Die meisten KI-Initiativen scheitern nicht an einem zu schwachen Modell. Sie bleiben folgenlos, weil niemand entschieden hat, welches Ergebnis zählt, wer bei Unsicherheit entscheidet und wie die Organisation aus Fehlern lernt. Ein Pilot kann dann beeindrucken. Er verändert aber noch nicht, wie Arbeit zuverlässig besser wird.
Das ist der Unterschied zwischen KI als Tool und KI als Unternehmensfähigkeit. Ein Tool kann eingeführt werden. Eine Fähigkeit muss im Betrieb verankert werden.
Der Engpass ist selten das Modell
Die Debatte dreht sich oft um Modelle, Plattformen und Prompts. Das ist verständlich: Diese Dinge sind sichtbar und lassen sich schnell demonstrieren. Doch eine gute Demo beantwortet nicht, ob ein Team mit dem Ergebnis schneller entscheidet, sicherer handelt oder Kund:innen besser bedient.
In einem öffentlichen Interview habe ich argumentiert: Wirtschaftlicher Impact entsteht dort, wo Governance, Datenarchitektur und Leadership zusammenkommen — nicht dort, wo ein Tool isoliert ausgerollt wird. Das vollständige Interview erklärt die Überzeugung hinter diesem Blog: KI verändert nicht nur einzelne Aufgaben, sondern die Art, wie Organisationen steuern.
Microsofts Work Trend Index 2025 beschreibt eine ähnliche Verschiebung: Das neue Organisationsbild verbindet maschinelle Intelligenz mit menschlichem Urteil. Das ist keine neutrale Technologieentscheidung. Es ist eine Designaufgabe für Rollen, Entscheidungen, Datenzugriffe und Lernroutinen.
Drei Entscheidungen, die vor jedem Skalierungsplan stehen sollten
Erstens: Für welches Ergebnis ist der Workflow verantwortlich? Nicht „Wir automatisieren die Ticket-Triage“, sondern etwa: „Wir verkürzen die Zeit bis zur qualifizierten Erstentscheidung, ohne Sicherheits- oder Qualitätsrisiken zu erhöhen.“ Ein Ergebnis braucht eine verantwortliche Person, einen Kontext und eine Grenze.
Zweitens: Wer darf worüber entscheiden? Ein Assistent kann Informationen ordnen. Ein Agent kann innerhalb eines klaren Rahmens einen nächsten Schritt auslösen. Ein Mensch muss bei Ausnahmen, Konflikten und Entscheidungen mit hoher Wirkung sichtbar bleiben. Ohne diese Entscheidung entstehen zwei schlechte Muster: Teams geben KI zu viel Freiheit, oder sie bauen eine Freigabekette, die jeden Geschwindigkeitsgewinn wieder auffrisst.
Drittens: Wie lernt das System? Dazu gehören nicht nur Modellmetriken. Ein Betrieb braucht ein kurzes Ritual für Fehler, Rückmeldungen und Änderungen: Was hat der Agent getan? Was war hilfreich? Wann hat er bewusst nicht gehandelt? Welche Ausnahme wird zur neuen Regel? Das NIST GenAI Profile ordnet solche Fragen entlang des Lebenszyklus in Govern, Map, Measure und Manage ein. Für Führungsteams ist das weniger ein Compliance-Vokabular als eine Erinnerung: Risikobewusstsein und Wertschöpfung müssen dieselbe Routine teilen.
Der Value Stack: vier Signale statt einer ROI-Folie
Für jeden priorisierten Workflow lohnt sich ein kleiner, sichtbarer Value Stack:
- Geschäftsergebnis: Was verändert sich konkret? Zum Beispiel Durchlaufzeit, Abschlussquote, Fehlerkosten oder Servicequalität.
- Frühsignal: Woran erkennen wir nach zwei Wochen, ob die Hypothese trägt? Etwa Anteil korrekt vorbereiteter Fälle oder Zeit bis zur ersten brauchbaren Antwort.
- Leitplanke: Was darf nicht schlechter werden? Zum Beispiel Eskalationen, Datenschutzverstösse, Fehlklassifikationen oder manueller Nacharbeitsaufwand.
