Kapazität statt Personalabbau

Auf der vierten Folie im Deck des Lenkungsausschusses stand eine einzige Zahl: 3,5 FTE, also Vollzeitstellen. Es ging um die Automatisierung des Auftragsdesks bei einem Großhändler, und die Finanzleitung hatte ausgerechnet, dass das Lesen, Prüfen und Erfassen von Aufträgen die Zeit von dreieinhalb Personen kostete. Die erste Frage, wie in vielen ersten Terminen: Wie viele Stellen spart das?

Die nützlichere Frage: Wie viele Angebote gingen im letzten Quartal zu spät hinaus, und wie viele dieser Kunden bestellten woanders? Kein Bericht enthielt diese Zahl. Alle kannten die zwei Personen, die der Vertrieb anrief, wenn ein Kunde etwas außerhalb des Katalogs wollte. Sie gaben das Tempo vor, und auf der Folie gab es keine Zeile für sie.

Der Personalabbau ist die einfachste Zahl

Eine Einsparung beim Personal ist sicher, sofort wirksam und passt auf eine Folie; Gehalt mal Köpfe ist eine Zahl, der der Finanzbereich schon traut. Erik Brynjolfsson erklärte den Sog in „The Turing Trap“ (Dædalus, 2022): Arbeit ist der größte sichtbare Kostenblock, und eine Aufgabe zu ersetzen erspart die schwierigere Arbeit, den Betrieb neu zu gestalten. Die andere Seite ist unsichtbar: Ein verspätetes Angebot hinterlässt in keinem Bericht eine Spur; der Kunde bestellt einfach woanders. Ist die Einsparung verbucht, ist der Betrieb auf die Nachfrage vom Tag des Abbaus zugeschnitten.

Das funktioniert für ein Unternehmen, das so groß bleiben will, wie es ist. Viele wollen das nicht: Mehr Aufträge kommen, ein neuer Markt soll erschlossen werden, ein Großkunde will schnellere Durchlaufzeiten. Für sie lautet die Frage, wie viel mehr Nachfrage derselbe Betrieb aufnehmen kann, und wie schnell. Ein Projekt, das zwei Menschen entfernen soll, antwortet mit einem kleineren Team und einem System, das nicht mehr lernt.

Billige Antworten machen Wissen knapp

Eine Rechnung zu lesen oder eine Antwort zu entwerfen kostet heute sehr wenig, und jeder Wettbewerber kann dieselbe KI kaufen. Was einen Großhändler vom anderen unterscheidet, liegt woanders.

Am Auftragsdesk lag es bei zwei Menschen. Die eine wusste, welche Ersatzartikel jeder Großkunde ungefragt akzeptiert. Der andere erkannte an der Formulierung einer E-Mail, dass ein Einkäufer Angebote verglich und noch am Nachmittag eine Antwort brauchte, nicht erst am Donnerstag. Nichts davon war aufgeschrieben, beides entschied, ob Aufträge gewonnen wurden, und eine KI, die die E-Mails las, hatte zu keinem davon Zugang.

Wir beginnen beim Schritt, der die Nachfrage begrenzt

Wir beginnen bei dem Schritt, der begrenzt, wie viel Nachfrage bedient wird, nicht beim größten Arbeitsblock: bei der Warteschlange, die Kunden warten lässt, bei der Prüfung, die nur eine Person kann, beim Bericht, der zu spät kommt, um noch zu handeln.

Um ihn zu finden, ziehen wir Zeitstempel aus dem Auftrags- oder Ticketsystem und suchen, wo Arbeit wartet, nicht wo sie bearbeitet wird. Dann stellen wir dem Team eine Frage: Wenn etwas Ungewöhnliches hereinkommt, welcher Name fällt? Wo das Warten und dieselben zwei Namen zusammentreffen, liegt meist der Engpass.

Am Auftragsdesk war es nicht die Auftragserfassung. Es waren die Fälle außerhalb des Katalogs und mit Sonderkonditionen, die auf eine von zwei Personen warteten und alles dahinter aufhielten. Also liest das System jeden Auftrag, prüft ihn gegen Katalog, Preisvereinbarung und Bestand und lässt die Routinefälle durch. Die schwierigen Fälle erreichen die beiden Fachleute mit erledigter Vorarbeit: die Historie des Kunden, die wahrscheinlichen Ersatzartikel, die Marge, um die es geht. Sie entscheiden, und ihr Tag verlagert sich vom Erfassen einfacher Aufträge zu den Fällen, die nur sie klären können.

