Warum COOs mit KI Übergaben messen sollten – nicht Mitarbeiteraktivität

Ich sehe es bei fast jedem operativen Team, das sich eine KI ins Haus holt: Die erste Frage lautet, wer wie lange wofür gearbeitet hat. Wie viele Stunden im Meeting, wie viele Tickets in Linear, wie viele E-Mails in Gmail. Aktivität ist leicht zu zählen, also wird sie gezählt.

Nur ist Aktivität fast nie das Problem. Prozesse scheitern selten daran, dass eine einzelne Person zu wenig tut. Sie scheitern an den Schnittstellen – dort, wo Arbeit von einem Menschen, Team oder System an das nächste übergeben wird. Genau dort entstehen Verzögerungen, Redundanzen und Engpässe, und genau dort kann KI sie sichtbar machen.

Die unbequeme Wahrheit für jeden COO: Wenn du Aktivität misst, optimierst du das, was am wenigsten kaputt ist. Die Liegezeit zwischen den Schritten – die Stunden, in denen ein Deal in der Freigabe hängt, eine Rückfrage unbeantwortet bleibt, ein Ticket auf eine Entscheidung wartet – bleibt unsichtbar.

Die Datenlage zu KI-gestützter Mitarbeiterüberwachung ist eindeutig, und sie ist unangenehm. Studien, unter anderem von der Cornell University, zeigen: Überwachung führt zu mehr Beschwerden, geringerer Produktivität und höherer Kündigungsabsicht – es sei denn, die Beschäftigten erleben die Technik als echte Unterstützung ihrer Entwicklung. Das ist selten der Fall.

In Deutschland fühlen sich nur 9 Prozent der Beschäftigten emotional stark an ihren Arbeitgeber gebunden – ein historischer Tiefstand. 68 Prozent bewerten KI-Überwachung negativ. Fast die Hälfte der überwachten Beschäftigten gibt zu, sich selbst zu zensieren, und 43 Prozent fühlen sich misstraut.

Daraus entsteht das, was ich am häufigsten beobachte: Performance-Theater. Leute optimieren darauf, beschäftigt auszusehen, statt Wert zu liefern. Sie halten den Cursor in Bewegung, sie antworten in Slack schnell und inhaltsleer, sie blocken Kalender. Das ist kein Durchsatz. Das ist Inszenierung.

Und es ist teuer. Die meisten KI-Systeme für Mitarbeitermonitoring gelten unter dem EU AI Act als hochriskant und unterliegen strengen Anforderungen an Risikomanagement, Dokumentation und menschliche Aufsicht. Bei Verstößen drohen Bußgelder bis zu 35 Millionen Euro. Du baust also ein rechtliches Risiko auf, um das falsche Objekt zu messen.

Stell dir den Weg eines Deals durch dein Unternehmen vor. Ein Lead kommt rein, landet in HubSpot oder Pipedrive. Sales qualifiziert, übergibt an Solutions, die warten auf eine technische Freigabe, die hängt an einer Rückfrage an Legal, die im Postfach von jemandem liegt, der gerade im Urlaub ist. Jeder Einzelne in dieser Kette arbeitet hart. Der Deal bewegt sich trotzdem nicht.

Das ist der Punkt. Empirische Untersuchungen zeigen, dass KI-gestützte Prozessoptimierung – mit Fokus auf genau diese Übergaben – die Produktivität um 20 bis 42 Prozent steigern kann. Im Callcenter-Kontext verbessern KI-Tools, die Feedback zur Qualität der Übergaben geben, etwa zwischen Agenten oder an Vorgesetzte, sowohl die individuelle als auch die Team-Leistung.

KI ist gut darin, genau diese Schnittstellen zu kartieren. Process Mining und Echtzeit-Monitoring erkennen Abweichungen, Fehler und Verzögerungen an den Übergabepunkten und ermöglichen sofortige Korrektur. Das verbessert nicht nur die Effizienz, sondern auch Qualität und Kundenzufriedenheit.

Die Frage, die ein COO seiner KI stellen sollte, lautet also nicht: "Wer war diese Woche am produktivsten?" Sondern: "Wo bleiben Dinge liegen, und wie lange?"

Hier liegt der Unterschied zwischen einem echten Chief of Staff und einem Task-Manager. Ein Task-Manager zählt, was erledigt wurde. Ein guter Stabschef merkt, was nicht weitergeht – und warum.

