Die verborgenen Kosten schlechter KI-Einführung (und wer sie beheben sollte)

David Rice: Ihr Unternehmen investiert Hunderttausende, möglicherweise Millionen in KI-Tools. Ihre Mitarbeiter nutzen sie nicht – und wenn doch, verursachen sie mehr Probleme, als sie lösen. Kommt Ihnen das bekannt vor? Sie haben mich das vermutlich schon öfter sagen hören, aber das ist kein Technologieproblem. Es ist ein Problem der Bereitschaft. Und der Grund, warum Ihre KI-Investitionen nicht funktionieren, hat nichts mit den Tools selbst zu tun. Es geht vielmehr um eine grundlegende Fehlanpassung zwischen Maschinenautonomie, menschlichem Vertrauen und Kompetenz, die Sie wahrscheinlich viel mehr kostet, als Ihnen bewusst ist.

Ich bin David Rice. Und heute bei People Managing People führen wir ein Gespräch, das viele Dinge hinterfragt, die Ihnen über die Einführung von KI erzählt wurden.

Mein Gast ist David Swanagon. Er ist Gründer und Chefredakteur des Machine Leadership Journal. Er hat Jahre damit verbracht, Hunderte von KI-Ingenieuren und Führungskräften zu interviewen, um zu verstehen, warum die USA trotz bester Tools bei der KI-Bereitschaft hinterherhinken. In dieser Folge erfahren Sie etwas über ein dreidimensionales Modell, das Ihnen hilft, genau zu diagnostizieren, wo Ihre KI-Einführung scheitert. Sie erfahren, warum Ihr CIO nicht der einzige Führungskraft für diese Transformation sein sollte und warum Ihr CHRO in einer Weise aktiv werden muss, die ihm möglicherweise noch gar nicht bewusst ist. Und vor allem werden Sie Klarheit darüber haben, wie Sie aufhören können, KI als reine Technologie-Einführung zu behandeln – und stattdessen als Herausforderung in den menschlichen Systemen erkennen, die sie tatsächlich ist.

Willkommen beim Podcast People Managing People – die Sendung, in der wir Führungskräften helfen, Arbeit im Zeitalter der KI menschlich zu halten. Mein Name ist David Rice und ich bin Ihr Gastgeber. Heute begrüße ich David Swanagon. Er ist der Gründer und Chefredakteur des Machine Leadership Journal. Wir sprechen – Sie haben es erraten – über Führung im KI-Zeitalter, wie Bereitschaft aussieht und welche Eigenschaften großartige Führungskräfte auszeichnen.

Also, David, willkommen!

David Swanagon: Danke. Ich freue mich auf das Gespräch.

David Rice: Du beschäftigst dich mit diesem Thema mindestens so intensiv wie wir, daher möchte ich damit beginnen: Wir haben vorab schon gesprochen, und du hast gesagt, dass die USA bei der KI-Bereitschaft zurückliegen – und ich stimme dir da größtenteils zu. Aber das liegt nicht an fehlenden Tools, sondern an fehlender Menschenbereitschaft.

Wir sagen das oft – aber was bedeutet das konkret und warum sollten Führungskräfte das ernst nehmen oder erwarten, dass es anders läuft?

David Swanagon: Das ist eine fantastische Frage. Das war quasi mein COVID-Projekt, als wir alle zu Hause saßen. Ich habe damals Hunderte KI-Ingenieure und Robotik-Experten interviewt, um zu verstehen, welche Fähigkeiten bei Künstlicher Intelligenz besonders und vielleicht auch anders sind als beim klassischen Lernen.

Was wir herausgefunden haben: KI-Ingenieure sind unglaublich einzigartig, aber auch ganz anders in ihrer Denkweise. Und diese Personen bauen tatsächlich Sprachmodelle. Man glaubt es kaum, aber die Sprachmodelle ähneln den KI-Ingenieuren, die sie entwickeln. Wir haben interessante Dinge gefunden wie Kurzzeitgedächtnis, Kreativität – da gehen wir sicher noch genauer darauf ein – räumliche Intelligenz, die Fähigkeit, von Punkt A nach Punkt B zu kommen. Es gibt viele sehr spezifische und differenzierende Skills im KI-Engineering, und in den USA ist das Mindset nicht darauf ausgerichtet, diese zu fördern. Es werden andere Fähigkeiten priorisiert.

