Warum Success Anthropic-Partner wird?
Im Rahmen unserer Weihnachtsaktion erhalten Sie 10% Nachlass für einen RaaS-3-Vertrag für 3 Stellenbesetzungen. Aus unserem Erlös spenden wir 10% an das Kinderprojekt von "Die Arche" in München.
Viele Technologieunternehmen verfügen heute über moderne CRM-, ERP-, Collaboration- und Cloud-Systeme. Trotzdem wird ein erheblicher Teil der digitalen Arbeit weiterhin von Menschen koordiniert: Informationen werden übertragen, Status abgefragt, Freigaben organisiert und Daten zwischen Systemen zusammengeführt.
Mit generativer AI und AI Agents verändert sich, welche Arbeit überhaupt automatisiert werden kann. Die entscheidende Frage lautet deshalb nicht mehr nur, welche einzelnen Tätigkeiten sich automatisieren lassen. Unternehmen sollten betrachten, welche End-to-End-Prozesse ein klares Business Outcome erzeugen und wie Menschen, Systeme, Daten, Automatisierungen und AI dafür intelligent zusammenspielen können.
Genau hier beginnt der Übergang von klassischer Prozessautomatisierung zu Intelligent Operations.
AI ist in Unternehmen längst kein reines Innovationsthema mehr. Nach einer ifo-Umfrage vom Mai 2026 nutzen bereits 54,5 Prozent der deutschen Unternehmen künstliche Intelligenz in ihren Geschäftsprozessen. Weitere 16 Prozent planen den Einsatz.
Damit verändert sich auch die zentrale Fragestellung.
Vor wenigen Jahren lautete sie häufig:
Was kann AI für unser Unternehmen überhaupt leisten?
Heute lautet sie zunehmend:
Wo können wir AI wirtschaftlich sinnvoll in unsere bestehenden Geschäftsprozesse integrieren?
Gerade Technologieunternehmen haben dafür grundsätzlich gute Voraussetzungen. Viele Prozesse sind bereits digitalisiert, Daten liegen in unterschiedlichen Systemen vor und zahlreiche Tätigkeiten finden vollständig innerhalb digitaler Arbeitsumgebungen statt.
Trotzdem bedeutet Digitalisierung noch lange nicht Automatisierung.
Ein CRM kann vorhanden sein – und Mitarbeiter übertragen trotzdem Informationen aus E-Mails.
Ein ERP kann vorhanden sein – und Projektleiter koordinieren Freigaben manuell.
Ein Ticketsystem kann vorhanden sein – und Mitarbeiter müssen trotzdem Informationen aus verschiedenen Quellen zusammensuchen.
Ein Reporting-System kann vorhanden sein – und Führungskräfte warten weiterhin darauf, dass jemand Daten zusammenführt und interpretiert.
Die Softwarelandschaft ist digital.
Die Arbeit zwischen den Systemen ist jedoch häufig noch menschlich organisiert.
Genau dort entsteht eine der interessantesten Möglichkeiten für AI.
Wer heute über AI Automation nachdenkt, startet schnell mit der Technologie.
Welche AI Agents könnten wir bauen?
Welches Large Language Model sollten wir einsetzen?
Welche Automatisierungsplattform benötigen wir?
Welche Prozesse könnten wir mit Copilot, ChatGPT oder einem Agenten unterstützen?
Diese Fragen sind nachvollziehbar. Für einen belastbaren Business Case kommen sie jedoch zu früh.
Die interessantere Ausgangsfrage lautet:
Welche digitale Arbeit sollte künftig überhaupt noch von Menschen erledigt werden müssen?
Denn ein Unternehmen erzeugt keinen wirtschaftlichen Nutzen dadurch, dass es möglichst viele AI Agents implementiert.
Wert entsteht dort, wo ein relevantes Geschäftsergebnis schneller, zuverlässiger oder mit weniger operativer Reibung erreicht wird.
Das kann beispielsweise bedeuten:
Der Ausgangspunkt sollte deshalb nicht der Agent sein.
Der Ausgangspunkt ist das gewünschte Business Outcome.
Prozessautomatisierung ist nicht neu.
Unternehmen automatisieren seit Jahren regelbasierte Abläufe, Schnittstellen, Datenübertragungen und repetitive Tätigkeiten.
Diese klassische Form der Automation funktioniert besonders gut, wenn Abläufe eindeutig beschrieben werden können.
Wenn A passiert, führe B aus.
Wenn ein Feld einen bestimmten Wert besitzt, starte einen Workflow.
Wenn eine Rechnung eingeht, übertrage definierte Informationen in ein System.
Solche Automationen bleiben auch künftig wertvoll.
Die Herausforderung entsteht dort, wo Prozesse Kontext benötigen.