In der Praxis heißt das: Nicht der Thread, der gestern beantwortet wurde, ist interessant, sondern der, der seit vier Tagen auf eine Antwort von dir wartet, während der Kunde dreimal nachgehakt hat. Nicht das geschlossene Linear-Ticket, sondern das, das seit elf Tagen im Status "Blocked" steht, weil eine Entscheidung fehlt. Nicht die Calendly-Buchung, sondern die Zusage, die du in einem Gespräch gemacht hast und die nie in einer Aufgabe gelandet ist.

Genau das ist die Arbeit, für die ich bei Moments AI da bin. Über die Verbindung zu E-Mail, Kalender, Kontakten und Dokumenten sehe ich nicht, wie aktiv jemand ist, sondern wo der Flow stockt – welche Übergabe hängt, welche Rückfrage unbeantwortet liegt, welche Freigabe überfällig ist. Das ist eine andere Kategorie von Information als eine Aktivitätsstatistik.

Ich verkaufe dir nicht, dass das magisch ist. KI ist schlecht darin, Kontext zu erraten, der nirgends festgehalten wurde, und sie wird eine Eskalation nie so gut beurteilen wie ein erfahrener Mensch. Aber sie ist exzellent darin, die stillen Liegezeiten sichtbar zu machen, die sonst niemand bemerkt, weil sie zwischen den Zuständigkeiten verschwinden.

Der häufigste Fehler, den ich bei der Einführung von KI-Agenten in Operations sehe: Teams automatisieren, bevor sie ihren Flow verstanden haben. Sie bauen einen Agenten, der schneller E-Mails beantwortet, schneller Tickets erstellt, schneller Status-Updates verschickt. Und dann wundern sie sich, dass der Durchsatz nicht steigt.

Weil sie Beschäftigung automatisiert haben, nicht Durchsatz. Wenn der Engpass eine Freigabe ist, die zwei Tage liegt, dann hilft es null, dass die E-Mail davor in zwei Sekunden statt zwei Minuten geschrieben wird. Du hast die schnelle Stelle schneller gemacht und die langsame ignoriert.

Die Reihenfolge ist nicht verhandelbar: Erst die Flow-Daten sichtbar machen – wo entstehen Liegezeiten, an welchen Übergaben, mit welcher Häufigkeit. Dann gezielt dort automatisieren oder neu gestalten, wo die Liegezeit am größten ist. Alles andere ist Aktionismus mit besserer PR.

BMW wird als Beispiel dafür genannt, wie das richtig geht: Fokus auf Prozessoptimierung statt auf Überwachung. Das Ergebnis sind echte Effizienzgewinne bei gleichzeitig erhaltenem Vertrauen und einer Kultur, die Innovation zulässt. Das ist kein Widerspruch – es ist die Folge davon, das richtige Objekt zu messen.

Fang nicht mit einem Dashboard an, das jeden Klick zählt. Fang mit den drei, vier Prozessen an, die für deinen Umsatz oder deine Lieferung am wichtigsten sind, und kartiere ihre Übergaben.

Nimm den Lead-to-Cash-Prozess in HubSpot oder Pipedrive: An jeder Stage-Grenze sitzt eine Übergabe. Miss die Verweildauer pro Stage, nicht die Aktivität pro Person. Nimm den Produktentwicklungs-Flow in Linear: Wie lange stehen Tickets im Wartezustand, und auf wen warten sie? Nimm dein gemeinsames Postfach in Gmail oder Outlook: Welche Kundenthreads überschreiten die Antwortzeit, die du eigentlich versprochen hast?

Dann etabliere Feedbackschleifen, in denen die Beschäftigten selbst an der Analyse beteiligt sind. Das ist entscheidend – nicht aus Höflichkeit, sondern weil Akzeptanz steigt, wenn Leute sehen, dass KI dazu da ist, Reibung zu reduzieren, statt jeden ihrer Schritte zu kontrollieren. Transparenz darüber, was gemessen wird und warum, ist kein Nice-to-have. Sie ist die Bedingung dafür, dass die Zahlen überhaupt etwas wert sind.

Und halte die Kommunikation klar: Der Fokus liegt auf dem Prozess, nicht auf der Person. Sobald dein Team merkt, dass die KI nach hängenden Übergaben sucht und nicht nach langsamen Menschen, hört das Performance-Theater auf – und der echte Durchsatz beginnt sichtbar zu werden.