Die 70-20-10-Regel der KI-TransformationAI transformation: the 70-20-10 rule

Das Modell ist fertig. Die Arbeit wartet noch.

Ein gedankliches Beispiel aus einem mittelständischen Maschinenbauunternehmen: Die KI schreibt den ersten Angebotsentwurf in wenigen Minuten. Früher brauchte der Vertrieb dafür einen halben Vormittag. Die Geschäftsführung sieht die Vorführung und rechnet hoch.

Beim Kunden kommt das Angebot trotzdem am Freitag an.

Die technische Prüfung liegt weiter beim Abteilungsleiter. Eine aktuelle Preisfreigabe fehlt. Für Sonderkonditionen braucht es dieselbe Unterschrift wie bisher. Der Text ist schneller fertig, der Auftrag bewegt sich kaum schneller durch das Unternehmen.

An dieser Stelle beginnt die eigentliche KI-Transformation. Der Zusammenhang zwischen einer besseren Einzelleistung und einem besseren Geschäftsergebnis muss erst hergestellt werden. Wer ihn überspringt, kauft Geschwindigkeit, die im nächsten Postfach liegen bleibt.

Die 70-20-10-Regel lenkt den Blick genau auf diese Arbeit. Sie ordnet ungefähr 10 Prozent des Aufwands Algorithmen und Modellen zu, 20 Prozent Technologie und Daten, 70 Prozent Menschen und Prozessen. Entscheidend ist nicht, was das Modell in der Demo kann. Entscheidend ist, was sich im Arbeitsalltag tatsächlich ändert.

eine Faustregel mit Herkunft, keine Erfolgsformel

BCG formulierte die Aufteilung bereits 2019 als Faustregel: 10 Prozent für Algorithmen, 20 Prozent für Technologie und Daten, 70 Prozent für die Veränderung von Geschäftsprozessen. Spätere Veröffentlichungen fassen den großen Block ausdrücklich als Menschen und Prozesse. Das ist eine brauchbare Orientierung für Führungskräfte, aber keine mathematisch bewiesene Zerlegung von KI-Erfolg. BCG, 2019

Kein Unternehmen sollte daraus ableiten, jedes Budget exakt in dieser Quote zu verteilen. Bei schwachen Daten kann die technische Arbeit zunächst größer sein. Ein anderes Unternehmen hat die Systeme längst, aber niemand darf eine Freigaberegel ändern. Beide brauchen andere Entscheidungen.

Die Regel ist deshalb vor allem ein Test der eigenen Aufmerksamkeit. Wer im Leitungskreis ausführlich über Modelle diskutiert, sollte ebenso konkret sagen können, welche Arbeitsabläufe sich ändern sollen, wer darüber entscheidet und woran der Nutzen sichtbar wird.

ein Pilot kann erfolgreich sein und wirtschaftlich wirkungslos bleiben

Eine Demo beantwortet eine enge Frage: Kann das System mit den vorgelegten Informationen ein brauchbares Ergebnis erzeugen? Im Betrieb kommen andere Bedingungen hinzu. Informationen fehlen. Ein Mitarbeiter erkennt einen Ausnahmefall. Die zuständige Person ist im Urlaub.

Ein Angebot ist erst dann schneller erstellt, wenn es geprüft und versandbereit ist. Die eingesparte Schreibzeit beschreibt deshalb nur einen Ausschnitt. Für die Geschäftsführung zählt die Durchlaufzeit vom Eingang einer vollständigen Anfrage bis zum freigegebenen Angebot. Dazu gehört die Qualität des Ergebnisses.

Wie groß die Lücke zwischen Einsatz und Wert sein kann, zeigt BCGs Erhebung von 2025: 5 Prozent der befragten Unternehmen stuft BCG als "future-built" ein, 35 Prozent skalieren KI und beginnen Nutzen zu erzielen, 60 Prozent berichten trotz Investitionen nur geringe Umsatz- und Kosteneffekte. Das ist keine Ausfallquote aller KI-Projekte. Es ist eine Befragung von 2025 und ein Hinweis darauf, genauer hinzusehen, sobald ein Unternehmen viele Anwendungen vorführen kann, deren Geschäftswirkung aber kaum beziffert. BCG, 2025

die 10 Prozent brauchen ein klares Urteil

Ein kleiner Anteil bedeutet keine kleine Verantwortung. Ein ungeeignetes Modell kann ein gut geplantes Vorhaben unbrauchbar machen.