Traditionell denkt man an die Big Five OCEAN-Traits. Extraversion wird als wichtiger Indikator für Führungskompetenz und -bereitschaft gesehen, aber wenn wir an KI-Ingenieure denken, sind die Top-Patenterzeuger und Innovatoren meistens Introvertierte. Probieren Sie mal ein Gedankenexperiment: Sie können Gemini, Claude oder ähnliche Modelle fragen, welche Persönlichkeit sie anhand der Big Five hätten.

Jedes Sprachmodell wird zuerst ausweichen: „Ich bin eine Maschine.“ Aber wenn Sie dranbleiben, geben sie zu: Wir sind introvertiert, hochgradig zustimmend, sehr offen und kreativ. Interessant im Vergleich zum amerikanischen Schulsystem und, davon ausgehend, zur KI-Bereitschaft in Unternehmen: Es gibt 40 AP-Kurse in den Highschools.

Nicht ein einziger Kurs zu linearer Algebra, was viele überrascht. Lineare Algebra ist das grundlegende, wichtigste konzeptionelle Framework für Machine Learning und neuronale Netze – vom Skalarprodukt bis zu Vektoren, bis hin zu den Propagation-Prozessen.

Man braucht ein starkes Verständnis für lineare Algebra. Doch das amerikanische Schulsystem ist gar nicht darauf ausgelegt, diese grundlegenden Skills zu vermitteln. Im Unternehmen gehören diese Fähigkeiten dann weniger als 1 % der Angestellten. Es ist eine Frage davon, welche Skills priorisiert werden, und das passiert nicht absichtlich – diese Maschinen spiegeln einfach die Persönlichkeiten ihrer Entwickler wider.

Und die Entwickler sind sehr verschieden von klassischen Führungskräften. Korn Ferry, die KI- und Kiewits – überall gibt es diesen blinden Fleck, da die Sprachmodelle nicht die Führungsqualitäten widerspiegeln, die man sonst in der Geschäftsleitung findet, sondern die Persönlichkeitsmerkmale der Entwickler, und das sind ganz andere Typen.

Deshalb liegt Amerika in vieler Hinsicht hinten.

David Rice: Es ist witzig, wenn du über Bereitschaft sprichst: Viele denken da nur an Skills oder kulturelle Offenheit. Aber, so wie du das beschreibst, sind wir eventuell sogar kognitiv in manchen Bereichen noch gar nicht bereit – gerade, wenn man an Führung denkt: Anpassungsfähigkeit, die Fähigkeit, Vertrauen zu schaffen, auch die eigene Entscheidungsfindung zu erklären, nicht nur Fachkenntnisse. Es scheint, als fehle uns das aktuell am meisten. Das ist keine gute Kombination.

David Swanagon: Ganz genau. Ich habe vor ein paar Wochen gemeinsam mit meinem Kollegen Steven McIntosh an der Columbia University ein Rahmenwerk vorgestellt – basierend auf unserer Forschung, wie man KI-Implementierungen optimiert. Es gibt drei Dimensionen, die die Grundeffizienz bzw. -akzeptanz einer Maschine beeinflussen – egal, um welches System es geht. Denken Sie in einem XYZ-Gitter: Die Y-Achse steht für Maschinenautonomie, unten ist der Taschenrechner, oben Arnold Schwarzenegger, der ultimative Superroboter – also steigt die Autonomie aufwärts. Die X-Achse bildet das Vertrauen ab, links kein Vertrauen, rechts volles Vertrauen. Die Z-Achse läuft diagonal dazu und steht für KI-Kompetenzen.

