KI entlang der Wertschöpfungskette professioneller Dienstleistungen verorten

# KI entlang der Wertschöpfungskette professioneller Dienstleistungen verorten

Eine Partnerin einer mittelgroßen Anwaltskanzlei berichtete kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →ürzlich, wie ihre Associates mit einem KI-Tool für Entwürfe eine 40-seitige Due-Diligence-Prüfung in 6 Stunden statt 3 Tagen erledigten. Dieselbe Kanzlei probierte ein KI-Tool aus, um die Vergleichsstrategie in einem umstrittenen Streitfall auszuhandeln. Das ging gründlich schief: Der Beziehungskontext, die internen Machtverhältnisse und die tatsächliche Risikobereitschaft des Mandanten blieben unberücksichtigt. Gleiche Kanzlei, gleicher Technologiestand, völlig unterschiedliche Ergebnisse.

Genau diese Lücke ist die Lektion. KI in professionellen Dienstleistungen ist nicht einheitlich gut oder schlecht, sie ist stufenabhängig. Um sie sauber zu bewerten, müssen Sie die Wertschöpfungskette Stufe für Stufe durchgehen.

Die fünfstufige Wertschöpfungskette

Die meisten Beratungs- und Kanzleimandate folgen einem ähnlichen Verlauf:

1. Intake: Problemzuschnitt, Qualifizierung des Mandanten, erste Sachverhaltsaufnahme

2. Diagnose: Analyse, Recherche, Hypothesenbildung, Issue-Spotting

3. Delivery: Entwürfe, Modellierung, Erstellung des Arbeitsergebnisses

4. Review: Qualitätskontrolle, Partner-Freigabe, Risikoprüfung

5. Client Management: Beziehungsaufbau, Verhandlung, Ermessensentscheidungen, Vertrauen

Die Wirksamkeit von KI nimmt grob entlang dieser Liste ab. Sie ist stark bei strukturierten, hochvolumigen, musterbasierten Aufgaben (früh bis mittig in der Kette) und schwach bei unstrukturierten Ermessensfragen und vertrauensbasierter Arbeit (spät in der Kette). Anbieter verwischen diese Unterscheidung gern und bewerben Tools für „KI-Rechtsberatung" oder „KI-Strategieberatung" mit Demos aus Stufe 1 oder 3, suggerieren aber Abdeckung von Stufe 5.

Stufe 1: Intake, wo KI unauffällig ihren Beitrag leistet

Intake ist repetitiv und regelbasiert: Konfliktprüfungen, Mandantenfragebögen, erste Dokumentensammlung, einfache Vorprüfung der Eignung.

Wo es echten Nutzen bringt:

• Interessenkonfliktprüfungen in Kanzleien (Abgleich neuer Mandanten mit bestehenden Mandantendatenbanken) lassen sich mit hoher Zuverlässigkeit automatisieren, da es im Kern ein Such- und Matching-Problem ist.
• Dokumenten-Intake und -Klassifikation (Sortierung tausender Verträge, E-Mails oder Finanzunterlagen nach Typ) mittels Natural Language Processing (NLP, der KI-Zweig, der menschliche Sprache verarbeitet) ist ausgereift und risikoarm.
• Erste Mandantenfragebögen oder Triage-Chatbots auf der Website einer Kanzlei kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Leads vorqualifizieren, bevor ein Mensch überhaupt einsteigt.

Wo Anbieter übertreiben: „KI-Scoping"-Tools, die den Umfang eines Mandats oder das Honorar aus der ersten Beschreibung des Mandanten schätzen wollen. Scoping erfordert eine Einschätzung der Professionalität des Mandanten, verdeckter Komplexität und der Politik im Haus; ein Chatbot, der eine Anfrage zusammenfasst, hat sie damit nicht gescopt.

Stufe 2: Diagnose, die wertvollste und umstrittenste Zone

Hier liegt die eigentliche Debatte. Diagnose umfasst Rechtsrecherche, Marktanalyse, Wettbewerbs-Benchmarking und Hypothesenbildung.

