Wie Unternehmen festlegen, welche Aufgaben KI übernimmt und wie viel Entscheidungsfreiheit ein KI-System erhält

Dateninspirierte Unternehmen stellen beim Einsatz von KI zwei Fragen in fester Reihenfolge. Die erste lautet: Eignet sich diese Aufgabe für KI? Die zweite: Wie teilen sich Mensch und KI-System die Entscheidung, die aus der Aufgabe entsteht? Für die erste Frage haben Bharat Anand und Andy Wu eine Entscheidungsmatrix vorgelegt, die Aufgaben nach den Kosten von Fehlern und nach der Art des erforderlichen Wissens ordnet.¹ Für die zweite Frage hat das MIT Center for Information Systems Research die AI Decision Matrix entwickelt. Sie ordnet Entscheidungen nach Risiko und Mehrdeutigkeit und legt für jede Phase einer Entscheidung fest, wer beteiligt ist.²³ Jede der beiden Matrizen ist für sich ein gutes Werkzeug. Zusammengeführt ergeben sie ein Instrument, das von der Auswahl eines Anwendungsfalls bis zur Verteilung der Verantwortung im laufenden Betrieb reicht.

Die Matrix von Anand und Wu: Welche Aufgaben sich für KI eignen

Anand und Wu verschieben die Ausgangsfrage. Sie fragen nicht, ob KI eine Aufgabe genauso gut erledigen kann wie ein Mensch. Sie bewerten jede Aufgabe anhand von zwei Faktoren, die sich im Unternehmen deutlich leichter beantworten lassen.¹

Der erste Faktor sind die Kosten von Fehlern. Bei niedrigen Fehlerkosten führt ein falsches Ergebnis zu kleinen Ineffizienzen oder Fehltritten, etwa einem Fehler in einem Entwurf oder einer übersehenen Nuance im Feedback eines Kunden. Bei hohen Fehlerkosten drohen Reputationsschäden, rechtliche Haftung oder sogar körperliches Leid, zum Beispiel durch falsche Finanzberichte oder fehlerhafte medizinische Empfehlungen.

Der zweite Faktor ist die Art des erforderlichen Wissens. Explizite Daten lassen sich klar artikulieren, dokumentieren und speichern. Sie liegen strukturiert vor, etwa als Absatzzahlen, Bestandsdatenbanken oder Betriebsprotokolle, oder unstrukturiert, etwa als schriftliche Richtlinien, Kundenbewertungen oder Freitextantworten aus Umfragen. Implizites Wissen dagegen ist von Erfahrung geprägt, intuitiv und häufig vom jeweiligen Kontext abhängig. Dazu gehören die Interpretation kleinster Signale während einer Verhandlung oder das Abwägen komplexer strategischer Überlegungen. Dieses Wissen entsteht durch gelebte Erfahrung und lässt sich schwer kodifizieren. Für die aktuellen Modelle generativer KI sind Aufgaben, die es erfordern, deshalb schwerer zu bewältigen.

Aus beiden Faktoren ergeben sich vier Einsatzzonen:

• Keine Reue (niedrige Fehlerkosten, explizite Daten): Die KI erledigt alles ohne Zutun des Menschen. Typische Kundenanfragen bearbeiten, Dokumente zusammenfassen und Lebensläufe sichten gehören hierher. In dieser Zone können Unternehmen KI heute schon einsetzen.
• Qualitätskontrollen erforderlich (hohe Fehlerkosten, explizite Daten): Die KI erledigt die Arbeit, der Mensch überprüft sie. Beispiele sind der Entwurf wichtiger Verträge, das Schreiben von Produktionssoftware und die Due Diligence von Unterlagen.
• Kreativer Katalysator (niedrige Fehlerkosten, implizites Wissen): Die KI schafft Optionen, der Mensch trifft die Auswahl. Werbung erstellen, Skripte für Vertriebsgespräche entwerfen und Produkte entwickeln sind typische Aufgaben.
• Menschen zuerst (hohe Fehlerkosten, implizites Wissen): Der Mensch leitet und übernimmt die Hauptarbeit, die KI unterstützt bei kleineren Aufgaben. Die Geschäftsstrategie festlegen, Systeme unternehmensweit integrieren und disziplinarische Entscheidungen treffen gehören in diese Zone.

