Ich habe KI lange als ein außergewöhnlich leistungsfähiges Werkzeug betrachtet.

Bei der Analyse von Aktienkennzahlen hat sie meine Arbeit stark verändert. Aus einzelnen Analysen entstanden mit der Zeit strukturiertere Systeme wie AQE und AGE. Auch meine redaktionelle Arbeit läuft heute deutlich stärker über KI-gestützte Workflows.

Das war bereits ein erheblicher Produktivitätssprung.

Trotzdem habe ich KI in dieser Phase noch sehr klassisch betrachtet: Ich hatte eine Aufgabe und nutzte ein Werkzeug, um sie besser oder schneller zu erledigen.

Der eigentliche Perspektivwechsel kam später.

Er begann, als ich eigene spezialisierte KI-Agenten aufbaute und irgendwann merkte: Ich delegiere hier nicht mehr nur einzelne Arbeitsschritte. Ich beginne, ganze Rollen zu delegieren.

Diese Unterscheidung klingt zunächst klein. Für mein Verständnis von KI in Unternehmen ist sie inzwischen ziemlich fundamental.

Denn möglicherweise verändert KI die kleinste Einheit von Delegation – vom Arbeitsschritt zur Rolle.

Ein Beispiel dafür ist Silke.

Silke ist der Name einer KI-Rolle, die ich für meine redaktionelle Arbeit aufgebaut habe.

Natürlich ist Silke kein Mitarbeiter im rechtlichen oder menschlichen Sinn. Eine KI trägt keine Verantwortung, besitzt keine menschliche Urteilskraft und versteht Unternehmensziele nicht so, wie ein Mensch sie versteht. Der Begriff „digitaler Mitarbeiter“ ist für mich deshalb eine Denkmetapher, keine Tatsachenbeschreibung.

Trotzdem hat sich meine Arbeitsweise verändert.

Früher hätte ich einen Chat geöffnet und gesagt: Entwickle aus diesen Gedanken einen Artikel.

Das Ergebnis konnte gut sein. Häufig musste ich aber anschließend Research nachfordern, die Richtung korrigieren, persönliche Aspekte ergänzen oder den Text wieder zurückbauen, weil die KI zu schnell von einer ersten Idee zu einer fertigen Antwort gesprungen war.

Bei Silke versuche ich etwas anderes.

Sie hat einen klaren redaktionellen Verantwortungsbereich. Sie kennt meine Arbeitsweise und meine Anforderungen an Research, persönliche Einordnung und Gegenargumente. Sie soll Themen zunächst prüfen, Schwächen in einer These identifizieren und erkennen, wo persönlicher Input fehlt. Erst später entwickelt sie einen konkreten Text.

Entscheidend ist für mich nicht, dass diese Rolle menschlich wirkt.

Entscheidend ist ihre Konsistenz.

Ich muss nicht bei jedem einzelnen Arbeitsschritt neu erklären, wie ich an ein Thema herangehen möchte. Ich kann einen zusammenhängenden Verantwortungsbereich definieren.

Das ähnelt strukturell eher der Delegation einer Rolle als der Bedienung eines klassischen Softwaretools.

Und damit entsteht eine andere Frage.

Nicht mehr:

Was kann ich mit KI machen?

Sondern:

Welche Funktion innerhalb meiner Organisation kann ein solches System sinnvoll und dauerhaft unterstützen?

Eine Rolle allein reicht allerdings nicht.

Auch ein menschlicher Mitarbeiter wird nicht dadurch Teil einer funktionierenden Organisation, dass er einen Namen und eine Jobbeschreibung bekommt. Er braucht Informationen, Prozesse, Zuständigkeiten, Regeln, Qualitätsstandards und Klarheit darüber, wann eine Entscheidung nicht mehr in seinen Verantwortungsbereich fällt.

Bei meinen KI-Systemen wurde mir das besonders deutlich, als ich begann, Agents mit sogenannten Skills zu verbinden.

Der technische Begriff ist dabei weniger wichtig als das Prinzip.

Ein Skill beschreibt vereinfacht gesagt, wie eine bestimmte Arbeit erledigt werden soll.

Nicht nur: Schreibe einen Artikel.

Sondern beispielsweise: Prüfe zuerst die vorhandenen Quellen. Unterscheide persönliche Beobachtung von extern belegbarer Aussage. Entwickle eine These. Suche Gegenargumente. Frage bei fehlendem persönlichem Material nach. Schreibe noch keinen Entwurf.

Plötzlich hatte ich nicht mehr nur eine Rolle.

