KI hat das Problem gefunden. Es sind Ihre Entscheidungen.
KI-Einführung: Weniger als 30 % der Unternehmen, die KI einsetzen, sehen bedeutende Ergebnisse. Eine Neugestaltung der Entscheidungsfindung ist entscheidend.
Produktivitätstheater: KI steigert die Geschwindigkeit, aber nicht die Entscheidungsfindung. Organisationen tappen oft in die 'Humans-in-the-Loop'-Falle.
Organisationsgestaltung: KI erfordert eine Änderung der Entscheidungsstrukturen – nicht nur die Einführung von Tools –, um Prozesse und Ergebnisse zu verbessern.
Verhaltensorientierter Ansatz: Die Reaktion der Menschen und die Integrität der Prozesse sind bei der Einführung von KI ebenso entscheidend wie die reine Technologie.
Führungswandel: KI verlangt nach einer adaptiven Führung, die über traditionelle Modelle hinausgeht, mit Fokus auf Begleitung statt Kontrolle.
Weniger als 30 % der Unternehmen, die versuchen, KI zu implementieren, erzielen daraus nennenswerte Erträge – eine Zahl, die beharrlich gleich bleibt, obwohl die Verbreitung entsprechender Tools immer schneller voranschreitet.
Paul Gibbons, Berater und Autor von „Adopting AI: The People-first Approach“, hat drei Jahrzehnte lang beobachtet, wie Technologieeinführungen immer wieder am gleichen grundlegenden Problem scheitern.
Die Barrieren sind organisatorisch. Silos, Kultur, Denkweise, Fähigkeiten.
Was in Nachbetrachtungen meist nicht erwähnt wird: Die Organisation hat nie neu überdacht, wie sie Entscheidungen trifft.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Diese Erkenntnis klingt zunächst abstrakt – bis man sich anschaut, wie sich Misserfolg tatsächlich im Inneren eines Unternehmens darstellt. Jurgen Appelo, Autor von "Human Robot Agent" und Gründer des Solo Chief Newsletters, nennt das häufigste Muster Produktivitäts-Theater.
Führungskräfte schreiben die Einführung von KI-Tools vor. Teams lernen, sie zu benutzen, es entstehen immer mehr Zusammenfassungen und Protokollierende nehmen an jedem Meeting teil. Dann merkt die Organisation – fast unmerklich –, dass zwar alles schneller geht, sich aber im Grunde nichts verändert hat.
Unternehmen streuen KI über kaputte Arbeitsabläufe und das sieht man.
Die unter diesen Abläufen liegenden Entscheidungswege, wem eine Entscheidung gehört, welche Daten diese beeinflussen, wo menschliches Urteilsvermögen erforderlich ist und wo bloß Gewohnheit, bleiben völlig unangetastet.
Appelo nennt das die „Humans-in-the-Loop“-Falle: Jede KI-Interaktion beginnt und endet immer noch bei einem Menschen, die Systeme sprechen nicht miteinander, und alles läuft im Tempo des langsamsten Engpasses. Oder anders gesagt: Die Tools wurden schlauer, aber die Architektur blieb gleich.
Wie sieht es aus, wenn es anders läuft?
Wenn das Tool funktioniert, die Organisation jedoch nicht
Carla Catelan leitet seit mehr als zwanzig Jahren Recruiting-Prozesse in großem Maßstab und hat Teams bei jährlich Hunderten Neueinstellungen bei Unternehmen wie Thoughtworks, Cognizant und Hewlett-Packard begleitet. Wenn sie über KI beim Recruiting spricht, versteht sie diese nicht als Tool, sondern als Gestaltungsaufgabe.
Führung in einer KI-zentrierten Ära bedeutet, Entscheidungsarchitekturen zu entwerfen, Systeme zu schaffen, in denen Menschen, Daten und KI zusammenarbeiten, um bessere Ergebnisse zu erzielen.
Diese Sichtweise basiert auf einer hart erarbeiteten Erkenntnis.
Als Thoughtworks begann, prädiktive Analytik auf den Recruiting-Prozess anzuwenden, machte Catelans Team eine unerwartete Entdeckung: Die Durchlaufzeit – die Zahl der Tage vom Ausschreiben bis zum Besetzen einer Stelle – war bereits gut, lag konstant im Bereich von 30 bis 35 Tagen. Geschwindigkeit war nicht das Problem. Also machte sich das Team auf die Suche nach der eigentlichen Ursache.