In der Praxis setze ich die Matrix als Auswahlinstrument ein. Fachbereiche erfassen die Aufgaben entlang ihrer Wertschöpfungskette und ordnen jede mit den beiden Fragen ein. So entsteht in kurzer Zeit ein Portfolio, das zeigt, wo KI sofort Wirkung entfalten kann und wo der Mensch die Führung behält. Eine Ergänzung nehme ich dabei immer vor: Ich frage zusätzlich nach dem Wertbeitrag jeder Aufgabe. Manche Aufgaben lassen sich gefahrlos automatisieren, bewegen das Geschäft aber kaum. Andere zahlen direkt auf Marge, Geschwindigkeit oder Differenzierung ein. Die Matrix klärt das Risiko, der Wertbeitrag bestimmt die Reihenfolge.

Die AI Decision Matrix des MIT: Wie Mensch und KI eine Entscheidung aufteilen

Mit der Verbreitung von KI-Agenten verschiebt sich die Frage. KI-Systeme erledigen zunehmend selbstständig Arbeit und treffen dabei Entscheidungen. Ina Sebastian, Peter Weill, Thomas Haskamp und Jan vom Brocke haben deshalb auf Basis von Interviews mit 30 Führungskräften untersucht, wie Unternehmen Entscheidungsrechte zwischen Menschen und KI verteilen.² Ihre Ausgangsbeobachtung: Nicht jede Entscheidung ist gleich. Dieselbe KI-Fähigkeit kann in einem Kontext sicher und in einem anderen riskant sein.

Die AI Decision Matrix ordnet Entscheidungen deshalb nach zwei Dimensionen. Mehrdeutigkeit beschreibt, wie eindeutig die Daten die Antwort bestimmen und wie weit sich die Beteiligten darüber einig sind. Entscheidungen mit geringer Mehrdeutigkeit sind wiederholbar und vorhersehbar, Entscheidungen mit hoher Mehrdeutigkeit lassen mehrere Deutungen zu. Risiko beschreibt die Folgen einer falschen Entscheidung. Geringes Risiko bedeutet geringe Auswirkungen und leichte Umkehrbarkeit. Hohes Risiko bedeutet erhebliche finanzielle, operative oder Reputationsfolgen, die sich nur schwer korrigieren lassen.

Den eigentlichen Fortschritt der Matrix sehe ich in der Zerlegung jeder Entscheidung in drei Phasen. Im Rahmen werden Problem, Annahmen, Beteiligte, Rahmenbedingungen und Erfolgskriterien definiert. Beim Handeln werden Informationen gesammelt, Optionen bewertet, Maßnahmen empfohlen, freigegeben und umgesetzt. Beim Lernen werden Ergebnisse beobachtet und ausgewertet, die Verantwortung für das Ergebnis wahrgenommen und das Entscheidungssystem weiterentwickelt. Für jede Phase legt die Matrix fest, ob der Mensch, der Mensch gemeinsam mit KI oder die KI allein handelt.

Daraus ergeben sich vier Entscheidungstypen, die das MIT am Beispiel des neuseeländischen Telekommunikationsanbieters One New Zealand beschreibt, der Anfang 2026 mehr als 50 KI-Agenten im Einsatz hatte:²

