Organisationsdesign für KI · Whitepaper
Das CLEAR Framework: Prozesse modellieren, wenn KI mitarbeitet
Fünf Rollen, zwei Regeln und ein Fundament für Prozesse, in denen Menschen und KI-Agenten zusammenarbeiten.
8 Min. Lesezeit
13. Oktober 2026
HandsOn Insights
Kurz gesagt. Flussdiagramme, Swimlanes und RACI-Matrizen beruhen auf einer gemeinsamen Annahme: Jeder Akteur im Prozess ist ein Mensch. Diese Annahme gilt nicht mehr. KI-Systeme entwerfen heute E-Mails, pflegen das CRM und legen Aufgaben an. Das CLEAR Framework ersetzt die vier RACI-Buchstaben durch fünf Rollen und zwei Regeln, legt einen Context Layer darunter und erfasst für jeden Schritt die Zeit. Dieser Beitrag fasst unser Whitepaper zusammen. Die vollständige Fassung finden Sie am Ende zum Download.
Wo der KI-Schritt im Prozessmodell verschwindet
In einem klassischen Prozessmodell landet ein KI-Schritt meist an einer von zwei Stellen. Entweder verschwindet er im Kästchen eines Menschen: „Vertrieb erstellt das Angebot“, obwohl ein Assistent den Großteil schreibt. Oder er bekommt ein eigenes Kästchen mit der Aufschrift „System“, für das niemand zuständig ist.
Beide Varianten verdecken die Frage, auf die es jetzt ankommt: Wer trägt die Verantwortung, wenn die Maschine die Arbeit macht? Unternehmen, die KI Tool für Tool einführen, erleben die Folgen in zwei Fehlermustern. Beim Stillstand traut sich niemand, der KI wichtige Aufgaben zu überlassen, weil unklar ist, wer für einen Fehler geradesteht. Bei der Drift übernimmt die KI unbemerkt immer mehr, und die Verantwortung löst sich Schritt für Schritt auf.
Ein Prozessmodell mit KI muss deshalb für jeden Schritt drei Fragen beantworten:
- Wer führt? Welcher Mensch verantwortet das Ergebnis, auch wenn eine Maschine den Großteil erledigt?
- Wer oder was führt aus? Erledigt diesen Schritt ein Mensch, ein KI-Agent oder beide gemeinsam?
- Wo muss ein Mensch freigeben? An welchen Stellen ruht die Arbeit, bis jemand sie geprüft hat?
Fünf Rollen, zwei Regeln
CLEAR behält, was Prozessmodelle nützlich gemacht hat: eine einfache Tabelle, die jeder ausfüllen kann, mit einer Zeile pro Prozessschritt. Neu sind die Spalten. Statt der vier RACI-Rollen beschreibt CLEAR jeden Schritt mit fünf Rollen:
| Rolle | Bedeutung | Mensch oder KI? |
|---|---|---|
| C · Consults | Liefert Input: eine Kollegin, ein Experte oder ein Agent. Daten gehören in den Context Layer. | Beides |
| L · Leads | Verantwortet das Ergebnis. Genau eine Person pro Schritt. | Immer ein Mensch |
| E · Executes | Erledigt die Arbeit. | Beides |
| A · Approves | Gibt frei. Ohne diese Freigabe geht nichts weiter. | Mensch, wo es zählt |
| R · Reviews | Prüft fertige Arbeit im Nachgang, oft stichprobenartig. | Je nach Prozessdesign |
Für jedes Modell gelten zwei Regeln, ohne Ausnahme. Erstens: Führung bleibt beim Menschen. Ein KI-System kann ausführen, zuarbeiten oder vorprüfen. Die Führung eines Schritts übernimmt es nie, für das Ergebnis steht immer ein Mensch mit Namen ein. Zweitens: Keine KI-Kette ohne Kontrollpunkt. Gibt ein Agent Arbeit an einen anderen weiter, prüft dazwischen entweder ein Mensch oder eine festgelegte, protokollierte maschinelle Kontrolle.
Die erste Regel ist gute Führung und zugleich der Kern dessen, was der EU AI Act unter menschlicher Aufsicht versteht. Im HandsOn AI Operating Model ist CLEAR das Designwerkzeug der Domäne D05, Process & Workflow Architecture.