Ich hatte eine Rolle, verbunden mit Prozessen, Regeln und Wissen.

Und genau hier begann sich mein Blick von der einzelnen KI-Anwendung zum Organisationsdesign zu verschieben.

Ein leistungsfähiges Sprachmodell allein kennt weder mein Unternehmen noch meine Arbeitsweise. Es kennt meine Qualitätsansprüche nicht. Es weiß nicht automatisch, welche Informationen relevant sind, wann ein Prozess abgebrochen werden soll oder welche Entscheidung zwingend bei mir bleiben muss.

Der spezifische Wert entsteht erst durch das, was um das Modell herum gebaut wird.

Unternehmen delegieren und automatisieren Prozesse natürlich nicht erst seit generativer KI.

Software, RPA oder Outsourcing übernehmen seit Jahren ganze Abläufe oder klar definierte Prozessschritte.

Der neue Aspekt liegt für mich deshalb nicht darin, dass erstmals mehr als eine einzelne Tätigkeit automatisiert werden kann.

Interessant ist vielmehr, dass generative KI zunehmend offenere, wissensbasierte Bestandteile einer Rolle übernehmen kann.

Recherche ist dafür ein gutes Beispiel.

Eine klassische Automatisierung funktioniert hervorragend, wenn klar definiert ist: Wenn A passiert, führe B aus.

Research ist weniger eindeutig. Quellen unterscheiden sich in Qualität. Informationen müssen eingeordnet werden. Neue Aussagen können der bisherigen Strategie widersprechen. Manchmal ist etwas relevant, obwohl es nicht exakt in eine vorab definierte Kategorie passt.

Gerade solche Aufgaben waren bislang deutlich schwerer zu automatisieren.

Genau dort beginnt für mich die eigentliche Veränderung.

Diese Perspektive kann allerdings schnell zu weit führen.

Wer aus spezialisierten KI-Rollen unmittelbar die Vision eines weitgehend autonom laufenden Unternehmens ableitet, überspringt mehrere entscheidende Probleme.

KI kann Organisationsfähigkeit verstärken.

Sie kann fehlende Prozessreife aber nicht einfach ersetzen.

Ein schlecht definierter Prozess wird nicht automatisch zu einem guten Prozess, nur weil eine KI ihn ausführt. Unsaubere Daten werden durch ein besseres Modell nicht sauber. Systeme, die nicht miteinander sprechen, werden durch einen Agenten nicht plötzlich integriert.

Und je mehr ein KI-System tatsächlich tun darf, desto wichtiger werden Kontrolle und Verantwortung.

Welche Daten darf es sehen?

Welche Entscheidungen darf es treffen?

Was muss überprüft werden?

Wann muss ein Mensch übernehmen?

Was geschieht, wenn das System sehr überzeugend eine falsche Antwort produziert?

Diese Fragen sind keine theoretischen Randprobleme. Datenqualität, fehlendes Wissen und die Integration bestehender IT-Systeme gehören heute zu den realen Hürden beim Einsatz von KI in Unternehmen.

Für mich ist das ein wichtiger Gegenpol zur aktuellen Begeisterung rund um KI-Agenten.

Der Zugang zu einem starken Modell ist vergleichsweise einfach.

Eine Organisation so vorzubereiten, dass das Modell darin zuverlässig arbeiten kann, ist sehr viel schwieriger.

Genau darin könnte allerdings ein unterschätzter Nebeneffekt liegen.

Wer einer KI eine größere Rolle übertragen möchte, muss diese Rolle zunächst erstaunlich präzise verstehen.

Was ist das Ziel?

Welche Informationen werden benötigt?

Nach welchen Kriterien beurteilen wir Qualität?

Welche Entscheidungen sind Routine?

Welche sind Ausnahmefälle?

Wann wird eskaliert?

Vieles davon existiert in Unternehmen heute nur implizit.

Ein erfahrener Mitarbeiter weiß, wie etwas gemacht wird. Kundenanfragen werden auf Basis jahrelanger Erfahrung beantwortet. Dateien liegen dort, wo jeder langjährige Kollege sie findet. Entscheidungen folgen Regeln, die nie vollständig aufgeschrieben wurden.

Für ein digitales System muss dieses Wissen expliziter werden.

KI automatisiert Prozessreife deshalb nicht.

Sie kann fehlende Prozessreife sichtbar machen.

Vielleicht zwingt uns KI damit nicht nur dazu, Arbeit zu automatisieren.

Vielleicht zwingt sie Unternehmen zunächst dazu, ihre eigene Arbeit besser zu verstehen.

