Persönlich schneller, organisatorisch unverändert

Der Ferientest

Anna ist zwei Wochen in den Ferien. Was passiert mit der Arbeit, die sie mit KI erledigt?

Lautet die Antwort sie wartet, haben Sie persönliche Produktivität.

Lautet die Antwort jemand anderes nutzt ihren Skill, haben Sie geteilte persönliche Produktivität.

Lautet die Antwort nichts passiert — es läuft einfach, und sie schaut sich nach der Rückkehr die Ausnahmen an, haben Sie einen Prozess.

Die meisten Organisationen stehen klar bei der mittleren Antwort und glauben, sie stünden bei der dritten.

Die Daten sagen dasselbe im Grossen. McKinseys State of AI 2026, im Mai und Juni unter 1'719 Führungskräften erhoben, zeigt: 80 Prozent der Befragten sagen, KI habe ihre persönliche Produktivität verbessert. Die Hälfte sagt, sie treffe damit bessere Entscheidungen. Und 37 Prozent berichten überhaupt einen EBIT-Beitrag — praktisch unverändert gegenüber dem Vorjahr. Der Anteil der AI High Performer liegt unverändert bei rund 6 Prozent. ^[1]

Im selben Zeitraum stieg der Anteil grosser Organisationen, die KI-Agenten skalieren, von 27 auf 40 Prozent. Mehr Agenten, mehr Skalierung, mehr Investition — und dieselben 6 Prozent. ^[1]

Individuelle Produktivität summiert sich nicht. Das ist kein Technologieproblem, und es ist kein Begeisterungsproblem. Es ist strukturell — und es sitzt an einem einzigen, klar benennbaren Schritt.

Vier Zustände, eine Aufgabe

Simon Green formuliert die operative Fassung dieses Arguments präzise, und seine Leiter ist das brauchbarste Diagnoseinstrument, das mir begegnet ist. ^[2] Statt sie abstrakt zu definieren, hier entlang einer ganz gewöhnlichen Aufgabe.

Jedes Unternehmen beantwortet Sicherheitsfragebögen. Kunden-Due-Diligence, ISO-27001-Anhänge, TISAX, Lieferantenprüfungen. Zweihundert Fragen kommen mit zwei Wochen Frist, und drei oder vier Menschen im Unternehmen kennen die Antworten wirklich.

Zustand eins — manuell. Anna schreibt die Antworten. Sie ist eine der wenigen, die es können.

Zustand zwei — assistiert. Anna kopiert die Fragen in ein Chatfenster und überarbeitet die Entwürfe. Deutlich schneller. Vollständig privat, vollständig ihres.

Zustand drei — strukturierter persönlicher Hebel. Anna baut einen Skill: die hauseigene Formulierung, die abgestimmte Sprache für die unangenehmen Fragen, Verweise auf die aktuellen Zertifikate und Nachweise. Sie teilt ihn. Sechs Kolleginnen und Kollegen nutzen ihn jetzt, und die Antworten sind spürbar konsistenter.

Das ist ein echter Gewinn — und hier hören die meisten Organisationen auf und erklären den Sieg.

Es ist trotzdem Zustand drei. Nichts startet, bis jemand daran denkt. Es läuft unter einem persönlichen Konto, mit dem Zugriff dieser Person auf die Nachweisablage. Und die Qualitätssicherung besteht darin, dass die Person, die den Entwurf liest, zufällig weiss, wie eine gute Antwort aussieht.

Zustand vier — eine betriebliche Fähigkeit. Ein Fragebogen, der im Postfach eintrifft, startet den Prozess. Er authentifiziert sich als er selbst. Er entwirft, was er aus freigegebenen Nachweisen belegen kann, und leitet alles andere in eine Exception Queue. Eine benannte Person verantwortet ihn. Anna prüft die Ausnahmen.

Zustand fünf — eine gemanagte Fähigkeit. Die Leistung wird gemessen, und der Prozess wird absichtlich verbessert statt zufällig.