Das Fundament: der Context Layer
Rollen legen fest, wer was tut. Ob die Arbeit auch gut erledigt werden kann, sagen sie nicht. Ein Mensch kann eine Kollegin fragen, merken, dass eine Tabelle veraltet ist, oder sich erinnern, was der Kunde letzte Woche gesagt hat. Ein KI-Agent arbeitet nur mit dem, was er über Ihre Systeme erreicht. Deshalb baut jedes CLEAR-Modell auf einem Context Layer auf, der Systemebene unter dem Prozess.
Information wird zu Kontext, wenn eine Maschine sie finden kann, ihr vertrauen kann und sie nutzen darf.
In der Praxis heißt das fünf Dinge:
- Single Source of Truth: Für jede Information hält genau ein System die gültige Version. Agenten lesen dort und nie aus Kopien.
- Kennzeichnung: Jedes Dokument und jeder Datensatz zeigt, wer zuständig ist, wie aktuell und wie vertraulich der Inhalt ist.
- Berechtigungen: Jeder Agent sieht genau das, was seine Aufgabe erfordert, und eine Person ist dafür verantwortlich.
- Anbindungen: Agenten erreichen Ihre Systeme über saubere, kontrollierte Schnittstellen statt über Exporte, Uploads und Copy-and-paste.
- Rückschreiben: Ergebnisse fließen so in die Systeme zurück, dass der nächste Schritt sie nutzen kann. Sonst veraltet der Context Layer.
Der Context Layer entscheidet, wie viel Sie tatsächlich abgeben können. Soll ein Agent eigenständig arbeiten, müssen seine Informationen alle fünf Punkte erfüllen. Solange das nicht gilt, prüft ein Mensch jedes Ergebnis. Daraus folgt einer der nützlichsten Sätze in jedem KI-Projekt: „Ihr Prozessmodell sagt, der Agent schafft das allein. Ihre Systeme sagen, ein Mensch muss trotzdem jedes Ergebnis prüfen.“ Die Lücke zwischen beiden Aussagen ist Ihre Roadmap. Sie liegt meist in den Daten und Systemen.
Die Zeitdimension: wo die Arbeit auf Menschen wartet
Ein Prozessmodell, das nur zeigt, wer was tut, übergeht die Frage, die jede Geschäftsführung zuerst stellt: Wie lange dauert das? CLEAR erfasst deshalb für jeden Schritt zwei Arten von Zeit. Bearbeitungszeit ist die Zeit, in der ein Mensch oder eine KI tatsächlich daran arbeitet. Wartezeit ist die Zeit, in der die Arbeit im Posteingang, in einer Warteschlange oder auf der To-do-Liste liegt. Zusammen ergeben sie die Durchlaufzeit vom Auslöser bis zum Ergebnis. In den meisten Prozessen ist die Wartezeit der weitaus größere Teil: Die Arbeit dauert Minuten, das Warten Tage.
CLEAR vergleicht die Durchlaufzeit heute mit dem Zielbild, in dem KI ausführt, wo das Modell es zulässt. Dieser Vergleich zeigt, was die KI-Begeisterung meist verdeckt. KI verkürzt die Bearbeitungszeit drastisch: Ein Entwurf, der eine Stunde dauerte, entsteht in einer Minute. Die Wartezeit an Schritten, die weiterhin einen Menschen brauchen, verändert sie kaum. Bei jedem Approve steht die Arbeit still, bis ein Mensch sie freigibt. Sitzt diese Person den ganzen Tag in Meetings, wartet auch ein Agent, der in Sekunden fertig ist, stundenlang.
Typische Engpässe sind ein Freigabestau, wenn zu viele Ergebnisse die Freigabe von zu wenigen Menschen brauchen, die Konzentration aller Freigaben auf einem Schreibtisch, meist bei der Chefin oder beim Chef, Übergaben und Bündelung bis zum Wochenmeeting oder Monatsende und Bürozeiten: Der Agent arbeitet nachts, die freigebende Person nicht.
Dagegen hilft besseres Design. Prüffristen verhindern, dass Freigaben zu Warteschlangen werden. Wo das Risiko es erlaubt, ersetzt ein nachträgliches Review das vorherige Approve. Freigaben kommen gebündelt in dem Kanal an, den die Person ohnehin nutzt, und pro Phase gibt es höchstens einen Kontrollpunkt. Ein ehrlicher Zusatzschritt gehört dazu: Ist der Context Layer noch nicht so weit, muss ein Mensch jedes Ergebnis prüfen, und die Wartezeit kommt zurück. CLEAR rechnet deshalb immer mit dem Zielbild, das Sie betreiben dürfen.
