Viele KI-Projekte beginnen mit der Suche nach dem passenden Modell. Dabei liegt die entscheidende Frage oft früher: Wie läuft die Arbeit im Unternehmen tatsächlich ab, wo entstehen Reibungsverluste und welche Aufgaben eignen sich überhaupt für eine Automatisierung? Unter dem Schlagwort „AI Shadowing“ rückt deshalb die systematische Beobachtung realer Arbeitsprozesse in den Mittelpunkt – ein Ansatz mit Potenzial, aber auch mit klaren Grenzen.
Berlin, 13. Juli 2026.
Die Erwartungen an Künstliche Intelligenz sind in vielen Unternehmen hoch. Sprachmodelle sollen Wissen auffindbar machen, Anfragen beantworten, Dokumente auswerten oder ganze Prozessketten beschleunigen. Doch zwischen einer technisch beeindruckenden Demonstration und einem verlässlich funktionierenden Arbeitsprozess liegt meist mehr als nur eine Software-Schnittstelle.
Ein aktueller Fachbeitrag auf IT-Daily beschreibt dieses Problem unter dem Begriff AI Shadowing. Gemeint ist die gezielte Beobachtung von Beschäftigten bei ihrer täglichen Arbeit, bevor eine KI-Lösung entwickelt oder eingeführt wird. Nicht die theoretische Prozessbeschreibung steht im Vordergrund, sondern die tatsächliche Praxis: Welche Anwendungen werden geöffnet? Wo werden Informationen gesucht? Welche Daten werden übertragen? Wo greifen Beschäftigte auf Erfahrung, Abkürzungen oder informelle Routinen zurück?
Der Begriff klingt neu. Das dahinterliegende Prinzip ist es nicht. Es knüpft an etablierte Verfahren wie Task Mining, Process Mining, Arbeitsplatzbeobachtung und Human-centered Design an. Der Kern bleibt dennoch relevant: Wer einen Arbeitsprozess mit KI verändern will, muss ihn zunächst verstehen.
KI-Prozesse scheitern oft vor dem eigentlichen Modell
Viele Digitalisierungsprojekte starten mit einer technischen Lösung. Ein Chatbot wird beschafft, ein Sprachmodell angebunden, eine Automatisierungsplattform eingeführt. Erst später zeigt sich, dass die entscheidenden Informationen über verschiedene Systeme verteilt sind, Zuständigkeiten unklar bleiben oder Ausnahmen den vermeintlich einfachen Ablauf dominieren.
Gerade bei KI-Prozessen kann diese Reihenfolge problematisch sein. Ein Modell kann nur mit den Daten, Regeln und Zugängen arbeiten, die ihm zur Verfügung stehen. Sind die Grundlagen lückenhaft, verschiebt die Technik das Problem lediglich. Dann antwortet die KI zwar schnell, aber nicht zuverlässig. Oder sie erzeugt zusätzlichen Prüfaufwand, weil Mitarbeitende Ergebnisse nachträglich korrigieren müssen.
Die Beobachtung realer Abläufe soll solche Schwächen früh sichtbar machen. Sie richtet den Blick auf die Stellen, an denen Arbeit tatsächlich stockt: lange Suchwege, manuelle Übertragungen, doppelte Erfassung, uneinheitliche Ablagen oder fehlende Kontrollschritte.
Was hinter „AI Shadowing“ tatsächlich steckt
Der Ausdruck AI Shadowing vermittelt den Eindruck einer eigenständigen neuen Methode. In der Fachliteratur ist er bislang jedoch nicht als allgemein anerkannter Standardbegriff etabliert. Inhaltlich beschreibt er vor allem eine Kombination bekannter Instrumente der Prozessanalyse.
Beim Process Mining werden Ereignisdaten aus Unternehmenssystemen ausgewertet. Daraus lassen sich reale Prozessverläufe rekonstruieren: Wann beginnt ein Vorgang? Welche Stationen durchläuft er? Wo entstehen Wartezeiten, Schleifen oder Abweichungen vom vorgesehenen Ablauf?
Task Mining setzt näher am Arbeitsplatz an. Es untersucht einzelne Bedienhandlungen, etwa den Wechsel zwischen Programmen, wiederkehrende Klickfolgen oder manuelle Eingaben. Dadurch wird sichtbar, was klassische Prozesshandbücher oft nicht erfassen: die kleinteiligen Routinen, mit denen Beschäftigte Lücken in Systemen und Abläufen überbrücken.
Für KI-Prozesse ist diese Perspektive wertvoll. Sie kann zeigen, ob überhaupt ein KI-Modell gebraucht wird oder ob eine bessere Suche, eine technische Schnittstelle, eine Datenbereinigung oder eine klassische Automatisierung das Problem bereits lösen würde.
Fünf Fragen vor jeder KI-Einführung
- Welche Aufgabe soll die KI konkret übernehmen?
- Welche Daten und Informationsquellen benötigt sie dafür?
- Welche Ausnahmen treten im Arbeitsalltag regelmäßig auf?
- Welche Entscheidungen müssen weiterhin Menschen treffen?
- Wie lässt sich prüfen, ob der neue Ablauf tatsächlich besser funktioniert?
Diese Fragen wirken grundlegend. In der Praxis werden sie dennoch häufig erst beantwortet, wenn ein Projekt bereits läuft. Genau dort liegt der Nutzen einer frühen Prozessanalyse: Sie zwingt Unternehmen, den Anwendungsfall zu präzisieren, bevor Zeit und Geld in technische Umsetzung fließen.