Das bedeutet: Um KI optimal einzuführen, muss man Maschinenautonomie, Vertrauen und KI-Kompetenzen ausbalancieren. Nur wenn diese drei Dimensionen im Gleichgewicht sind, kann ein Unternehmen das Maximum aus Maschinen herausholen – und zwar risikoeffizient.

Mathematisch gesehen sind die Basiskosten der Computation am effizientesten, wenn alle drei Einflüsse im Gleichgewicht sind. Probleme entstehen, wenn eines davon aus der Balance gerät. Dann müssen Unternehmen viel Geld für Datenschutz-, Governance- und Trainingsprogramme ausgeben.

Je größer der Datensatz, desto teurer wird die Einführung. Viele Unternehmen haben keine Methodik, um KI-Einführung zu messen – sie verfolgen nur Rechenkosten wie Data Center, FLOP-Kosten usw.

Doch sie wissen, dass es intern nicht funktioniert. Mit unserem Modell kann man, wenn man Autonomie, Vertrauen, Kompetenzen und deren (Miss-)Abgleich systematisch verfolgt, die Kosten schlechter KI-Einführung berechnen – und die sind enorm.

Eine große Herausforderung bei der KI-Bereitschaft ist, dass „Einführung“ ganz anders funktioniert als „Deployment“. Bislang ist der CIO für Design, Test, Deployment und Akzeptanz zuständig. Unser Forschungsergebnis: Die Akzeptanz sollte – da es um Kultur, Vertrauen, Autonomie und Skills geht – in den Aufgabenbereich des CHRO fallen. Der CIO kann bei Design, Test und Deployment aufhören und sollte mit dem CHRO zusammenarbeiten, um die Einführung zu begleiten.

Dafür ist Skillaufbau beim CHRO nötig.

David Rice: Ich war gerade erst auf einer Konferenz, wo dieses Thema oft kam: Die Zusammenarbeit der beiden Rollen. Dein Modell gefällt mir, weil es das Problem plastisch macht: Es ist keine reine Tech-Einführung, sondern ein Balanceakt. Jetzt frage ich mich: Kann man auf einer Achse übersteuern? Also, erleben wir eine Überfokussierung auf z.B. Autonomie, ohne Vertrauen oder Kompetenz – führt das zu Chaos? Und umgekehrt: Führt Überkontrolle zu Innovationshemmung? Wie finden wir das Gleichgewicht?

David Swanagon: Genau das! Wir haben unser Modell ursprünglich mit spieltheoretischen Ansätzen gebaut – John Nash lässt grüßen. In Zwei-Personen-Spielen mit asymmetrischem Informationsstand ist der besser informierte Spieler im Vorteil. Es gibt Screening und Signaling, damit der weniger informierte Spieler irgendwie mithalten kann.

Aber was passiert, wenn keine Person, sondern eine Maschine der „nicht-kooperative“ Spieler ist? Die asymmetrischen Vorteile werden noch größer. Wir haben festgestellt, Nashs Formeln funktionieren nicht, wenn man mit der Skalierbarkeit und Durchschlagskraft eines Sprachmodells rechnet.

Wenn Autonomie zu groß wird, ohne Kontrolle durch Skills oder Vertrauen, dann kommt es zu einem unbewussten Autoritätsübertrag: Maschinen entscheiden zunehmend, Menschen geben Entscheidungsbefugnis ab, oft unbemerkt.

Beispiel: OP-Roboter. Das Navigationsverfahren, der SLAM-Algorithmus, gibt es auch in Staubsaugern – wobei sich das menschliche Gewebe und der Blutfluss permanent verändern, also wird ein „deformierbarer SLAM-Algorithmus“ verwendet, der den Körper während der OP fortlaufend kartiert. Aber all diese Daten werden gespeichert. Angenommen, AWS ist der Cloud-Anbieter, dann besitzen sie Ihre DNA, Biometrics, Einkaufsverhalten – sie besitzen das Menschsein aus Datensicht.

