Erfolg in der digitalen Transformation von Unternehmensprozessen

Einleitung: Das Zeitalter der digitalen Transformation und die neue Effizienzgrenze

In der heutigen dynamischen und unsicheren Geschäftswelt müssen sich Organisationen fortlaufend weiterentwickeln, um wettbewerbsfähig zu bleiben und Risiken zu steuern. Die digitale Transformation (DT) bildet die Grundlage dieser Entwicklung; sie ist der Prozess, fortgeschrittene digitale Technologien wie Informations- und Kommunikationstechnologien (IKT/ICT), Künstliche Intelligenz (KI/AI), Robotic Process Automation (RPA) und Large Language Models (LLM) in alle Bereiche einer Organisation zu integrieren. Diese Integration steigert die operative Effizienz, ermöglicht bessere Entscheidungen und fördert Innovation.

Trotz des Potenzials der digitalen Transformation wird die Kluft zwischen Investitionen und tatsächlichem Geschäftswert jedoch tiefer. Studien zeigen, dass ein Großteil der KI-Investitionen von Unternehmen (GenAI Divide) nicht die erwartete Rendite erbringt. Die Hauptursachen dieser Kluft liegen weniger in der Qualität der Technologie oder in Regulierungen als vielmehr in den gewählten Ansätzen.

Dieser Artikel untersucht zwei grundlegende Herausforderungen der digitalen Transformation von Unternehmensprozessen: die Überwindung des Widerstands gegen Veränderung (resistance to change) und die Umsetzung wirksamer Integrationsstrategien.

Technologische Grundlagen der digitalen Transformation: KI, RPA und Industrie 5.0

Die Wirkung von Künstlicher Intelligenz (KI) und RPA in der Geschäftswelt

KI ist ein Gebiet der Informatik, das sich darauf konzentriert, menschliche kognitive Fähigkeiten wie Lernen, Schlussfolgern, Wahrnehmen und Anpassen zu simulieren. Dank bedeutender Fortschritte der letzten Jahre (Hochleistungsrechnen, Cloud Computing, Verbreitung von Open-Source-Software) wird KI heute in nahezu allen Bereichen eingesetzt, etwa im Gesundheitswesen, im Finanzwesen, in der Automobilindustrie und im Energiemanagement. Auf Unternehmensebene gehören zu den Vorteilen von KI das schnelle Aufdecken von Mustern in großen Datenmengen, schnelle Visualisierung und Analyse, verbessertes Produktdesign und fundierte Erkenntnisse. Von diesen Vorteilen werden neue Servicelevel, höhere Gewinne, Geschäftsausweitung, gesteigerte Effizienz und bessere Kostenstrukturen erwartet. RPA wiederum umfasst den Einsatz von Software-Bots zur Automatisierung regelbasierter, repetitiver Aufgaben, die üblicherweise von Menschen erledigt werden. Anders als herkömmliche physische Roboter arbeitet RPA auf digitaler Ebene, indem sie mit der bestehenden IT-Infrastruktur interagiert (etwa bei Dateneingabe oder Rechnungsverarbeitung). RPA hat sich wegen ihres Potenzials für operative Einsparungen von 30 % bis 70 % und ihrer schnellen Umsetzbarkeit weit verbreitet.

Der Übergang von Industrie 4.0 zu 5.0 und Agentic AI

Industrie 4.0 beruht auf der umfassenden Automatisierung von Produktion und Datenaustausch. Industrie 5.0 baut auf diesem Erbe auf und stellt dabei eine menschzentrierte Vision in den Vordergrund. Industrie 5.0 wird als industrielles Entwicklungsmodell definiert, das wirtschaftlichen und technologischen Fortschritt um soziale Verantwortung und ökologisches Bewusstsein ergänzt. Hier verbindet sich KI mit den Ausführungsfähigkeiten von RPA zur Steigerung der operativen Effizienz und ermöglicht so Hyperautomatisierung. Die jüngste Stufe dieser Entwicklung von RPA sind Agentic-AI-Systeme. Anders als statische Werkzeuge bewahren agentische Systeme ein dauerhaftes Gedächtnis (persistent memory), lernen aus Interaktionen und können komplexe Arbeitsabläufe autonom organisieren. Diese Systeme bieten die Kernfähigkeiten, die Organisationen von der falschen Seite des GenAI Divide befreien: Anpassung, Erinnerung und Weiterentwicklung im Zeitverlauf.

