Das Wichtigste in Kürze

• • Grösster Nutzen bei strukturierten Quellen: Dokumentation aus Code, Flows und Konfigurationen gelingt mit wenig Nacharbeit.

• • Kleinster Nutzen, wo Inhalt erst entstehen muss: Konzepte, Präsentationen und Offerten. Der Engpass ist dabei nicht die Aufgabe, sondern der fehlende Kontext.

• • Code: Die Zeitersparnis ist real, ein Teil davon wird aber in technische Schuld umgewandelt, die erst im Betrieb sichtbar wird.

• • Ohne Review kein Enterprise-Einsatz: Der Mensch bleibt in der Schleife – auch wenn die KI beim Review selbst mithilft.

• • Der nächste Hebel ist Kontext: Eingerichtete Vorlagen, zugängliches Firmenwissen und Agents machen aus dem heute schwächsten Bereich die grösste Reserve.

 

Präsentationen: schneller Start, spürbare Nacharbeit

Ein vollständiger Foliensatz mit Struktur, Titeln und Argumentationsgerüst entsteht in Minuten statt in Stunden. Am grössten ist die Wirkung bei Personen, die nicht täglich Präsentationen erstellen: Der Einstieg ins leere Dokument entfällt. Mit einer einmalig eingerichteten Vorlage arbeitet die KI zudem direkt im Corporate Design.

Die Kehrseite: Viele Entwürfe überzeugen auf den ersten Blick, sind im Detail aber lückenhaft. Zusammenhänge fehlen, die Herleitung springt, einzelne Aussagen tragen nicht. Dazu ist der Text oft als KI-Text erkennbar – gleichförmige Satzmuster, Dreierlisten, viel Ausgewogenheit ohne eigene Haltung. Die Korrektur frisst einen grossen Teil der Ersparnis wieder auf. Unter dem Strich bleibt trotzdem ein deutlicher Gewinn.

Einordnung: Forschende von BetterUp Labs und dem Stanford Social Media Lab beschreiben dieses Phänomen als «Workslop» – KI-Output, der gut aussieht, die Aufgabe aber nicht weiterbringt. Rund 40 Prozent der Befragten hatten solchen Output erhalten; die Nacharbeit kostet im Schnitt knapp zwei Stunden pro Fall.

 

Konzepte und Dokumente: Struktur ja, Haltung nein

Gliederung, Kapitelgerüst und erste Textfassung stehen schnell; das leere Blatt ist kein Hindernis mehr. Bestehendes Material wie Notizen, Protokolle und Mailverläufe lässt sich zuverlässig zu einem Rohentwurf verdichten. Formale Vollständigkeit, Struktur und Übergänge sind gut abgedeckt.

Nacharbeit fällt dort an, wo es fachlich wird:

• • Fachliche Tiefe und die Verbindung zwischen den Kapiteln müssen von Hand hergestellt werden.

• • Begriffe werden korrekt verwendet, aber nicht immer im richtigen Zusammenhang – das fällt oft nur Fachleuten auf.

• • Die KI wägt ab, wo eine klare Empfehlung nötig wäre.

• • Kundenspezifika, Zahlen und Referenzen sind zwingend zu prüfen: Erfundenes ist plausibel formuliert.

Einordnung: Eine viel zitierte Studie von Brynjolfsson, Li und Raymond (NBER) misst im Schnitt 14 Prozent Produktivitätsgewinn durch generative KI – bei wenig erfahrenen Mitarbeitenden jedoch 34 Prozent. Das deckt sich mit unserer Beobachtung: Wer selten schreibt, profitiert am meisten.

 

Dokumentation von Lösungen: der klarste Gewinn

Hier fällt unser Urteil am deutlichsten positiv aus. Der Grund: Die Quelle liegt bereits strukturiert vor. Die KI muss nichts erfinden, sondern übersetzen. Aus Code, PnP-Templates, Power-Automate-Flows, Power Apps und Konfigurationen entsteht eine ordentliche, vollständige Dokumentation – mit deutlich geringerer Nacharbeit als bei Konzepten oder Präsentationen.

Damit wird wirtschaftlich, was in vielen Projekten regelmässig liegen bleibt: eine Dokumentation, die dem tatsächlichen Stand der Lösung entspricht. Und es gibt einen zweiten Effekt: Was heute dokumentiert wird, ist morgen der Kontext, aus dem Agents, Support und Onboarding schöpfen. Gerade bei Lösungen auf der Power Platform und in der Prozessdigitalisierung ist das ein handfester Vorteil für Betrieb und Weiterentwicklung.

