Skip to content
Mit einem KI-Agenten chatten
Grundlagen

KI-native Unternehmen: Warum neu gestaltete Prozesse, eigene Harnesses und Feedback-Schleifen nachgerüstete KI schlagen

Orange ITS — KI-Engineering-Team 9 Min. Lesezeit

Die meisten Inhaber, mit denen wir sprechen, haben die erste Runde bereits hinter sich. Einige Mitarbeitende nutzen einen Chat-Assistenten, jemand hat ein Modell an den Helpdesk angebunden, und ein Pilotprojekt fasst Dokumente zusammen, die niemand zusammengefasst haben wollte. Die Werkzeuge funktionieren. Die Zahlen in der Erfolgsrechnung bewegen sich kaum.

Die Firmen, die sich absetzen, tun offenbar drei andere Dinge. Sie gestalten den Prozess neu, bevor sie das Modell einsetzen, sie bauen ein eigenes Harness darum, und sie speisen Korrekturen zurück, damit sich das System im Gebrauch verbessert. Ein besseres Modell einzukaufen leistet nichts davon.

Ein KI-natives Unternehmen ist eines, dessen Betriebsmodell zusammenbräche, wenn man die KI wegnähme, und die Belege nennen Prozessneugestaltung, ein eigenes Harness und Feedback-Schleifen als Wege dorthin. Dieser Artikel erklärt jeden dieser Punkte, zeigt, was die Forschung stützt und was nicht, und gibt Ihnen einen Test für Ihr eigenes Unternehmen an die Hand. Wenn Sie das direkt auf Ihre Firma übertragen möchten, beginnt unser KI-Strategie-Angebot genau mit dieser Übung.


Was «KI-nativ» tatsächlich bedeutet

Der Begriff hat keine Standarddefinition. Beratungsfirmen, Wagniskapitalgeber und Anbieter verwenden ihn für zwei verschiedene Dinge: ein Unternehmen, das um KI herum gegründet wurde, und ein Unternehmen, das um KI herum arbeitet. Mehrere Kommentare aus dem Jahr 2026 warnen zudem, das Etikett sei zum Marketingbegriff geworden.

Die vertretbarste Definition in den Quellen ist ein Entfernungstest. Nehmen Sie die KI heraus. Bricht das Produkt oder das Betriebsmodell zusammen, ist das Unternehmen KI-nativ. Verlieren Sie nur Funktionen, ist es KI-unterstützt (AI-enabled). Ein Support-Team mit einem Entwurfsassistenten ist KI-unterstützt. Ein Support-Betrieb, in dem ein Agent die Routinefälle löst, Menschen die Ausnahmen bearbeiten und die Personalplanung beides voraussetzt, kommt dem KI-nativen näher.

Daraus folgen zwei Dinge. Erstens ist das Alter kein Kriterium, weshalb auch ein etabliertes Unternehmen dazugehören kann. Zweitens liegen die meisten Firmen irgendwo dazwischen. Selbst Anbieter, die KI-Reifegradmodelle veröffentlichen, räumen ein, dass die meisten Unternehmen noch KI-assistiert oder KI-unterstützt arbeiten.

Warum nachgerüstete KI ins Stocken gerät

Ein Modell in einen unveränderten Prozess zu setzen, automatisiert die bestehenden Schritte, auch jene, die nur existieren, weil Menschen langsam waren oder Systeme nicht miteinander sprachen. Warteschlange, Übergaben und Freigabekette bleiben bestehen, und zusätzlich bezahlen Sie das Modell.

Die Zahlen passen dazu. In McKinseys State-of-AI-Umfrage 2025 schrieben rund 39% der Befragten der KI überhaupt einen EBIT-Effekt zu, und die meisten davon gaben unter 5% an. Eine kleine Gruppe von High Performern, etwa 6%, nannte 5% oder mehr. McKinsey berichtet, die Neugestaltung von Workflows zähle zu den stärksten Faktoren für spürbare Wirkung, und High Performer hätten Workflows mit fast dreimal so hoher Wahrscheinlichkeit grundlegend neu gestaltet. Die Sekundärberichterstattung zur Ausgabe 2026 zeichnet ein ähnliches Bild, mit einem unverändert bei etwa 6% liegenden Anteil an High Performern.