Das größte Hindernis: Umgang mit dem Widerstand gegen Veränderung (Resistance to Change)

Ursachen und Folgen des Widerstands gegen Veränderung

Widerstand gegen Veränderung bezeichnet die mangelnde Bereitschaft von Beschäftigten, notwendige neue interne Initiativen, insbesondere strategische Veränderungen oder Technologieeinführungen, mitzutragen. Er hat kognitive, emotionale und verhaltensbezogene Komponenten und entsteht meist aus Angst, einer wahrgenommenen Bedrohung oder Meinungsverschiedenheiten über den Wert der Veränderung. Widerstand verlangsamt die digitale Transformation, verzögert Innovation und führt zu einer Abweichung von den Kernzielen der Transformationsprogramme. Die Ergebnisse zeigen, dass Widerstand gegen Veränderung indirekt finanzielle und operative Risiken erhöht. Das bedeutet: Wenn Organisationen Widerstände nicht steuern, schwächt dies nicht nur den Transformationserfolg, sondern kann auch zusätzliche finanzielle und operative Risiken erzeugen.

Die subjektive Dimension: KI-Verantwortungsrisse (AIRR)

Klassische „KI-Risiken“ (objektive technische Risiken, etwa KI-Halluzinationen) treten in Kontexten mit vielen Stakeholdern und hoher Datensensibilität in den Hintergrund. In diesen Kontexten konzentriert sich die eigentliche Herausforderung auf die KI-Verantwortungsrisse (AI Responsibility Rifts – AIRR): Unstimmigkeiten oder Lücken zwischen den subjektiven Erwartungen, Werten und Wahrnehmungen der Stakeholder (KI-Entwickler, Endnutzer, Führungskräfte, vulnerable Gruppen) hinsichtlich Nutzen und Risiken eines KI-Systems. Werden AIRRs ignoriert, kann dies für Organisationen hohe Kosten für Fehlerbehebung und Nachschulung, eine Gefährdung des Rufs technischer Vorreiter und in datensensiblen Kontexten gravierende negative Folgen nach sich ziehen.

AIRRs mit dem SHARE-Rahmen schließen

Um AIRRs proaktiv zu erkennen und zu steuern, müssen die unterschiedlichen Erwartungen der Stakeholder in Bezug auf Sicherheit (Safety), Menschlichkeit (Humanity), Rechenschaftspflicht (Accountability), Verlässlichkeit (Reliability) und gesellschaftliche Gerechtigkeit (Equity) (S-H-A-R-E) beachtet werden. Safety (Sicherheit): Meinungsverschiedenheiten zwischen Stakeholdern über Sicherheitsprioritäten bei der Erhebung von Trainingsdaten und der Einwilligung, beim Dateneigentum und bei der Vermeidung diskriminierender Ergebnisse. Lösung: Umfassende Sicherheitsbewertungen unter Einbeziehung nicht-technischer Stakeholder, einschließlich Endnutzern und Begünstigten, durchführen. Humanity (Menschlichkeit): Meinungsverschiedenheiten über die Auswirkungen von KI auf die Sinnstiftungsrituale und die berufliche Identität der Nutzer (ob Automatisierung stärkt oder nicht, Verlust menschlicher Empathie). Lösung: Partizipative KI-Gestaltungsprozesse ermöglichen. Accountability (Rechenschaftspflicht): Meinungsverschiedenheiten darüber, wem (oder welchem Menschen) Verdienst oder Schuld für KI-Ergebnisse zugeschrieben wird. Lösung: Ein Aufsichtsgremium mit mehreren Stakeholdern einrichten. Reliability (Verlässlichkeit): Unterschiedliches Vertrauen der Stakeholder in die Verlässlichkeit von KI-Ergebnissen (kulturelle Sensibilität, Transparenz, Blackbox-Charakter). Lösung: KI-Auditverfahren entwickeln. Equity (gesellschaftliche Gerechtigkeit): Meinungsverschiedenheiten über langfristige, unverhältnismäßige Auswirkungen von KI-Werkzeugen. Lösung: Arbeitsgruppen bilden, die historisch marginalisierten Stakeholdern eine Plattform geben.

Die Rolle des Managements beim Abbau von Widerständen

Für Organisationen ist der Umgang mit Widerstand gegen Veränderung von entscheidender Bedeutung. Um ein Scheitern der digitalen Transformation zu verhindern, empfehlen Führungskräfte, eine auf Agilität ausgerichtete Kultur aufzubauen, ausreichende Schulungen anzubieten und die Stakeholder frühzeitig in den Transformationsprozess einzubinden. Widerstand kann zugleich eine positive Seite haben, indem er Schwächen neuer Systeme aufzeigt und so strategische Verbesserungen ermöglicht; deshalb muss er als organisatorisches Risiko gesteuert werden.