So funktioniert Modellieren mit CLEAR
Mit CLEAR wird ein Prozess in fünf Durchgängen modelliert:
- Schritte vom Ergebnis her denken. Viele heutige Schritte gibt es nur, weil Menschen Arbeit sammeln, per E-Mail übergeben oder feste Bürozeiten haben. Ein KI-gestützter Prozess muss sie nicht übernehmen.
- Jedem Schritt die fünf Rollen zuweisen. Ein Lead, immer ein Mensch. Ein Executor, Mensch oder KI. Consult, Approve und Review dort, wo sie gebraucht werden.
- Kontrollpunkte bewusst setzen. Das Approve-Gate gehört dorthin, wo ein Fehler teuer, unumkehrbar oder für Kunden sichtbar ist. Überall sonst reicht ein leichteres Review.
- Den Kontext prüfen. Für jeden Schritt, den eine KI ausführt: Woher kommen ihre Informationen, und erfüllen sie die fünf Punkte des Context Layers? Wo das fehlt, bleibt eine menschliche Freigabe bestehen, und die Lücke kommt auf die Roadmap.
- Für jeden Schritt die Zeit erfassen. Bearbeitungs- und Wartezeit heute und im Zielbild schätzen, die Durchlaufzeiten vergleichen und markieren, wo Arbeit auf einen Menschen wartet. Das sind Ihre Engpässe und Ihr Business Case.
Praxisbeispiel: ein KI-Chief-of-Staff
Der Kunde war eine inhabergeführte Agentur für Kampagnen, Content-Produktion und Talent-Management. Die Geschäftsführung hielt alles zusammen, verteilt auf vier Systeme: E-Mail und Kalender, ein CRM für die Vertriebspipeline, ein Projekttool für die Produktionsaufgaben des Teams und ein Wiki mit Briefings und Playbooks. Das Ziel war ein KI-Chief-of-Staff, mit dem die Geschäftsführung per Messenger spricht. Er liest in allen vier Systemen, bereitet den Tag vor, behält Fristen im Blick und erledigt die Verwaltung.
Naheliegend wäre gewesen, den Agenten einfach an alles anzuschließen. Wir haben zuerst die Systeme erfasst und dann den Prozess modelliert:
| Schritt | C · Consults | L | E · Executes | A · Approves | R · Reviews | Liest aus | Schreibt in |
|---|---|---|---|---|---|---|---|
| Morgenbriefing: Was bleibt gerade liegen? | – | GF | Agent | – | GF, beim Lesen | Kalender, CRM, Projekttool, Wiki | – |
| Persönliche Erinnerung erfassen | – | GF | Agent | – | GF, per Rückmeldung des Agenten | – | Kalender |
| Produktionsaufgabe für das Team anlegen | Projektleitung (Kapazität) | GF | Agent | – | GF, per Rückmeldung des Agenten | Briefing im Wiki | Projekttool |
| Meeting-Zusammenfassung ablegen | – | GF | Agent | – | GF, per Rückmeldung des Agenten | Meeting-Notizen | CRM |
| E-Mail an Kunden entwerfen | Projektleitung (Status) | GF | Agent entwirft | GF sendet | – | CRM-Historie, frühere Verläufe | E-Mail-Postausgang |
| Deal anlegen oder verschieben | – | GF | Agent bereitet vor | GF bestätigt | – | CRM | CRM |
| Briefings und Playbooks aktualisieren | Agent (meldet Veraltetes) | GF | Team (nur Menschen) | – | – | Projekttool, CRM | Wiki |
GF = Geschäftsführung. Hinterlegte Zeilen haben ein Approve-Gate. Verfremdet nach einem Projekt mit einem kleinen Unternehmen, Kunde anonymisiert.
Das Modell machte mehrere Designentscheidungen sichtbar. Umkehrbare Arbeit läuft ohne Freigabe: Erinnerungen, interne Aufgaben und Meeting-Notizen haben eine leere A-Spalte, denn ein Fehler ist in zehn Sekunden behoben. Der Agent erledigt die Aufgabe und meldet, was er wo eingetragen hat. Diese Rückmeldung ist das Review. Was nach außen geht oder Geld betrifft, braucht ein Approve: Der Agent entwirft E-Mails, versenden tut die Geschäftsführung. Deal-Änderungen bereitet er vor, die Geschäftsführung bestätigt mit einem kurzen „ok“.