Sie stellten fest, dass die Variabilität bei der Gestaltung von Stellenprofilen verlässlich zu schlechteren Einstellungsresultaten führte als die Qualität der Bewerber. Mehrdeutige, übertriebene oder uneinheitlich strukturierte Stellenbeschreibungen verzerrten das Lernverhalten der KI bereits am Anfang des Prozesses und sorgten so für niedrigere Erfolgsquoten, mehr Absagen in späten Phasen und insgesamt schwächere Leistung in der Einarbeitung – unabhängig davon, wer sich genau bewarb.
Die Lösung war kein neues Modell. Thoughtworks gestaltete die Stellenbeschreibungen neu, was Catelan als "prädiktive Artefakte" bezeichnet: Anforderungen, die eher mit Störgeräuschen als mit Erfolg korrelierten, wurden entfernt, um das Signal für das Modell zu konzentrieren. Die KI verbesserte sich, weil die Entscheidungsgrundlagen verbessert wurden.
Diese vorgelagerte Logik – dass die Qualität dessen, was in die Entscheidungsarchitektur einfließt, die Qualität des Outputs bestimmt – zieht sich durch jede von Catelan gebaute Anwendung.
KI wird eingesetzt, um Muster zu erkennen, langfristige Daten zu aggregieren und quantitative Signale zu strukturieren. Menschen behalten die Verantwortung für qualitative Beurteilungen und finale Entscheidungen. Die Grenze zwischen beidem ist explizit geregelt und wird nicht einfach vorausgesetzt.
Pilotversuche skalieren nicht. Architektur schon.
Der häufigste Fehler, den Catelan bei Organisationen sieht, die dies zu replizieren versuchen, ist, KI als eine Reihe von Pilotprojekten zu behandeln, statt als grundlegende Veränderung der Art, wie Entscheidungen in der Arbeit getroffen werden.
Die meisten Unternehmen investieren stark in KI-Tools und erwarten Verbesserungen", sagt sie. "Doch sie behalten die gleichen Anreizsysteme, die gleiche Hierarchie und die gleiche geringe Datenkompetenz in der Führungsetage bei. Das Ergebnis ist, dass KI entweder nicht richtig eingesetzt oder falsch genutzt wird. Leistungsstarke Modelle liefern Erkenntnisse, die nicht vertraut, nicht verstanden oder nicht umgesetzt werden.
Thoughtworks begegnete dem, indem ein bereichsübergreifendes Team speziell für das KI-gestützte Entscheidungsdesign im Recruiting eingerichtet wurde.
Die Gruppe arbeitet entlang klar definierter Geschäftsziele:
- Steigerung der Konversionsraten im Bewerbungsprozess um 50% durch prädiktive Segmentierung
- Verringerung der Interviewstunden um 30% durch frühzeitiges Herausfiltern von Kandidat:innen mit geringer Erfolgswahrscheinlichkeit.
Diese Zahlen sind nicht bloße Ziele. Sie sind der Auftrag.
Die Reihenfolge ist genauso wichtig wie die Zielvorgaben. Bevor Automatisierung eingeführt wird, kartiert das Team, wo kritische Entscheidungen fallen, wer sie trifft, welche Daten notwendig sind und wo menschliches Urteilsvermögen zentral bleibt.
Erst wenn diese Architektur steht, kommt KI zum Einsatz – als gezielte Unterstützung einzelner Schritte, statt sie auf ungeprüfte Prozesse obenauf zu legen.
"Wir entwerfen Entscheidungsprozesse neu, bevor wir Automatisierung einführen", sagt Catelan. "Nicht danach."
Die 90 %, die die meisten Einführungen überspringen
Yannick Fouagou, Director of People Operations and Solutions bei Greenshield, kam aus einer anderen Richtung zu einem ähnlichen Fazit. Sein Hintergrund liegt im Elektronik-Engineering und in Qualitätssystemen für Öl- und Gasunternehmen – also in Umgebungen, in denen Prozessintegrität nicht verhandelbar ist und Fehler physische Konsequenzen haben. Als er in den Personalbereich wechselte, brachte er diese Strenge auch auf die menschliche Seite der KI-Einführung mit.
Überrascht hat ihn, wie wenig die Technologie im Vergleich zur menschlichen Reaktion darauf zählt.