Entscheidend ist der Sprung von drei auf vier. Von innen fühlen sich Zustand drei und vier beide danach an, KI richtig zu nutzen. Nur einer von beiden übersteht Annas Ferien.

Warum aus drei nicht vier wird — und warum es passieren muss

Hier möchte ich einer Überzeugung widersprechen, die ich selbst vertrete.

Ich bin überzeugt, dass der richtige Start bottom-up ist. Gebt den Leuten die Werkzeuge. Lasst sie Skills bauen. Lasst sie diese teilen. Findet die wirkungsvollen Muster in dem, was sie tatsächlich tun, und operationalisiert diese. Baut nicht achtzehn Monate lang an einer Daten- oder KI-Plattform, bevor überhaupt jemand ein Modell anfassen darf. Diese Reihenfolge ist ein Kategorienfehler — sie behandelt agentische KI wie ein Data-Warehouse-Projekt.

In dieser Überzeugung steckt aber eine stille Annahme, die die Daten nicht stützen: dass aus geteilten Skills mit der Zeit von allein betriebliche Prozesse werden.

Von selbst passiert es nicht. Würde sich Befähigung von unten von allein in betriebliche Fähigkeit übersetzen, läge der High-Performer-Anteil nicht flach bei 6 Prozent, während die individuelle Produktivität bei 80 liegt. Diese Lücke ist das natürliche Ergebnis. Sie ist ein Plateau, keine Rampe.

Aus der Softwareentwicklung kommt derselbe Befund. DORA — das Forschungsprogramm von Google, das seit Jahren untersucht, was Entwicklungsorganisationen schnell und stabil macht — beobachtet, dass individuelle Tempogewinne oft weiter hinten wieder verloren gehen: Was am Schreibtisch schneller fertig wird, staut sich anschliessend in Review, Test, Security und Deployment. Wo KI-Nutzung nur von unten wächst und niemand sie aufgreift, bleibt sie an der Teamgrenze stehen. KI verstärkt, was vorhanden ist; sie liefert nicht, was fehlt. ^[3]

Teilen hilft weniger, als es aussieht. Es nimmt tatsächlich die Abhängigkeit von einer bestimmten Person — ist Anna abwesend, kann eine Kollegin ihren Skill nutzen. Was es nicht nimmt, ist die Abhängigkeit von einer Person. Nichts startet, bis jemand entscheidet zu starten, und die Qualität ist weiterhin das, was die lesende Person zufällig weiss. Sechs Leute, die einen Skill teilen, haben Konsistenz und Auffindbarkeit verbessert. Einen Prozess haben sie nicht geschaffen.

Darauf zu bauen ist nicht sicher. Wenn persönlicher Hebel skaliert, handeln Agenten am Ende unter menschlichen Zugangsdaten. Für die Produktivität einer einzelnen Person mag das völlig in Ordnung sein. Als Fundament für einen Geschäftsprozess taugt es nicht.

Die Zahlen sind inzwischen schwer zu ignorieren. Nicht-menschliche Identitäten — Service Accounts, API-Keys, OAuth-Tokens und die Zugangsdaten, mit denen KI-Agenten arbeiten — übersteigen menschliche Nutzer im Durchschnittsunternehmen um etwa das 45-Fache, in cloud-nativen Umgebungen um bis zu das 144-Fache, gegenüber 92-Fach im ersten Halbjahr 2024. ^[4] Und IBMs Breach-Forschung 2026 zeigt: Der Anteil der Sicherheitsvorfälle mit Schatten-KI hat sich binnen eines Jahres auf 43 Prozent mehr als verdoppelt, und mehr als zwei Drittel der betroffenen Organisationen hatten überhaupt keinen Governance-Prozess, um sie einzugrenzen. ^[5][6]

Die Frage ist nicht, ob eine Person das Zehnfache leisten kann. Die Frage ist, ob die Organisation davon abhängen sollte.

