentwurf und schlägt eine nächste Aktion vor.
Die Kontrolle liegt in den Übergabepunkten:
- Erkennung: Der Workflow prüft, ob die Nachricht zum erwarteten Eingangstyp passt.
- Verarbeitung: Der Agent darf Daten lesen und einen Entwurf erzeugen, aber keine kritische Änderung ausführen.
- Prüfung: Regeln und ein Mensch kontrollieren Unsicherheit, Vollständigkeit und Empfänger.
- Ausführung: Erst nach Freigabe wird ein CRM-Status geändert, eine Aufgabe erstellt oder ein ERP-Schritt angestossen.
- Eskalation: Unbekannte Fälle, widersprüchliche Daten und fehlende Berechtigungen stoppen den Ablauf.
Human-in-the-Loop bedeutet nicht, dass Menschen jede KI-Ausgabe manuell abtippen. Es bedeutet, dass sie an den Stellen entscheiden, an denen Risiko, Haftung oder fachliche Auslegung relevant sind. Eine Freigabe sollte die verwendeten Daten, die vorgeschlagene Aktion und den Grund für die Empfehlung anzeigen.
Beobachtbarkeit gehört in den Prozess
Ein Dashboard muss zeigen, welche Läufe erfolgreich waren, wo sie stehen und warum sie angehalten wurden. Dazu gehören Eingangsereignis, Agentenschritt, verwendetes Werkzeug, Ergebnis, Freigabe und Fehlercode. Ohne diese Informationen bleibt die Automatisierung eine Blackbox, die bei der ersten Ausnahme im Postfach eines Entwicklers landet.
Gerade bei automatisierter Entscheidungsfindung sollte die Organisation zwischen Empfehlung und verbindlicher Entscheidung unterscheiden. Ein Workflow darf eine Priorität vorschlagen, aber die fachliche Verantwortung muss bei einer benannten Rolle bleiben, wenn die Konsequenz für Kunde, Mitarbeiter oder Finanzen erheblich ist.
<iframe width="100%" style="aspect-ratio: 16 / 9;" src="https://www.youtube.com/embed/w7iMfWvBdgM" frameborder="0" allow="autoplay; encrypted-media" allowfullscreen></iframe>Orchestrierung ist damit näher an einem verteilten Softwaresystem als an einem Chatbot. Wer die Betriebskosten solcher Abläufe analysiert, findet nützliche Perspektiven zur operativen Kostenreduktion, sollte aber Einsparungen erst nach stabiler Messung und kontrolliertem Betrieb bewerten.
Governance Rollout und Adoption im Unternehmen verankern
Technische Integration bringt keinen nachhaltigen Nutzen, wenn niemand für Daten, Freigaben und Betrieb verantwortlich ist. In Österreich liegt die Herausforderung genau an dieser Stelle. Laut McKinsey, State of AI in Austria 2025 berichten 61 % der österreichischen Unternehmen von minimalen bis keinen Produktivitätssteigerungen, während 97 % kein KI-Personal haben. Die Lücke liegt deshalb häufig nicht bei der Modellauswahl, sondern bei Integration, Prozessdesign und Ownership.
Governance als Betriebsmodell
Definiere zuerst Rollen, bevor du weitere Workflows freischaltest. Der Process Owner verantwortet das Ergebnis. Der System Owner verantwortet Connectoren und Berechtigungen. Fachliche Prüfer entscheiden bei Ausnahmen. Security und Datenschutz legen Datenklassen, Aufbewahrung und Zugriffsregeln fest.
Für jeden Workflow gehören mindestens diese Punkte in ein Playbook:
- Zweck und Grenze: Was darf der Workflow erledigen, was ausdrücklich nicht?
- Datenverarbeitung: Welche Quellen werden verwendet, wo dürfen Inhalte verarbeitet werden?
- Freigaben: Ab welchem Risiko oder Betrag ist ein Mensch erforderlich?
- Betrieb: Wer überwacht Fehler, Laufzeiten und Schnittstellen?
- Änderungen: Wie werden Prompts, Modelle, Connectoren und Regeln getestet?
- Abschaltung: Wie wird der Workflow gestoppt, wenn Daten oder Ergebnisse fehlerhaft sind?
Österreichische Unternehmen nennen Sicherheitsbedenken als konkrete Hürde. Eine österreichische Post-Studie führt 45 % Angst vor Datenverlust und Datenmanipulation an, während 94 % menschliche Kontrolle als essenziell betrachten; 35 % berichten dort, dass KI nicht die erwartete Effizienzsteigerung gebracht habe. Diese Werte sprechen nicht gegen Automatisierung. Sie zeigen, dass Vertrauen aus Kontrollen, klaren Grenzen und sichtbarer Verantwortung entsteht. Die Sicherheits- und Governance-Perspektive sollte deshalb gemeinsam mit dem Prozess entworfen werden.