KI-Einführung sind zu 10% Technologie und zu 90% menschliche Psychologie. Ich habe anfangs angenommen, dass alle gleichermaßen bereit wären, solche Tools einzusetzen, habe aber schnell gemerkt, dass KI das gleiche Change Management braucht, das wir seit Jahrzehnten anwenden. Wer die menschliche Arbeit – also Ängste, Widerstand und Veränderungsdynamik – überspringt, scheitert auch mit modernster Technologie.
Für Fouagou ist Entscheidungsarchitektur keine rein organisatorische Designfrage, sondern eine Frage des Verhaltens. Sein Ansatz segmentiert die Stakeholder danach, wo sie sich auf der Adoptionskurve befinden, holt sie dort ab und verankert die neue Arbeitsweise anschließend in formelle Prozesse und Dokumentation – damit der Wandel strukturell und nicht bloß ein vorübergehender Motivationsschub ist.
"Wir führen nicht nur Tools ein", sagt er. "Wir verankern die neue Arbeitsweise in SOPs und Richtlinien, um die Verantwortlichkeit zu sichern."
Diese Kodifizierung erzeugt eine Rückkopplungsschleife. Das System überwacht, was Mitarbeitende fragen, erkennt, wo Dokumentation fehlt, und generiert Empfehlungen zum Schließen dieser Lücken. Die Wissensdatenbank lernt aus den Verhaltensmustern derjenigen, die sie nutzen. So sieht Entscheidungsarchitektur aus, wenn die Verhaltensebene eingebaut und nicht nachträglich angehängt wird.
Die Schleife, aus der Führungskräfte herausmüssen
Diejenigen, die dies auf Funktionsebene durchdenken, haben Spielraum für Neugestaltung. Das größere Problem liegt an der Spitze.
Gibbons hat Programme zur KI-Kompetenz für Führungsteams durchgeführt und fand die Ergebnisse ernüchternd. Als er eine Gruppe von zwölf Führungskräften fragte, wie viel formale Weiterbildung sie im vergangenen Jahr absolviert hatten, belief sich die Summe auf drei Tage – für alle zusammen.
"Das reicht einfach nicht aus", sagt er.
Das Problem ist eher strukturell als individuell. Erfolg, so argumentiert Gibbons, habe die meisten Top-Führungskräfte resistent gegenüber der Art des Lernens gemacht, die die Einführung von KI erfordert. Ihre Autorität basiert darauf, Dinge zu wissen. KI destabilisiert das.
Appelo formuliert die Führungsherausforderung anders, kommt aber zum gleichen Ergebnis: Wenn KI den Menschen bei den meisten analytischen Aufgaben übertrifft, besteht Führung nicht mehr darin, die Antworten zu haben.
Die meisten Führungskräfte wurden anhand von Managementmodellen geschult, die für relativ vorhersehbare Bedingungen entwickelt wurden. Appelo verweist speziell auf das Konzept der Transformationalen Führung, ein Modell aus den 1970ern, das eine Führungskraft annimmt, die den Informationsfluss kontrolliert, Entscheidungen genehmigt und im Zentrum der Schleife sitzt.
Genau dieses Modell muss für die Einführung von KI abgebaut werden. Manager in der Schleife werden zu Engpässen. Manager außerhalb der Schleife, die steuern, anpassen und bei wirklich schwierigen Entscheidungen urteilen, sind das, was die neue Architektur verlangt.
Gibbons nennt den vergleichbaren Wandel Adaptives Leadership. Geschaffen für Tempo, für Entstehungsprozesse und für das Arbeiten, ohne zu wissen, wie das Endziel aussieht.
Wir wissen nicht, welche Form Pilotprojekte annehmen werden oder wie leicht sie sich skalieren lassen", sagt Gibbons. "Alte Führungskonzepte waren für eine Vorhersehbarkeit gebaut, die es heute nicht mehr gibt."
Entscheidungsarchitekturen für KI gestalten
Die oben genannten Praktiker arbeiten nicht mit einer einheitlichen Methodik, aber ihre Ansätze folgen einer konsistenten Logik. So wenden Sie sie an.
