Die KI bleibt im Middle Management stecken

In den letzten Monaten habe ich eine skeptische Analyse zu KI nach der anderen gelesen: Unternehmen investieren viel, aber die Produktivitätsgewinne sind nahezu inexistent. Diese Einschätzung teile ich voll und ganz. Auch ich sehe in den meisten Unternehmen kaum echte Erfolgsgeschichten.

Der Grund ist fast immer derselbe: Diese Unternehmen haben es nicht geschafft, die Technologie so in der Organisation zu verankern, dass sie Wert schafft. Das ist ein seit Jahrzehnten bekanntes Problem im Change- und Transformationsmanagement. Es hat mit der Technologie selbst sehr wenig zu tun.

Ethan Mollick hat im April im Economist ähnlich argumentiert, in einem Meinungsbeitrag, der mir sehr gefallen hat. Unternehmen, schrieb er, behandeln künstliche Intelligenz, «als wäre sie einfach eine weitere Unternehmenssoftware»: Sie bauen sie in bestehende Prozesse ein, geben ihr KPIs und übergeben sie der IT-Abteilung. Da die meisten IT-Abteilungen den Auftrag haben, Risiken zu minimieren, KI sich aber nur auszahlt, wenn Menschen experimentieren und scheitern dürfen, spricht er von einem «Kategorie-Fehler». Seine Lösung hat drei Teile: eine klare Richtung von ganz oben, Mitarbeitende, die wirklich experimentieren dürfen, und ein eigenes Team, das sammelt, was dabei herauskommt, und es in die Organisation zurückspielt.

Dem stimme ich grösstenteils zu, und auf den Teil, bei dem ich anderer Meinung bin, komme ich noch zurück.

Aber schauen wir uns zuerst an, wie das Problem aus der Sicht eines Managers aussieht.

Einfach zu nutzen, schwer einzuführen

Ein Teil des Problems ist ein Missverständnis, zu dem die Technologie selbst verleitet. KI ist nämlich ausserordentlich zugänglich, vielleicht mehr als jede andere Technologie bisher in einem so frühen Stadium: Inzwischen nutzt fast jeder bei der Arbeit und zu Hause einen Chatbot und findet ihn einfach zu bedienen. Da liegt die Annahme nahe, dass der Einsatz im Unternehmen genauso einfach sein müsse. Das ist er aber nicht. Hinter der freundlichen Oberfläche steckt eine Technologie, die so komplex ist, dass niemand ganz versteht, wie sie funktioniert. Nicht einmal die Leute, die sie entwickeln. Eine solche Technologie im Unternehmen einzusetzen erfordert sehr viel mehr Abwägungen und Management, als sie nach Reisevorschlägen für die Sommerferien zu fragen.

Je näher man dem Kern eines Geschäftsmodells kommt, desto grösser werden diese Schwierigkeiten. Im Kern könnte KI ja am meisten Wert schaffen, aber genau dort ist sie am schwierigsten einzuführen. Im Kern wurden die Prozesse nämlich über Jahre verfeinert, Rollen und Routinen haben sich rund um das Geschäftsmodell eingespielt, und die Menschen in der Organisation sind dort am kompetentesten und auch am sensibelsten. Tätigkeiten, Stellenbeschreibungen und am Ende die Kultur zu verändern, ist in jedem Teil des Unternehmens schwer, im Kern aber am schwersten oder sogar unmöglich, denn der Kern ist das, was das Unternehmen ist. Dazu kommt, dass Technologie aus meiner Sicht nicht eins zu eins ersetzen sollte, was Menschen tun. Was Menschen tun, muss man zuerst im jeweiligen Kontext verstehen. Erst dann sieht man, ob und wie es durch Technologie ersetzt oder, was häufiger ist, ergänzt werden kann. In meiner Erfahrung schafft Technologie meist dort am meisten Wert, wo sich Mensch und Maschine ergänzen, nicht dort, wo sie sich ersetzen. Und um herauszufinden, wo das ist, braucht es mehr als einen Rollout-Plan mit Namen und Terminen hinter jeder Zeile.