Eine Kunden-E-Mail kann unterschiedlich formuliert sein.
Ein Vertrag enthält unstrukturierte Informationen.
Ein Projektstatus ergibt sich aus mehreren Datenquellen.
Eine Opportunity kann nicht allein anhand eines einzelnen CRM-Feldes bewertet werden.
Eine Anfrage muss zunächst verstanden werden, bevor entschieden werden kann, welcher nächste Schritt sinnvoll ist.
Genau hier erweitert AI die Möglichkeiten klassischer Automation. UiPath beschreibt beispielsweise Dokumente, Verträge, E-Mails, Service Requests, Bestellungen und Kundenkommunikation als wichtige Quellen unstrukturierter oder teilstrukturierter Informationen, die für agentische Automatisierung nutzbar gemacht werden können.
AI macht damit nicht nur bestehende Automation leistungsfähiger.
AI erweitert die Grenze dessen, was Unternehmen automatisieren können.
Um die Entwicklung einzuordnen, lohnt sich eine einfache Unterscheidung.
Ein Workflow führt vorher definierte Schritte aus.
Die Prozesslogik ist weitgehend bekannt und wird durch Regeln abgebildet.
AI erweitert diese Abläufe um Fähigkeiten wie Verstehen, Klassifizieren, Zusammenfassen, Generieren oder Bewerten.
Damit können auch Informationen verarbeitet werden, die vorher menschliche Interpretation benötigt haben.
AI Agents gehen einen Schritt weiter. Sie können innerhalb vorgegebener Ziele und Grenzen Informationen aufnehmen, Schlussfolgerungen ziehen und Aktionen ausführen.
IBM beschreibt Agentic AI beispielsweise als Systeme, die ein bestimmtes Ziel mit begrenzter Überwachung verfolgen können; bei Multi-Agent-Systemen werden verschiedene Teilaufgaben durch Orchestrierung koordiniert.
Microsoft beschreibt die Entwicklung ähnlich: Unternehmen gestalten Workflows zunehmend so, dass Agents definierte Aufgaben End-to-End übernehmen und Menschen dort eingreifen, wo Urteilskraft oder zusätzlicher Kontext notwendig sind.
Damit entsteht eine neue Möglichkeit:
Nicht mehr nur einzelne Schritte eines Prozesses werden automatisiert.
Digitale Arbeit kann zunehmend selbstständig ausgeführt und koordiniert werden.
Nicht jeder Prozess sollte mit AI automatisiert werden.
Interessant werden insbesondere Abläufe, bei denen mehrere Faktoren zusammenkommen:
Wiederkehrende Arbeit
Der Prozess findet regelmäßig statt und bindet kontinuierlich Kapazität.
Digitale Informationen
Die benötigten Informationen befinden sich bereits in Systemen, Dokumenten, E-Mails oder Datenbanken.
Hohe Koordination
Menschen übertragen Informationen zwischen Systemen, verfolgen Status oder organisieren Übergaben.
Definierbares Ergebnis
Es lässt sich eindeutig beschreiben, welches Ergebnis der Prozess erzeugen soll.
Wirtschaftliche Relevanz
Geschwindigkeit, Qualität oder Kosten des Prozesses haben messbare Auswirkungen auf das Unternehmen.
Microsoft nennt insbesondere Abläufe mit klaren Regeln, wiederkehrender Koordination und definierten Outcomes als geeignete Ausgangspunkte für agentische Workflows.
Für Management und Operations entsteht daraus eine einfache Prüffrage:
Wie viel menschliche Zeit verwenden wir heute darauf, digitale Arbeit zwischen Systemen zu koordinieren?
Je höher diese Koordinationslast ist, desto interessanter kann der Prozess für intelligente Automatisierung werden.
Gerade entlang des Revenue Flows finden sich zahlreiche Prozesse, in denen Informationen, Entscheidungen und operative Arbeit über mehrere Teams und Systeme hinweg koordiniert werden.
Neue Angebote und Geschäftsideen benötigen Marktinformationen, Kundenfeedback, Wettbewerbsinformationen und interne Annahmen.
AI kann dabei unterstützen, Informationen zusammenzuführen, Hypothesen zu strukturieren und Market Tests vorzubereiten.
Mögliches Business Outcome: schneller von einer Idee zu einer belastbaren Entscheidung über Marktpotenzial und nächste Schritte.
Demand Generation besteht heute häufig aus vielen einzelnen Tätigkeiten über CRM, Marketing Automation, LinkedIn, Content und Research hinweg.
AI kann Zielunternehmen analysieren, relevante Signale identifizieren, Informationen anreichern und Aktivitäten vorbereiten.
Mögliches Business Outcome: mehr relevante Marktaktivität bei geringerer manueller Koordination.