Die BCG-Studie vom September 2025 unter 1,250 Führungskräften stufte 5% der Firmen als «future-built» ein, die KI-Wert im grossen Massstab erschliessen, 35% als skalierend und 60% als Unternehmen mit minimalen Erträgen. BCG verkauft Transformationsprojekte, lesen Sie die Grösse der Lücke also mit diesem Hintergrund. Die Richtung deckt sich dennoch mit McKinsey.

Schweizer KMU zeigen dasselbe Muster. Die Studie von AXA und Sotomo mit Feldarbeit im März 2026 unter 336 KMU ergab, dass 74% KI nutzen oder testen, gegenüber 55% im Jahr 2024. Ihr Fazit: KI optimiert bestehende Prozesse und stellt das Geschäftsmodell nicht grundlegend infrage. Die Nutzung ist breit. Die Neugestaltung ist selten. Das ganze Bild zur Verbreitung in der Schweiz finden Sie unter KI-Einsatz in Schweizer KMU 2026.

Erste Säule: zuerst den Prozess neu gestalten

Die stärksten experimentellen Belege dafür stammen von der INSEAD. Die Forschenden führten ein randomisiertes Feldexperiment mit 515 wachstumsstarken Startups durch. Der einen Hälfte wurde gezeigt, wie andere Firmen ihre Produktion um KI herum neu organisiert hatten. Beide Gruppen hatten Zugang zu denselben Tools. Die behandelte Gruppe meldete 44% mehr KI-Anwendungsfälle, 12% mehr erledigte Aufgaben, eine um 18% höhere Chance, zahlende Kunden zu gewinnen, und einen rund 1,9-fach höheren Umsatz als die Kontrollgruppe. Die Arbeitsnachfrage veränderte sich nicht.

Die Grenzen sollten Sie so sorgfältig lesen wie das Hauptergebnis. Die Behandlung bestand darin, Beispiele anderer Firmen zu zeigen. Das Experiment hat die Neugestaltung also nicht direkt geprüft, und was die behandelten Firmen anschliessend taten, war unterschiedlich. Die Stichprobe bestand aus Startups und nicht aus etablierten KMU. Es ist die beste quantitative Stütze für Neugestaltung, die es gibt, und doch nur eine einzige Studie. Zur praktischen Seite siehe einen Arbeitsablauf abbilden, bevor Sie ihn automatisieren. Eine genauere Lektüre der Studie finden Sie in wie Unternehmen die Arbeit rund um KI neu organisieren.

Das Digital Economy Lab der Stanford University kam auf anderem Weg qualitativ zu einem ähnlichen Schluss. Seine Studie vom April 2026 zu 51 erfolgreichen Einführungen in 41 Organisationen ergab, dass zwei Drittel der Unternehmen vor dem Erfolg erhebliche gescheiterte Versuche hatten, und im Vorwort heisst es, den Unterschied habe nie das KI-Modell gemacht, es sei immer die Organisation gewesen. Die Autoren weisen auf eine Verzerrung hin zu positiven Ergebnissen hin. Nutzen Sie die Studie, um zu lernen, was die Erfolgreichen geändert haben. Schätzen Sie damit nicht ab, wie wahrscheinlich ein Erfolg ist. Den Bericht lesen wir im Detail in was 51 erfolgreiche KI-Einführungen in der Organisation verändert haben.

In der Praxis bedeutet Neugestaltung, Fragen zu stellen, die eine blosse Tool-Einführung überspringt:

  • Welche Schritte gibt es nur wegen einer alten Einschränkung, und können sie entfallen?
  • Wo entscheidet eine Person tatsächlich, und wo leitet sie nur weiter?
  • Wer verantwortet das Ergebnis, wenn der Agent handelt, und wer prüft Ausnahmen?
  • Was messen Sie vorher und nachher, damit ein Gewinn sichtbar wird?

Unser Leitfaden zu agentischen Workflows zeigt, wie sich ein Agent von einer skriptbasierten Automatisierung unterscheidet, und deckt damit die technische Hälfte dieser Neugestaltung ab.

