Ein global tätiges Unternehmen für Inhaltsstoffe und Lebensmittelwissenschaft hat sein Markenrecherche-Programm innerhalb von achtzehn Monaten neu aufgebaut und einen langsamen, weitgehend manuellen Workflow durch eine straffere, KI-gestützte Pipeline ersetzt. Die Veränderungen waren operativer und nicht spektakulärer Natur, doch der kumulative Effekt auf Durchlaufzeit und Kosten für externe Anwälte war erheblich.
Der Ausgangspunkt
Das interne Rechtsteam betreute mehr als hundert Produkteinführungen pro Jahr in den Bereichen Getränke, Ernährung, Inhaltsstoffe und Agrarlebensmittel. Der historische Prozess – eine Mischung aus manuellen Registerrecherchen und externer Anwaltsprüfung – war gründlich, aber langsam und stand und fiel mit einem einzigen Senior-Paralegal, der jede eingehende Anfrage triagierte.
Die Durchlaufzeiten für eine einfache Recherche waren auf etwa drei Wochen geklettert, und die komplexeren Mehr-Jurisdiktionen-Prüfungen dauerten sechs bis acht Wochen. Externe Kanzleien wurden für Erstrecherchen beauftragt, die das Team eigentlich intern hätte erledigen können sollen. Die Marketingteams hatten begonnen, einige Shortlists gar nicht mehr durch die Rechtsabteilung zu schleusen, was sich später im Zyklus als Widerspruchsüberraschung zeigte.
Die Geschäftsleitung gab einen einjährigen Umbau frei, mit einer klaren Vorgabe: keine Personalaufstockung. Was immer sich ändern sollte, musste aus Prozess, Werkzeugen und einer anderen Verteilung der Arbeit zwischen interner und externer Anwaltsschaft kommen.
Was sich am Workflow geändert hat
Das Team ersetzte die ad-hoc verteilte Recherchearbeit durch eine vierstufige Pipeline: Aufnahme, Knockout, Ähnlichkeitsprüfung und vollständige Freigabe. Jede Stufe hatte eine veröffentlichte Ziel-Durchlaufzeit und ein definiertes Austrittskriterium, was es erstmals möglich machte, zu messen, wo die Zeit tatsächlich verloren ging. Die erste Auswertung zeigte, dass mehr als die Hälfte der gesamten verstrichenen Zeit in der Warteschlange zwischen den Stufen lag, nicht in der eigentlichen Prüfarbeit.
Eine KI-gestützte Ähnlichkeits-Engine wurde in den Knockout- und Screening-Stufen eingeführt. Die Engine glich Kandidatenmarken gegen die relevanten Register ab und erzeugte gerankte Ähnlichkeitsausgaben, die das Paralegal-Team in einem Bruchteil der Zeit der vorherigen manuellen Prüfung triagieren konnte. Entscheidend war, dass die Engine konservativ eingestellt war – falsch positive wurden falsch negativen vorgezogen, weil die Kosten eines übersehenen Konflikts deutlich höher waren als die Kosten von fünf zusätzlichen Minuten menschlicher Prüfung.
Externe Anwälte blieben für substantielle Stellungnahmen zu den Finalisten und für die Anmeldestrategie eingebunden, führten aber keine Erstrecherchen mehr durch. Das Aufnahmeformular wurde in Geschäftssprache umgeschrieben, sodass Brand Manager Shortlists einreichen konnten, ohne ihre Anfragen in Klassennummern zu übersetzen.
Ergebniszahlen
Zwölf Monate nach dem Rollout war die Durchlaufzeit für eine einfache Freigabe von rund drei Wochen auf unter fünf Werktage gesunken. Mehr-Jurisdiktionen-Prüfungen fielen von sechs bis acht Wochen auf etwa zwei. Das Team bearbeitete fast vierzig Prozent mehr Freigabeanfragen mit gleichem Personalbestand, und der Anteil der Anfragen, die externe Kanzleien erreichten, war um mehr als die Hälfte gesunken.
Die Ausgaben für externe Anwälte für Routine-Freigabearbeit sanken auf vergleichbarer Basis um geschätzt dreißig bis fünfunddreißig Prozent. Diese Ausgaben verschwanden nicht aus dem Budget – ein Teil wurde auf strategischere Arbeit umgelenkt, einschließlich der Portfolio-Rationalisierung in Märkten, in denen das Unternehmen jahrelang stillschweigend Eintragungen angesammelt hatte.
Auch die Zurückweisungsraten der eingereichten Anmeldungen verschoben sich. Die substantielle Zurückweisungsquote bei Erstanmeldungen sank um etwa ein Drittel, was das Team einer besseren Triage der Kandidaten zuschrieb und nicht etwa einem geänderten Verhalten der Prüfer. Das Widerspruchsrisiko entwickelte sich in dieselbe Richtung, wenn auch in geringerem Umfang.
Was das Team gelernt hat
Die erste Lektion war, dass der Engpass fast nie dort lag, wo alle ihn vermuteten. Alle gingen davon aus, die Rechercheraebeit selbst sei langsam. Die Auswertung zeigte: Es waren Wartezeit und Nacharbeit. Sobald die Stufen Verantwortliche und Ziel-Durchlaufzeiten hatten, verbesserte sich der Durchsatz, bevor überhaupt ein neues Werkzeug eingeschaltet wurde.
Die zweite Lektion war, dass KI-gestützte Recherche am besten als breites Netz funktioniert, nicht als enger Filter. Das Team setzte den Ähnlichkeitsschwellenwert der Engine zunächst hoch, in der Hoffnung auf eine saubere Shortlist. Sie verloren auf diese Weise einen Konflikt und kalibrierten neu. Die Engine fördert nun mehr Kandidaten zutage, als ein strenger Filter es täte, und menschliche Prüfer übernehmen die Eingrenzung.
Die dritte Lektion betraf das Change Management. Brand Manager interessierten sich nicht für die neue Pipeline; sie interessierten sich für berechenbare Antworten. Veröffentlichte Durchlaufzeit-Zusagen einzuhalten brachte für die Akzeptanz mehr als jede interne Schulung.
Konsequenzen für vergleichbare interne Teams
Das Muster lässt sich vernünftig auf jede interne Funktion übertragen, die eine launch-intensive Pipeline über mehrere regulierte Märkte hinweg unterstützt. Die strukturellen Zutaten sind dieselben: eine definierte Aufnahme, gestaffelte Prüfung mit messbaren Übergaben, maschinengestützte Triage am breiten Ende des Trichters und menschliche Beurteilung konzentriert am engen Ende.
Zwei Warnungen sind erwähnenswert. Erstens: Die Gewinne fallen größer aus, wenn Sie den Workflow vor der Einführung von Werkzeugen reparieren. Teams, die eine KI-Suchmaschine an einen kaputten Prozess schrauben, machen den kaputten Prozess in der Regel nur schneller, nicht besser. Zweitens: Planen Sie explizit, wofür die freigewordenen Mittel verwendet werden. Die Einsparungen bei der Routine-Freigabe werden schnell sichtbar; die Frage, was das Team mit der zurückgewonnenen Kapazität anfangen soll, entscheidet darüber, ob das Programm ein Jahr später als Erfolg gewertet wird.
Der Umbau gelang, weil er Markenrecherche als operativen Prozess behandelte und nicht als Handwerk. Die Technologie war wichtig, aber die Gewinne kamen daher, dass der Arbeit eine Form gegeben wurde, die der Rest des Unternehmens sehen konnte.
