Der MIT-IPC-Bericht Humans in the Loop untersucht frühe GenAI-Experimente in mehr als zwanzig Unternehmen aus vier Industriegruppen. Die zentrale Beobachtung ist für Entscheider relevant: Die Anwendungen zielen in der Regel nicht auf ganze Berufe, sondern auf einzelne Aufgaben und kleine Aufgabenbündel.

Die Rechnung beginnt vor dem Tool.

Ein guter Business Case startet mit einem klaren Problem im Arbeitsprozess. Der Bericht beschreibt zum Beispiel Engpässe durch viele einfache Aufgaben, den Aufwand, Expertise aus verschiedenen Bereichen zusammenzuführen, und lange Lernkurven in komplexen Domänen. Erst wenn klar ist, welcher Engpass tatsächlich gelöst werden soll, lässt sich beurteilen, woran ein Erfolg erkennbar wäre.

KI-ROI ist keine Eigenschaft eines Tools. Er entsteht aus der Verbindung von Aufgabe, Arbeitsablauf und betrieblicher Wirkung.

Das schiebt den Blick von der abstrakten Frage „Wie viel spart die Anwendung?“ zu einer konkreteren Bilanz: Welche Zeit oder Kapazität wird frei? Verbessert sich die Qualität? Entstehen weniger Rückfragen? Und was passiert mit dem Aufwand für Prüfen, Korrigieren, Ausnahmen und Eskalationen?

Human in the loop ist keine Restkategorie.

In den untersuchten Anwendungen verschiebt sich Arbeit häufig von der manuellen Ausführung zur Aufsicht und Analyse. Das kann eine anspruchsvolle Tätigkeit sein: Ergebnisse einordnen, Fehler erkennen, Kontext ergänzen und bei Unsicherheit intervenieren. Es kann aber auch zu monotoner Kontrollarbeit werden. Diese Differenz entscheidet mit darüber, ob ein Prozess tatsächlich besser wird – oder nur schneller aussieht.

Für eine ROI-Betrachtung heißt das: Die Prüf- und Verantwortungsarbeit gehört in die Rechnung. Wer nur die Zeit bis zum ersten KI-Ergebnis misst, übersieht womöglich genau den Teil, der Qualität und Risiko bestimmt.

Vor dem Skalieren: Evidenz statt Eindruck.

Als erste praktische Lehre empfiehlt der MIT-Bericht, vor dem Skalieren belastbare Evidenz zu sammeln. Er nennt neben dem gefühlten Zeitgewinn ausdrücklich Qualität, Nacharbeit, neu entstehende Aufgaben und den nachgelagerten Wertbeitrag des Teams. Reifere Anwendungen verbanden zudem ein bereits bekanntes Geschäftsproblem mit mehreren Technologien und dem Feedback von Fachexpertinnen und Fachexperten nah am Prozess.

Das ist kein Plädoyer gegen Geschwindigkeit. Es ist ein Plädoyer für eine kurze, klare Lernschleife: Ausgangslage erfassen, eine vergleichbare Tätigkeitsgruppe beobachten, Nutzen und Zusatzaufwand gemeinsam prüfen und dann entscheiden, ob skaliert, angepasst oder gestoppt wird.

Was Entscheider konkret brauchen.

  1. Eine Ausgangsbasis: Wie laufen Tätigkeit, Qualität, Bearbeitungszeit und Ausnahmen ohne die neue KI-Unterstützung?
  2. Eine vollständige Wirkungsbilanz: Was wird schneller oder besser – und welche Prüf-, Lern-, Abstimmungs- oder Korrekturarbeit kommt hinzu?
  3. Eine Skalierungsentscheidung: Unter welchen Bedingungen funktioniert der Anwendungsfall, für wen und mit welchen Kompetenzen, Regeln und Verantwortlichkeiten?

Genau diese Perspektive verbindet WorkRADAR mit der arbeitspsychologischen Tätigkeitsanalyse. Sie macht einen KI-Business-Case nicht komplizierter, sondern entscheidungsreifer: Potenziale werden sichtbar, Arbeitsfolgen werden mitgerechnet und der nächste Schritt wird begründbar.