Für den Angebotsprozess braucht das Unternehmen eine konkrete Qualitätsdefinition. Ein sprachlich sauberer Entwurf reicht nicht, wenn die KI eine technische Zusage ergänzt, die der Betrieb nicht erfüllen kann. Auch eine erfundene Lieferfrist kann teuer werden.

Modelle sollten deshalb mit echten, freigegebenen Beispielen aus dem vorgesehenen Arbeitsgebiet verglichen werden. Zu den Testfällen gehören unvollständige Anfragen und widersprüchliche Angaben. Fachleute müssen beurteilen, welche Fehler akzeptabel sind und welche den Einsatz ausschließen.

Die Auswahl folgt der Aufgabe. Ein Modell, das lange Vertragsunterlagen gut verarbeitet, muss für kurze Standardantworten nicht die wirtschaftlichste Lösung sein. Manche Aufgabe braucht überhaupt keine generative KI. Eine eindeutige Berechnungsregel lässt sich auch eindeutig programmieren.

die 20 Prozent verbinden die KI mit dem Betrieb

In einer Vorführung bekommt die KI passende Unterlagen. Im Alltag muss geklärt sein, welche Unterlagen aktuell sind und wer sie verwenden darf.

Im Maschinenbaubeispiel entscheidet schon die Version der Preisliste darüber, ob der Entwurf verwendbar ist. Liegen gültige Preise und alte Sondervereinbarungen ungeordnet nebeneinander, löst ein stärkeres Sprachmodell das Problem nicht zuverlässig.

Die Datenarbeit beginnt deshalb beim konkreten Prozess. Für einen ersten Test müssen die benötigten Produktinformationen nachvollziehbar gepflegt sein. Ein Unternehmen muss nicht vorab sämtliche historischen Dokumente aufräumen. Es muss aber für den abgegrenzten Einsatz wissen, welcher Datenbestand verbindlich ist.

Ebenso wichtig ist der Übergang in die vorhandenen Systeme. Wenn Mitarbeiter Ergebnisse aus einem Chatfenster kopieren und anschließend mehrere Felder nachtragen müssen, entsteht neue Arbeit. Dieser Aufwand gehört in die Wirtschaftlichkeitsrechnung.

die 70 Prozent stehen in der Freigabeordnung

Der größte Teil der Veränderung wird konkret, sobald eine Führungskraft Zuständigkeiten festlegt. Im Angebotsprozess muss jemand entscheiden, wer einen KI-Entwurf prüfen darf. Für welche Fälle reicht die Prüfung im Vertrieb? Wann braucht es die technische Abteilung?

Dabei kann sich herausstellen, dass eine bisher übliche Freigabe entfallen darf. In anderen Fällen ist eine zusätzliche Kontrolle nötig, weil die KI Fehler erzeugt, die bislang selten vorkamen. Beides verändert Arbeit.

Diese Entscheidungen kann die IT vorbereiten. Die Verantwortung für den Geschäftsprozess bleibt bei einer benannten Führungskraft. Sie muss ausreichend Zeit erhalten und befugt sein, Regeln anzupassen.

Der Begriff "Menschen und Prozesse" wird schnell zu einem Sammelbecken für Schulungen. Das greift zu kurz. Ein Mitarbeiter kann hervorragend mit dem Werkzeug umgehen und trotzdem an einer unveränderten Vorgabe scheitern. Besonders sichtbar wird das bei widersprüchlichen Zielen. Die Geschäftsführung erwartet mehr Sorgfalt bei KI-Ergebnissen, bewertet den Vertrieb aber ausschließlich nach der Zahl verschickter Angebote. Damit wird eine gründliche Prüfung im Alltag zum Nachteil.

beschäftigte brauchen Antworten auf ihre Arbeit

Die Einführung verändert Erwartungen an Beschäftigte. Wer künftig KI-Ergebnisse prüfen soll, braucht dafür Fachwissen und verfügbare Zeit. Eine neue Schaltfläche erzeugt beides nicht.

Es genügt deshalb nicht, allen denselben Einführungskurs anzubieten. Eine erfahrene Vertriebsmitarbeiterin braucht andere Übungen als ein neuer Kollege. Bei ihr kann es darum gehen, seltene Fehlannahmen zu erkennen. Er muss zunächst lernen, woran ein brauchbares Angebot überhaupt zu erkennen ist.