• Routine (geringe Mehrdeutigkeit, geringes Risiko): Automatisieren und überwachen. Rahmen, Handeln und Lernen können bei der KI liegen, der Mensch bleibt eng dabei, bis das Vertrauen in die Leistung des Agenten gewachsen ist. Bei One New Zealand übersetzt ein KI-Agent die Anfragen des Marketings in SQL-Abfragen für Zielgruppen-Segmente. Der Zeitaufwand für die Segmentierung sank um 60 Prozent, das Team prüft den Segmentierungsplan vor dem Start, und der Agent erhält mit wachsendem Vertrauen mehr Autonomie.
• Folgenreich (geringe Mehrdeutigkeit, hohes Risiko): Steuern, um Verlässlichkeit zu sichern. Rahmen und Handeln können bei der KI liegen, das Lernen bleibt beim Menschen. Im Kundenservice unterstützen KI-Agenten Tarifwechsel und die Lösung von Tickets. Die Führung hat vorab festgelegt, welche Fehler das Unternehmen toleriert. Falsche Preisangaben gehören nicht dazu, deshalb ist bei allen preisbezogenen Entscheidungen ein Mensch beteiligt.
• Explorativ (hohe Mehrdeutigkeit, geringes Risiko): Experimente ermöglichen, um schnell zu lernen. Den Rahmen setzen Mensch und KI gemeinsam, das Handeln übernimmt die KI, das Lernen verantwortet der Mensch. Das Marketing nutzt KI-Agenten für die Erstellung von Inhalten und baut mit den gewonnenen Erkenntnissen inzwischen agentengesteuerte Kampagnen auf.
• Strategisch (hohe Mehrdeutigkeit, hohes Risiko): Führen mit kontinuierlicher Aufsicht. Rahmen und Handeln gestalten Mensch und KI gemeinsam, das Lernen bleibt beim Menschen. Für die Netzresilienz analysieren 15 aufgabenbezogene Agenten die Netzdaten, Orchestrierungsagenten koordinieren sie und bereiten Analysen auf. Die Entscheidungen selbst treffen Menschen, weil sie zwischen Zuverlässigkeit, Kundenerlebnis, Kosten und Infrastruktur-Prioritäten abwägen müssen.

Ergänzend beschreiben die Autoren, was One New Zealand organisatorisch umgesetzt hat. Die Fachbereiche verantworten den Rahmen jedes KI-Anwendungsfalls. Ein Center of Excellence für KI und Daten verantwortet Datenfundament, Architektur und Umsetzung. Für jeden eingesetzten KI-Agenten ist eine namentlich benannte Person verantwortlich, die Leistung beobachtet, Daten verbessert, die Genauigkeit testet und den Agenten weiterentwickelt. Und die Führung steuert KI als Portfolio von Geschäftsentscheidungen.² Die Autoren fassen den Kern so zusammen: Unternehmen sollten weniger fragen, wo KI eingesetzt werden kann, und stärker die Geschäftsentscheidungen steuern, die KI prägt.

Dieselbe Risikoachse, eine andere zweite Frage

Legt man beide Matrizen nebeneinander, fallen zuerst die Gemeinsamkeiten auf. Die Kosten von Fehlern bei Anand und Wu und das Risiko beim MIT beschreiben dieselbe Dimension. Das MIT ergänzt lediglich ausdrücklich die Umkehrbarkeit einer Entscheidung. Auch die vier Quadranten entsprechen sich weitgehend: Keine Reue und Routine, Qualitätskontrollen erforderlich und Folgenreich, Kreativer Katalysator und Explorativ, Menschen zuerst und Strategisch.

Der Unterschied liegt in der zweiten Achse. Anand und Wu fragen nach der Quelle des Wissens: Liegen explizite Daten vor, oder braucht die Aufgabe Erfahrungswissen? Das MIT fragt nach der Deutungslage: Ergibt sich aus den vorhandenen Daten eine eindeutige Antwort, auf die sich die Beteiligten verständigen können? Beide Fragen klingen ähnlich, führen aber in der Praxis regelmäßig zu unterschiedlichen Einordnungen.