Wirklich stark:

• Tools für Rechtsrecherche (etwa auf Basis von Large Language Models, LLMs, trainiert auf Rechtsprechung) finden relevante Präzedenzfälle weit schneller als manuelle Suche. Tools wie die KI-Funktionen von Westlaw oder die kostenlose Rechtsprechungssuche von CourtListener zeigen die Richtung: von der Keyword-Suche zur semantischen, bedeutungsbasierten Suche.
• Synthese von Finanz- und Marktdaten: Abruf und Zusammenfassung von Geschäftsberichten, Earnings Calls und Branchenstudien über hunderte Quellen in Minuten statt Tagen.
• Mustererkennung in großen Dokumentenbeständen bei Due Diligence (M&A, Audits): Markierung ungewöhnlicher Klauseln, fehlender Unterschriften, inkonsistenter Bedingungen.

Übertrieben: „KI erstellt die strategische Empfehlung." KI kann Muster aufzeigen und Inputs zusammenfassen, aber das eigentliche Geschäftsproblem zu fassen und zu entscheiden, welche von zehn plausiblen Hypothesen für diesen Mandanten, in diesem Moment, angesichts der internen Politik wirklich zählt, braucht weiter einen Menschen. Ein „So what" im McKinsey-Stil ist Urteilsvermögen auf Basis einer Synthese, und Urteilsvermögen ist der Teil, den KI noch nicht zuverlässig leisten kann.

Eine brauchbare Prüffrage bei der Bewertung jedes KI-Diagnose-Tools: Ruft es vorhandene Informationen ab und fasst sie zusammen, oder erzeugt es ein neues Urteil? Ersteres ist der Bereich, in dem heutige KI (Stand 2026) zuverlässig ist. Letzteres verlangt weiter intensive menschliche Prüfung.

Stufe 3: Delivery, stark aber ungleichmäßig

Delivery umfasst das Erstellen von Entwürfen: Verträge, Memos, Foliensätze, Finanzmodelle, Schriftsätze.

Starke Use Cases:

• Erstentwürfe für standardisierte Dokumente (NDAs, Arbeitsverträge, Mandatsschreiben) mit generativer KI. Kanzleien berichten hier von erheblichen Zeitgewinnen; die konkreten Prozentwerte schwanken stark je nach Kanzlei und Aufgabe, behandeln Sie also jede einzelne Anbieterstatistik (etwa „80 % schneller") als zu prüfende Behauptung, die Sie in Ihrem eigenen Piloten verifizieren, nicht als allgemeingültige Tatsache.
• Formatierung von Folien und Berichten, Übersetzung roher Analysen in mandantenfertige Visuals.
• Grundgerüste für Code und Modelle in der quantitativen Beratung (erste Version eines Finanzmodells oder einer Data PipelineData PipelineETL (Extract, Transform, Load) is a data integration process that pulls data from sources, reshapes it into a consistent format, and writes it into a target system.Vollständige Definition ansehen →).

Schwach oder riskant:

• Vollständig autonome Erstellung komplexer, folgenreicher Dokumente (M&A-Kaufverträge, Schriftsätze in Streitverfahren) ohne intensive menschliche Prüfung. Der bekannte Fehlermodus ist die „Halluzination", wenn ein LLMLLMA Large Language Model is an AI system trained on vast text data to predict and generate language, enabling tasks like writing, summarizing, and answering questions.Vollständige Definition ansehen → plausibel klingende, aber falsche Inhalte erzeugt, einschließlich erfundener Fundstellen. Das hat zu echten, dokumentierten Sanktionen geführt: US-Gerichte haben Anwälte disziplinarisch belangt, die Schriftsätze mit KI-erfundener Rechtsprechung eingereicht hatten (ein breit berichtetes Beispiel betraf ein New Yorker Bundesgericht, das 2023 genau deswegen Anwälte sanktionierte).

Eine einfache technische Illustration, warum die Prüfung weiter zählt, ein grundlegender Halluzinations-Check-Workflow, den Berater und Anwälte heute in die Delivery einbauen:

draft = llm.generate(prompt, source_documents=verified_docs)
citations = extract_citations(draft)
for citation in citations:
    if not exists_in_source(citation, verified_docs):
        flag_for_human_review(citation)

Der Punkt: KI-Output kombiniert mit einem Verifikationsschritt gegen eine vertrauenswürdige Quelle, nicht KI-Output allein.

Stufe 4: Review, KI als zweites Augenpaar, nicht als letztes Wort

Review ist Qualitätskontrolle, bevor ein Partner oder Projektleiter freigibt.