Was im mittleren Management passiert

Stellen Sie sich einen Produktionsleiter vor, der seit vielen Jahren sehr gut in seinem Job ist. Er hört, dass KI jetzt auch in seine Prozesse eingreifen soll.

Was geht in ihm vor?

Meiner Erfahrung nach reagieren die meisten Menschen ähnlich auf KI: mit einer Mischung aus Neugier und Skepsis. Inzwischen haben alle verstanden, dass die Technologie mächtig ist, und die meisten Manager haben sogar eine ungefähre Vorstellung davon, wo sie ihren Job, ihre Abteilung oder ihr Unternehmen besser machen könnte. Was sie für sie persönlich bedeutet, ist viel weniger klar. Ein Teil der Unsicherheit kommt schlicht daher, dass niemand die Zukunft kennt. Bei KI ist niemand Experte, also weiss auch niemand so genau, was sie kann oder können wird, wie weit man ihr vertrauen kann und ab wann. Diese operativen Fragen der KI-Einführung kann man aber angehen, und an Beratern, die genau das anbieten, fehlt es nicht.

Der andere Aspekt einer KI-Einführung ist für die meisten Menschen viel schwerer in Worte zu fassen. Irgendwo im Hinterkopf sitzt nämlich der Gedanke, dass, wenn die KI gut genug ist, das Unternehmen nicht mehr alle seine Leute braucht. Und wenn es nicht mehr alle seine Leute braucht, braucht es vielleicht eines Tages auch mich, den Manager, nicht mehr, der sie führt.

Ich glaube nicht, dass diese Gefahr heute schon für die meisten Menschen sehr akut ist, ausser natürlich in Branchen, die KI bereits hart trifft, etwa das Marketing, Software Engineering oder einmal mehr die Medien. Aber in einem produzierenden Unternehmen rechnet niemand damit, nächsten Monat ersetzt zu werden. Der Gedanke ist aber trotzdem da, und er prägt auch dort das Verhalten.

Was ich am häufigsten sehe, ist Abwarten.

Es ist eine Art «Schockstarre», und zwar eine unangenehme, weil niemand weiss, was kommt. Die Unsicherheit wird dann von unteren Stufen in der Organisation nach oben projiziert: Man sagt sich, dass das Top-Management bestimmt einen Plan habe, aber es sagt uns nichts darüber, weil er schmerzhafte Konsequenzen für uns haben wird. Das mag stimmen. Es kann aber auch völlig falsch sein. Mollick beschreibt in seinem Artikel auch einen weiteren Aspekt davon: Mitarbeitende, die KI im Stillen nutzen, es aber für sich behalten, weil sie Bestrafung fürchten oder nicht darauf vertrauen, dass die KI-Gewinne mit ihnen geteilt werden.

In jedem Fall verliert die Spitze des Unternehmens aus den Augen, was in der eigenen Organisation tatsächlich passiert.

Drei echte Beispiele, drei verschiedene Fallen

Drei Fälle, die ich gut kenne, zeigen, wie unterschiedlich das ausgehen kann. Keiner davon ist eine Geschichte des Scheiterns im üblichen Sinn, und genau das macht sie lehrreich.

Der erste ist ein Unternehmen, mit dem wir zusammenarbeiten, ein sehr erfolgreiches, mittelgrosses Industrieunternehmen. Die Geschäftsleitung hat KI früh auf die Agenda gesetzt, und das Thema steht auch formell in der Strategie. Das Unternehmen hat einiges ausprobiert: interne Produktivitätstools und sogar ein KI-Tool für seine Kunden. Das Kundentool musste allerdings wieder abgeschaltet werden, weil es halluzinierte und ernsthaft problematische Resultate lieferte. Das würde ich unter Kinderkrankheiten der Technologie verbuchen; heute würde es vermutlich schon besser funktionieren als bei diesem ersten Versuch vor einem Jahr. Wichtiger ist aber etwas anderes: Die Tools wurden nicht dort eingesetzt, wo KI in diesem konkreten Geschäftsmodell am meisten Wert schaffen könnte. Das Unternehmen macht vieles richtig. Es hat seine Werthebel nur noch nicht gefunden, und ich vermute, dass das für die meisten Unternehmen gilt, selbst wenn sie das Thema auf strategischer Ebene ernst genommen haben.