Und messen lässt es sich nicht. Matt Wood argumentiert, eine brauchbare ROI-Rechnung brauche eine Einheit, in der sich beide Seiten ausdrücken lassen: Wert pro akzeptiertem Ergebnis und Vollkosten pro akzeptiertem Ergebnis. ^[7] Zustand drei hat keine solche Einheit. Der Output ist ein Entwurf, den eine Person aufnimmt, und akzeptiert ist nie definiert — es gibt also nichts zu zählen. Kosten pro akzeptiertem Ergebnis lassen sich für Annas Skill nicht berechnen, weil die Akzeptanz nur in ihrem Kopf existiert.

Das ist der Grund, warum die 6 Prozent flach bleiben, während die 80 Prozent weiter steigen. Die individuellen Gewinne sind real. Sie liegen nur nicht in einer Form vor, die die Organisation sehen kann.

Die ehrliche Reihenfolge lautet: natürlich starten, dann bewusst operationalisieren. Diese Entscheidung muss jemand treffen und verantworten.

Zustand 4b: Regierte Nicht-Determiniertheit

Greens Zielbild ist deterministische Automatisierung — gleicher Input unter gleichen Bedingungen, gleiches Ergebnis, oder zumindest derselbe definierte Entscheidungspfad. Für eine grosse Klasse von Arbeit stimmt das genau, und Workflow-Engines werden durch agentische Werkzeuge nicht obsolet.

Ein Einwand aus der Praxis. Determinismus meint zwei Dinge: ein festes Ergebnis und einen festen Weg dorthin. Wer den Weg fest verdrahtet, verdrahtet jede Annahme über Schemas und Endpunkte mit — und genau die ändern sich. Ein Agent, der sich die Integration selbst erarbeitet, ist oft in Stunden gebaut statt in Wochen und übersteht die nächste Schnittstellenänderung. Das verschiebt die Schwelle: Prozesse mit dreissig Ausführungen im Monat haben eine Integration nie gerechtfertigt und werden jetzt zugänglich.

Der Preis dafür steht in der Tabelle weiter unten. Ein brechender Workflow fällt auf; ein Agent findet einen Weg drumherum — manchmal grossartig, manchmal still und falsch. Er ist die Integrationsschicht, nicht die Entscheidungsschicht. Und genau deshalb ist die Ergebnisprüfung hier nicht optional.

Die wertvollsten agentischen Fälle sind ohnehin jene, in denen Determinismus gar nicht verfügbar ist. Urteilslastige, kontextabhängige Arbeit mit hoher Varianz ist dort, wo der Wert liegt — und sie lässt sich nicht in ein Flussdiagramm kompilieren.

Die Antwort ist nicht, einen Menschen jede Ausführung beaufsichtigen zu lassen. Das ist Zustand drei mit Governance-Abzeichen. Die Antwort ist eine Sprosse, die die Leiter nicht zeichnet — nennen wir sie 4b: regierte Nicht-Determiniertheit.

Woraus 4b besteht

• Service-Identität statt persönlichem Badge. Der Prozess authentifiziert sich als er selbst, mit eng gefassten Berechtigungen und einem Lebenszyklus unabhängig von jedem Mitarbeitenden.
• Evals statt Unit Tests. Auf einem variierenden Output lässt sich keine Gleichheit prüfen. Qualität gegen ein kuratiertes Fallset lässt sich prüfen — bei jeder Prompt-Änderung, jedem Modell-Update, jeder Konfigurationsänderung. Das ist echte Engineering-Arbeit und kein Häkchen: Das Fallset muss aufgebaut, gepflegt und aktuell gehalten werden, und ein Modell als Judge treibt die Kosten jedes Laufs spürbar nach oben.
• Begrenzte Varianz statt garantierter Reproduzierbarkeit. Schwankende Ergebnisse sind akzeptabel, solange sie eingegrenzt, protokolliert und erklärbar sind. Und man legt vorher fest, was passieren soll, wenn etwas schiefgeht, statt es im laufenden Betrieb herauszufinden.
• Maschinenlesbare Grenzen mit Eskalation. Der Agent handelt selbstständig innerhalb definierter Grenzen und hält an, sobald er sie erreicht. Die Cloud Security Alliance beschreibt dafür sechs Autonomiestufen (0 bis 5) und empfiehlt Stufe drei — selbstständiges Handeln in klaren Grenzen, alles darüber hinaus geht zurück an einen Menschen — als das, was heute im Unternehmenseinsatz vertretbar ist. Volle Autonomie sehen sie ausdrücklich nicht als praktikable Option. ^[8]
• Ein designierter Principal. Thoughtworks macht daraus eine harte Anforderung: Jeder eingesetzte Agent hat einen namentlich benannten Menschen, der für seine Ergebnisse verantwortlich ist, mit einem von Menschen geschriebenen Mandat und plattformseitig durchgesetzten Eskalationsschwellen. ^[9]