Zweite Säule: das Harness um das Modell bauen

Ein Modell allein ist ein Textgenerator. Um es herum liegt das Harness: der Kontext, den es erhält, die Tools, die es aufrufen kann, sein Gedächtnis, die Guardrails, die Evaluierungen, die seine Ausgabe prüfen, und die Orchestrierung zwischen den Schritten. Anthropic beschreibt Context Engineering als das Zusammenstellen der optimalen Informationsmenge, die dem Modell bei jedem Schritt zur Verfügung steht, und nennt auch die Kosten, darunter Context Rot und Informationen, die verloren gehen, wenn Konversationen zu aggressiv komprimiert werden. Die Anatomie eines Agent Harness geht die sechs Bausteine einzeln durch.

Ein sauberer öffentlicher Datenpunkt zeigt, wie viel diese Schicht ausmacht. LangChain berichtete im Februar 2026, sein Coding-Agent sei auf Terminal-Bench 2.0 von 52,8% auf 66,5% gestiegen, von etwa den Top 30 in die Top 5, bei unverändertem Modell. Die Änderungen waren eine Bauen-und-Prüfen-Schleife, ein Verifikationsschritt vor Abschluss, Schleifenerkennung und ein Zeitplan für den Reasoning-Aufwand. Gewichten Sie das richtig. Es ist das Ergebnis eines einzelnen Anbieters auf einem einzelnen Benchmark, LangChain isoliert nicht, welche Änderung entscheidend war, und die Autoren erwarten, dass einige der Guardrails mit besseren Modellen überflüssig werden. Die Zahlen und die Lebensdauer dieses Gerüsts besprechen wir in Harness Engineering.

Dieser letzte Punkt ist die laufende Debatte. Ein Lager argumentiert, dass in dieser Schicht, aufgebaut aus Ihren Daten, Tools, Regeln und Tests, der dauerhafte Vorteil liegt. Das andere hält dagegen, dass Anbieter diese Funktionen in ihre Produkte übernehmen und jede neue Modellversion einen Teil des Gerüsts überflüssig macht. Keine unabhängige Studie entscheidet das. Sinnvoll ist die Lesart, dass generisches Gerüst zur Massenware wird, während die Teile, die an Ihre Daten, Systeme, Berechtigungen und Qualitätsstandards gebunden sind, bei Ihnen bleiben. Deshalb hängt auch die Entscheidung zwischen Eigenentwicklung und Kauf von KI-Agenten eher von Integrationstiefe und Differenzierung ab als vom Modellnamen.

Dritte Säule: Feedback-Schleifen, die sich aufsummieren

Ein KI-natives System wird besser, weil Korrekturen in es zurückfliessen. In der einfachen Form korrigiert eine Person eine Ausgabe, und die Korrektur wird zur Regel, zum Beispiel oder zum Testfall im gemeinsamen Kontext. Rahul Garg von Thoughtworks beschreibt, wie Kontext-, Anweisungs-, Workflow- und Fehlersignale genau dafür in gemeinsamen Artefakten festgehalten werden, räumt aber ein, dass sich die Wirkung schwer messen lässt.

Am anspruchsvollen Ende beschrieb Shopify Engineering im August 2026 eine tägliche Pipeline für seinen Assistenten Sidekick. Ein rubrikbasierter Judge bewertet Live-Konversationen, Fehlschläge werden mit Korrekturhinweisen erneut abgespielt, und das Team wendet Reinforcement Learning und überwachtes Fine-Tuning an, wobei es zuerst das umgebende System abstimmt, bevor es die Modellgewichte anfasst. Der Beitrag nennt Schätzungen der Betriebskosten, rund $27 million pro Jahr für ein Frontier-Modell gegenüber etwa $1 million für ein feinabgestimmtes, und kennzeichnet sie als Schätzungen. Ob sich Fine-Tuning bei Ihrem eigenen Volumen lohnt, ist eine eigene Rechnung, die wir im Beitrag zur Wirtschaftlichkeit von Fine-Tuning durchgehen. Die Qualität beurteilt der teameigene Judge, und Rubriken und Annotation bleiben manuell. Wie Sie ein solches Testset aus Ihren eigenen Support-Tickets aufbauen, zeigt KI-Evals aus echten Tickets.