- Entscheidungsrhythmus: Wer sieht diese Signale wann — und darf pausieren, anpassen oder skalieren?
Der wichtige Punkt: Ein Wertsignal ohne Leitplanke lädt zu lokaler Optimierung ein. Eine Leitplanke ohne verantwortliche Person bleibt ein Reporting-Feld. Erst zusammen werden sie zu einem Betriebssystem für Entscheidungen.
Starten Sie mit einem Workflow, nicht mit einer Plattform-Roadmap
Ein guter erster Workflow ist wiederkehrend, wertvoll und begrenzt. Er hat einen klaren Auslöser, bekannte Informationen, wiederholbare Entscheidungen und sichtbare Ausnahmen. Ein IT-Service-Desk, eine Angebotsprüfung oder die Vorbereitung von Kundenanfragen können passen — nicht weil sie „einfach“ sind, sondern weil Teams dort lernen können, wie Menschen und KI zusammenarbeiten sollen.
Definieren Sie dafür eine 90-Tage-Frage: Welche Entscheidung oder welcher nächste Schritt soll nach 90 Tagen nachweislich besser, schneller oder verlässlicher sein? Legen Sie anschliessend nur die Daten, Rollen und Kontrollen frei, die diese Frage braucht. Alles andere ist Architektur auf Verdacht.
Der Gegenentwurf lautet: erst eine breite Plattform bauen, dann auf Adoption hoffen. Das erzeugt oft viele Möglichkeiten, aber wenig Verantwortlichkeit. Die bessere Reihenfolge ist umgekehrt: Ein reales Problem, ein begrenztes Mandat, überprüfbare Wirkung — und erst dann Wiederverwendung.
Der stärkste Einwand: „Dafür sind unsere Daten noch nicht bereit“
Manchmal stimmt das. Dann ist der erste Nutzen nicht die Automatisierung, sondern Klarheit über Datenlücken, Verantwortlichkeiten und Zugriffsrechte. Das ist kein Fehlschlag. Es ist die Art von Lernen, die verhindert, dass ein späteres, grösseres Projekt dieselben Annahmen teuer wiederholt.
Die Grenze liegt dort, wo Teams „Datenreife“ als Grund nutzen, gar nichts zu verändern. Wählen Sie einen Workflow mit ausreichend gutem Datenfundament und halten Sie die Wissenslücken sichtbar. So wird der erste Pilot zum Aufbau von Organisationswissen, nicht zur einmaligen Vorführung.
Der Test für eine echte Unternehmensfähigkeit
Fragen Sie nach sechs Monaten nicht nur: „Läuft die Lösung noch?“ Fragen Sie: Könnte ein neues Team denselben Weg sicher wiederholen? Wenn Mandat, Kontrollen, Messlogik und Lernschleife dokumentiert und gelebt werden, ist aus einem Pilotprojekt ein Muster geworden.
Das ist die eigentliche Ambition einer Frontier Transformation: nicht möglichst viele KI-Experimente, sondern eine Organisation, die bessere Arbeit entwerfen, überprüfen und weiterentwickeln kann.
English edition: AI Becomes an Organisational Capability When the Operating Model Learns
Quellen und Einordnung
- Sanche Baskaran im öffentlichen Interview zu KI als Unternehmensfähigkeit
- Microsoft Work Trend Index 2025: The year the Frontier Firm is born
- NIST AI 600-1: Generative AI Profile zum AI Risk Management Framework
Eine Frage für Montag
Wählen Sie einen priorisierten Workflow. Können Sie auf einer Seite Ergebnisverantwortung, Entscheidungsgrenze, Frühindikator und Guardrail benennen? Wenn nicht, ist das die nächste Operating-Model-Diskussion — nicht die nächste Plattformdemo.
Vertiefen: Alle Weekly Field Notes ansehen.
Redaktioneller Hinweis: Dieser Beitrag ist eine unabhängige Einordnung öffentlich zugänglicher Quellen und keine Rechts-, Sicherheits- oder Implementierungsberatung.