Einordnung: Das DORA-Forschungsprogramm von Google Cloud zählt qualitativ gute, zugängliche interne Dokumentation zu den stärksten Verstärkern des KI-Nutzens und stellte bereits 2024 einen messbaren Zusammenhang zwischen KI-Einsatz und besserer Dokumentationsqualität fest.

 

Code: schnell geschrieben, später bezahlt

Was heute schon trägt

• • Initialer Aufbau: Projektgerüst, Boilerplate, Konfiguration und Testgerüst entstehen zuverlässig und schnell.

• • Einzelne, klar umrissene Module und Features werden auf gutem Niveau umgesetzt.

• • Lösungsfindung und Troubleshooting: KI ist ein starker Sparringpartner für Hypothesen.

• • Proof of Concept und Prototypen, wo Tempo zählt und die Lebensdauer des Codes begrenzt ist.

Wo die Rechnung später kommt

• • Je grösser und komplexer die Codebasis, desto mehr Fehler baut die KI ein.

• • Es entsteht klassische technische Schuld – sichtbar erst im Betrieb und bei Erweiterungen.

• • Code muss reviewed und korrigiert werden. Die KI hilft dabei, ersetzt das Review aber nicht.

• • Ohne Human in the Loop ist KI-generierter Code nicht business- oder enterprise-ready.

 

Einordnung: Laut Stack Overflow Developer Survey 2025 nutzen rund 84 Prozent der Entwickelnden KI-Werkzeuge oder planen dies, aber nur rund ein Drittel vertraut der Genauigkeit der Ergebnisse. Als grössten Zeitfresser nennen zwei Drittel Lösungen, die «fast richtig, aber nicht ganz» sind. GitClear hat über 623 Millionen Codeänderungen ausgewertet und seit 2023 einen Anstieg duplizierter Codeblöcke um 81 Prozent festgestellt, während der Anteil an Refactoring stark zurückging. Und in einer Studie von METR aus dem Jahr 2025 waren erfahrene Entwickelnde mit KI 19 Prozent langsamer – hielten sich aber für 20 Prozent schneller. Gefühl und Messung gehen also auseinander.

 

Informationen nutzbar machen: ein unterschätzter Anwendungsfall

Sammeln, verdichten und adressatengerecht aufbereiten ist eine Stärke von KI, die in vielen Unternehmen noch kaum systematisch genutzt wird. Ein Beispiel aus unserem Umfeld sind Microsoft-365-Updates: Roadmap, Message Center und Release Notes werden laufend ausgewertet und zu einer kurzen Übersicht je Kunde oder Thema verdichtet.

Dasselbe Muster trägt für Partnerprodukte, Security-Advisories oder Marktbeobachtung. Der Aufwand liegt einmalig im Aufsetzen; danach entsteht der Nutzen wiederkehrend und ohne zusätzlichen Personenaufwand.

 

Agents mit Firmenwissen: vom generischen Assistenten zum Kollegen

Der Sprung vom generischen Assistenten zu einer KI, die «das Unternehmen kennt», entsteht durch Kontext – nicht durch ein besseres Modell. Typische Einsatzfelder, die wir derzeit evaluieren:

• • Sales Agent: erstellt auf Basis früherer Angebote und Leistungsbeschriebe einen ersten Offertentwurf.

• • Product Agent: beantwortet Fragen zu Partnerprodukten auf Basis von Herstellerdokumentation.

• • Operations Agent: greift auf Betriebshandbücher, Tickets und Dokumentation zu und unterstützt Support und Onboarding.

Voraussetzung ist aufbereitetes Firmenwissen – genau hier zahlt sich gute Dokumentation ein zweites Mal aus. Damit zielen Agents auf die Bereiche, in denen KI ohne Kontext heute am wenigsten bringt: Offerten, Konzepte und wiederkehrende Produktfragen. Wie solche Agents in Microsoft 365 aufgebaut werden, zeigen wir auf unserer Seite zu SmartAI365 – KI und Copilot in Microsoft 365.

Einordnung: Die MIT-Studie «The GenAI Divide» führt das Scheitern der meisten KI-Pilotprojekte nicht auf die Modellqualität zurück, sondern auf fehlende Einbettung in Arbeitsabläufe und fehlenden Zugriff auf internes Wissen.