Eine Feldstudie von Erik Brynjolfsson, Danielle Li und Lindsey Raymond zeigt, warum diese Unterschiede zählen. Bei 5.172 Beschäftigten im Kundensupport erhöhte ein KI-Assistent die Zahl gelöster Anliegen pro Stunde im Durchschnitt um 15 Prozent. Weniger erfahrene Beschäftigte profitierten stärker. Bei den erfahrensten und leistungsstärksten Kräften zeigten sich geringe Geschwindigkeitsgewinne und leichte Qualitätseinbußen. Das Ergebnis ist kein Versprechen für jeden Arbeitsplatz. Stanford Digital Economy Lab und NBER

Es spricht für eine Einführung, die den tatsächlichen Lernbedarf ernst nimmt. Im Test sollte sichtbar werden, wem das System hilft und wer zusätzlichen Prüfaufwand hat.

der Nutzen braucht einen Anschlussauftrag

Gesparte Minuten werden erst dann wirtschaftlich wirksam, wenn mit ihnen etwas Sinnvolles geschieht.

Im Vertrieb kann die gewonnene Zeit ermöglichen, zusätzliche qualifizierte Anfragen zu bearbeiten. Dafür müssen solche Anfragen vorhanden sein. Fehlt die Nachfrage, entsteht aus einer höheren möglichen Angebotszahl noch kein zusätzlicher Umsatz.

Auch eine rechnerische Personalkostenersparnis ist nicht automatisch eine realisierte Kostensenkung. Wenn dieselben Beschäftigten dieselbe Stundenzahl arbeiten, sinkt die Lohnsumme durch schnelleres Schreiben zunächst nicht. Es entsteht verfügbare Arbeitszeit.

Diese Zeit kann wertvoll sein. Ein Team kann Rückstände abbauen oder Angebote sorgfältiger nachverfolgen. Die Geschäftsführung muss nur vorab benennen, welches Ergebnis sie erreichen will, und später prüfen, ob es eingetreten ist.

Für eine belastbare Rechnung werden außerdem die neuen Aufwände berücksichtigt: Kontrolle von Ergebnissen, laufende Systemkosten und Pflege der zugrunde liegenden Informationen. Ein schneller Entwurf, der lange nachbearbeitet werden muss, kann die Rechnung umkehren.

der erste Anwendungsfall braucht einen begrenzten Auftrag

Für ein KMU ist ein klar abgegrenzter Prozess ein guter Ausgangspunkt. Die Geschäftsführung sollte ihn so wählen, dass ausreichend reale Fälle für einen Vergleich vorliegen und eine verantwortliche Person erreichbar ist.

Beim Angebotsprozess wäre eine sinnvolle Grenze die Bearbeitung wiederkehrender Standardprodukte. Sonderkonstruktionen bleiben zunächst außerhalb des Tests. Vor dem Start werden heutige Bearbeitungszeiten erfasst. Auch die Häufigkeit fachlicher Korrekturen gehört dazu. Ohne Ausgangswert bleibt unklar, ob die neue Arbeitsweise tatsächlich besser ist.

Die Testgruppe sollte den späteren Betrieb ausreichend abbilden. Ausschließlich besonders begeisterte und erfahrene Mitarbeiter auszuwählen, macht die Vorführung einfacher, aber die Übertragung schwieriger. Gerade weniger routinierte Kollegen zeigen, welche Unterstützung im Alltag fehlt.

prozessänderung ist eine Führungsentscheidung

McKinsey veröffentlichte im März 2025 eine Befragung, in der 21 Prozent der Befragten aus Organisationen mit generativer KI angaben, zumindest einige Arbeitsabläufe grundlegend neu gestaltet zu haben. Die Daten wurden im Juli 2024 erhoben. Unter 25 untersuchten Merkmalen hing die Neugestaltung von Arbeitsabläufen am stärksten mit dem berichteten EBIT-Effekt zusammen. Die 21 Prozent beziehen sich auf diese Teilgruppe der GenAI-Nutzenden. Das ist eine Korrelation, kein Kausalnachweis. McKinsey, 2025

Für Führungskräfte ergibt sich daraus eine konkrete Aufgabe: regelmäßig prüfen, ob die Organisation den versprochenen Nutzen überhaupt zulässt. Im Angebotsbeispiel betrifft das die Vertretung bei Freigaben. Eine beschleunigte Erstellung bringt dem Kunden wenig, wenn am Ende weiterhin nur eine Person entscheiden darf.