Ein Beispiel aus der Preisgestaltung zeigt das. Vertrieb und Controlling schauen auf dieselbe Margentabelle und ziehen gegensätzliche Schlüsse daraus. Die Daten sind vollständig und explizit, nach Anand und Wu läge die Aufgabe damit im KI-fähigen Bereich. Die Mehrdeutigkeit ist trotzdem hoch, denn die Beteiligten bewerten dieselben Zahlen unterschiedlich. Ein KI-System, das hier allein entscheidet, übernimmt stillschweigend die Sichtweise derjenigen, die sein Ziel definiert haben. Der umgekehrte Fall kommt ebenso vor. Ein erfahrener Meister erkennt bei der Sichtprüfung eines Bauteils sofort, ob es den Anforderungen genügt. Sein Wissen ist implizit, die Entscheidung für ihn aber kaum mehrdeutig.

Hinzu kommen zwei weitere Unterschiede. Anand und Wu bewerten Aufgaben, das MIT bewertet Entscheidungen und zerlegt sie in Phasen. Und Anand und Wu beantworten, wo KI eingesetzt werden sollte, während das MIT beantwortet, wie Mensch und KI-System die Verantwortung aufteilen und wie sich diese Aufteilung mit wachsendem Vertrauen verändert.

Die kombinierte Matrix

Da beide Matrizen gleich ausgerichtet sind, lassen sich ihre Quadranten direkt übereinanderlegen. Auf der waagerechten Achse stehen die Kosten von Fehlern beziehungsweise das Risiko. Auf der senkrechten Achse stehen die Art des Wissens und die Mehrdeutigkeit. Für die senkrechte Achse gilt eine einfache Regel: Eine Aufgabe gehört in die obere Reihe, sobald implizites Wissen oder hohe Mehrdeutigkeit vorliegt. In die untere Reihe gehört sie nur, wenn explizite Daten und geringe Mehrdeutigkeit zusammenkommen.

Jeder Quadrant enthält damit beide Perspektiven: die Rollenbeschreibung von Anand und Wu, die Beschreibung des Entscheidungstyps und den Ansatz des MIT, die Verteilung von Rahmen, Handeln und Lernen, die Beispielaufgaben aus dem Harvard Business Manager und den Praxisfall von One New Zealand. Volle Autonomie bekommt ein KI-System nur im Quadranten unten links, wo explizite Daten, geringe Mehrdeutigkeit und niedrige Fehlerkosten zusammenkommen.

Wie Unternehmen die kombinierte Matrix anwenden

Die Anwendung folgt vier Schritten, die sich gut in bestehende Portfolio- und Governance-Prozesse einfügen.

1. Aufgaben erfassen und Wertbeitrag bestimmen. Fachbereiche listen die Aufgaben entlang ihrer Wertschöpfungskette und schätzen für jede den Wertbeitrag. Dieser Schritt verhindert, dass KI-Vorhaben dort starten, wo sie zwar sicher sind, das Geschäft aber kaum bewegen.
2. Mit drei Prüffragen einordnen. Wie hoch sind die Kosten eines Fehlers? Liegen explizite Daten vor? Ergibt sich aus diesen Daten eine eindeutige Antwort, auf die sich die Beteiligten verständigen? Die Antworten bestimmen den Quadranten.
3. Entscheidungsrechte je Phase festlegen. Für jede eingeordnete Entscheidung legt das Unternehmen fest, wer den Rahmen setzt, wer handelt und wer lernt. Die Führung definiert vorab, welche Fehler tolerierbar sind und welche nicht, so wie One New Zealand es für Preisangaben getan hat.
4. Verantwortung etablieren und Autonomie wachsen lassen. Für jedes KI-System übernimmt eine Person die Verantwortung für Ergebnisse und Weiterentwicklung. Mit wachsendem Vertrauen in die Leistung des KI-Systems erweitert das Unternehmen dessen Autonomie schrittweise.

Was die Kombination leistet

Der erste Vorteil liegt in der Durchgängigkeit. Anand und Wu liefern das Instrument für die Auswahl, das MIT liefert das Instrument für die Gestaltung und den Betrieb. Zusammen begleiten sie einen KI-Anwendungsfall von der ersten Idee bis zur laufenden Steuerung, ohne dass Fachbereich, IT und Governance zwischendurch die Sprache wechseln müssen.