Der letzte Punkt ist der einfachste auf dieser Liste — und der, den fast alle auslassen. Ein Satz in einer Richtlinie genügt: Jeder Agent bekommt einen Namen, der für ihn geradesteht. Danach ist der Prozess nicht mehr herrenlos.

Der Evaluator ist das, was den Rest funktionieren lässt. Er prüft das Ergebnis und leitet fehlgeschlagene, ungewöhnliche oder besonders folgenreiche Fälle auf einen anderen Pfad. ^[7] Das verschiebt den Zweck einer Eval-Harness: keine Governance-Höflichkeit, kein Compliance-Artefakt, sondern die Komponente, die definiert, was akzeptiert heisst — und damit die Komponente, die das Ganze zählbar macht. Das ist die Antwort auf das Messproblem von oben. Solange nichts ausser einer Person entscheidet, was gut aussieht, gibt es keine Einheit — und ohne Einheit keinen ROI-Case, nur ein Gefühl.

Was die Operationalisierung tatsächlich kostet

Zurück zu Annas Fragebögen, denn das Interessante ist, wie klein dieser Schritt ist.

Das Signal, dass es so weit ist. Nicht Begeisterung, sondern Wiederkehr. Ein zweites Team fragt nach dem Skill. Das Volumen überschreitet eine Schwelle. Dieselbe Arbeit passiert im Rhythmus statt zufällig. Das ist der Moment, auf den es zu reagieren gilt — und jemand muss darauf achten.

Die Arbeit. Ein Trigger auf dem Postfach. Eine Service-Identität mit eng gefasstem Lesezugriff auf die Nachweisablage. Zweihundert bereits freigegebene Antworten werden zum Evaluationsset — dieses Archiv existiert bereits, und genau das ist der Punkt. Explizite Grenzen: Fragen, die sich aus freigegebenen Nachweisen beantworten lassen, werden automatisch entworfen; alles ohne Quelle, alles mit vertraglicher oder rechtlicher Sprache, alles wirklich Neue geht in eine Queue. Der Sicherheitsverantwortliche — oder wer die Antwort tatsächlich verantwortet — wird als Principal benannt.

Die Messung. Menschliche Beteiligung wird zur Zahl. Vorher: jede Antwort von einem Menschen angefasst. Nachher: vielleicht jede fünfte. Diese Quote ist die Kennzahl, und sie sollte sichtbar sein.

Das sind Wochen, keine Quartale. Die Grenzen sind ein Gespräch, kein Projekt.

Und was bewusst menschlich bleibt. Die Ermessensfragen. Alles, was in Richtung Verhandlung geht. Alles, was in einem Vertrag landet. Das Ziel waren nie null Menschen, sondern Menschen bei den zwanzig Prozent, die sie brauchen, statt bei allem.

Und noch etwas soll das Beispiel zeigen: Nicht jeder Skill gehört in den Betrieb überführt. Wenn der Wert eines Skills im jedes Mal frisch angewandten Urteil einer Person lag, zerstört die Industrialisierung genau das, was ihn gut gemacht hat. Und wenn das Team die Arbeit ohnehin schnell und günstig erledigt, bringt die Automatisierung weniger, als das fertige Ergebnis vermuten lässt — die Ausgangslage zählt so viel wie das Ergebnis. Der Test ist, ob die Arbeit wirklich wiederholbar ist, nicht, ob sie bloss häufig vorkommt.