Diese Arbeit lässt sich nicht vollständig an einen Anbieter delegieren. Ein externer Partner kennt das Modell. Über die zulässigen technischen Zusagen muss der Betrieb selbst entscheiden können.

in die nächste Sitzung gehört ein echter Vorgang

Für die nächste Besprechung zum KI-Einsatz sollte eine kürzlich abgeschlossene Kundenanfrage auf dem Tisch liegen. An ihr lässt sich der Weg durch das Unternehmen nachvollziehen.

Die Beteiligten markieren, wann tatsächlich gearbeitet wurde und wann der Vorgang wartete. Anschließend prüfen sie, welchen Abschnitt die geplante KI verkürzt. Der verantwortliche Bereich benennt die organisatorische Entscheidung, die den nächsten Engpass beseitigen soll.

Am Ende braucht dieser eine Vorgang einen überprüfbaren nächsten Schritt: etwa eine neue Freigaberegel für Standardangebote, die in einem begrenzten Test erprobt wird. Die Geschäftsführung legt fest, wer dafür verantwortlich ist und wann die Ergebnisse auf dem Tisch liegen.

Beim nächsten Termin liegt dann das Angebot auf dem Tisch, das früher beim Kunden angekommen ist. Oder ein belegbarer Grund, weshalb der Versuch diesen Anspruch noch nicht erfüllt.

quellen

1. BCG: How to Win with Artificial Intelligence, 2019
2. BCG: AI Leaders Outpace Laggards, 2025
3. Stanford Digital Economy Lab und NBER: Generative AI at Work
4. McKinsey: The State of AI, 2025

The model is ready. The work is still waiting.

Consider a mid-sized engineering company. AI writes the first draft of a quotation in minutes. Sales used to need half a morning. Management sees the demonstration and starts calculating.

The customer still receives the quotation on Friday.

Technical review still sits with the department head. A current price approval is missing. Special terms still need the same signature as before. The text is ready faster, but the order barely moves faster through the company.

This is where AI transformation starts. The link between better individual output and a better business result first has to be built. Skip it and you buy speed that stays in the next inbox.

The 70-20-10 rule directs attention to that work. It assigns roughly 10 percent of effort to algorithms and models, 20 percent to technology and data, and 70 percent to people and processes. What matters is not what the model can do in a demo. What matters is what actually changes in day-to-day work.

a rule of thumb with a history, not a formula for success

BCG stated the split in 2019 as a rule of thumb: 10 percent for algorithms, 20 percent for technology and data, and 70 percent for changing business processes. Later publications explicitly describe the large block as people and processes. It is useful guidance for leaders, not a mathematically proven breakdown of AI success. BCG, 2019

No company should infer that every budget must follow this exact ratio. Where data is weak, technical work can initially be larger. Another company may already have the systems but no one can change an approval rule. They need different decisions.

The rule is mainly a test of attention. Anyone discussing models in detail in the leadership team should be equally specific about which workflows must change, who decides, and how value becomes visible.

a pilot can succeed and still have no economic effect

A demonstration answers a narrow question: can the system create a useful result from the information provided? Operations add other conditions. Information is missing. An employee spots an exception. The responsible person is on holiday.

A quotation is only faster when it has been reviewed and is ready to send. Saved writing time therefore describes only one part of the work. For management, the relevant measure is lead time from a complete request to an approved quotation, including the quality of the result.

BCG's 2025 survey illustrates the gap between use and value: BCG classifies 5 percent of surveyed companies as future-built, 35 percent are scaling AI and starting to see value, and 60 percent report limited revenue and cost effects despite investment. This is not a failure rate for all AI projects. It is a 2025 survey and a reason to look closely when a company can demonstrate many applications but can barely quantify their business effect. BCG, 2025

the 10 percent need a clear judgement

A small share does not mean a small responsibility. An unsuitable model can make a well-planned initiative unusable.

For the quotation process, the company needs a concrete definition of quality. A fluent draft is not enough if AI adds a technical commitment that operations cannot meet. An invented delivery date can be expensive too.

Models should therefore be compared with real, approved examples from the intended field of work. Test cases should include incomplete requests and conflicting information. Subject experts must decide which errors are acceptable and which exclude use.

Selection follows the task. A model that handles long contract documents well need not be the most economical option for short standard replies. Some tasks do not need generative AI at all. A clear calculation rule can be programmed clearly.

the 20 percent connect AI to operations

In a demonstration, AI receives suitable documents. In daily work, it must be clear which documents are current and who may use them.

In the engineering example, the version of the price list already decides whether the draft can be used. If valid prices and outdated special agreements sit together without order, a stronger language model will not solve the problem reliably.