Die Kluft des Scheiterns: Typische Fehler und der GenAI Divide

Fehler, die den Übergang von Piloten in den Produktivbetrieb verhindern

95 % der maßgeschneiderten KI-Lösungen auf Unternehmensebene scheitern. Die Hauptursachen des Scheiterns sind: 1. Fehlendes kontextuelles Lernen: Die meisten KI-Systeme speichern kein Feedback, passen sich nicht an den Kontext an und verbessern sich nicht mit der Zeit. Nutzer bevorzugen für einfache Aufgaben zwar allgemeine Werkzeuge wie ChatGPT, halten diese aber für kritische Arbeitsabläufe für unzureichend. 2. Falscher Integrationsfokus (Aufgabenorientierung): Eine der häufigsten Fallen ist die Konzentration auf reine Aufgabenautomatisierung statt auf eine End-to-End-Prozesstransformation. 3. Fehlende Passung von IT und Arbeitsabläufen: Individuelle Lösungen stocken, weil sie nicht zu bestehenden Prozessen passen und ihre Integration in sensible Arbeitsabläufe komplex ist. 4. Investitionsverzerrung: Budgets fließen meist in sichtbare, hochrangige Funktionen (etwa Vertrieb und Marketing), während Backoffice-Funktionen unterfinanziert bleiben. 5. Unzureichende Governance und fehlendes Risikomanagement: Fehlt bei Agentic-AI-Lösungen eine angemessene Governance, können die für das Risikomanagement Verantwortlichen das System stoppen und damit Chaos auslösen.

Der Fehler der Eigenentwicklung

Ein weiterer wesentlicher Fehler von Organisationen ist die Eigenentwicklung ihrer Werkzeuge. Eigenentwicklungen scheitern doppelt so häufig wie strategische Partnerschaften mit externen Partnern (Überführungsquote in den Produktivbetrieb: 67 % bei externen Partnerschaften, 33 % bei internen Lösungen). Erfolgreiche Käufer arbeiten bevorzugt mit externen Partnern, vermeiden so den Aufwand eines Neuaufbaus und gelangen dennoch zu maßgeschneiderten Lösungen.

Der Weg zur erfolgreichen Integration: Wirksame Strategien und Agentic AI

Lernfähigkeit und die Rolle agentischer Systeme

Die zentrale Definition erfolgreicher Integration ist die Einführung von Agentic-AI-Systemen. Diese Systeme adressieren unmittelbar die Lernlücke, die den GenAI Divide ausmacht. • Dauerhaftes Gedächtnis und Kontextbewusstsein: Agentische Systeme bewahren ein dauerhaftes Gedächtnis, lernen aus Interaktionen und bieten ein Kontextbewusstsein, das nicht jedes Mal die Eingabe des vollständigen Kontexts erfordert. • Agentic Web: Die nächste Entwicklungsstufe über einzelne KI-Agenten hinaus ist ein Agentic Web, in dem Agenten über die gesamte Internetinfrastruktur hinweg erkunden, verhandeln und sich koordinieren können.

Kriterien für die richtige Integration und Anpassung

Bei der Bewertung von KI-Werkzeugen sollten Führungskräfte an Geschäftsergebnissen orientierte Kriterien und ein tiefes Verständnis der Arbeitsabläufe in den Vordergrund stellen. Erfolgreiche Anbieter und Käufer stellen sicher, dass ihre Systeme folgende Eigenschaften erfüllen: 1. Tiefe Passung zum Arbeitsablauf: Integration in bestehende Prozesse mit minimaler Unterbrechung. 2. Fähigkeit zur Weiterentwicklung: Lernen aus Feedback und Korrektur wiederkehrender Fehler. 3. Transparente Datengrenzen: Klare Datengrenzen und Kontrolle, um die Sicherheit der Kundendaten zu gewährleisten. 4. Flexibilität: Da sich Prozesse quartalsweise ändern, ist es entscheidend, dass das KI-System mit dieser Entwicklung Schritt hält.

Strukturierter Rahmen für die Integration von RPA und KI (im Kontext der Industrie 5.0)

Die erfolgreiche Integration von RPA und KI im Kontext der Industrie 5.0 erfordert einen schrittweisen, strukturierten Ansatz, der Automatisierung mit kognitiver Verstärkung und menschzentrierter Zusammenarbeit in Einklang bringt. Phase 1 – Prozessbewertung und -auswahl: Identifikation wirkungsstarker, regelbasierter Prozesse für die Automatisierung. Ergebnis: Priorisierte Automatisierungs-Pipeline. Phase 2 – Konfiguration des Technologie-Stacks: Auswahl von RPA-Werkzeugen (z. B. UiPath) und KI-Modellen (z. B. TensorFlow) und Sicherstellung der Interoperabilität. Ergebnis: Interoperables Systemdesign. Phase 3 – Pilotierung und Validierung: Test der Automatisierung in kontrollierten Umgebungen (z. B. Finanzen, Logistik); Validierung von ROI und Nutzererkenntnissen. Ergebnis: Machbarkeitsnachweis (Proof-of-Concept). Phase 4 – Vollständige Integration und menschliche Unterstützung: Ausweitung über Abteilungen hinweg mit Human-in-the-Loop-Kontrollen; Schulung für Mensch-Roboter-Kollaboration (Cobots) und Change-Management. Ergebnis: Unternehmensweite Automatisierung. Phase 5 – Kontinuierliche Optimierung und ethische Governance: Überwachung der Leistung, Verbesserung der KI-Modelle, Sicherstellung ethischer Konformität (Explainable AI/XAI). Ergebnis: Nachhaltige Effizienzgewinne.