Nicht alles auf einmal — aber das Richtige zuerst

Die häufigste Lähmung, der ich begegne, ist der Glaube, Datenplattform, KI-Plattform und Governance-Rahmen müssten fertig sein, bevor jemand starten darf. Dieser Glaube kostet mehr als jede Werkzeugentscheidung.

Also: das Warehouse aufschieben, nicht die Schienen.

Die Unternehmensdatenplattform lässt sich bedarfsgetrieben bauen, entlang von Use Cases, die ihren Wert bewiesen haben. Sie spekulativ zu bauen ist der Weg, zwei Jahre in Infrastruktur zu investieren, nach der niemand gefragt hat.

Identität, Logging und ein Paved Path sind anders. Sie sind günstig, sie kommen früh, und sie tragen. Jede Zahl im Abschnitt oben zeigt, wie es aussieht, wenn man sie aufschiebt. Und laut DORA ist es genau eine gute interne Plattform, die verhindert, dass individuelle Gewinne weiter hinten wieder verloren gehen. Sie ist damit die Voraussetzung dafür, dass sich etwas aufsummiert — und keine spätere Ausbaustufe. ^[3]

Entdeckung von unten hat noch eine Schwäche, und es ist die teuerste. Einzelne finden Reibung innerhalb ihrer eigenen Rolle. Sie finden keine bereichsübergreifende Prozessneugestaltung — und dort liegt das EBIT. Die intern bei Amazon gemessenen 4,5-fachen Produktivitätsgewinne im Median kamen von Teams, die Workflows umgebaut haben, nicht von besseren Prompts. ^[10]

Die Reise läuft deshalb auf zwei Gleisen gleichzeitig:

1. Entdeckung von unten. Alle bekommen Zugang, Erlaubnis zum Experimentieren und die Möglichkeit, Skills zu bauen und zu teilen. Jeder nützliche Skill ist ein Kandidat für die Operationalisierung, nicht schon das fertige Ergebnis.
2. Auswahl von oben. Die Führung wählt drei bis vier End-to-End-Prozesse zur echten Neugestaltung. BCG rät zum Gleichen: sich auf wenige zentrale Prioritäten ausrichten statt auf Hunderte von Use Cases. ^[11]

Bottom-up findet die Kandidaten. Top-down entscheidet, welche davon Prozesse werden.

Und mein Rat zum virtuellen Expertenteam. Eine bereichsübergreifende Gruppe, die die ganze Organisation auf diesem Weg begleitet, halte ich für die richtige Struktur — unter einer Bedingung. Gebt ihr ein Entscheidungsrecht, nicht nur einen Unterstützungsauftrag. Wenn sie nur befähigt und evangelisiert, ist sie eine Community of Practice, und alles bleibt in Zustand drei. Wenn sie darüber entscheidet, welche Skills zu Prozessen werden, wer der designierte Principal ist, wie der Paved Path aussieht — ist sie das Organ, das der Organisation heute fehlt. High Performer haben doppelt so häufig definierte Prozesse, um die Wirkung von KI-Initiativen zu messen. ^[1] Das ist der Unterschied zwischen einem Center of Excellence, das etwas verantwortet, und einem, das Mittagsveranstaltungen organisiert.

Der Gegeneinwand: verfrühte Industrialisierung

Der offensichtliche Fehlermodus von alledem ist Überkorrektur: alles sofort in Zustand vier zu heben und damit genau das Experimentieren zu töten, das entdeckt, was sich zu bauen lohnt.

Dieses Risiko ist real und hat einen Namen. Die MIT Sloan School fasst es als Minimum Viable Governance — gegen Organisationen, die in beide Richtungen überkorrigieren: generative KI mit schweren Kontrollen zusperren oder Experimente völlig unbeaufsichtigt laufen lassen. ^[12] Governance, die für Auditierbarkeit statt für Geschwindigkeit entworfen ist, produziert Prozesstheater: Formulare, Reviews und Freigaben, deren gemessene Risikoverhinderung einen Bruchteil der Produktivität wert ist, die sie verbraucht.