Das zweite Beispiel ist ein alter Freund von mir, ein Manager im mittleren Kader, der in einer Softwarefirma ein Team von Softwareentwicklern führt. Er sah seine eigene Rolle als akut bedroht, weil sie fast nur darin besteht, Informationen zu verarbeiten, zu analysieren und zu formalisieren. Seine Antwort war, KI so konsequent wie möglich einzusetzen: Er fing sehr früh damit an, zu einer Zeit, als man für den Betrieb von Agenten noch eigene Rechner einrichten musste. Zeitweise arbeitete er mit rund 70 KI-Agenten, die er zuerst wie zusätzliche Mitarbeitende behandelte. Damit war sein Team faktisch zehnmal grösser. Einige Monate später stellte er auf einen Ansatz um, der auf «Capabilities» basiert: Statt die KIs wie Mitarbeitende zu führen, setzte er sie gezielt ein, um menschliche Fähigkeiten zu ergänzen, mit noch grösseren Produktivitätsgewinnen. Und genau mit diesem Erfolg kam ein neues und sehr schwieriges Problem: Seine Agenten schreiben heute Millionen von Codezeilen, eine Menge, die niemand mehr vollständig prüfen kann. Er und sein Team können nur noch Stichproben machen. Für eine Softwarefirma ist es ein echtes Risiko, Code live zu schalten, den nie ein Mensch richtig geprüft hat. Die Pointe: Er hatte um seinen Job gefürchtet, aber es kam genau umgekehrt. Das Top-Management sah, was er mit KI erreicht hatte, erklärte es zur «Best Practice» und beförderte ihn, damit er dasselbe auch in anderen Abteilungen umsetzen kann.

Das dritte Beispiel ist ein Manager, der als Länderchef für einen grossen internationalen Konzern arbeitet. Der Hauptsitz hat KI für dezentrale Einheiten wie die Landesgesellschaft, die der Manager leitet, vorerst weitgehend gesperrt, aus rechtlichen und Compliance-Gründen, weil man sich um die Datensicherheit insbesondere von Kundendaten sorgt. Der Manager nutzt KI (natürlich) trotzdem, insbesondere für seine eigene Büroarbeit, wo keine Kundendaten im Spiel sind. Aber seine Aufgabe und die seiner Organisation ist Verkauf, und gerade im Verkauf könnte KI enorm helfen. Weil aber in fast allem, was im Verkauf passiert, Kundendaten stecken, liegen aus Sicht des Hauptsitzes genau dort auch die rechtlichen Risiken. Nötig wäre eine zentrale Initiative, die sagt: Auch der Verkauf braucht KI-Unterstützung, und hier ist die Governance dafür, wie das funktioniert, wer experimentieren darf und in welcher Form. Ich verstehe die Frustration des Managers, wenn er jeden Tag sieht, wie viel einfacher alles sein könnte, wenn er die Tools nur für den wichtigsten Teil seines Jobs nutzen dürfte.

Wo experimentieren, und wo nicht

Ist der Teamleiter in der Softwarefirma ein Vorbild oder ein warnendes Beispiel? Beides, würde ich sagen. An seiner Stelle hätte ich mit ziemlicher Sicherheit dasselbe getan. Und doch geht seine Firma mit dem ungeprüften Code jetzt ein Risiko ein, und verantwortlich dafür sind das Top-Management, also der CEO, und letztlich der Verwaltungsrat (der in vielen Organisationen, die ich kenne, ziemlich weit weg von solch alltäglichen Dilemmas ist).

Das Dilemma ist aber für jedes Unternehmen sehr real: Die Führung muss sich sehr bewusst sein, was eine zu langsame und eine zu schnelle Einführung kosten kann.