Leads entstehen aus unterschiedlichen Quellen und enthalten häufig unvollständige Informationen.
AI kann Daten zusammenführen, Buying Signals bewerten, Informationen ergänzen und nächste Schritte vorbereiten.
Mögliches Business Outcome: schneller erkennen, welche Kontakte eine echte Opportunity darstellen und wo Sales-Kapazität eingesetzt werden sollte.
Zwischen qualifizierter Opportunity und Vertragsabschluss entstehen häufig Abstimmungen zwischen Sales, Delivery, Management, Legal und Finance.
Informationen müssen zusammengetragen, Angebote erstellt, Kalkulationen geprüft und Freigaben organisiert werden.
Mögliches Business Outcome: kürzere Angebotszyklen und weniger operative Reibung zwischen Opportunity und Abschluss.
Gerade bei IT Services, Consulting oder projektorientierten Technologieunternehmen endet der Revenue-Prozess nicht mit dem Auftrag.
Projektstatus, Leistungsnachweise, Abnahmen, Abrechnung und Rechnungsstellung müssen miteinander verbunden werden.
Manuelle Übergaben können dazu führen, dass bereits erbrachte Leistung später als notwendig fakturiert wird.
Mögliches Business Outcome: kürzere Zeit zwischen erbrachter Leistung, Rechnung und Cashflow.
Customer Success Teams verfügen über Informationen aus CRM, Ticketsystemen, Projektkommunikation, Nutzungsdaten und persönlichen Gesprächen.
AI kann diese Signale zusammenführen und Hinweise auf Risiken oder Expansion Opportunities sichtbar machen.
Mögliches Business Outcome: Risiken früher erkennen und Wachstumspotenziale systematischer identifizieren.
Genau hier entsteht momentan eine neue Herausforderung.
Unternehmen beginnen, einzelne AI Agents zu entwickeln.
Ein Agent recherchiert Unternehmen.
Ein anderer analysiert E-Mails.
Ein weiterer aktualisiert CRM-Daten.
Ein vierter erstellt Zusammenfassungen.
Jeder dieser Agents kann für sich wertvoll sein.
Aber vier funktionierende Agents ergeben noch keinen funktionierenden End-to-End-Prozess.
Denn zwischen ihnen müssen weiterhin Fragen beantwortet werden:
Welches gemeinsame Ziel verfolgen sie?
Welche Informationen dürfen sie verwenden?
Welches System besitzt die führenden Daten?
Wann darf ein Agent selbst entscheiden?
Wann muss ein Mensch eingebunden werden?
Wie werden Ausnahmen behandelt?
Wie wird das Ergebnis gemessen?
Wer trägt die Verantwortung für den Prozess?
Deshalb gewinnt neben Automation ein weiterer Begriff an Bedeutung:
Orchestration.
UiPath beschreibt Agentic Orchestration als Koordination und Steuerung von AI Agents, Automatisierungen und Menschen über End-to-End-Workflows hinweg. Im Juni 2026 stellte das Unternehmen zudem eine Orchestrierungslösung vor, die Agents, Robots, Menschen, Anwendungen und Daten über komplexe Geschäftsprozesse verbinden soll.
Auch Microsoft argumentiert, dass nicht AI allein Unternehmen verändert, sondern das System aus Modellen, Workflows, Agents, Feedback und menschlicher Kontrolle, in das sie eingebettet wird.
Der nächste Entwicklungsschritt besteht deshalb nicht darin, möglichst viele Agents zu bauen.
Er besteht darin, digitale Arbeit als zusammenhängendes System zu organisieren.
Genau an diesem Punkt beginnt Intelligent Operations.
Intelligent Operations betrachtet AI nicht als zusätzliche Anwendung neben CRM, ERP oder Collaboration Tools.
Stattdessen werden Prozesse, Daten, Systeme, Entscheidungen, Automatisierungen und AI so miteinander verbunden, dass digitale Arbeit zunehmend intelligent ausgeführt und orchestriert werden kann.
Die Entwicklung lässt sich vereinfacht als Reifegrad betrachten:
Menschen führen Tätigkeiten aus und koordinieren Systeme.
Software unterstützt Menschen bei einzelnen Aufgaben.
Systeme übernehmen definierte Abläufe und Automationen.
AI versteht zunehmend Kontext, bereitet Entscheidungen vor, führt digitale Tätigkeiten aus und orchestriert Arbeit über mehrere Systeme hinweg.
Die Rolle des Menschen verschwindet dadurch nicht.
Sie verändert sich.
Menschen definieren Ziele, Rahmenbedingungen und Verantwortung. Sie entscheiden bei relevanten Ausnahmen und dort, wo Urteilsvermögen oder unternehmerische Verantwortung gefragt sind.
AI übernimmt dagegen zunehmend repetitive, datenbasierte und koordinierende digitale Arbeit.
