Es gab noch nie so viele Automatisierungstools. KI-Agenten, die deinen Posteingang lesen, deine Meetings zusammenfassen, deine Antworten entwerfen, deinen Code schreiben, deine Woche organisieren. Jeden Monat eine neue Welle.
Und trotzdem machen die meisten Menschen, mit denen wir sprechen, immer noch dieselbe manuelle, repetitive, ermüdende Arbeit wie vor zwei Jahren.
Warum?
Wir haben die letzten Monate damit verbracht, genau diese Frage zu beantworten. Wir haben uns mit 22 Personen aus unterschiedlichen Rollen, Branchen und Erfahrungsstufen zusammengesetzt. Etwa drei Viertel hatten einen technischen Hintergrund. Der Rest nicht. Etwa die Hälfte arbeitete in der Tech-Branche. Die andere Hälfte nicht.
Wir haben sie gefragt, wie ihre Arbeit aussieht. Was schwierig ist. Was sie gerne ändern würden.
Was wir gefunden haben, waren vier Barrieren, die immer wieder auftauchen, unabhängig davon, was jemand beruflich macht oder wie technisch versiert er oder sie ist. Drei davon sind persönlicher Natur. Die vierte ist strukturell. Zusammen erklären sie, warum Automatisierung, obwohl sie seit zwei Jahrzehnten die meistversprochene Software-Kategorie ist, für die meisten Menschen immer noch weitgehend Wunschdenken bleibt.
Hier sind sie.
Barriere 1: Du kannst nicht sehen, was kaputt ist
Das Erste, was uns überrascht hat: Wenn wir die Leute gefragt haben, was an ihrer Arbeit schwierig oder frustrierend ist, haben uns die meisten vage Überschriften-Beschwerden geliefert. „Prioritäten jonglieren." „Kommunikation." „Ich bin einfach beschäftigt." Nichts Konkretes. Nichts Umsetzbares.
Also haben wir eine andere Frage versucht: „Wenn du mit einem Zauberstab eine Sache an deinem aktuellen Workflow ändern könntest, was wäre es?"
Plötzlich: lebendiger Schmerz. Konkrete Aufgaben. Dinge, die sie hassten. Dieselben Leute, die fünf Minuten zuvor mit den Schultern gezuckt hatten, hatten jetzt drei Antworten parat.
Eine interviewte Person erzählte uns:
„Ja, ich bin aligned. Ich hatte unzählige Gespräche. Aber einfach alle auf dem Laufenden zu halten ist so ein ermüdender Teil des Jobs."
Eine andere, die einen Quartalsprozess beschrieb:
„Ich würde dieses manuelle Tracking gerne loswerden. Es kostet einfach zu viel Zeit. Es wird fast jedes Quartal gemacht. Und in der Woche, in der es ansteht, hasst es buchstäblich jeder."
Eine dritte Person beschrieb eine wiederkehrende Aufgabe:
„Manchmal bekomme ich eine In-Store-Anfrage, in der ich den Bestand mit dem Online-Bestand abgleichen soll. Die Anfrage ist… nicht standardisiert. Manchmal liefern sie korrekte Store-IDs. Manchmal muss die Store-ID in Großbuchstaben sein, aber sie liefern Kleinbuchstaben. Das Format ist falsch. Ich muss alle Formate manuell kalibrieren, sicherstellen, dass alles stimmt, es in die Maschine eingeben und den Button klicken."
Keiner dieser Menschen hatte diese Aufgaben für automatisierbar gehalten, bis wir die richtige Frage stellten. Sie machten sie seit Monaten oder Jahren. Es war einfach der Job.
Das ist kein persönliches Versagen. So funktioniert Aufmerksamkeit. Repetitive Aufgaben verschwinden in den Hintergrund. Dein Gehirn markiert sie nicht mehr als beachtenswert, weil sie vorhersehbar sind. Das Unbehagen, sie zu erledigen, wird einfach „Montag".
Du kannst nicht automatisieren, was du nicht benennen kannst. Und die meisten Menschen können ohne Hilfe nicht benennen, was in ihrer Arbeit kaputt ist.
Das ist Barriere eins.