Beginnen Sie mit der Entscheidung, nicht mit dem Tool
Bevor Sie eine KI-Anwendung auswählen, kartieren Sie jede wesentliche Entscheidung in dem von Ihnen betrachteten Arbeitsablauf. Wer ist jeweils verantwortlich? Welche Daten fließen ein? Wo ist menschliches Urteilsvermögen wirklich erforderlich – und wo handelt es sich um reine Gewohnheit?
Catelans Team hat diese Arbeit im Bereich Talentakquise durchgeführt, bevor prädiktive Modelle eingeführt wurden. Die Kartierung zeigte, dass die größte Fehlerquelle im weiteren Verlauf nicht der Auswahlprozess selbst, sondern die Stellenausschreibungen waren, die diesem Prozess zugrunde lagen.
Prüfen Sie die Eingaben
KI lernt aus dem, was Sie ihr zuführen. Sind die Daten, die in ein Modell einfließen, uneinheitlich, geschönt oder schlecht strukturiert, werden diese Mängel durch die Ergebnisse gespiegelt. Catelans Überarbeitung der Stellenausschreibungen verbesserte die Modellleistung, ohne das Modell selbst zu verändern.
Bevor Sie KI in einem Arbeitsablauf einsetzen, prüfen Sie die Qualität und Konsistenz der Daten, auf die dieser Arbeitsablauf angewiesen ist. Schlechte Daten skalieren nun schneller.
Setzen Sie Ziele auf Unternehmensebene, nicht nur Prozesskennzahlen
Vage Ziele führen zu vagen Ergebnissen. Catelans Arbeitsgruppe arbeitet mit konkreten Zahlen: eine Erhöhung der Konversionsrate im Trichter um 50 %, eine Reduzierung der Interviewzeit um 30 %.
Solche Ziele sorgen für nachhaltigen und systemweiten Erfolg statt punktueller Experimente. Wenn Sie nicht in unternehmerischen Begriffen erklären können, was ein erfolgreich neugestalteter KI-Arbeitsablauf bewirken soll, ist das Design noch nicht bereit.
Definieren Sie die Mensch-KI-Grenze explizit
Jede Neugestaltung erfordert klare Antworten auf zwei Fragen: Was übernimmt die KI und was der Mensch? Catelans Prinzip ist, dass KI quantitative Signale strukturiert und Erkenntnisse liefert, während Menschen für die qualitative Bewertung und die endgültigen Entscheidungen verantwortlich bleiben.
Diese Grenze sollte dokumentiert, kommuniziert und mit der Reifung des Systems regelmäßig überprüft werden. Ohne sie bleibt Verantwortlichkeit vage und Fehler sind nicht mehr nachvollziehbar.
Verankern Sie Governance, bevor Sie skalieren
Integrieren Sie von Anfang an die Möglichkeit zum menschlichen Eingreifen, Bias- und Drift-Überwachung sowie eine klare Verantwortlichkeit für die Ergebnisse von Modellen in die Architektur. Fouagou verankert Änderungen in Richtlinien, anstatt sie als informelle Praxis stehenzulassen.
Governance, die im Nachhinein eingeführt wird, kommt meist erst, wenn bereits etwas schiefgelaufen ist.
Betrachten Sie die Einführung als ein Verhaltensproblem
Fouagous 10/90-Beobachtung ist die Ebene, die die meisten Organisationen komplett überspringen, was häufig zu teuren Fehlern bei der Messung des KI-ROI führt. Technische Implementierung und menschliche Akzeptanz sind nicht dasselbe.
Segmentieren Sie Ihre Stakeholder. Identifizieren Sie, wo Widerstand wahrscheinlich ist, und gehen Sie dies vor der Einführung an – nicht erst danach. Messen Sie nicht nur Effizienzgewinne, sondern auch, ob die zurückgewonnene Zeit tatsächlich für höherwertige Arbeiten genutzt wird.
Es gibt eine Lücke, mit der sich die meisten Organisationen noch nicht auseinandergesetzt haben. Sie liegt zwischen den eingesetzten Tools und der unveränderten Entscheidungslogik.
Catelans Betrachtung der KI-Bereitschaft ist es wert, näher betrachtet zu werden.
"Es bedeutet, sich konsequent bessere Fragen zu stellen", sagt sie. "Welche Signale sind relevant, wo bestehen Unsicherheiten und wie können Daten menschliches Urteilsvermögen unterstützen."
Die Tools haben die Frage aufgeworfen. Die Gestaltungsarbeit ist es, die sie beantwortet.