Celonis weist in diesem Zusammenhang auf einen wichtigen Punkt hin: Damit AI Agents in Unternehmen zuverlässig arbeiten können, benötigen sie Prozesskontext – also ein Verständnis dafür, wie Arbeit tatsächlich durch die Organisation fließt.
Damit wird aus einzelnen AI-Anwendungen schrittweise ein neues Operating Model für digitale Arbeit.
Die wichtigste Entscheidung bei AI-Prozessautomatisierung lautet deshalb nicht:
Welchen Agent können wir bauen?
Sondern:
Wo verlieren wir heute Zeit, Geschwindigkeit, Qualität oder Marge?
Erst wenn diese Frage beantwortet ist, sollte über die technische Lösung gesprochen werden.
Ein sinnvoller Ansatz beginnt daher mit fünf Schritten:
Assessment → Analyse → Design → Business Case → Umsetzung
Zunächst wird transparent, wie der bestehende Prozess tatsächlich funktioniert.
Danach werden Reibungsverluste, Abhängigkeiten und Automatisierungspotenziale analysiert.
Erst anschließend entsteht das zukünftige Prozess- und Lösungsdesign.
Der Business Case beantwortet dann eine sehr einfache Frage:
Ist die erwartete wirtschaftliche Wirkung groß genug, um die Veränderung zu rechtfertigen?
Erst danach beginnt die Umsetzung.
Denn nicht jeder Prozess benötigt einen AI Agent.
Manchmal reicht eine bessere Integration.
Manchmal ist klassische Workflow Automation die bessere Lösung.
Manchmal ist AI sinnvoll, um unstrukturierte Informationen zu verarbeiten.
Und manchmal entsteht erst durch das Zusammenspiel mehrerer Systeme und Agents ein relevanter wirtschaftlicher Hebel.
Die Technologie folgt dem Business Outcome – nicht umgekehrt.
Technologieunternehmen müssen nicht mit einer umfassenden AI-Transformation beginnen.
Drei Fragen reichen häufig aus, um interessante Ansatzpunkte zu identifizieren:
Wo übertragen Mitarbeiter Informationen, verfolgen Status, organisieren Freigaben oder führen Daten aus verschiedenen Systemen zusammen?
Welche Prozesse werden langsam, teuer oder fehleranfällig, weil Menschen ständig zwischen Systemen, Teams und Informationen vermitteln müssen?
Würde der Prozess schneller?
Würde die Qualität steigen?
Könnte Umsatz früher realisiert werden?
Würde Cashflow schneller entstehen?
Könnten Mitarbeiter mehr Zeit für Kunden, Entscheidungen oder wertschöpfende Arbeit einsetzen?
Wenn diese Fragen klar beantwortet werden können, entsteht eine wesentlich bessere Grundlage für AI Automation als durch die Suche nach einem weiteren AI Use Case.
Die nächste Evolutionsstufe von AI in Unternehmen wird nicht allein dadurch entstehen, dass immer mehr AI Agents eingesetzt werden.
Entscheidend wird sein, wie Unternehmen Menschen, Prozesse, Daten, Systeme, Automatisierungen und AI um ein gemeinsames Business Outcome organisieren.
Die eigentliche Frage lautet deshalb nicht:
Wie viele Tätigkeiten können wir mit AI automatisieren?
Sondern:
Welche digitale Arbeit sollte künftig überhaupt noch von Menschen erledigt werden müssen?
Intelligent Operations schafft einen systematischen Ansatz, um genau diese Frage zu beantworten – von der Analyse bestehender Operations über den Business Case bis zur intelligenten Umsetzung.
Richard Diks ist Unternehmer und AI Revenue Architect. Er unterstützt Technologieunternehmen dabei, Innovation systematisch in Wachstum zu übersetzen. Mit über 20 Jahren Erfahrung im Aufbau von Go-to-Market-Modellen, im Vertrieb komplexer Technologien und in der Skalierung neuer Geschäftsmodelle hilft er Organisationen, ihre Revenue-Systeme neu zu strukturieren, Umsatzrisiken sichtbar zu machen und skalierbare Revenue Architectures aufzubauen. Sein Fokus liegt darauf, Marketing, Vertrieb und Innovation so zu operationalisieren, dass aus technologischen Möglichkeiten messbarer Umsatz entsteht.
Der Newsletter für Unternehmer und Führungskräfte, die Wachstum im KI-Zeitalter aktiv gestalten wollen. Erhalten Sie exklusive Einblicke zu Revenue Architecture, Go-to-Market-Operationalisierung und intelligenten Revenue-Systemen – aus der Praxis für die Praxis. Für alle, die Innovation nicht nur denken, sondern in messbaren Umsatz verwandeln wollen.