Was die Fachleute sehen, zählt so viel wie die Frage, welche Fälle sie bekommen. Ein Feldexperiment mit 758 BCG-Beratern (Dell'Acqua und Kollegen, Harvard Business School, 2023) ergab, dass Berater bei einer Aufgabe knapp außerhalb dessen, was die KI gut konnte, mit ihr um 19 Prozentpunkte seltener zur richtigen Antwort kamen als ohne sie. Die Fälle, die wir an Fachleute geben, sind meist genau solche, also liefert das System dort die Belege und schlägt keine Antwort vor. Die Fachperson liest Historie und Marge, keinen Vorschlag, dem sie nur zustimmen müsste.

Die Falle ist, alles Unklare an die Fachleute zu schicken. Der Engpass ist dann verschoben, nicht beseitigt. Wir begrenzen, was sie erreicht, auf Fälle, in denen ihr Wissen die Antwort ändert, und messen eigens, wie lange ihre Warteschlange wartet.

Das System verbreitet das Urteil der Fachleute

Ausnahmen gehen nach Thema, nicht danach, wer frei ist: Ersatzartikel an die Person, die die Produkte dieses Kunden kennt, Konditionen an die Person, die die Vereinbarung verhandelt hat. Jede Entscheidung wird als kleiner Datensatz gespeichert: der Vorschlag des Systems, die Handlung der Fachperson, ein Begründungscode und eine Zeile Text. Jede Woche sortieren wir diese Datensätze nach Begründung. Eine Begründung, die sich wiederholt, wird eine Regel. Ein Fall, in dem die Fachperson das System überstimmt hat, wird ein Testfall, den es vor jeder Änderung bestehen muss.

Bauchgefühl wird genauso behandelt. Hält eine Fachperson einen Auftrag zurück, weil er nicht stimmig aussieht, bitten wir um eine Zeile dazu, was sie gesehen hat. Oft ist es ein Muster, das niemand benannt hatte: eine neue Lieferadresse bei einem großen Erstauftrag, eine Preisanfrage, die jede frühere unterbietet. Einmal benannt, wird es bei jedem Auftrag geprüft, nicht nur bei denen, die diese Fachperson zufällig sieht.

Mit der Zeit sieht auch eine neuere Kollegin dieselben Belege und früheren Begründungen zu jedem Fall. Brynjolfsson, Li und Raymond untersuchten einen KI-Assistenten in einem Kundenservice-Team („Generative AI at Work“, NBER, 2023) und fanden die größten Zugewinne bei weniger erfahrenen Servicekräften. Ihre Belege deuten darauf hin, dass das Werkzeug die Praxis der Besten an alle anderen weitergab. Die Verteilung nach Thema und Regeln aus Entscheidungen zielen auf dieselbe Wirkung.

Das kostet Zeit der Fachleute, und wir planen sie ein: in den ersten Monaten etwa eine Stunde pro Woche und Fachperson für die Durchsicht der Begründungen, weniger, sobald sich die Regeln setzen. Ohne diese Stunden hört das System früh auf, besser zu werden.

Was wir dem CFO sagen, der nach eingesparten Stellen fragt

Die vor dem Bau vereinbarte Nutzenaussage enthält drei oder vier dieser Punkte:

• Bediente Nachfrage. Aufträge, Angebote oder Fälle, die in der Spitze mit demselben Team innerhalb der Zielzeit erledigt werden.
• Antwortzeit. Von der Kundenanfrage bis zur brauchbaren Antwort, gemessen an Zeitstempeln im System.
• Abgewiesene oder verzögerte Arbeit. Angebote nach der zugesagten Zeit, verlorene Aufträge mit „keine Antwort“ als Grund im Vertriebssystem, Fälle, die eskaliert wurden, weil das Team voll war.
• Raum für den nächsten Schritt. Ob ein neuer Markt, Kunde oder eine neue Produktlinie ohne neues Team übernommen werden kann.

Wo das Volumen nicht wächst, zeigt sich dieselbe Kapazität in Einstellungen, die bei steigendem Volumen nicht nötig werden. Was damit geschieht, entscheidet das Unternehmen.

Was wir ablehnen

Wir lehnen Arbeit ab, deren einziges erklärtes Ziel ein kleineres Team ist, weil das System die Korrekturen genau der Menschen braucht, die dieser Plan entfernt. Wir lehnen auch eine leisere Variante ab: ein System auf den Korrekturen von Fachleuten aufzubauen, die schon wissen, dass sie ersetzt werden. Ihre Korrekturen werden dünner, Sonderfälle bleiben unbenannt, und das System lernt vor allem die leichten. Und eingesparte Stellen berichten wir nie als Hauptzahl, auch nicht auf Nachfrage. Gesparte Zeit kann im Detail stehen.

Zwei eingesparte Gehälter sind eine Zahl, die sich ab dem Tag der Verbuchung nicht mehr bewegt. Zwei Fachleute, die ihre Woche mit den Fällen verbringen, die sie brauchen, finden den nächsten Engpass.