Entdeckung muss günstig und weitgehend ungeregelt bleiben. Das ist kein Zugeständnis, das ist der Mechanismus. Man kann keine drei wertvollen Prozesse zur Industrialisierung auswählen, wenn niemand sie finden durfte.

Dafür braucht es keinen erfundenen Business Case. Wood schlägt drei Fragen vor: Welches nützliche Ergebnis kommt heraus? Woran erkennt man, dass es gut genug ist? Was kostet der ganze Weg dorthin? Wer diese Fragen noch nicht beantworten kann, bekommt trotzdem Geld — als Experiment. Die drei Antworten zu finden ist dann das Ergebnis. ^[7] Jeff Bezos hat es einmal so formuliert: Wenn man den Ausgang schon kennt, ist es kein Experiment. Genau das ist der Satz, den ein CFO freigeben kann.

Und eine Vorsicht in die andere Richtung. In einer kontrollierten Studie waren erfahrene Entwickler mit KI-Werkzeugen 19 Prozent langsamer als ohne — und glaubten danach, sie seien 20 Prozent schneller gewesen. METR hat im Februar 2026 neue Daten zu Werkzeugen von Ende 2025 veröffentlicht; die konkrete Zahl ist umstritten. ^[13] Wichtig ist nicht die Zahl, sondern die Lücke zwischen Gefühl und Messung. Und genau die schliesst Zustand vier: Was als Prozess läuft, hinterlässt Protokolle — und über Protokolle lässt sich streiten, über Eindrücke nicht.

Das gab es schon einmal

Es lohnt sich zu wissen, wie lange dieser Fehler dauern kann.

Um 1900 liefen Fabriken über eine einzige Dampfmaschine, eine Stahlwelle unter der Decke und einen Lederriemen hinunter zu jeder Maschine. Als Elektromotoren verfügbar wurden, kauften die meisten Besitzer einen grossen Motor, schraubten ihn dorthin, wo die Dampfmaschine gestanden hatte, und behielten Welle und Riemen. Es funktionierte. Es änderte auch nichts am Grundriss, und die Produktivitätsgewinne brauchten rund zwei Jahrzehnte, bis sie sichtbar wurden. Sie kamen erst, als eine spätere Generation die Welle entfernte, jeder Maschine einen eigenen Motor gab und die Halle um den Arbeitsfluss herum neu anordnete.

Sie hatten den besten Motor ihrer Zeit und den alten Grundriss. Was sie zwanzig Jahre warten liess, war nicht die Technologie. Es war, dass die Riemen weiterhin die Verteilung übernahmen.

Heute sind die Riemen Menschen.

Eine Anmerkung zum Timing

Für europäische Unternehmen kommt ein terminliches Argument hinzu. Die EU hat die Fristen des AI Act im Sommer 2026 verschoben — mit einem Sammelgesetz, das mehrere Digitalregeln auf einmal ändert und deshalb Digital Omnibus heisst (Verordnung (EU) 2026/1744, in Kraft seit 27. Juli 2026). Die Pflichten für Hochrisiko-Systeme greifen jetzt ab Dezember 2027 statt ab August 2026, für in Produkte eingebaute Systeme ab August 2028. Die Transparenzpflichten kamen wie ursprünglich geplant. ^[14] Erleichtert wurde nichts — verlängert wurde nur die Anlaufstrecke.

Diese Anlaufstrecke ist nur etwas wert, wenn sie genutzt wird. Risikomanagement, Logging, menschliche Aufsicht, Dokumentation, Post-Market-Monitoring — die Nachweiskette, die die Verordnung verlangen wird, liegt sehr nahe an der Maschinerie, die einen agentischen Prozess überhaupt erst betreibbar macht. Als Compliance-Arbeit gebaut ist sie teuer und freudlos. Als Betriebsschicht für regierte Autonomie gebaut, produziert sie den Compliance-Nachweis als Nebenprodukt.