Diese Perspektive hat auch meinen Blick auf andere Unternehmen verändert.

Vor einiger Zeit habe ich mir ein Kleinstunternehmen näher angesehen. Nicht primär mit dem Ziel, dessen KI-Potenzial zu analysieren. Trotzdem fiel mir irgendwann auf, wie viele Tätigkeiten dort aus wiederkehrender Informations- und Verwaltungsarbeit bestanden.

Ein Bereich war Recherche.

Täglich mussten unterschiedliche Quellen durchsucht werden. Die eigentliche Arbeit bestand aber nicht nur darin, Informationen zu finden. Sie mussten auf Qualität geprüft, eingeordnet und mit einer bestehenden Strategie abgeglichen werden.

Ein sinnvolles KI-System müsste also nicht einfach suchen.

Es müsste wissen, welche Quellen relevant sind, welche Qualitätskriterien gelten, welche Aussagen der bestehenden Strategie widersprechen und welche Informationen wirklich neu sind.

Die Rolle wäre nicht „Suchmaschine“.

Sie wäre eher „Research“.

Ein zweiter Bereich war Redaktion und Qualitätssicherung.

Aus dem Research müssen Ideen entwickelt, Inhalte formuliert und mögliche Widersprüche oder Red Flags gegenüber der bestehenden Strategie erkannt werden.

Auch hier wird es erst interessant, wenn Recherche, Strategie und redaktionelle Regeln dauerhaft miteinander verbunden sind.

Der dritte Bereich waren Kunden-E-Mails.

Viele Fragen wiederholten sich oder ließen sich auf Basis vorhandenen Wissens beantworten. Ein Teil solcher Kommunikation könnte vermutlich weitgehend automatisiert werden. Bei komplexeren Fällen könnte KI Informationen zusammentragen, einen Antwortentwurf erstellen und markieren, wo eine menschliche Entscheidung notwendig ist.

Ich hatte bei diesem Unternehmen den Eindruck, dass ein großer Teil der heute manuellen Arbeit anders organisiert werden könnte.

Das ist keine allgemeine Aussage darüber, welcher Anteil der Arbeit in kleinen Unternehmen automatisierbar ist.

Interessanter war für mich etwas anderes.

Ich betrachtete die Prozesse plötzlich nicht mehr mit der Frage:

Wo könnte man ChatGPT einsetzen?

Sondern:

Welche Rollen gibt es hier eigentlich – und wie müssten Wissen, Prozesse und Systeme organisiert werden, damit Menschen und KI diese Rollen gemeinsam besser ausfüllen können?

Eine ähnliche Entwicklung habe ich bei meiner eigenen Analysearbeit erlebt.

Am Anfang nutzte ich KI vor allem, um einzelne Aktienkennzahlen besser oder schneller zu untersuchen.

Mit der Zeit entstanden daraus AQE und AGE – strukturierte Systeme, in denen nicht mehr nur eine einzelne Analyse im Mittelpunkt steht, sondern wiederkehrende Logiken, Prüfungen und Abläufe.

Auch hier lag der Fortschritt irgendwann nicht mehr nur darin, dass ein Modell eine gute Antwort geben konnte.

Der Wert entstand zunehmend aus der Struktur darum herum.

Das Beispiel ist für mich vor allem deshalb relevant, weil es dieselbe Entwicklung zeigt: vom einzelnen Prompt zu einem wiederholbaren System.

Meine eigene Erfahrung ist natürlich kein Beweis dafür, dass Unternehmen generell so funktionieren werden.

Es gibt aber Hinweise darauf, dass KI besonders dort produktiv wird, wo sie in konkrete Arbeit und vorhandenes Wissen eingebettet ist.

Eine Feldstudie von Erik Brynjolfsson, Danielle Li und Lindsey Raymond untersuchte mehr als 5.000 Mitarbeiter im Kundenservice. Ein in den realen Arbeitsprozess integrierter KI-Assistent steigerte dort die Produktivität. Besonders profitierten weniger erfahrene Mitarbeiter. Die Forscher fanden Hinweise darauf, dass die KI Wissen und Verhaltensweisen erfolgreicherer Kollegen breiter verfügbar machen konnte.

Für mich ist daran weniger die konkrete Prozentzahl interessant als das Prinzip:

Wissen, das vorher stark an einzelne Menschen gebunden war, lässt sich teilweise systematischer verfügbar machen.

