Der Mensch ist der Flaschenhals: Warum KI im Unternehmen langsam wirkt, obwohl das Modell in Sekunden antwortet

Das Modell antwortet in Sekunden. Die Aufgabe, für die es antwortet, dauert trotzdem Tage. In der Praxis beschreiben Geschäftsführer dieses Missverhältnis regelmäßig: Die Vorführung war beeindruckend, der Alltag fühlt sich zäh an. Die naheliegende Erklärung lautet, das Werkzeug sei noch nicht gut genug. Sie greift zu kurz. Die Zeit vergeht nicht im Modell. Sie vergeht zwischen den Fenstern.

Drei Szenen aus dem Alltag

Eine Sachbearbeiterin bekommt eine Kundenbeschwerde. Sie kopiert den Text ins Chatfenster, holt die Kundennummer aus dem CRM, tippt den Vertragsstand von Hand dazu, liest den Vorschlag, kopiert ihn zurück ins Mailprogramm und passt die Anrede an. Das Modell war nach Sekunden fertig. Der Vorgang hat eine Viertelstunde gedauert, und die Sachbearbeiterin war in jeder Minute davon beschäftigt.

Zweite Szene. Ein Team will Supporttickets automatisch vorsortieren lassen. Die KI darf aber nicht ins Ticketsystem. Also exportiert jemand täglich eine Liste, lädt sie hoch und kopiert die Ergebnisse zurück. Der Antrag auf einen Lesezugriff liegt seit Wochen bei der IT, weil niemand weiß, welcher Rolle man eine KI zuordnen soll. In dieser Zeit wartet nicht die KI auf Daten. Die Aufgabe wartet auf eine Entscheidung.

Dritte Szene. Für ein Angebot sollen Positionen aus einer Anfrage extrahiert, mit der Preisliste abgeglichen, in die Vorlage geschrieben und zur Prüfung vorgelegt werden. Jeder Schritt ist eine eigene Freigabe: zehn Mal lesen, zehn Mal klicken, für eine Aufgabe, die das Modell in einem Stück erledigen könnte. Alle drei Szenen stammen aus der Beratungspraxis. Sie sind Beispiele aus einzelnen Projekten, keine Messungen.

Der Wartepunkt heißt Mensch

Gemeinsam ist den Szenen der Ort, an dem die Arbeit steht. Das ist die erste These: Jede Kopie, jeder Tab-Wechsel, jede Freigabe ist ein Punkt, an dem das System auf einen Menschen wartet. Der Mensch ist dabei nicht untätig, im Gegenteil. Er ist dauernd beschäftigt, nur mit Transport statt mit Urteil. Das Bild ist ein starker Motor in einem Fahrzeug mit angezogener Handbremse. Man kann den Motor weiter tunen, schneller wird man nicht.

Die Latenz, die ein Geschäftsführer spürt, ist also keine Modell-Latenz. Sie ist Übergabe-Latenz. Sie entsteht in den Nahtstellen zwischen Mailprogramm, CRM, Ticketsystem und Chatfenster, und sie wächst mit jeder Stelle, an der jemand etwas von A nach B tragen muss.

Was ein Harness ist

Hier hilft ein Begriff: der Harness. Gemeint ist die Umgebung, in der eine KI eine Aufgabe zu Ende bringen kann. Sie besteht aus Kontextquellen (Wissen, Tickets, Kundendaten), Berechtigungen (was die KI lesen und ändern darf), Werkzeugen (was sie auslösen kann, etwa einen Datensatz anlegen) und Rückkanälen, über die Ergebnisse und Rückfragen zu Menschen zurückfließen.

Für den Anschluss gibt es inzwischen offene Standards. Das Model Context Protocol beschreibt, wie eine KI-Anwendung auf Werkzeuge und Datenquellen zugreift, legt aber ausdrücklich nicht fest, wie sie damit umgeht. Der Standard löst den Stecker, nicht die Organisation dahinter. Und mehr Anschluss ist nicht automatisch besser. Anthropic beschreibt das Kontextfenster eines Modells, also die Textmenge, die es auf einmal verarbeitet, als endliche Ressource mit abnehmendem Grenznutzen und sucht die kleinste Menge an Information mit hoher Aussagekraft. Die Quelle handelt vom Modell, nicht von der Zahl angebundener Systeme. Als Analogie taugt sie dennoch, und das ist eine Einschätzung aus der Praxis: Ein Harness, der alles anbindet, was es gibt, erzeugt Rauschen. Ein guter Harness bringt wenige, passende Quellen in den Ablauf.

Die Fähigkeit ist da, die Umgebung fehlt

Die zweite These ist unbequemer. Die Modelle können inzwischen längere Aufgaben eigenständig zu Ende bringen als noch vor kurzem. METR misst, wie lang Aufgaben sein dürfen, die ein Modell mit 50 Prozent Wahrscheinlichkeit erfolgreich löst, und schätzt die Verdopplungszeit dieser Aufgabenlänge seit 2023 auf rund 131 Tage, mit einem Unsicherheitsbereich von 107 bis 161 Tagen. Das sind Benchmark-Aufgaben, keine Abläufe im Mittelstand. Die Zahl lässt sich nicht auf Unternehmen übertragen, sie zeigt aber die Richtung: Die Strecke, die ein Modell allein zurücklegen kann, wächst schnell. In den drei Szenen oben herrscht ein anderes Tempo. Rechte, Anbindungen und Freigaberegeln stammen dort noch aus der Zeit, als die KI ein Chatfenster war. Wer eine Fähigkeit, die auf längere Strecken ausgelegt ist, in Häppchen betreibt, mit einem Menschen vor jedem Bissen, nutzt sie nicht aus.