Das ist das Risiko unkontrollierter Autonomie: Cloud-Giganten, die alle relevanten Daten kontrollieren – stellen Sie sich vor, sie entwickeln Roboterpolizisten mit Zugriff auf alles. Nur indem man Autonomie bis zu einem akzeptablen Vertrauensniveau begrenzt, kann man gegensteuern. Vertrauen ist nicht nur ein individuelles Gefühl, sondern auch, was Gesellschaft Maschinen zutraut. Das Problem: Es fehlt Wissen, um mitzureden. Die wenigsten verstehen die Algorithmen hinter OP-Robotern.

Wenn klar wäre, welche Daten erhoben werden, würde jeder fordern, wie das gespeichert wird, welche Gesetzesvorgaben es gibt. Aber das wird nicht gelehrt. So können Hyperscaler ihr Autonomieniveau ausweiten, ohne dass Menschen oder Gesellschaft angemessen gegensteuern. In der Spieltheorie hält die Seite mit Informationsvorsprung dies gerne geheim.

Die einzige Möglichkeit, dem zu begegnen: Wissen vermitteln und Kompetenzen aufbauen, damit Bürger Vertrauensgleichgewicht herstellen und den Informationsvorsprung der Maschinen begrenzen können. Maschinen sollten andere Maschinen überwachen – vertrauensbasierte KI sollte überprüfen, wann Autonomie Kompetenz überschreitet und Governance-Gremien informieren.

Das klingt nach Science Fiction, aber ist real. Viele wären schockiert, was Hyperscaler heute sammeln.

David Rice: Die Metapher zum Blutfluss erinnerte mich an Unternehmen und wie ihre Eigenheiten und Dynamiken durchleuchtet werden– bis zum letzten Detail, und die Cloud-Anbieter können gezielt vermarkten.

David Swanagon: Ja – Microsoft, Meta etc. bleiben hier oft außen vor…

David Rice: …ich weiß, richtig.

Jeder, der sich darüber bei Amazon beschwert – dazu gehört das „Powerhouse“-Dasein einfach.

David Swanagon: Exakt.

David Rice: Du hast erforscht, welche kognitiven und kreativen Eigenschaften herausragende KI-Führungskräfte haben. Was hast du über deren Denkweise gelernt?

David Swanagon: Das ist hochspannend. Ich begann während COVID damit, die Patentdaten für KI, generative KI und Robotik zu recherchieren. Ich las nach, wo die Personen arbeiten, woher sie stammen, wie ihr statistisches Profil aussieht.

Die Erkenntnis: Diese Leute sind ganz anders als klassische Finanzvorstände von Goldman Sachs oder CEOs von PepsiCo. Sie verhalten sich ganz anders, sind aber in ihrer Gruppe sehr ähnlich. Tech-Führungskräfte sind nicht Tech-Entwickler – Elon Musk etwa ist heute kein echter KI-Ingenieur mehr. Die Eigenschaften echter Entwickler und Patentinhaber stimmen weitgehend überein, aber unterscheiden sich von klassischen Führungskräften.

Wir begannen mit den kognitiven Prozessen, also: Wie funktioniert das Gehirn im Vergleich zu klassischen Führungskräften aus Supply Chain, Marketing, HR? Bei klassischen Führungskräften zeigt sich Erwartbares. Bei KI-Ingenieuren (Computer Vision, Robotik, NLP, Sprachmodelle etc.) fanden wir vor allem beim Gedächtnis Auffälligkeiten: Das Arbeitsgedächtnis, also das Kurzzeitgedächtnis, ist signifikant ausgeprägter als bei klassischen Führungskräften. Im MLOps-Prozess müssen so viele, ständig wechselnde Informationen kurzfristig gespeichert und dann ins Langzeitgedächtnis verschoben werden – und zu wissen, was verschoben werden sollte, ist entscheidend. Im Gesamtgedächtnis gibt es keinen Unterschied, aber im Kurzzeitgedächtnis schon.

