Von der Operating-Model-Frage zur Governance-Architektur.

Lagebild

Im vierten Quartal 2025 zeichnete sich ab, dass die Einführung generativer Systeme weniger eine Technologie- als eine Operating-Model-Frage ist. Im ersten Quartal 2026 zeigt sich, was diese Verschiebung konkret bedeutet.

Beobachten lässt sich in diesem Quartal eine institutionelle Veränderung auf einer Ebene, die in der bisherigen AI-Debatte nur am Rand erschien: der infrastrukturellen Architektur professioneller Arbeit selbst.

Manuelle Koordination, die über Jahrzehnte als Grundlage operativer Steuerung galt, stößt unter Bedingungen generativer Systeme zunehmend an Grenzen. Verantwortung, die historisch personell verankert war, muss neu strukturiert werden, sobald Systeme an Analyse, Priorisierung und operativer Ausführung teilnehmen. Workflows treten aus ihrer administrativen Rolle und werden zu Bestandteilen operativer Infrastruktur. Wissen, das bislang dokumentenzentriert oder personengebunden organisiert war, beginnt eine aktive Rolle zu übernehmen. Und Governance-Modelle, entwickelt für manuell koordinierte Arbeitsumgebungen, treffen auf eine Anforderungslage, für die sie nicht ausgelegt sind.

Was sich abzeichnet, ist keine Erweiterung bestehender Strukturen. Es ist eine Verschiebung der infrastrukturellen Ebene, auf der professionelle Arbeit organisiert wird.

Was sich verändert hat

Vier strukturelle Bewegungen treten im ersten Quartal 2026 in den Vordergrund.

Erstens werden die Grenzen manueller Koordination sichtbar. Operative Abläufe, die über E-Mail, persönliche Übergaben und informelle Abstimmung organisiert wurden, geraten unter Bedingungen steigender Parallelität, Geschwindigkeit und Komplexität an ihre strukturellen Grenzen. Was über lange Zeit funktional war, wird zunehmend zur Belastung organisatorischer Skalierbarkeit.

Zweitens muss Verantwortung innerhalb AI-gestützter Prozesse neu strukturiert werden. Solange generative Systeme nur unterstützen, bleiben bestehende Aufsichts- und Eskalationsmodelle funktional. Sobald Systeme jedoch an operativer Ausführung teilnehmen, wächst die institutionelle Bedeutung organisatorischer Verantwortungsstrukturen.

Drittens wechseln Workflows ihre organisatorische Rolle. Sie sind nicht mehr administrative Prozessstrukturen. Sie werden zu Bestandteilen operativer Infrastruktur, innerhalb derer Expertise, Governance und Ausführung verbunden werden.

Viertens wird Wissen operativ. Was historisch eine statische Informationsressource war, beginnt aktiver Bestandteil operativer Prozesse zu werden, vorausgesetzt, Organisationen sind in der Lage, vorhandene Expertise innerhalb reproduzierbarer Workflow- und Governance-Strukturen organisatorisch nutzbar zu machen.

Vollständig autonome Modelle dürften langfristig nicht dominieren. Wahrscheinlicher ist eine Architektur, die generative Unterstützung mit institutioneller Aufsicht verbindet. Überwachte Ausführung wird zum Standardmodell, nicht zum Sonderfall.

Relevanz für Führung und Aufsicht

Diese Veränderungen sind keine technologische Randnotiz. Sie betreffen die institutionelle Architektur, innerhalb derer professionelle Arbeit organisiert, verantwortet und skaliert wird.

Für Führung und Aufsicht heißt das konkret: Investitionen in Modelle und Anwendungen erzeugen ohne entsprechende Architektur-Anpassungen begrenzte operative Wirkung. Eine Organisation kann technologisch auf dem aktuellen Stand sein und gleichzeitig strukturell unfähig bleiben, generative Systeme verantwortet und reproduzierbar in operative Prozesse zu integrieren.

Die Frage ist daher weniger, welche Modelle eingeführt werden, als wie eine governancefähige operative Infrastruktur entsteht, innerhalb derer Aufsicht reproduzierbar wirken kann. Die langfristige Differenzierung zwischen Organisationen entsteht in diesem Quartal sichtbar weniger durch isolierte Modellfähigkeiten als durch die Fähigkeit, Workflow-Strukturen, Governance-Mechanismen und Aufsichtsmodelle so anzupassen, dass operative Intelligenz innerhalb kontrollierter und reproduzierbarer Strukturen abgebildet werden kann.

Die Aufsichtsfunktion verschiebt sich entsprechend. Sie betrifft zunehmend nicht mehr nur einzelne Entscheidungen, sondern die strukturelle Frage, wie Verantwortung innerhalb AI-gestützter Prozesse organisatorisch verankert wird.

Handlungsoptionen

Drei Pfade zeichnen sich für Organisationen ab.

Der erste Pfad ist die selbstgeführte Architektur-Entwicklung. Die Organisation entwickelt eigene Workflow-, Governance- und Aufsichtsstrukturen innerhalb bestehender Operating Models. Dieser Pfad erfordert erhebliche interne Kapazität, ist aber maximal anschlussfähig an spezifische institutionelle Anforderungen.