Der ehrliche Test

Für jede Aufgabe, an der KI inzwischen beteiligt ist, sechs Fragen:

1. Läuft sie auf einen Trigger, oder muss jemand daran denken, sie zu starten?
2. Läuft sie unter den Zugangsdaten einer Person oder unter einer governten Service-Identität?
3. Gibt es Validierung und einen Audit Trail, oder liest jemand den Output und vertraut ihm?
4. Wem gehört sie, wenn die Person, die sie erfunden hat, die Rolle wechselt?
5. Was passiert, wenn sich das Volumen verdoppelt?
6. Wie viel menschliche Beteiligung braucht eine Ausführung tatsächlich — jedes Mal oder nur bei Ausnahmen?

Human-in-the-Loop sollte eine gemessene Quote sein, keine Beruhigungsformel. Eine Abteilung, in der ein Mensch jeden Output prüfen muss, hat nichts automatisiert. Sie hat ein ausgesprochen gutes Textverarbeitungsprogramm.

Eine Vorsicht zu dieser Quote: Sie lässt sich manipulieren. Ein Prozess, der nur dafür belohnt wird, mehr ohne Eskalation zu erledigen, lernt womöglich, weniger zu eskalieren statt öfter richtig zu liegen. Wood macht denselben Punkt an Support-Systemen, die für vermiedene Wiederkontakte belohnt werden: Sie beenden Gespräche schnell und lassen Menschen ratlos zurück. ^[7] Die Definition eines akzeptierten Ergebnisses muss das enthalten, was man eigentlich schützen wollte — nicht nur den Stellvertreterwert.

Womit anfangen

Drei Schritte. Keiner davon braucht eine Plattform, einen Budgetzyklus oder eine Reorganisation.

Machen Sie diesen Monat den Ferientest für fünf Aufgaben. Nehmen Sie die fünf, bei denen KI sichtbar verändert hat, wie Ihr Team arbeitet, und beantworten Sie die Frage für jede ehrlich. Die meisten werden als Zustand drei zurückkommen. Das ist die Diagnose, und sie kostet einen Nachmittag.

Benennen Sie, wer entscheidet, welcher Skill operationalisiert wird. Eine Person oder eine kleine Gruppe, in diesem Quartal, mit einem echten Entscheidungsrecht — nicht bloss mit dem Auftrag zu ermutigen. Ihre Aufgabe: darauf achten, welche Arbeit sich wiederholt, und dann entscheiden, was in den Betrieb geht. Ohne das bleibt alles hier eine interessante Lektüre.

Überführen Sie genau eine Aufgabe in den Betrieb, End-to-End. Wählen Sie etwas Wiederkehrendes, Volumenstarkes und Reversibles, für das bereits ein Archiv freigegebener Ergebnisse existiert. Geben Sie ihr einen Trigger, eine Service-Identität, ein Evaluationsset aus diesem Archiv, eine Exception Queue und einen benannten Principal. Messen Sie die Quote menschlicher Beteiligung vorher und nachher. Eine einzige abgeschlossene Operationalisierung lehrt eine Organisation mehr als jedes Framework — und sie liefert genau das, was der zweite Schritt braucht: den Beleg, dass es Wochen sind und keine Quartale.

Die teuerste Transformation ist die von oben verordnete. Die günstigste ist die von unten ermöglichte. Beides bleibt wahr. Was das letzte Jahr an Daten hinzufügt, ist ein Drittes: Die von unten ermöglichte Transformation endet beim Menschen, wenn niemand für den nächsten Schritt verantwortlich ist.

Die Unternehmen, die vorbeiziehen, haben nicht die beste KI — und auch nicht die begeistertsten Anwender. Sie haben entschieden, wem der Moment gehört, in dem aus einer guten Gewohnheit ein Prozess wird.

AGENTIC AI BETRIEBSMODELL GOVERNANCE PRODUKTIVITÄT