An dieser Stelle bin ich übrigens nicht mehr bei Mollick, oder zumindest dabei, wie sein Argument oft angewendet wird, nämlich dass es einen Kulturwandel für die Einführung von KI braucht. Ich habe Unternehmen gesehen, die erklärt haben, ab jetzt solle jeder mit KI experimentieren, und das als Kulturwandel für die ganze Organisation verkauft haben.

Ich glaube schlicht nicht, dass das funktioniert, und ich halte es sogar für den falschen Ansatz.

Es erinnert mich an die Jahre, in denen Unternehmen in vielen Branchen naiv versucht haben, Innovationskultur und agile Arbeitsmethoden über ganze Organisationen auszurollen. Das war damals ein Fehler, und es ist heute ein Fehler.

In vielen Abteilungen und Funktionen besteht die Aufgabe darin, das Bestehende robust am Laufen zu halten und vielleicht punktuell zu verbessern. Iterieren, Scheitern und Lernen haben in einem geschäftskritischen Prozess nichts verloren, geschweige denn in einem sicherheitsrelevanten. Dasselbe gilt für KI: Sie sollte nicht überall ausgerollt werden, und nicht alle Mitarbeitenden sollten den Auftrag bekommen, damit zu experimentieren. Sie gehört in die Rollen und Tätigkeiten, in denen sie Sinn ergibt. Natürlich sollen alle mitdenken und neue Anwendungen vorschlagen dürfen, aber nicht alle davon sofort umsetzen.

Für mich folgen daraus zwei Dinge, und die sind sehr unterschiedlich:

Erstens muss das Top-Management herausfinden, wo die strategischen Werthebel liegen. Das ist eine zentrale Analyse und eine Entscheidung von oben.

Zweitens braucht es eine Governance, die Experimentierfelder festlegt: Bereiche, in denen Initiative von den Mitarbeitenden selbst erwünscht ist, gefördert, sichtbar gemacht und schliesslich genutzt wird.

Beides ist nötig, aber es unterscheidet sich in Art und Zielen, betrifft andere Themen und Menschen und wird auf unterschiedliche Weise umgesetzt.

Zur Aufgabe der Führung gehört heute auch, zu entscheiden, wo Experimente nicht erwünscht sind, und das klar zu sagen. Die Softwarefirma hat Experimente belohnt, ohne zu entscheiden, wo sie hingehören. Der internationale Konzern hat sie blockiert, ohne zu sagen, wo der Weg nach vorne liegt.

Was für den Einzelnen bleibt

Für Manager im mittleren Kader gibt es leider nicht die eine richtige Strategie.

In manchen Unternehmen verschafft sich der aggressive Early Adopter Legitimität und behält am Ende seinen Job. In einer konservativen, risikoscheuen Kultur ist ein vorsichtiges Vorgehen vielleicht klüger. Es hängt vom Unternehmen ab, von der konkreten Branche und vom Kontext, und es hängt von der Person ab.

Was hilft, ist das, was Menschen in unsicheren Zeiten schon immer geholfen hat: eine strukturierte Art, die Dinge zu durchdenken. Was bedeutet das konkret für mich und mein Team? Welche Optionen habe ich? Was sollte ich jetzt tun, und was noch nicht? Bin ich am richtigen Ort, oder muss ich etwas ändern? Oder habe ich mir vielleicht mehr Sorgen gemacht als nötig?

Nichts davon hat mit Technologie zu tun, und dabei helfen weder ein externer Anbieter noch ein Rollout-Plan.

Doch nach den Gesprächen, die ich im letzten Jahr geführt habe, stellt sich im Moment fast jeder Manager diese Fragen. Die meisten für sich allein.

Das ist für mich das Erste, was sich jetzt ändern muss.

Die Fragen werden von hier an nur noch schwieriger. Statt immer mehr Antworten zu liefern, die das nächste Modell-Update eines KI-Anbieters wieder überholt, müssen Manager lernen, sich mit den schwierigen Fragen wirklich zu beschäftigen und sie selber durchzuarbeiten.

Je früher, desto besser.