Der versteckte Aufwand der Automatisierung – was Automatisieren wirklich kostet

Wer zum ersten Mal einen wiederkehrenden Report automatisiert, rechnet meist mit einer einfachen Gleichung: Der Report baute sich früher in zwei Stunden, jetzt baut er sich von selbst – also sind zwei Stunden gewonnen. Sauber, abgeschlossen, erledigt.

In der Praxis stimmt diese Gleichung selten so glatt. Der Report läuft tatsächlich von allein, aber dann gibt es Rückfragen zu den Zahlen, eine zweite Variante für ein anderes Gremium, eine Prüfung, ob die Zuordnung diesmal gestimmt hat, und irgendwann den Tag, an dem die Anbindung an die Bank klemmt. Die zwei Stunden sind weg – aber andere Stunden sind dazugekommen.

Das ist kein Argument gegen Automatisierung. Es ist ein Hinweis darauf, dass „automatisieren“ und „einrichten und vergessen“ zwei verschiedene Dinge sind. Drei Arten von Aufwand bleiben verlässlich erhalten, und es lohnt sich, sie zu kennen, bevor man die ersten Prozesse umstellt.

Erster Aufwand: Was automatisiert wird, erzeugt Folgearbeit

Der erste Effekt zeigt sich gleich nach dem Einrichten. Eine Automatisierung produziert nicht weniger Arbeit, sondern mehr Output – und Output zieht Arbeit nach sich. Ein Bericht, der sich auf Knopfdruck baut, wird nicht einmal gebaut, sondern zehnmal: einmal für die Geschäftsführung, einmal nach Region, einmal mit angepasster Abgrenzung, einmal als Szenario. Jede dieser Varianten will gelesen, verstanden und besprochen werden.

Wie groß dieser Folgeaufwand sein kann, zeigt ein Beispiel aus der Praxis von Every, einem Medien- und Softwarehaus, das viele dieser Abläufe selbst automatisiert: Eine einzige automatisierte PowerPoint-Präsentation dort stützt sich auf 24 Bausteine und 18 Skripte und kostet pro Foliensatz rund 62 US-Dollar an Rechenleistung. Was nach „ein Klick“ aussieht, ist in Wahrheit ein kleines System, das gebaut und gepflegt werden will.

Hinzu kommt der Mechanismus, den wir im verwandten Artikel „Mehr Arbeit statt weniger“ genauer beschreiben: Wird eine Auswertung billig, entstehen mehr Auswertungen. Die eingesparte Zeit füllt sich also nicht mit Ruhe, sondern mit dem, was die neue Geschwindigkeit erst möglich macht.

Zweiter Aufwand: Prüfen, was herauskommt

Der zweite Aufwand ist der, den man am leichtesten unterschätzt, weil er unsichtbar bleibt, solange alles gutgeht. Jedes automatisierte Ergebnis muss jemand prüfen – und diese Prüfung ist echte Arbeit, keine Formsache.

Eine in der Harvard Business Review veröffentlichte Untersuchung hat dafür 2025 einen Begriff geprägt: „Workslop“. Gemeint ist KI-erzeugte Arbeit, die auf den ersten Blick fertig aussieht, aber inhaltlich nicht trägt. Der Effekt: Der Aufwand verschwindet nicht, er verschiebt sich – von dem, der das Ergebnis erzeugt, zu dem, der es bekommt und in Ordnung bringen muss. Rund 40% der Befragten gaben an, solche Ergebnisse zu erhalten; pro Vorfall ging im Schnitt fast eine halbe Arbeitsstunde fürs Nacharbeiten verloren.

Im Finanzkontext kommt eine Besonderheit dazu. Eine KI ordnet die große Mehrheit der Buchungen richtig zu – in der Praxis oft 85 bis 95%. Das Problem sind nicht die richtigen Fälle, sondern die wenigen falschen, denn das sind selten die harmlosen. Die KI bucht eine Auszahlung selbstsicher als Umsatz, weil sie nicht weiß, dass über dasselbe Zahlungskonto auch ein zweites Geschäft läuft. Genau diese Fälle erkennt nur, wer den Kontext kennt – und genau deshalb braucht jedes Ergebnis einen menschlichen Blick.