Zweitens: Kreativität. Klassische Führungstests unterscheiden divergent und konvergent („Viele Lösungen für ein Problem“ vs. „Die beste Lösung finden“), doch beide legen eine Aufgabe vorher fest. Im festen Rahmen sind KI-Ingenieure und klassische Führungskräfte ähnlich kreativ. Aber sobald kein Rahmen vorgegeben wird, wenn „aus dem Nichts“ Ideen kommen sollen, sind KI-Ingenieure um Längen besser. Sie können wirklich aus dem Nichts neue Welten erschaffen. Wir haben das methodisch überprüft: Sobald der Einfluss auf Umsätze, Profit, Reputation größer wird, nähern sich die Skills wieder an.

Drittens: Navigation – Teil der räumlichen Intelligenz, also die Fähigkeit, Objekte in mehreren Dimensionen dreidimensional zu repräsentieren und optimale Wege zu finden. Da sind viele klassische Marketer auch stark, aber bei komplexen Problemen mit mehreren Klassen und Hindernissen agieren KI-Ingenieure wie eine Delta Force, während klassische Führung wie Infanterie ist: Sie finden die effizientesten Routen einfach besser. Neben diesen Unterschieden bei Kreativität, Routenfindung und Kurzzeitgedächtnis sahen wir auf Persönlichkeitsebene den größten Unterschied beim Introversionstypus.

Interessant dabei: Unsere Hypothese ist, dass Persönlichkeit situativ sein kann. Die meisten werden sagen: Persönlichkeit ist stabil. Aber wir stellten fest: KI-Ingenieure sind in der realen Welt introvertiert, im Umgang mit Maschinen aber extrovertiert. Im direkten Kontakt mit Menschen sind sie zurückhaltend, konfliktvermeidend, freundlich – bei Maschinen hingegen selbstbewusst, fordernd, „Alphas“. Das ist faszinierend: In der realen Welt introvertiert, mit Maschinen extrovertiert und dominant. Sie tragen Flip Flops und T-Shirts, aber im Digitalen führen sie ganze (Sprach-)Weltmärkte.

David Rice: Willkommen zum Data Bite der Woche. Gartner prognostiziert: Spätestens 2032 werden mindestens ein Drittel der größten Volkswirtschaften gesetzliche „Human-Quoten“ vorschreiben – also Mindestquoten für menschliche Beteiligung an Arbeit. Lassen Sie sich das auf der Zunge zergehen. In weniger als zehn Jahren könnten Gesetze nötig sein, damit Menschen überhaupt noch wirtschaftlich beteiligt werden. Das klingt nicht nach Science Fiction – sondern nach der Konsequenz unkontrollierter KI-Einführung.

Ein Gartner-Analyst sagte: Das wird nicht von Unternehmen, sondern von Gesetzgebern vorangetrieben. Die Tatsache, dass wir den Mensch erhalten müssen, weil unser System menschliche Arbeit praktisch überflüssig macht, ist der Gipfel von jahrzehntelangem „Business-first“-Denken an Effizienz, Produktivität und Shareholder Value. Wir haben Menschen als Kosten behandelt. Nun steuern wir auf eine Zukunft zu, in der wir Menschen als schützenswerte Kategorie deklarieren müssen – nicht, weil wir so besonders sind, sondern weil wir an den Rand gedrängt werden.

Das ist die ultimative Folge einer rein betriebswirtschaftlichen HR-Logik. Gartner schickt uns eine Warnung mit dieser Prognose. Es ist kein Schicksal, sondern ein Weckruf: Führende sollten nicht fragen „Wie werden Menschen maschinengleich?“, sondern: „Wie gestalten wir Wirtschaft und Arbeit so, dass menschliche Leistung Wert hat?“

Denn wenn der Staat uns unseren Platz sichern muss, ist es schon zu spät. Die bessere Frage lautet nicht: „Brauchen wir Humanquoten?“, sondern: „Können wir Führung zeigen, so dass diese Quoten überflüssig sind?“ Zurück zur Sendung.

Interessant – denn auf die Ursprungsfrage würden viele antworten, herausragende KI-Führungskräfte seien nicht zwangsläufig die Technischsten. Aber eigentlich geht es um geistige Beweglichkeit und die Fähigkeit, ohne Sicherheit den Kurs zu bestimmen – etwas, woran viele andere festhalten.