Barriere 2: Du weißt nicht, wo du anfangen sollst
Nehmen wir an, du siehst, was kaputt ist. Du weißt genau, welche Aufgabe dir die Woche raubt. Du hast sogar Zugriff auf KI-Tools, die sie wahrscheinlich erledigen könnten.
Die meisten Menschen erstarren trotzdem.
Das Problem: zu viele Möglichkeiten, kein konkreter Startpunkt. Entscheidungslähmung, angewendet auf Automatisierung. Wenn du alles automatisieren kannst, automatisierst du oft nichts.
Eine Person sagte uns:
„Wie dirigiert man die KI dazu, das zu machen? Wie formuliert man die Nachricht an die KI? Ich glaube, es braucht Zeit, zu lernen, konkreter zu sein."
Sie wussten, dass die KI dazu in der Lage war. Sie wussten nur nicht, wie sie sie auf ihre Arbeit ausrichten sollten.
Eine andere interviewte Person beschrieb es direkter:
„Aus der UI ist nicht so klar, was man sonst noch machen kann. Wenn man einfach einen Prompt eingibt, denke ich: ‚Oh, ich muss mir überlegen, was ich brauche.' Aber ich habe eigentlich keine Option, oder? Ich weiß nicht, was es sonst noch kann. Wie weit kann ich also mein Problem überhaupt denken? In unserem letzten Gespräch ist mir aufgefallen, dass ich es nach einem Standup-Bericht in meiner E-Mail fragen könnte, oder vielleicht ein Linear-Issue erstellen lassen. Das war mir vorher nicht klar."
Sie ergänzten:
„Vielleicht wenn es ein Dropdown gäbe oder Beispielprompts oder Templates, die ich verwenden könnte, würde das helfen. Anstatt dass ich mir alles komplett von Grund auf ausdenken muss."
Eine andere Person wollte etwas noch Konkreteres:
„Es gibt so viele. Der Tech-Stack ist mittlerweile riesig. Es gibt so viele Möglichkeiten. Wenn mir also jemand sagen könnte, welches Tool ich verwenden sollte, was für jede Aufgabe, die ich mache, effizienter wäre. So nach dem Motto: ‚Hey, für diese Aufgabe solltest du das hier verwenden statt Claude Code.' Das wäre wirklich cool, wenn man irgendwie in mein Linear schauen und mir das sagen könnte."
Was Menschen brauchen, ist nicht mehr Fähigkeit. Es ist ein konkreter Startpunkt. Ein echtes Beispiel. Ein Workflow, den jemand wie sie gebaut hat, der end-to-end funktioniert, den sie kopieren und anpassen können.
Das ist ein Grund, warum überall dieselben fünf Workflows automatisiert werden: Morning Briefings, Wochenberichte, Posteingang-Triage, Standup-Notes, Customer Summaries. Es sind nicht die besten Automatisierungen. Es sind einfach die, für die es öffentliche Templates und offensichtliche Startpunkte gibt.
Alles andere bleibt manuell. Nicht weil es nicht automatisiert werden könnte, sondern weil niemand gezeigt hat, wie „Anfangen" aussieht.
Das ist Barriere zwei.
Barriere 3: Die Kosten des Anfangens sind höher als die Kosten, es zu lassen
Okay, du hast die Arbeit identifiziert. Du hast einen konkreten Startpunkt. Jetzt musst du das Ganze tatsächlich aufsetzen.
An dieser Stelle steigen die meisten Menschen aus.
Eine interviewte Person erzählte uns von einem KI-Tool, das ihre Kolleg:innen regelmäßig nutzen:
„Ich kenne OpenClaw, aber ich habe es nie selbst probiert. Ich weiß, dass meine Kolleg:innen es nutzen, aber ich habe es nie ausprobiert."
Als wir nachfragten, sagten sie, das Setup sei zu komplex und zeitaufwendig. Sie hatten es nicht einmal versucht. Dass ihr Team es erfolgreich nutzte, war nicht genug. Die wahrgenommenen Aktivierungskosten waren so hoch, dass sie es einfach… gelassen haben.