Dritter Aufwand: Einrichten und am Laufen halten

Der dritte Aufwand ist der dauerhafteste. Eine Automatisierung ist kein Gegenstand, den man einmal aufstellt, sondern ein Prozess, der gepflegt werden will. Konnektoren zur Bank oder zum ERP ändern sich, Prompts müssen nachgeschärft werden, und der Kontext, auf dem alles aufsetzt, verändert sich ständig: ein neuer Kontenrahmen, eine neue Tochtergesellschaft, ein neuer Lieferant, eine geänderte steuerliche Behandlung.

Schon das Einrichten ist aufwendiger, als die Demo vermuten lässt. Erhebungen aus der Datenpraxis zeigen, dass in KI- und Analyseprojekten der größte Teil des Aufwands nicht auf das Modell entfällt, sondern auf das Aufbereiten und Verbinden der Daten. Und auch danach hört es nicht auf: Untersuchungen aus Unternehmensprojekten zeigen, dass die laufende Pflege und Aufsicht solcher Systeme regelmäßig ein Vielfaches der reinen Lizenzkosten ausmachen.

Dahinter steht eine einfache Beobachtung, die Every für seine eigenen KI-Assistenten beschreibt: Je weiter ein Agent von einem Menschen entfernt ist, der für ihn verantwortlich ist, desto schlechter arbeitet er. Persönliche Assistenten, um die sich niemand kümmert, veralten schnell. Was bleibt, sind Abläufe, die jemand bewusst betreut – und diese Betreuung ist Teil der Rechnung.

Die Ironie der Automatisierung

Diese drei Aufwandsarten sind keine Kinderkrankheit der aktuellen KI-Generation. Sie folgen einem Muster, das die Kognitionspsychologin Lisanne Bainbridge bereits 1983 beschrieben hat – in einem Aufsatz mit dem treffenden Titel „Ironies of Automation“.

Ihre Beobachtung: Je weiter ein System automatisiert ist, desto anspruchsvoller wird die Rolle des Menschen darin, nicht einfacher. Denn automatisiert wird zuerst das Berechenbare. Übrig bleibt das Überwachen, das Eingreifen im Ausnahmefall und das Auffangen, wenn etwas schiefläuft – also gerade die schwierigen Momente. Bainbridge weist auch auf eine zweite Gefahr hin: Wer die Routine nicht mehr selbst macht, verliert mit der Zeit das Gefühl dafür – und braucht genau dieses Gefühl, um zu beurteilen, ob die Automatisierung richtig gearbeitet hat.

Wie sich der Aufwand sichtbar machen lässt

In den Teams, die länger mit Automatisierung arbeiten, lässt sich beobachten, wie sie mit diesem versteckten Aufwand umgehen – nicht als Regelwerk, sondern als praktische Gewohnheiten.

Eine davon ist, die Prüfzeit von Anfang an mit einzuplanen, statt sie als Nullkosten zu behandeln. Wenn ein automatisierter Prozess bewertet wird, zählt nicht nur, wie schnell er läuft, sondern auch, wie viel Zeit das Prüfen und Pflegen kostet. Erst diese Gesamtrechnung zeigt den tatsächlichen Hebel.

Eine zweite ist die Nachvollziehbarkeit. Wer eine Buchung oder eine Umgliederung KI-gestützt vorbereitet, hält fest, auf welcher Grundlage das geschah – gerade mit Blick auf die GoBD. „Die KI hat es vorgeschlagen“ ist gegenüber einer Prüfung keine belastbare Begründung; eine dokumentierte Entscheidung schon.

Eine dritte ist das Bild, das wir auch in „KI als Kollege“ beschreiben: der Mensch am Anfang und am Ende jeder Aufgabe. Am Anfang, um die Frage zu rahmen und den Kontext zu setzen; am Ende, um das Ergebnis zu prüfen und in eine Entscheidung zu übersetzen. Dazwischen kann die KI viel übernehmen – aber die beiden Enden bleiben besetzt.

In einem Satz

Automatisierung spart Zeit an einer Stelle und verlangt sie an drei anderen zurück: bei der Folgearbeit, die mehr Output erzeugt, bei der Prüfung, die jedes Ergebnis braucht, und bei der Pflege, die jeden Ablauf am Laufen hält. Wer diesen Aufwand von Beginn an mitrechnet, unterschätzt den Hebel nicht – und enttäuscht sich auch nicht, wenn der Schreibtisch nach der ersten Automatisierung nicht leerer, sondern anders voll ist.