Zwei Vorbehalte gelten. «Selbstlernen» sollte im Geschäftsumfeld überwachte Verbesserung bedeuten, bei der eine Person prüft, was sich ändert, und niemals ein System, das sich unbeobachtet selbst umschreibt. Und Ergebnisdaten zu menschlichen Korrekturschleifen im KMU-Massstab gibt es noch nicht. Der Mechanismus ist stichhaltig und breit empfohlen. Die Grösse des Nutzens für eine Firma Ihrer Grösse ist nicht gemessen. Was sich von selbst verbessert und was weiterhin Menschen braucht, lesen Sie in selbstlernende KI-Systeme; zur Schweizer Rechtslage bei automatisierten Entscheidungen siehe automatisierte Entscheidungen nach Art. 21 DSG.

Was nicht standhält

In dieser Debatte kursieren mehrere Statistiken, die Vorsicht verlangen, bevor Sie sie einem Verwaltungsrat vorlegen. Unser Artikel dazu, was die bekanntesten KI-Statistiken tatsächlich messen, nimmt die wichtigsten auseinander.

  • Tabellen zum Umsatz pro Mitarbeitenden. Angaben wie die, dass eine Mehrheit der KI-nativen Startups über $400,000 pro Mitarbeitenden liegt, stammen aus der Umfrage eines Cloud-Anbieters, und unabhängige Tracker weichen für dasselbe Unternehmen stark voneinander ab. Als Benchmark taugen sie nicht.
  • Die «95%»-Zahl des MIT. Definition und Stichprobe werden uneinheitlich berichtet, und ein Anbieterkritiker argumentiert, die Misserfolgsquote bei bewusst gewählten Produktiveinführungen liege eher bei 25 bis 30%. Der Bericht selbst beschreibt Pilotprojekte ohne messbare Wirkung auf die Erfolgsrechnung.
  • Gartners 40%. Die Prognose vom Juni 2025, dass bis Ende 2027 über 40% der agentischen KI-Projekte abgebrochen werden, ist eine Vorhersage und keine gemessene Quote. Dieselbe Mitteilung warnt vor Anbietern, die Chatbots als Agenten umetikettieren, was wir unter Agent Washing behandeln.
  • Entlassungen als Beweis. Blocks Abbau von rund 4,000 Stellen im Jahr 2026 wurde als KI-bedingt dargestellt, während der CEO auch Überbesetzung aus der Pandemiezeit anführte, und Oxford Economics stellte fest, dass KI in den ersten elf Monaten 2025 nur bei 4,5% der Stellenverluste in den USA als Grund genannt wurde.
  • Geschwindigkeitsgewinne bei Entwicklern. METRs Studie von 2025 fand erfahrene Entwickler um 19% langsamer. Das Update von 2026 besagt, neuere Schätzungen wiesen in die andere Richtung, und bezeichnet sie als unzuverlässig.

Die pessimistischen und die optimistischen Zahlen messen meist verschiedene Gruppen: auf der einen Seite Grossunternehmen und die Erwartungen von Führungskräften, auf der anderen Startups, ausgewählte Erfolge und einzelne Aufgaben. Sie widersprechen sich weniger, als die Schlagzeilen vermuten lassen.

Ein Test für Ihr eigenes Unternehmen

Sie brauchen kein Transformationsprogramm, um Ihren Stand zu bestimmen. Wenden Sie diesen Test auf einen einzelnen Prozess an.

  1. Entfernungstest. Wenn Sie die KI morgen abschalten würden, was bräche zusammen? Lautet die Antwort «nichts Wichtiges», haben Sie eine Funktion.
  2. Neugestaltungstest. Sieht der Prozess anders aus als vor der KI, mit weniger Schritten, anderen Rollen oder einem anderen Verantwortlichen?
  3. Harness-Test. Besitzen Sie Kontext, Tools, Berechtigungen und Evaluierungen, oder hält die Standardeinstellung eines Anbieters sie alle?
  4. Schleifentest. Wenn eine Person eine Ausgabe korrigiert, verändert die Korrektur die nächste?
  5. Basistest. Haben Sie Kosten, Zeit und Fehlerquote erfasst, bevor Sie begonnen haben?