Der zweite Vorteil liegt in der präziseren Einordnung. Die Prüffrage nach der Mehrdeutigkeit fängt genau die Fälle auf, in denen vollständige Daten zu einem trügerischen Sicherheitsgefühl führen. Die Prüffrage nach dem Wissenstyp fängt die Fälle auf, in denen eine Entscheidung eindeutig wirkt, weil ein erfahrener Mensch sie trifft, das dafür nötige Wissen aber nirgends dokumentiert ist.

Der dritte Vorteil wiegt aus meiner Sicht am schwersten: Die kombinierte Matrix macht zwei unterschiedliche Hebel sichtbar, mit denen Unternehmen Aufgaben in die KI-fähigen Felder verschieben. Der erste Hebel ist Datenarbeit. Was heute im Kopf erfahrener Fachkräfte steckt, lässt sich in Teilen dokumentieren und als explizite Daten verfügbar machen. Der zweite Hebel ist Einigung. Gegen Mehrdeutigkeit hilft keine weitere Datenaufbereitung. Hier helfen gemeinsame Begriffe, vereinbarte Kriterien und abgestimmte Ziele, und damit genau das, was Data Governance und Führung leisten. Unternehmen, die beide Hebel bewusst einsetzen, erweitern den Raum, in dem KI-Systeme verlässlich und mit wachsender Autonomie arbeiten.

„Gegen Mehrdeutigkeit hilft keine weitere Datenaufbereitung. Hier helfen gemeinsame Begriffe, vereinbarte Kriterien und abgestimmte Ziele, und damit genau das, was Data Governance und Führung leisten.“

Der vierte Vorteil betrifft die Steuerung. Weil die kombinierte Matrix sowohl Aufgaben als auch Entscheidungsrechte abbildet, eignet sie sich als Grundlage für ein KI-Portfolio. Routine- und folgenreiche Entscheidungen liefern kurzfristig Effizienz und Skalierung. Explorative und strategische Entscheidungen erschließen längerfristig Wert durch Innovation und bessere Urteile. Die Führung sieht auf einen Blick, wo das Unternehmen heute steht und wohin es KI-Systeme als Nächstes entwickeln will.

Dateninspirierte Unternehmen nutzen diese Klarheit, um schneller zu werden, ohne Vertrauen zu verspielen. Sie wissen, welche Aufgaben ein KI-System übernimmt, wer im Ernstfall entscheidet und wer aus dem Ergebnis lernt. Und sie arbeiten gezielt daran, dass sich die Menschen im Unternehmen einig sind, was eine gute Entscheidung ausmacht, bevor sie diese Entscheidung einem KI-System überlassen.

Quellen

¹ Anand, Bharat; Wu, Andy: Das KI-Playbook. Harvard Business Manager, Januar 2026; Grafik „Eine Entscheidungshilfe, wo und wie generative KI eingesetzt werden sollte“, S. 40. Der Beitrag ist kostenpflichtig.

² Stackpole, Beth: A framework for determining when AI can make decisions. MIT Sloan, Ideas Made to Matter, 22. September 2026. https://mitsloan.mit.edu/ideas-made-to-matter/a-framework-determining-when-ai-can-make-decisions

³ Sebastian, Ina; Weill, Peter; Haskamp, Thomas; vom Brocke, Jan: Designing Decision Rights for AI. MIT CISR Research Briefing, 2026. https://cisr.mit.edu/publication/2026_0601_AIDecisionMatrix_SebastianWeillHaskampVomBrocke

Weitere interessante Artikel:

• Advisory | Impulse Talks | Trainings
• Data & AI Inspired Organization - Strategien für erfolgreiche KI-Skalierung
• Die Denkleistung wird zum Kennzeichen
• KI als Treiber der Konvergenz
• Governance zu digitalisieren ist keine Option mehr