 

Ausblick: vom Prompt zum Graph

Die vielen Begriffe rund um KI-Agenten lassen sich als Stufen desselben Verlaufs lesen. Die ersten beiden bestimmen, was das Modell sieht, die folgenden drei, wie es arbeitet:

• • Prompt: bessere Formulierung, Beispiele, Format – wirkt nur auf den einzelnen Aufruf.

• • Kontext: was im Kontextfenster steht – Firmenwissen, Dokumente, Verlauf, Gedächtnis.

• • Agent und Harness: Das Modell darf handeln – mit Werkzeugen, Ausführungsumgebung und Berechtigungen.

• • Loop: wie lange und wie sorgfältig – Schrittbudget, Prüfschleifen, Abbruchkriterien.

• • Graph: mehrere Agents in einem festen Ablauf mit Verzweigungen und Übergaben.

[Bild-Platzhalter: Grafik «Vom Prompt zum Graph» (5 Stufen) – wird in WordPress hochgeladen und ersetzt]

Unsere Erfahrung: Der Engpass ist selten die Orchestrierung, sondern fast immer der Kontext. Wer hier investiert, holt aus jeder Stufe mehr heraus.

 

Was wir daraus ableiten – und Ihnen empfehlen

• • Dort beginnen, wo die Quelle strukturiert vorliegt: Dokumentation zuerst – sie zahlt sich doppelt aus.

• • Vorlagen einrichten: für Präsentationen und Dokumente, damit der erste Wurf bereits im Corporate Design entsteht.

• • Bei Konzepten und Offerten: KI für Struktur und Rohentwurf, Argumentation und Haltung von Hand.

• • Bei Code: kleine, klar umrissene Einheiten statt grosser Würfe. Review bleibt Pflicht; PoC und Troubleshooting sind die stärksten Anwendungsfälle.

• • Nacharbeit einplanen: fest in Schätzungen aufnehmen, statt sie als Ausnahme zu behandeln.

• • Agents gezielt evaluieren: an einem echten Arbeitsablauf starten und den Nutzen messen.

 

Die Kerninformationen auf einen Blick

Kernnutzen

Schneller erster Wurf in allen Bereichen; am grössten bei Dokumentation aus strukturierten Quellen und bei Personen, die eine Aufgabe selten ausführen

Grenzen

Fachliche Tiefe, eigene Haltung und Korrektheit von Zahlen und Fakten; bei Code wachsende technische Schuld ohne konsequentes Review

Erfolgsfaktor

Kontext statt Modell: Vorlagen, aufbereitetes Firmenwissen und Agents, die in echte Arbeitsabläufe eingebettet sind

Zielgruppe

Unternehmen in der Schweiz, die KI und Microsoft 365 Copilot produktiv und kontrolliert im Arbeitsalltag einsetzen möchten

 

Fazit

KI ist im Arbeitsalltag angekommen – als Beschleuniger für den ersten Wurf, nicht als Ersatz für Fachwissen und Urteilsvermögen. Wer den Nutzen realistisch bewertet, Nacharbeit einplant und gezielt in Kontext investiert, holt deutlich mehr heraus als mit dem jeweils neuesten Modell. Der Mensch bleibt in der Schleife; die Frage ist nur, wo seine Zeit den grössten Unterschied macht.

 

KI produktiv einsetzen – mit innobit

Als Microsoft-365-Spezialist begleiten wir Unternehmen vom ersten Copilot-Einsatz bis zu Agents, die auf Ihr Firmenwissen zugreifen. In unserem Copilot-Workshop identifizieren wir die Anwendungsfälle mit dem grössten Hebel in Ihrem Unternehmen; mit SmartAI365 setzen wir sie technisch sauber und governance-konform um. Damit die Einführung auch im Alltag trägt, unterstützen wir Sie zudem mit Change & Adoption Management. Einen Einstieg in Microsoft Copilot finden Sie auch in unserem Beitrag «Mit Microsoft Copilot durchstarten».

 

Jetzt Beratung anfragen – wir teilen unsere Erfahrungen gerne im persönlichen Gespräch.

 

Quellen und weiterführende Studien: BetterUp Labs / Stanford Social Media Lab («Workslop», 2025); Brynjolfsson, Li, Raymond: «Generative AI at Work» (NBER); Stack Overflow Developer Survey 2025; METR (2025); GitClear Maintainability Gap Report (2026); DORA – State of AI-assisted Software Development; MIT NANDA: «The GenAI Divide» (2025)