Ein ähnliches Muster zeigt ein Beispiel von Bosch. Dort greift ein KI-System in der Produktion auf dokumentiertes Wissen und historische Fehlerfälle zurück, um Mitarbeiter bei der Behebung von Anlagenstörungen zu unterstützen.

Auch hier ist nicht das Modell allein der interessante Teil.

Entscheidend ist die Einbettung in einen konkreten Prozess mit relevantem Unternehmenswissen.

Das führt zu einer strategischen Frage.

Was passiert, wenn leistungsfähige KI-Modelle immer besser werden und gleichzeitig fast jedem Unternehmen zur Verfügung stehen?

Dann wird der reine Zugang wahrscheinlich immer weniger differenzieren.

Der Unterschied könnte stärker darin liegen, was ein Unternehmen daraus baut.

Zwei Unternehmen können dieselbe technologische Grundlage verwenden und trotzdem völlig unterschiedliche Ergebnisse erzielen.

Das eine verteilt einen KI-Zugang an seine Mitarbeiter und hofft, dass dadurch jeder etwas produktiver wird.

Das andere beginnt zu überlegen, welche Rollen sich verändern, welches Wissen strukturiert werden muss, welche Prozesse neu gestaltet werden sollten und wo menschliche Verantwortung unverzichtbar bleibt.

Beide nutzen KI.

Aber sie nutzen sie organisatorisch völlig unterschiedlich.

Gerade die Metapher vom digitalen Mitarbeiter kann hier zu falschen Schlussfolgerungen führen.

KI trägt keine menschliche oder rechtliche Verantwortung. Sie kann falsch liegen, Ergebnisse überzeugend falsch formulieren und Fehler über mehrere Arbeitsschritte weitertragen.

Je größer ihre Handlungsfähigkeit wird, desto wichtiger werden deshalb Kontrolle und klare Grenzen.

Es gibt Prozesse, in denen eine falsche Entscheidung kaum Schaden verursacht.

Und es gibt Prozesse, bei denen sie erhebliche finanzielle, rechtliche oder menschliche Konsequenzen haben kann.

Diese Grenze wird nicht durch bessere Prompts gelöst.

Sie ist eine Managementaufgabe.

Deshalb interessiert mich auch weniger die Frage, wie viele Menschen KI irgendwann ersetzen könnte.

Spannender ist, wie sich Arbeit neu zusammensetzen lässt.

Menschen bleiben dort entscheidend, wo Verantwortung, Ambiguität, Beziehungen, Kreativität und Anpassung gefragt sind.

KI kann dagegen große Informationsmengen verarbeiten, Regeln konsistent anwenden, Wissen verfügbar machen und wiederkehrende wissensbasierte Arbeit übernehmen.

Die Qualität entsteht aus dem Zusammenspiel.

Je länger ich mit diesen Systemen arbeite, desto weniger interessiert mich deshalb die Frage, welches einzelne KI-Tool gerade das beste ist.

Natürlich sind Modellqualität und technologischer Fortschritt wichtig.

Aber für Unternehmen könnte etwas anderes entscheidender werden:

die Fähigkeit, Menschen, Wissen, Prozesse, Daten, Systeme und digitale Rollen sinnvoll zusammenzuführen.

Nicht weil in Zukunft jedes Unternehmen aus einer Armee autonomer Agenten bestehen wird.

Sondern weil sich die Möglichkeiten verändern, wie Arbeit strukturiert und delegiert werden kann.

Vielleicht ist deshalb „Wie setzen wir KI ein?“ schon die falsche Ausgangsfrage.

Mich interessiert inzwischen eine andere:

Wie würden wir unsere Organisation bauen, wenn intelligente Software ein normaler Bestandteil unserer Arbeitsprozesse wäre?

Zwischen Unternehmertum und Kapitalmärkten schreibe ich über Ambitionen, Entscheidungen und Risiken, die langfristigen Erfolg prägen.

In den letzten Jahren habe ich Unternehmen aufgebaut, übernommen und weiterentwickelt. Als Fondmanager habe ich Verantwortung für Kapitalallokation und Anlageentscheidungen aus institutioneller Perspektive getragen. Und auf Management-Board-Ebene der Deutschen Bank an Strategie- und M&A-Projekten gearbeitet.

Die interessantesten Erkenntnisse stammen dabei selten aus Lehrbüchern, sondern aus Erfahrungswerten und Entscheidungen unter Unsicherheit.

Hier teile ich Beobachtungen, Analysen und Erfahrungen aus der Praxis.

Keine Erfolgsformeln. Kein Hype. Sondern Gedanken aus dem echten Spiel.