Organisationsgestaltung und Führung

Organisationen, die in der Transformation erfolgreich sind, gestalten ihre Organisationsstrukturen neu. • Dezentrales Experimentieren, zentrale Rechenschaft: Die stärksten Unternehmensanwendungen beginnen meist bei Power-Usern („prosumers“), die KI-Werkzeuge bereits für ihre persönliche Produktivität nutzen. • KPI-Orientierung: Die Managementpraxis mit der größten Wirkung von Transformationsvorhaben auf das Ergebnis ist die Verfolgung klar definierter KPIs für KI-Lösungen. • Vision einer End-to-End-Transformation: Erfolgreiche Organisationen denken in umfassend transformierenden Veränderungen, die Geschäftsmodelle, Kostenstrukturen und Einnahmequellen verändern.

Fazit: Den GenAI Divide überwinden

Obwohl die digitale Transformation großes Potenzial bietet, die operative Effizienz zu steigern und Risiken zu senken, stehen Organisationen vor einer großen Kluft des Scheiterns, die als GenAI Divide bezeichnet wird. Der Schlüssel zum Erfolg liegt darin, über die bloße Einführung von Technologie hinauszugehen, lernfähige Systeme wie Agentic AI einzusetzen und die Organisationskultur sowie die Integrationsstrategien grundlegend neu auszurichten.

Entscheidende Schritte

1. Widerstände steuern und AIRRs schließen — Widerstand gegen Veränderung muss als organisatorisches Risiko behandelt und gesteuert werden. Die subjektiven Meinungsverschiedenheiten der Stakeholder (AIRR) anzuerkennen und sie mit den Mechanismen des SHARE-Rahmens — Transparenz, partizipative Gestaltung und Rechenschaftspflicht — zu schließen, sorgt dafür, dass die Transformation gesellschaftlich und ethisch verantwortungsvoll bleibt.

2. Auf Lernfähigkeit setzen — Statt in statische Werkzeuge zu investieren, die den Kontext vergessen, sollte der Fokus auf Partnerschaften mit agentischen Systemen liegen, die aus Feedback lernen, über ein dauerhaftes Gedächtnis verfügen und sich tief an Arbeitsabläufe anpassen.

3. Strategische Partnerschaft — Statt auf Eigenentwicklungen (deren Scheiternswahrscheinlichkeit doppelt so hoch ist) sollten strategische Partnerschaften mit externen Partnern eingegangen werden, die ein tiefes Verständnis der Arbeitsabläufe mitbringen, maßgeschneidert arbeiten und an Geschäftsergebnissen gemessen werden.

4. End-to-End-Prozesstransformation — Statt marginaler Aufgabenautomatisierung ist der Übergang zu einer Neugestaltung der Arbeitsabläufe und zu einem ganzheitlichen Ansatz nötig, der die menschzentrierten Werte der Industrie 5.0 in den Mittelpunkt stellt.

Literatur

1. Neha Soni, Enakshi Khular Sharma, Narotam Singh, Amita Kapoor. "Artificial Intelligence in Business: From Research and Innovation to Market Deployment." Procedia Computer Science 167 (2020).
2. Patrício, L. et al. "A Framework for Integrating Robotic Process Automation with Artificial Intelligence Applied to Industry 5.0." Appl. Sci. 2025, 15, 7402.
3. MIT NANDA. "The GenAI Divide: State of AI in Business 2025." Preliminary Findings.
4. Slassi-sennou, S., & Elmouhib, S. "Managing Financial and Operational Risks Through Digital Transformation." Journal of Risk and Financial Management, 18(3), 128 (2025).
5. Sharma, S. & Aristidou, A. "How Stakeholders Operationalize Responsible Artificial Intelligence (AI) in Data Sensitive Contexts." MIS Quarterly Executive, 2024.
6. IBM Institute for Business Value. "Start realizing ROI: A practical guide to agentic AI." 2025.
7. McKinsey & Company. "The state of AI: How organizations are rewiring to capture value." McKinsey Global Survey, March 2025.