Der zweite Pfad ist die strukturierte Co-Entwicklung. Die Organisation arbeitet gemeinsam mit einer spezialisierten Infrastruktur an der Anpassung ihrer operativen Architektur. Verantwortung und Aufsicht bleiben innerhalb der Organisation, die strukturelle Übersetzung wird gemeinsam erarbeitet.

Der dritte Pfad ist die supervidierte Lieferung. Die Organisation übergibt definierte Vorgänge an eine Infrastruktur, die operative Intelligenz innerhalb kontrollierter Ausführungsumgebungen abbildet und institutionell verantwortet. Aufsicht und Eskalation bleiben innerhalb der Organisation, die operative Architektur wird durch externe Verantwortungsträger gestellt.

Welcher Pfad dominiert, hängt weniger von der technologischen Reife einer Organisation ab als von ihrer Operating-Model-Reife, und damit von der Fähigkeit, Architektur-Fragen organisatorisch zu strukturieren und zu verantworten.

Erste institutionelle Prüfpunkte

Drei Prüfungen erscheinen als sinnvolle erste Schritte für Organisationen, die sich der Frage stellen, wie ihre Operating-Model-Architektur unter Bedingungen generativer Systeme aussehen sollte.

Im ersten Schritt empfiehlt sich eine Inventarisierung jener operativen Vorgänge, die heute strukturell auf manueller Koordination beruhen. Diese Inventarisierung macht die Lückenstruktur sichtbar, an der die Veränderung beginnen muss.

Im zweiten Schritt erscheint eine Klärung der Verantwortungszuordnung für AI-gestützte Prozesse als sinnvoll. Welche Eskalationspfade sind dokumentiert, welche implizit? Welche Freigaben sind formal, welche faktisch? Diese Klärung legt die Architektur offen, an der Governance ansetzen muss.

Im dritten Schritt empfiehlt sich eine Bewertung der bestehenden Governance-Modelle gegenüber den strukturellen Anforderungen einer kontrollierten AI-gestützten Ausführung. Diese Bewertung erlaubt, die Anpassungsschwere zu erkennen und sie strukturell zu planen, statt sie operativ zu erleiden.

Offene Zielkonflikte und Gegenargumente

Die hier beschriebene Verschiebung ist nicht ohne Spannungen.

Ein offener Zielkonflikt besteht zwischen Geschwindigkeit der AI-Adoption und institutioneller Reife der Architektur-Anpassung. Organisationen, die schnell Modelle einführen, ohne ihre Operating-Model-Architektur anzupassen, riskieren operative Fragmentierung. Organisationen, die zu lange auf vollständige Architektur-Klarheit warten, riskieren strategischen Anschlussverlust.

Ein zweiter Zielkonflikt betrifft das Spannungsfeld zwischen Standardisierung und kontextueller Flexibilität. Reproduzierbare Workflow-Strukturen erfordern Standardisierung. Professionelle Expertenarbeit beruht jedoch auf kontextueller Urteilsbildung. Wo verläuft die Grenze zwischen reproduzierbarer Architektur und urteilsabhängiger Ausführung?

Ein dritter Spannungsbogen ergibt sich aus dem Verhältnis von Aufsicht und Geschwindigkeit. Überwachte Ausführung erzeugt Governance-Sicherheit, reduziert aber gleichzeitig die Geschwindigkeitsvorteile generativer Systeme. Die Architektur muss diese Spannung organisatorisch verarbeiten, nicht eliminieren.

Fragen für Führung und Aufsicht

1. Welche operativen Vorgänge in unserer Organisation hängen heute strukturell von manueller Koordination ab?
2. Wer trägt operative Verantwortung in Vorgängen, an denen generative Systeme beteiligt sind?
3. Welche unserer Governance-Modelle wurden für manuell koordinierte Arbeit entwickelt und stoßen heute an Grenzen?
4. Planen wir die institutionelle Integration generativer Systeme auf Modell-Ebene oder auf Architektur-Ebene?
5. Welchen Pfad, selbstgeführt, co-entwickelt oder supervidiert, wählen wir für die Operating-Model-Anpassung der nächsten zwölf Monate?

Mögliche Einwände

Kritiker könnten einwenden, die hier beschriebene Veränderung sei in dieser Tiefe empirisch noch nicht belastbar belegt. Das ist für branchenübergreifende Datenlagen zutreffend. In regulierten Sektoren wie Recht, Versicherung, Kapitalmarkt und Compliance liegen jedoch erste institutionelle Hinweise vor, die die Tendenz stützen.

Ein zweiter Einwand betrifft die Befürchtung, eine starke Operating-Model-Anpassung verlangsame die organisatorische AI-Adoption. Die Erfahrung deutet in die Gegenrichtung. Ohne klare Architektur entsteht keine reproduzierbare Skalierung. Schnelligkeit ohne Struktur erzeugt operative Last, nicht operative Reife.

Schluss

Im vierten Quartal 2025 zeigte sich, dass die Frage nicht Technologie heißt, sondern Operating Models. Im ersten Quartal 2026 zeigt sich, was diese Operating-Model-Frage strukturell bedeutet.

Sie bedeutet, dass die infrastrukturelle Ebene professioneller Arbeit sich verschiebt. Workflows, Governance, Verantwortung und Wissen werden Bestandteile einer Architektur, die bislang nicht als solche erkennbar war.