Warum der Harness liegen bleibt

An dieser Stelle ist Ehrlichkeit angebracht, ohne Vorwurf. Der Harness ist unsichtbare Arbeit, die Verkabelung hinter der Wand: Niemand bewundert sie, aber ohne sie leuchtet keine Lampe. Eine Anbindung ans Ticketsystem, ein Berechtigungsmodell, ein gepflegtes Wissensverzeichnis beeindrucken in keiner Vorführung. Ein neues Tool oder ein neuer Prompt beeindruckt sofort. Wo ein Budget an das gebunden ist, was sich zeigen lässt, hat die Infrastruktur schlechte Karten, und das nächste Werkzeug wird gekauft, während die Anbindung liegen bleibt. Das ist kein persönliches Versagen, sondern ein Anreizmuster, das in Projekten und Budgets wirkt. Brechen lässt es sich nur, wenn man es benennt.

Kontrolle, die keine ist

Die dritte These betrifft das Gefühl, das die Zwischenschritte am Leben hält: Kontrolle. Wer jeden Entwurf liest, jede Zwischenausgabe freigibt und jedes Ergebnis selbst weiterkopiert, hat die Hand am Prozess. Tatsächlich kontrolliert er wenig. Er prüft Dinge, die er ohne Kontext nicht beurteilen kann, und er prüft Dinge, die keiner Prüfung bedürfen, weil sie folgenlos sind.

Eine Auswertung von Anthropic über Claude Code und die öffentliche API zeigt, dass neue Nutzer von Claude Code in rund 20 Prozent der Sitzungen alle Aktionen automatisch freigeben, nach 750 Sitzungen in über 40 Prozent. Diese Einstellung heißt Auto-Approve: Das Werkzeug fragt nicht mehr bei jedem Schritt nach. Dieselbe Auswertung stellt fest, dass bei rund 73 Prozent der Tool-Aufrufe über die API in irgendeiner Form ein Mensch beteiligt ist und nur 0,8 Prozent der Aktionen irreversibel zu sein scheinen. Die Datenbasis sind das Entwicklerwerkzeug und die Schnittstelle eines Anbieters, nicht der Mittelstand, und die Zahlen stammen vom Anbieter selbst. Die Zahlen legen dennoch zweierlei nahe. Erstens: Mit wachsender Erfahrung lockern Nutzer die Freigabe, auch wenn die Mehrheit sie behält. Dauerfreigabe am Zwischenschritt scheint kein stabiler Endzustand zu sein, sondern eine Anfängerphase. Zweitens: Wenn nur ein kleiner Bruchteil der Aktionen nicht rückgängig zu machen ist, steht eine Freigabe pro Handgriff in keinem Verhältnis zum Risiko. Das ist eine Einordnung; die Studie sagt nicht, wie oft ein Mensch tatsächlich an jedem Schritt klickt. Anthropic selbst folgert, dass wirksame Aufsicht über Agenten neue Formen der Überwachung nach dem Einsatz und neue Formen der Interaktion zwischen Mensch und KI braucht, die beiden Seiten helfen, Autonomie und Risiko gemeinsam zu steuern.

Wo eine Freigabe hingehört

Echte Kontrolle liegt im Harness: in festgelegten Regeln, begrenzten Rechten, lückenlosen Protokollen und Rückkanälen, über die sich nachvollziehen lässt, was geschehen ist. Menschliche Freigaben gehören an die Stellen, an denen etwas nicht mehr rückgängig zu machen ist: Geld verlässt das Haus, eine Aussage geht nach außen, eine rechtliche Zusage wird gemacht. Anthropic beschreibt in seiner Anleitung zum Bau von Agenten, dass diese an Checkpoints oder bei Blockaden für menschliches Feedback pausieren können. Ein Checkpoint ist eine geplante Stelle, kein Reflex vor jedem Schritt. Dort gehört eine Freigabe hin. Eine, nicht zehn.

Drei Schritte für die nächsten Wochen

Brüche finden. Lassen Sie eine Woche lang zählen, wie oft jemand etwas für die KI kopiert, nachschlägt oder freigibt. Prüffragen: Wie viele Systeme berührt eine typische Aufgabe? An welcher Stelle wartet die KI auf einen Menschen, und wie lange?

Harness bauen. Binden Sie die Kontextquellen an, die in der Zählung am häufigsten vorkamen: Wissen, Tickets, CRM. Vergeben Sie Berechtigungen für die KI wie für einen neuen Mitarbeiter, mit Rolle, Grenzen und Protokoll. Stellen Sie Werkzeuge und Rückkanäle bereit. Prüffragen: Hat die KI heute dieselben Zugriffe wie die Person, die sie bedient? Wer entscheidet über Rechte, und wie lange dauert das?

Freigaben verschieben. Weg vom Zwischenschritt, hin zum Ergebnis und zu den wenigen irreversiblen Punkten. Prüffragen: Welche Freigabe verhindert wirklich Schaden, welche beruhigt nur? Was passiert, wenn die KI eine Aufgabe komplett bis zum Vorschlag durchläuft und ein Mensch erst am Ende entscheidet?

Die Frage verschiebt sich

Am Ende ändert sich die Frage, die ein Geschäftsführer an seine KI-Einführung stellt. Nicht mehr: Wie schnell antwortet das Modell? Sondern: Wie viele Wartepunkte hat die Organisation um das Modell herum gebaut, und wer wartet dort eigentlich auf wen? Der Mensch bleibt verantwortlich, das steht nicht zur Debatte. Aber Verantwortung zeigt sich an den Entscheidungen mit Folgen, nicht an jedem Klick. Eine Organisation, die das versteht, holt den Menschen aus der Rolle des Boten heraus und gibt ihm die Rolle zurück, für die er eingestellt wurde: urteilen, wo es darauf ankommt.