Manche Systeme sind nur lesbar: Der Agent darf im Wiki veraltete Inhalte melden, schreiben darf dort nur das Team. Aus dieser einen Zelle wurde eine technische Einstellung, der reine Lesezugriff. Der Context Layer kam zuerst: Vor der ersten Rolle stand für jede Informationsart die Single Source of Truth fest, also Termine im Kalender, Deals im CRM, Aufgaben im Projekttool und Briefings im Wiki. Der Agent liest live mit eigenem, begrenztem Zugang und schreibt jedes Ergebnis zurück.
Mit Zeiten an jedem Schritt wurde schließlich deutlich, wo der Engpass lag: bei der Geschäftsführung. Das Morgenbriefing kostete vorher 30 bis 45 Minuten Klicken durch vier Tools und liegt im Zielbild fertig vor, bevor der Tag beginnt. Meeting-Notizen wurden oft gesammelt am Freitag nachgetragen und stehen jetzt Minuten nach dem Termin im CRM. Wo ein Approve bleibt, hängt die Durchlaufzeit fast nur noch davon ab, wie schnell die Geschäftsführung reagiert. Deshalb kommen Freigaben im Messenger an, den sie ohnehin nutzt, und ein kurzes „ok“ genügt. Das Gate bleibt, die Schlange davor wird kürzer. Die Zeitangaben sind illustrative Größenordnungen für ein solches Setup.
Am Ende wurde das Prozessmodell zur Konfiguration des Agenten. Jede E-Zelle legte fest, was der Agent tun darf. Jede A-Zelle wurde zu einem eingebauten Bestätigungsschritt, jede C-Zelle benannte, wessen Input er einholt, und die Context-Layer-Spalten legten fest, aus welchen Systemen er liest und wohin er zurückschreibt. Die Spezifikation des Agenten haben wir direkt aus dem Modell abgelesen.
Was Ihnen ein CLEAR-Prozessmodell bringt
- Ein Standard für alle Prozesse. Vertrieb, Finanzen, Operations und HR werden mit denselben fünf Buchstaben und zwei Regeln modelliert. Sie sehen auf einen Blick, wo KI arbeitet, wo Menschen freigeben und wo Lücken sind.
- Agenten entstehen aus dem Modell. Die E-Zellen sind die Aufgaben des Agenten, die A-Zellen seine Grenzen, der Context Layer sein Datenzugriff.
- Kontrolle mit Gewicht. Eine Freigabe für jedes Ergebnis wirkt sicher, doch nach wenigen Wochen nicken Menschen nur noch ab. CLEAR setzt das Approve dort, wo ein Fehler teuer wäre.
- Ein Modell, das mit dem Vertrauen wächst. Bewährt sich ein Agent, wechselt ein Schritt von „GF gibt frei“ zu „GF prüft im Nachgang“. Die Tabelle bleibt gleich.
- Ein Business Case, den Sie rechnen können. Weil jeder Schritt Bearbeitungs- und Wartezeit trägt, lässt sich die Wirkung jeder Änderung beziffern.
Wo Sie anfangen
Wählen Sie einen Prozess, in dem KI schon einen Teil der Arbeit erledigt oder künftig erledigen soll. Schreiben Sie die Schritte auf und stellen Sie für jeden Schritt die drei Fragen: Wer führt? Wer oder was führt aus? Wo muss ein Mensch freigeben? Dann zwei weitere: Woher kommen die Informationen für diesen Schritt, und kann eine Maschine sie finden, ihnen vertrauen und sie nutzen? Und wie lange dauert der Schritt heute, und wie viel davon ist reines Warten?
Sie sehen schnell, wo die Verantwortung klar ist, wo sie unbemerkt verloren gegangen ist und wo Ihr Prozess eigentlich auf einen Menschen wartet. Dieses Modell ist der Ausgangspunkt für jeden Agenten, den Sie danach bauen.
Whitepaper · 18 Seiten · PDF
Prozesse modellieren im Zeitalter der KI. Das CLEAR Framework
Die vollständige Fassung mit allen Abbildungen, dem Vergleich der Durchlaufzeiten und dem kompletten Praxisbeispiel.
Nächster Schritt
Ihren ersten Prozess mit CLEAR modellieren
CLEAR ist Teil des HandsOn AI Operating Model. Wir modellieren mit Ihnen einen Prozess, in dem KI schon mitarbeitet, und zeigen, wo Verantwortung, Kontext und Zeit verloren gehen.