Eine andere Person war noch direkter darüber, wo der Dropoff passiert:
„Ich glaube, das gilt vor allem für neue Nutzer:innen. Weil viele Leute das Zeug sehen und es ausprobieren wollen. Und wenn sie dann diesen
npm installreinhauen und plötzlich die Meldung kommt ‚du musst auch noch Claude installieren' on top, da hören viele Leute einfach auf. Sie machen gar nicht erst weiter."
Und unter beiden Zitaten liegt dieselbe rationale Rechnung. Eine andere interviewte Person brachte es direkt auf den Punkt:
„Wenn wir den Workflow automatisieren wollen, wollen wir Zeit sparen und produktiver werden. Wir wollen nicht so viel Zeit für die Tools aufwenden, die unsere Effizienz eigentlich verbessern sollen."
Das ist keine Faulheit. Das ist Mathematik.
Der ganze Sinn von Automatisierung ist, Zeit zu sparen. Aber bei den meisten Workflows dauert das Setup länger, als die Aufgabe einfach manuell zu erledigen. Du verbringst Stunden damit, das Interface zu lernen, Stunden damit, Trigger zu verdrahten, Stunden damit, Edge Cases zu testen, und erst danach fängst du an, Zeit zu sparen. Bei Aufgaben, die wöchentlich anfallen, beträgt die Time-to-Payoff Monate. Bei Aufgaben, die monatlich oder quartalsweise anfallen, geht die Rechnung buchstäblich nie auf.
Also lassen es die Leute.
Frühere Erfahrungen verstärken das Problem. Menschen haben Tools ausprobiert, die das Blaue vom Himmel versprochen und ein 40-stufiges Setup geliefert haben. Sie haben Zeit damit verbracht, Interfaces zu lernen, die sich nicht ausgezahlt haben. Selbst wenn ein neues Tool tatsächlich funktioniert, machen sie diese Erfahrungen zögerlich.
Die meisten Automatisierungstools gehen davon aus, dass du eine Stunde lernen wirst, bevor du irgendeinen Nutzen bekommst. Für die meisten Menschen, besonders die nicht-technischen, endet dort die Beziehung.
Das ist Barriere drei.
Barriere 4: Deine Organisation lässt dich nicht
Hier kommt die Barriere, die am schwersten zu beheben ist, und die wir am häufigsten von Menschen in größeren Organisationen hören.
Selbst wenn du siehst, was kaputt ist, genau weißt, wo du anfangen sollst, und bereit bist, die Setup-Zeit zu investieren, dein Unternehmen lässt es vielleicht nicht zu.
Eine Person, die in einem großen Unternehmen arbeitet, beschrieb uns, wie das in der Praxis aussieht:
„Jedes Tool, das wir nutzen, muss entweder vom Kunden oder intern freigegeben werden. Sobald es freigegeben ist und das Budget bewilligt wurde, gehen wir hin und kaufen das Tool, Person für Person."
Freigabe. Budget. Lizenz pro Person. Für jedes neue Tool. Bis der Prozess durch ist, ist der Moment der Motivation, der dich überhaupt dazu gebracht hat, das Tool ausprobieren zu wollen, schon Monate her.
Aber die tiefere Version dieses Problems ist nicht nur „Ich kriege das Tool nicht freigegeben." Es ist, dass du, selbst wenn du KI-Tools persönlich nutzen darfst, sie nicht mit den Systemen verbinden kannst, in denen deine eigentliche Arbeit lebt. Dieselbe Person:
„Ich kann meine Arbeitsumgebung nicht damit verbinden. Wenn ich das privat nutze, kann ich mein Salesforce nicht anbinden. Ich kann mein Teams nicht anbinden. Weil das auf meinem Office-Laptop sitzt."
Sie haben Zugriff auf ChatGPT. Sie haben Aufgaben, die sie gerne in Salesforce automatisieren würden. Die beiden Welten lassen sich nicht verdrahten. Die Automatisierung, die sie wollen, erfordert eine Brücke zwischen ihren persönlichen Tools und ihren Arbeitsdaten, und diese Brücke ist verboten.