Menschliches Verhalten ist keine perfekte Blaupause
Die These, erfolgreiche KI-Prozesse müssten menschliches Verhalten möglichst genau nachbilden, greift allerdings zu kurz. Beschäftigte kennen Abkürzungen, Sonderfälle und informelle Regeln. Ihr Verhalten liefert deshalb wichtige Hinweise auf das tatsächliche Funktionieren eines Prozesses. Doch nicht jede beobachtete Routine ist erhaltenswert.
Historisch gewachsene Abläufe enthalten oft Doppelarbeit, veraltete Freigaben oder Umgehungslösungen. Mitarbeitende übertragen Daten von einem System in ein anderes, weil eine Schnittstelle fehlt. Sie führen eigene Listen, weil zentrale Informationen schwer auffindbar sind. Oder sie prüfen Ergebnisse mehrfach, weil die Qualität der Ausgangsdaten schwankt.
Würde eine KI solche Routinen unverändert übernehmen, automatisierte sie nicht nur sinnvolle Arbeit, sondern auch bestehende Schwächen. Die Beobachtung menschlichen Verhaltens darf deshalb nicht mit dessen unkritischer Kopie verwechselt werden.
Der bessere Ansatz lautet: verstehen, bewerten, neu gestalten. Menschliches Erfahrungswissen dient dabei als Ausgangspunkt, nicht als unveränderliches Zielbild.
Human-in-the-Loop bleibt ein zentraler Bestandteil
Auch bei gut vorbereiteten KI-Prozessen verschwindet der Mensch nicht automatisch aus dem Ablauf. Viele Anwendungen sind darauf angewiesen, dass Fachkräfte Ergebnisse prüfen, Grenzfälle entscheiden oder fehlerhafte Ausgaben korrigieren.
Solche Human-in-the-Loop-Systeme verbinden automatisierte Verarbeitung mit menschlicher Kontrolle. Wie eng diese Kontrolle ausfallen muss, hängt vom jeweiligen Einsatzgebiet ab. Je unklarer die Datenlage, je größer die Zahl der Ausnahmen und je schwerwiegender mögliche Fehler, desto wichtiger bleibt die fachliche Prüfung.
Die Prozessbeobachtung hilft auch an dieser Stelle. Sie zeigt, an welchen Punkten menschliche Entscheidungen unverzichtbar sind und wo standardisierte Aufgaben tatsächlich automatisiert werden können. Damit wird zugleich verhindert, dass Verantwortung stillschweigend an ein System übertragen wird, das für bestimmte Entscheidungen weder ausreichend zuverlässig noch organisatorisch vorgesehen ist.
Datenschutz und Mitbestimmung setzen Grenzen
Die Analyse von Arbeitsabläufen ist nicht nur eine technische Aufgabe. Task-Mining-Systeme können detaillierte Informationen darüber erfassen, wie Beschäftigte Programme nutzen, welche Arbeitsschritte sie ausführen und an welchen Stellen Fehler oder Verzögerungen auftreten.
Damit entstehen sensible Daten. Unternehmen müssen deshalb klar festlegen, welche Informationen erhoben werden, welchem Zweck die Auswertung dient und wer Zugriff erhält. Transparenz, Datenminimierung und rollenbasierte Zugriffsrechte gehören zu den grundlegenden Anforderungen.
Je nach Ausgestaltung können zudem arbeitsrechtliche Vorgaben und Mitbestimmungsrechte berührt sein. Die Einführung solcher Systeme darf deshalb nicht als verdeckte Leistungskontrolle erscheinen. Ohne nachvollziehbare Regeln und frühzeitige Einbindung der Beschäftigten droht aus einem Analyseinstrument schnell ein Akzeptanzproblem.
Wirtschaftlicher Erfolg lässt sich nicht auf eine Methode reduzieren
Unternehmen mit einem hohen Reifegrad bei der KI-Nutzung erzielen in internationalen Untersuchungen häufig bessere wirtschaftliche Kennzahlen als weniger weit entwickelte Wettbewerber. Daraus folgt jedoch nicht, dass eine einzelne Methode wie „AI Shadowing“ diesen Vorsprung verursacht.
Erfolgreiche KI-Prozesse hängen von mehreren Faktoren ab: Datenqualität, technische Infrastruktur, organisatorische Einbindung, klare Verantwortlichkeiten, geeignete Anwendungsfälle und qualifizierte Mitarbeitende. Prozessanalyse kann dafür eine wichtige Grundlage schaffen. Sie ersetzt jedoch weder eine belastbare Strategie noch eine konsequente Umsetzung.
Auch die beste Beobachtung hilft wenig, wenn Daten unzuverlässig bleiben, Systeme nicht miteinander kommunizieren oder die KI im Alltag keine klar definierte Aufgabe erhält. Umgekehrt kann selbst ein leistungsfähiges Modell scheitern, wenn niemand festgelegt hat, wie mit Fehlern, Ausnahmen und Unsicherheiten umzugehen ist.
Der Fortschritt beginnt mit einer nüchternen Bestandsaufnahme
Die Debatte um „AI Shadowing“ macht vor allem eines deutlich: Der Erfolg von Künstlicher Intelligenz entscheidet sich nicht allein im Modell. Er entscheidet sich in der Verbindung von Technik, Daten und tatsächlicher Arbeit.
Unternehmen, die ihre KI-Prozesse verbessern wollen, müssen deshalb genauer hinsehen, bevor sie automatisieren. Sie müssen erkennen, wo Wissen entsteht, wo Informationen verloren gehen und welche Entscheidungen nicht ohne menschliche Erfahrung auskommen.
Das menschliche Verhalten ist dabei keine perfekte Blaupause. Es ist eine wertvolle Quelle für das Verständnis eines Prozesses. Erst aus diesem Verständnis lässt sich ableiten, welche Aufgaben eine KI übernehmen sollte, wo klassische Automatisierung genügt und an welchen Stellen der Mensch weiterhin die letzte Entscheidung treffen muss.