Data work therefore starts with the concrete process. For an initial test, required product information must be maintained in a traceable way. A company does not need to clean up every historical document first. It does need to know which data set is authoritative for the limited use case.

The connection to existing systems matters just as much. If employees copy results from a chat window and then enter several fields again, new work is created. That effort belongs in the business case.

the 70 percent are found in the approval rules

The largest part of the change becomes concrete when a leader sets responsibilities. In the quotation process, someone must decide who may review an AI draft. When is a sales review enough? When is engineering needed?

A familiar approval may turn out to be unnecessary. In other cases, an extra control is needed because AI creates errors that were previously rare. Both change work.

IT can prepare these decisions. Responsibility for the business process stays with a named leader. That person needs enough time and authority to adjust rules.

People and processes quickly becomes a catch-all phrase for training. That is too narrow. An employee can use the tool very well and still be blocked by an unchanged requirement. The problem is especially visible when targets conflict. Management expects more care with AI results but evaluates sales only by the number of quotations sent. Thorough review then becomes a disadvantage in daily work.

employees need answers for their work

Introduction changes what is expected of employees. Anyone who will review AI results needs subject knowledge and available time. A new button creates neither.

Giving everyone the same introductory course is not enough. An experienced sales representative needs different exercises from a new colleague. She may need to recognise rare false assumptions. He first needs to learn what makes a quotation useful at all.

A field study by Erik Brynjolfsson, Danielle Li and Lindsey Raymond shows why these differences matter. Across 5,172 customer-support employees, an AI assistant increased resolved issues per hour by 15 percent on average. Less experienced employees benefited more. Among the most experienced and highest-performing workers, speed gains were small and quality fell slightly. This result is not a promise for every job. Stanford Digital Economy Lab and NBER

It supports an introduction that takes real learning needs seriously. A test should show whom the system helps and who faces extra checking work.

value needs a follow-on assignment

Saved minutes only become economically valuable when something useful happens with them.

In sales, the time gained can make it possible to handle additional qualified requests. Those requests must exist. Without demand, a higher possible quotation volume does not create additional revenue.

A calculated personnel-cost saving is not automatically a realised cost reduction either. If the same employees work the same hours, payroll does not initially fall because writing is faster. Available working time is created.

That time can be valuable. A team can reduce backlogs or follow up quotations more carefully. Management only has to name the intended result in advance and later check whether it happened.

A robust calculation also includes new effort: reviewing results, ongoing system costs and maintaining the underlying information. A fast draft that takes a long time to revise can reverse the calculation.

the first use case needs a limited assignment

For a small or medium-sized company, a clearly bounded process is a good starting point. Management should choose one with enough real cases for comparison and a responsible person who is available.

For quotations, a sensible boundary is recurring standard products. Special designs stay outside the test at first. Current processing times are measured before starting. The frequency of technical corrections belongs in the baseline too. Without a starting value, it remains unclear whether the new way of working is actually better.

The test group should represent later operations sufficiently. Selecting only highly enthusiastic and experienced employees makes the demonstration easier but transfer harder. Less routine colleagues show what support is missing in daily work.

process change is a leadership decision

In March 2025, McKinsey published a survey in which 21 percent of respondents from organisations using generative AI said they had fundamentally redesigned at least some workflows. The data was collected in July 2024. Of 25 characteristics examined, workflow redesign had the strongest association with reported EBIT effect. The 21 percent refers to that GenAI-user subgroup. This is a correlation, not proof of causation. McKinsey, 2025

For leaders, this creates a concrete task: regularly check whether the organisation permits the promised value at all. In the quotation example, that includes coverage for approvals. Faster creation means little to the customer if only one person may still decide at the end.

This work cannot be fully delegated to a provider. An external partner knows the model. The business itself must be able to decide what technical commitments are permitted.

the next meeting needs a real case

For the next meeting about using AI, put a recently completed customer request on the table. Its path through the company can be reconstructed.

Participants mark when work actually happened and when the case waited. They then check which part the planned AI shortens. The responsible unit names the organisational decision that should remove the next bottleneck.

In the end, this one case needs a verifiable next step: for example, a new approval rule for standard quotations tested in a limited trial. Management decides who is responsible and when results will be available.

At the next meeting, the quotation that reached the customer earlier is on the table. Or there is evidence for why the attempt has not yet met that standard.

sources

1. BCG: How to Win with Artificial Intelligence, 2019
2. BCG: AI Leaders Outpace Laggards, 2025
3. Stanford Digital Economy Lab and NBER: Generative AI at Work
4. McKinsey: The State of AI, 2025