Adoption ohne Schatten-IT
Schulung funktioniert besser, wenn sie an echten Prozessen statt an allgemeinen KI-Funktionen ansetzt. Ein Training Sprint kann Führungskräften Entscheidungslogik und Risiko zeigen, während Engineers Connectoren, Tests und Monitoring bauen. Fachabteilungen sollten mit einem konkreten Playbook arbeiten, das sie nach dem Training selbst erweitern können.
Ein asynchrones Arbeitsmodell mit wöchentlichen Reviews hält den Rollout beweglich. Jede Woche werden fehlgeschlagene Läufe, neue Ausnahmefälle, Berechtigungsfragen und Prozesskennzahlen geprüft. So entsteht keine zentrale Speziallösung, die nur ein einzelnes Team versteht.
Die Statistik-Austria-Erhebung zur KI-Nutzung 2025 zeigt zudem eine deutliche Lücke zwischen Nutzung und Reife. 30 % der Unternehmen mit mindestens zehn Beschäftigten setzen KI ein, aber 77 % der Nichtnutzer haben sich noch nicht mit einer Einführung beschäftigt. Ein Rollout braucht daher nicht nur technische Freischaltung, sondern verständliche Regeln für alle Teams.
Erfolg messen und Workflow Automatisierung skalieren
Ein Pilot ist dann erfolgreich, wenn er eine betriebliche Kennzahl verbessert und nicht nur eine beeindruckende Demo liefert. Vor dem Start werden mindestens Durchlaufzeit, Fehlerquote, Bearbeitungsvolumen und Eskalationsrate im bestehenden Ablauf erfasst. Nach dem Go-live vergleichst du dieselben Werte und prüfst zusätzlich, ob Mitarbeitende tatsächlich weniger manuelle Arbeit leisten.
Die richtigen Signale lesen
Der Automatisierungsgrad allein sagt wenig aus. Ein Workflow kann viele Fälle automatisch abschliessen und trotzdem problematisch sein, wenn die Fehlerquote steigt oder Ausnahmen unbemerkt bleiben. Entscheidend ist die Kombination aus Geschwindigkeit, Qualität und Kontrolle.
| Kennzahl | Was sie zeigt | Warnsignal |
|---|---|---|
| Durchlaufzeit | Wie schnell ein Fall vom Eingang bis zum Ergebnis gelangt | Zeitgewinn entsteht nur durch neue Wartezeiten |
| Fehlerquote | Wie oft Daten oder Entscheidungen korrigiert werden müssen | Fehler werden erst nachgelagert entdeckt |
| Bearbeitungsvolumen | Wie viele Fälle das Team bewältigt | Das Volumen steigt, aber der Rückstau bleibt |
| Automatisierungsgrad | Welcher Anteil ohne manuellen Eingriff läuft | Kritische Fälle werden zu früh freigegeben |
| Eskalationsrate | Wie häufig ein Mensch eingreifen muss | Die Regelbasis ist zu unklar oder die Datenqualität zu schwach |
Die österreichische Tieto-Studie berichtet, dass nur 4 % der Unternehmen KI vollständig in Kernprozesse integriert haben, während 60 % die Integration als wenig fortgeschritten bewerten. Das bestätigt die praktische Erfahrung: Der Engpass liegt selten im Erzeugen eines Entwurfs, sondern in stabilen Übergaben, Tests und Verantwortlichkeiten. New Business fasst die Tieto-Ergebnisse zusammen.
Ein schlanker Fahrplan
In den ersten 30 Tagen wird ein Prozess ausgewählt, der klare Eingaben und einen begrenzten Risikobereich hat. Ausgangsdaten, Rollen, Freigaben und Fehlerszenarien werden dokumentiert. Der Pilot läuft zunächst mit Protokollierung und menschlicher Kontrolle.
Bis 60 Tage werden die häufigsten Ausnahmen analysiert. Connectoren werden stabilisiert, Regeln nachgeschärft und die Kennzahlen mit dem Ausgangszustand verglichen. Erst wenn der Ablauf verlässlich ist, wird der Kreis der Nutzer oder Fälle erweitert.
Bis 90 Tage entscheidet das Team, ob der Workflow auf weitere Gesellschaften, Prozesse oder Systeme übertragen wird. Dabei bleibt die Governance unverändert verbindlich. Ein neuer Prozess erhält dieselbe Prüfung, dieselben Freigabeprinzipien und dieselbe Beobachtbarkeit, statt eine parallele Schattenlösung zu schaffen.
Die Position ist klar: Starte klein, aber plane von Anfang an produktionsfähig. Ein begrenzter Workflow mit Connector-Logik, MCP Layer, Audit-Logs und Human-in-the-Loop ist wertvoller als ein umfassender Agent, der zwar viele Systeme kennt, aber niemandem eindeutig gehört.
Specialty Tokens unterstützt Mittelstand und Enterprise beim Einbau von KI-Workflows in ERP, CRM, Buchhaltung und Backoffice, mit Custom Connectoren, einem governanten MCP Layer und Training für interne Teams. Wenn du einen konkreten Prozess von der Analyse bis zum produktiven Betrieb bringen willst, besuche Specialty Tokens und starte mit einem klar abgegrenzten Automatisierungsfall.