Die meisten Firmen werden bei den meisten Prozessen schon den ersten oder die ersten beiden Tests nicht bestehen, was normal ist. Ziel ist es, den Prozess zu wählen, bei dem das Bestehen aller fünf am meisten bringt, und dann auszuweiten. Der ROI von KI-Agenten lässt sich bei einem neu gestalteten Prozess einfacher berechnen, weil Ausgangsbasis und neuer Ablauf beide klar definiert sind.

Wo Sie anfangen

Beginnen Sie klein. Ein Prozess mit echtem Volumen, einem benannten Verantwortlichen, einer gemessenen Ausgangsbasis und einem Schritt menschlicher Prüfung liefert Ihnen innerhalb eines Quartals Belege aus Ihrem eigenen Geschäft, und die sind mehr wert als jede der oben genannten Umfragen. Nutzen Sie wieder, was Sie aufbauen: Kontext und Tooling, das Evaluierungsset und die Korrekturgewohnheit lassen sich auf den nächsten Prozess übertragen, auch wenn der Workflow ein anderer ist.

Die Quellen sind sich über die Richtung einig und uneinig über die Grösse des Gewinns. Das ist ein guter Grund, ein kleines, gemessenes Experiment durchzuführen statt eines grossen, das auf Annahmen beruht.

Häufige Fragen

Was ist ein KI-natives Unternehmen?

Eine einheitliche Definition gibt es nicht, aber der brauchbarste Test ist strukturell. Würden Sie die KI entfernen, verlöre ein KI-natives Unternehmen sein Betriebsmodell, ein KI-unterstütztes Unternehmen dagegen nur einzelne Funktionen. Das Alter der Firma spielt weniger eine Rolle als die Frage, ob Prozesse, Rollen und Messung um eine KI herum aufgebaut wurden, die echte Arbeit leistet.

Kann ein etabliertes Schweizer KMU KI-nativ werden?

Ja, aber Schritt für Schritt je Prozess und nicht durch einen unternehmensweiten Schalter. Wählen Sie einen Workflow mit klarem Volumen und klaren Kosten, gestalten Sie ihn um einen Agenten mit menschlicher Prüfung neu, messen Sie ihn gegen eine Ausgangsbasis und wiederholen Sie das. Die meisten Belege zur vollständigen Neugestaltung stammen von Startups und Grossunternehmen, die Ergebnisse eines KMU müssen Sie daher selbst messen.

Was ist ein KI-Harness und warum ist es wichtig?

Das Harness ist alles rund um das Modell: der Kontext, den es erhält, die Tools, die es aufrufen darf, sein Gedächtnis, Guardrails, Evaluierungen und die Orchestrierung zwischen den Schritten. Es ist wichtig, weil es bestimmt, ob Ergebnisse reproduzierbar sind. Veröffentlichte Anbieterergebnisse zeigen, dass allein Harness-Änderungen die Benchmark-Werte stark verschieben können, doch keine unabhängige Studie misst, wie dauerhaft dieser Vorteil ist.

Sind die Statistiken, wonach 95% der KI-Projekte scheitern, verlässlich?

Sie brauchen Kontext, bevor man sie zitiert. Die vielfach wiederholte MIT-Zahl ist hinsichtlich Definition und Stichprobe umstritten, und Gartners Prognose, dass bis Ende 2027 über 40% der agentischen KI-Projekte abgebrochen werden, ist eine Vorhersage und keine gemessene Quote. Beide betreffen Grossunternehmen. Planen Sie Ihr Budget anhand Ihrer eigenen Ausgangsbasis für einen einzelnen Prozess.

Brauchen KI-native Unternehmen weniger Personal?

Die Belege sind uneinheitlich. Im INSEAD-Feldexperiment veränderten die behandelten Startups ihre Arbeitsnachfrage nicht, und die vom NBER befragten Führungskräfte berichten bisher praktisch von keinem Nettoeffekt auf die Beschäftigung. Block strich 2026 rund 4,000 Stellen und führte dies teils auf KI zurück, nannte aber auch frühere Überbesetzung. Behandeln Sie Aussagen zum Personalbestand als unbewiesen.

Insights

Setzen Sie diese Ideen um

Ein 30-minütiges Gespräch genügt, um herauszufinden, ob ein KI-Agent zu Ihrem Workflow passt — und was er einbringen würde.