Das ist nicht nur ein Problem großer Unternehmen. Eine andere interviewte Person sagte uns:
„Ich glaube, große Unternehmen haben gewisse Bedenken bezüglich Privatsphäre. Wir dürfen ChatGPT auf jeden Fall nutzen. Gemini dürfen wir nicht. Ich weiß nicht warum. Ich weiß nicht warum. Aber es ist halt eine Unternehmensentscheidung."
„Ich weiß nicht warum." Dieser Satz fällt oft, wenn man mit Menschen über die Tool-Restriktionen ihrer Organisation spricht. Die Entscheidungen wirken von innen willkürlich. Manche Tools genehmigt, manche nicht, keine erkennbare Logik. Du arbeitest mit Workarounds, ohne die Regeln zu verstehen.
Für viele Menschen ist das die eigentliche Mauer. Nicht „Ich kann nicht sehen, was kaputt ist." Nicht „Ich weiß nicht, wie ich das automatisieren soll." Sondern „Ich darf nicht."
Diese Barriere ist schwerer als die anderen, weil sie nicht von dir abhängt. Sie hängt von deiner Umgebung ab. Und Umgebungen verändern sich langsam.
Das ist Barriere vier.
Was das bedeutet
Diese vier Barrieren bauen aufeinander auf. Selbst wenn du an der ersten vorbeikommst, triffst du auf die zweite. Hinter der zweiten lauert die dritte. Und selbst wenn du dich durch alle drei kämpfst, kann dich die Organisation um dich herum trotzdem stoppen.
Zusammen bilden sie eine Mauer, an der die meisten Menschen scheitern, selbst wenn sie genau wissen, was sie beheben wollen. Deshalb bleibt Workflow-Automatisierung, obwohl sie seit zwei Jahrzehnten die meistversprochene Software-Kategorie ist, für die meisten Menschen weitgehend Wunschdenken.
Wir glauben, dass die Mauer einreißbar ist. Nicht jeder Teil, nicht für jeden, aber mehr als die aktuellen Tools annehmen. Wir haben die letzten Monate damit verbracht, gezielt Dinge gegen die ersten drei Barrieren zu bauen, und intensiv darüber nachzudenken, wie wir Automatisierung sicher genug machen können, damit die vierte mit der Zeit weniger einschränkend wird. Wir haben Meinungen darüber, was funktioniert. Aber wir zeigen es dir lieber, als es dir zu erzählen.
Hier ist also, was wir stattdessen tun.
Am Samstag, 16. Mai, veranstalten wir ein kostenloses Hands-on-Lab in San Jose. Wir gehen Schritt für Schritt durch, wie du in deiner eigenen Arbeit erkennst, was automatisierbar ist, wo du anfangen sollst, wenn du hundert Optionen hast, und wie du deinen ersten KI-Teammate in unter 15 Minuten aufsetzt. Ohne zu programmieren.
Begrenzt auf 30 Plätze. RSVP: https://luma.com/yqpulmgq
Am Dienstag, 20. Mai, veranstalten wir ein ähnliches Event in San Francisco. Details und RSVP folgen bald. Folge @vm0_ai, um als Erstes Bescheid zu wissen.
Falls du es zu keinem der Events schaffst, folge uns trotzdem. Wir werden zusammenfassen, was die Leute beim Lab tatsächlich bauen: die Workflows, die Überraschungen, die Dinge, die nicht funktioniert haben. Wir veröffentlichen das im nächsten Beitrag. So bekommst du die praktischen Antworten so oder so.
Die vier Barrieren oben sind real. Wir hören davon von fast jeder Person, mit der wir sprechen. Die ersten drei sind heute lösbar. Die vierte braucht länger, ist aber auch lösbar. Wir werden die nächsten Wochen damit verbringen, das zu beweisen, bei den Events und in dem, was wir als Nächstes veröffentlichen.
Zitate sind nach Rolle anonymisiert. Interview-Sample: 22 Personen aus Software/KI, Gesundheitswesen, Darstellender Kunst, Fertigung, Beratung, Einzelhandel, Biomechanik und gemeinnützigen Organisationen. Etwa 73 % mit technischem Hintergrund, 27 % ohne.