Wirklich nützlich: KI-gestützte Redlining- und Vertragsvergleichstools, die Abweichungen von den Standardvorlagen der Kanzlei oder dem Playbook eines Mandanten markieren. Tools wie Harvey (Legal AI) oder Kira Systems (Vertragsanalyse) werden so eingesetzt, als Beschleuniger für menschliche Prüfer, nicht als Ersatz.

Übertrieben: „Qualitätssicherung nur durch KI" bei folgenreichen Arbeitsergebnissen. Wegen regulatorischer und berufshaftungsrechtlicher Risiken muss eine zugelassene Fachperson verantwortlich bleiben (ein Anwalt, der an die Regeln seiner State Bar gebunden ist, ein Prüfer, der an Standards etwa des PCAOB, des Public Company Accounting Oversight Board in den USA, gebunden ist). KI kann keine Zulassung halten und keine Haftung tragen, Kanzleien kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen den Menschen auf dieser Stufe also strukturell nicht herausnehmen, selbst wenn das KI-Tool exzellent ist.

Stufe 5: Client Management, wo KI klar im Hintergrund bleibt

Beziehungsmanagement, Verhandlung und Vertrauensaufbau sind die am wenigsten automatisierbaren Teile der Kette, und das dürfte auf absehbare Zeit so bleiben.

Wo KI indirekt hilft:

• Zusammenfassen von Mandantengesprächsnotizen und Ableiten von Follow-up-Aufgaben (wirklich nützlich, spart echte Zeit).
• Sentiment- oder Engagement-Analyse der Mandantenkommunikation, um gefährdete Accounts für den Partner zu markieren.
• CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →-Anreicherung (Customer Relationship ManagementCustomer Relationship ManagementCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →), relevanter Kontext vor einem Mandantentermin.

Wo sie nicht hingehört: Verhandlungsstrategie, sensible Gespräche über Honorare oder Scope Creep und das Erspüren unausgesprochener Sorgen eines Mandanten. Das erfordert emotionale Intelligenz und situatives Urteilsvermögen, die heutige KI-Systeme nicht besitzen. Jeder Anbieter, der „KI-Beziehungsmanagement" verkauft und damit den Ersatz von Partner-Urteilsvermögen suggeriert, verdient Skepsis.

🎬 [VIDEO: „How AI Is Changing the Legal Profession" - youtube.com - eine praxisnahe Diskussion darüber, wo KI-Tools heute tatsächlich in Kanzleien eingesetzt werden, nützlich, um Hype und Realität zu kalibrieren]

Ein praktisches Bewertungsraster

Wenn ein Anbieter ein KI-Tool pitcht, verorten Sie es in der Kette und fragen Sie:

• Welche Stufe betrifft das tatsächlich? Aussagen zu Intake und Delivery sind glaubwürdiger als zu Diagnose oder Client Management.
• Bleibt ein Mensch für das Ergebnis verantwortlich? Falls nicht, ist das besonders bei Stufe 4 und 5 ein Warnsignal.
• Kann ich es zuerst an einer abgegrenzten, risikoarmen Aufgabe pilotieren? (z. B. NDA-Entwürfe, nicht Prozessstrategie)
• Was ist der Fehlermodus, und wie sichtbar ist er? Halluzinierte Fundstellen sind sichtbar, wenn man prüft; übersehene Beziehungsnuancen nicht.

Die wichtigsten Erkenntnisse

• Die Zuverlässigkeit von KI sinkt, je weiter Sie von Intake zu Client Management gehen: stark bei strukturiertem Abruf und Entwürfen, schwach bei Urteilsvermögen und Vertrauen.
• Diagnose ist die umstrittenste Stufe: KI ist exzellent in Synthese und Mustererkennung, aber das eigentliche geschäftliche oder rechtliche Problem zu fassen bleibt Menschenarbeit.
• Gewinne in der Delivery sind real, brauchen aber Verifikations-Workflows (etwa Prüfung von Fundstellen), weil das Halluzinationsrisiko gut dokumentiert ist, einschließlich echter Gerichtssanktionen.
• Review und Client Management behalten die menschliche Verantwortung strukturell, sowohl aus regulatorischen und Haftungsgründen als auch weil Beziehungsurteil nichts ist, was heutige KI ersetzen kann.
• Bewerten Sie jeden Anbieterpitch mit der Frage, welche konkrete Stufe ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → betrifft, und behandeln Sie Aussagen wie „wir deckenamten das gesamte Mandat ab" mit Skepsis.