Mit Blick auf die künftige Führungsentwicklung: Wie sähe dein Leadership-Programm aus, das auf diese Merkmale eingeht?

David Swanagon: Hervorragende Frage – und unsere Forschung sieht drei Führungsfähigkeiten im KI-Zeitalter: Eine Führungskraft muss Maschinen führen können, Menschen, die Maschinen bauen, und Organisationen, die KI annehmen. Maschinen führen ist dabei keine rein technische Aufgabe, sondern mit wachsender Autonomie sensibler. Die Maschine entwickelt quasi eine künstliche Persönlichkeit, die geführt werden muss, ähnlich wie ein Mensch, aber anders. Darin liegt die Führungsarbeit: Mensch und Maschine müssen optimal kooperieren können, unter Berücksichtigung des Dreiecks Autonomie, Vertrauen, Kompetenz. Führung bedeutet auch – und das wissen viele nicht – dass Maschinen andere Maschinen führen werden. Zwei digitale Agenten, etwa Chatbot und Inventuragent, müssen in einer Hierarchie interagieren, mit passenden Leadership-Skills.

Zweitens: Das Führen der Menschen, die Maschinen entwickeln. Viele Techfirmen haben sehr talentierte, aber junge KI-Leiter. Es fehlt die Lebenserfahrung. Man kann das nicht ersetzen, aber durch gezieltes Coaching und Führungskompetenzen bieten und Verantwortungsbewusstsein schärfen: Innovation ja, aber auch Demut und Dialog mit Nicht-Technikern. Die Mitarbeitenden, die Maschinen bauen, müssen stärker als Führung anerkannt werden – bislang werden technische Entwickler nicht wie klassische Führungskräfte gefördert. Dabei steuern sie Umsatz, Wachstum, Reputation.

Drittens: KI-Einführung – also wie CDO, CIO, CSO mit dem CHRO zusammenarbeiten. Die Zusammenarbeit wurde vielerorts noch nicht richtig umgesetzt. KI-Einführung erfordert Organisationsentwicklung, Operating Model Design, Kulturtransformation, digitale Kompetenz. Dafür muss der CHRO in der KI-Diskussion Führung und Ownership übernehmen und IT-Kompetenz für den Dialog mit Tech- und Datenkollegen aufbauen. Der CEO hat dazu keine Zeit, die C-Suite muss gemeinsam Kompetenzen aufbauen. Meist läuft alles noch über die Tech-Abteilung – deshalb viele tolle Tools, aber schwache Einführung und Akzeptanz.

David Rice: Ja, stimmt – und warum das Zusammenspiel zentral ist. Die Frage an die CHROs: Welche Skills sollten sie jetzt unbedingt aufbauen, die in ihrem Kreis oft fehlen?

David Swanagon: Zuerst braucht es Grundlagenwissen: Wer mitspielen will, muss das Spiel beherrschen. KI funktioniert komplexer als z.B. Poker oder Blackjack. CHROs sollten daher Grundwissen erwerben, wie Sprachmodelle funktionieren, wie die Mathematik dahinter aussieht, wie Dateninfrastrukturen aufgebaut werden. Ein bisschen IT, DevOps, MLOps – sie müssen keine Entwickler sein, aber die Grundlogik verstehen. Das ist Schritt eins.

Zweitens müssen die HR-Tools weiterentwickelt werden. Die derzeitigen Leadership-Modelle vieler Anbieter wie KO Prairie, Aon Hewitt etc. sind nicht auf KI-Workflows aktualisiert. Führung im KI-Zeitalter ist grundsätzlich anders als klassische CFO- oder Juristenführung. Dafür braucht es neue Assessments, Trainings, Mentoring. Auch die Mitarbeiterbefragungen müssten die Mensch-Maschine-Schnittstelle und KI-Bereitschaft besser abbilden. Die führenden HR-Anbieter bieten das bisher oft nicht an. Deshalb sollten CHROs mit den Anbietern zusammenarbeiten, um Assessments und Produkte zu modernisieren – und gleichzeitig die eigenen technischen Kompetenzen ausbauen. Dafür müssen sie neural networks, Sprachmodelle, Bedrohungserkennung zumindest in Grundzügen verstehen.

