KI gehört bei uns inzwischen zum Arbeitsalltag. Wir nutzen entsprechende Werkzeuge regelmässig, um Präsentationen zu erstellen, Konzepte auszuarbeiten, Lösungen zu dokumentieren oder Code zu schreiben. Nach mehreren Monaten intensiver Nutzung wollten wir genauer wissen, was uns das tatsächlich bringt.
Dazu haben wir unsere Erfahrungen aus der Praxis ausgewertet und mit aktuellen Studien verglichen. Dabei zeigt sich: KI kann vieles beschleunigen. Wie viel Zeit am Ende tatsächlich gespart wird, hängt allerdings stark von der jeweiligen Aufgabe ab. Manchmal ist das Ergebnis bereits gut verwendbar. In anderen Fällen braucht es so viel Überarbeitung, dass ein Teil der gewonnenen Zeit wieder verloren geht.
In diesem Beitrag teilen wir unsere Beobachtungen und zeigen, wo KI heute schon einen echten Mehrwert bietet, wo ihre Grenzen liegen und was aus unserer Sicht den grössten Unterschied macht.
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
Wer regelmässig Präsentationen erstellt, kennt das Problem: Bis aus einer ersten Idee eine brauchbare Struktur mit passenden Folien wird, vergeht oft viel Zeit. Hier hilft KI spürbar. Ein erster Foliensatz mit Titeln, Gliederung und Argumentationsgerüst lässt sich innerhalb weniger Minuten erstellen.
Besonders profitieren Mitarbeitende, die nur gelegentlich Präsentationen vorbereiten. Sie müssen nicht mehr bei einem leeren Dokument anfangen. Mit einer entsprechend eingerichteten Vorlage kann die KI zudem direkt im Corporate Design arbeiten.
Ganz so einfach ist es allerdings nicht. Viele Entwürfe sehen auf den ersten Blick überzeugend aus. Beim genaueren Hinsehen fehlen jedoch wichtige Zusammenhänge, Argumente sind nicht sauber hergeleitet oder einzelne Aussagen bleiben zu oberflächlich. Auch die Sprache wirkt häufig noch künstlich. Gleichförmige Satzmuster, auffällige Dreierlisten und viele ausgewogene Formulierungen machen den KI-Ursprung schnell erkennbar.
Bis eine Präsentation fachlich stimmt und die gewünschte Aussage vermittelt, braucht es deshalb weiterhin eine gründliche Überarbeitung. Trotzdem sparen wir insgesamt Zeit, weil der erste Entwurf bereits steht.
Ein ähnliches Problem beschreiben Forschende von BetterUp Labs und dem Stanford Social Media Lab unter dem Begriff «Workslop». Gemeint sind KI-Ergebnisse, die auf den ersten Blick gut aussehen, bei der eigentlichen Aufgabe aber wenig weiterhelfen. Rund 40 Prozent der Befragten hatten bereits solche Ergebnisse erhalten. Die anschliessende Nacharbeit dauerte im Durchschnitt knapp zwei Stunden pro Fall.
Konzepte und Dokumente: Struktur ja, Haltung nein
Bei Konzepten und längeren Dokumenten zeigt sich ein ähnliches Bild. Eine Gliederung, ein erster Kapitelaufbau oder eine Textfassung sind schnell erstellt. Auch vorhandene Informationen aus Notizen, Sitzungsprotokollen und E-Mail-Verläufen lassen sich gut zusammenführen.
Das spart Zeit bei der Vorbereitung. Sobald es aber um die fachliche Ausarbeitung geht, reicht der erste Entwurf selten aus.
Was wir dabei beobachten:
– Die fachliche Tiefe und die Zusammenhänge zwischen einzelnen Kapiteln müssen häufig noch ergänzt werden.
– Fachbegriffe werden zwar richtig verwendet, passen aber nicht immer zum jeweiligen Sachverhalt.
– Bei Empfehlungen bleibt die KI oft zu zurückhaltend. Sie stellt verschiedene Möglichkeiten gegenüber, obwohl eine klare Einschätzung gefragt wäre.
– Angaben zu Kunden, Zahlen und Referenzen müssen sorgfältig geprüft werden. Auch frei erfundene Informationen können auf den ersten Blick durchaus glaubwürdig wirken.
Eine Studie von Brynjolfsson, Li und Raymond (NBER) kommt auf einen durchschnittlichen Produktivitätsgewinn von 14 Prozent durch generative KI. Bei weniger erfahrenen Mitarbeitenden lag dieser sogar bei 34 Prozent.
Unsere Erfahrungen gehen in eine ähnliche Richtung: Wer nur gelegentlich schreibt oder Konzepte erstellt, profitiert besonders davon, dass die KI den Einstieg erleichtert. Die fachliche Verantwortung für das Ergebnis bleibt jedoch bei der Person, die das Dokument erstellt.
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)