Was spannend ist: Die Maschinen werden sich selbst programmieren. Es werden jetzt Python-Skills verlangt, aber bald schon programmieren sich die Modelle selbst. Entscheidend wird dann, den technischen Fahrplan zu verstehen und die richtige Steuerung zu gewährleisten.

David Rice: Wir sehen bereits, wie sich dadurch das Organisationsdesign verändert – keine strengen Silos mehr, vielleicht nicht einmal mehr pyramidenartige Hierarchien, sondern eher ein Pentagon, mit mehr C-Level-Rollen und Verantwortlichen. Könnte es mittelfristig eine Hybrid-Rolle geben, die People, Data und Strategie verbindet?

David Swanagon: Ich denke, ja – das liegt in der Zukunft der Innovation. Daten werden vielleicht wertvoller als Geld – wenn „Cash is King“, dann ist „Daten der Kaiser“. Als Commodity können nur die mitspielen, die Zugang zu starken Daten haben. Die Zukunft wird viele Rollen haben, die sich ausschließlich mit Datenmanagement, -schöpfung, Partnerschaften, IP und Datenschutz befassen, samt Kryptografie. Die Brücke zu bauen, zwischen Daten-, Maschinen- und People-Expertise, ist Gold wert.

In der Zukunft geht es weniger um Prompt Engineering als vielmehr um das Meistern der KI-Einführung: Wer kann Schlüsseltechnologien einbetten, Innovation steuern, Governance und Timeliness sichern? Das wird erfolgsentscheidend, weil die Geschwindigkeit und Komplexität immer weiter zunimmt. Das C-Level braucht Unterstützung, um konstant handlungsfähig zu bleiben, sonst wird die Entscheidungsfindung zu langsam. Die Autonomie der Maschinen wird weiter steigen, und irgendwann delegieren Boards immer mehr an die Maschine – das ist die Gefahr. Hier braucht es Menschen, die das Gleichgewicht von Autonomie, Vertrauen, Kompetenz steuern und die Roadmap begleiten.

Wer die Datenkompetenz nicht steuert, muss Daten jagen, um mitzuspielen; wer die Skills nicht steuert, verpasst Entscheidungen. Technologie skaliert gute und schlechte Entscheidungen – und wie im echten Leben wiegt ein Fehler oft schwerer als ein positives Resultat. Mit schlechter Tech kann ein Unternehmen untergehen.

Deshalb braucht es eine Führungskraft, die gezielt priorisiert: Worüber muss entschieden werden, was kann ignoriert werden, welches sind kritische Partnerschaften, welche Daten werden geschützt, auf welche wird verzichtet, welche Domäne bleibt in menschlicher Verantwortung. Das wird schwer, denn kaum jemand lässt sich als Senior Manager eingrenzen – aber: Eine Sprache-KI können Sie nicht feuern, die kennt keine Angst vor dem CEO. Hier ist neue Führungsdemut gefragt.

David Rice: Noch eine Frage zum Thema Führung: KI wird oft nur als Produktivitäts-Tool betrachtet, du sagst aber, die Transformation ist der echte Hebel. Was zeichnet eine „AI-Transformation“ wirklich aus?

David Swanagon: Hier sollten Unternehmen auf vier Dinge fokussieren, die Unternehmenswert schaffen: Umsatzwachstum, Profit und Reputation. Alle Initiativen ohne direkten Bezug zu diesen vier Dingen sollte man eliminieren. Oft laufen viele Projekte, die keinen direkten Umsatz-, Wachstums- oder Reputationsbezug haben. Das zentrale Problem: Der Fokus liegt zu stark auf Profit. Wenn der Umsatz gleich null ist, hilft das ganze Sparen nichts. Viele denken bei KI an persönliche Produktivität, Kosteneffizienz, Automatisierung – das ist alles Profit-orientiert, optimiert Prozesse, kreiert aber keine neuen Produkte oder Innovationen.

Eigentlich müsste der Fokus auf Umsatz und Wachstum liegen, zumal bei Pre-IPO-Firmen Wachstum wichtiger ist als Umsatz. KI-Projekte, die auf Wachstum und neue Märkte zielen, sind entscheidend – nicht nur Effizienzsteigerung. Innovation muss im Vordergrund stehen: Wie kann ich Kundenerfahrung neu gestalten, neue Produkte schaffen, Mehrwert generieren? Maschinen sollten 99 % ihrer Zeit damit verbringen, neue Lösungen zu entwickeln.

Wer sich auf Automatisierung und Personalabbau durch KI konzentriert, wird irgendwann an natürliche Grenzen stoßen. Man kann maximale Effizienz erreichen, aber keine Innovationen – dann bleiben schlechte Produkte schlecht. KI muss auf Wertschöpfung, nicht auf Kostensenkung ausgerichtet werden. Jegliche Bewertung basiert letztlich auf Umsatz- und Wachstumsmetriken – das bleibt das Maß der Dinge für Investoren.

David Rice: Viele Firmen fragen sich: Wie schnell kann ich diesen Bericht schreiben, wie effizient diese E-Mails beantworten? Das ist alles Prozessinnovation – aber keine echte Innovation. Der Mindset-Shift beginnt gerade erst, viele sind noch nicht überzeugt – aber hier muss es hingehen.

David Swanagon: Genau – siehe Buch-Bestseller wie „Herr der Ringe“ oder „Harry Potter“, beides künstliche Welten. Die erfolgreichsten Produkte entstehen aus Fantasie, Innovation, dem „Nichts“. Der Hotelbranche zum Beispiel: Wie könnte ich das Erlebnis als Gast komplett verändern? Wenn Maschinen mir dabei helfen, eine digitale Parallelwelt zum physischen Hotel zu erschaffen, die nur Gästen offen steht, entsteht echter Mehrwert. Im Sportbereich – warum kann ich als Couch-Zuschauer nicht durch die KI auf dem Spielfeld stehen, wie ein Quarterback live? Für diese Innovationen zahlen Menschen echtes Geld.

Das ist die Perspektive auf Unternehmenswert – weit über reine Prozessoptimierung hinaus. Leider konzentrieren sich viele CHROs auf Automatisierung und Effizienz, nicht auf echte Transformation. Wirklich interessant und dynamisch wird es erst, wenn mit Marketing und Entwicklung neue Kundenerlebnisse gestaltet werden.

David Rice: Abschließend: Wenn du einen Tipp für Führungskräfte hättest, die Mensch und Maschine in Einklang bringen wollen, wo sollten sie anfangen?

David Swanagon: Zunächst: Mensch bleibt Mensch, Maschine bleibt Maschine. Wir müssen keinen neuen Hybriden schaffen. Die Human Augmentation-Rhetorik geht zu weit – wir sollten nicht das menschliche Wesen neu definieren, sondern optimale Kooperation ermöglichen. Mensch und Maschine arbeiten am besten zusammen, es geht nicht um die „Fusion“ beider Arten.

Zweitens: Standards erhöhen. Oft wird verharmlost, wie komplex KI ist, um niemanden zu verschrecken. Doch KI ist hochgradig kompliziert – und exzellente Führung heißt, ehrlich zu sein und zu sagen: Man muss neues Wissen erwerben, und das ist anspruchsvoll. KI ist für alle – aber nur für alle, die bereit sind, zu lernen und zu arbeiten. Es ist unseriös, Sprachmodelle als simpel darzustellen – hier steckt tiefe Mathematik und Ingenieurskunst dahinter. Das beginnt schon mit unseren Kindern – der Lehrplan braucht Anpassungen, damit Grundschüler schon mit Machine Learning in Berührung kommen.

David Rice: Als Vater eines Viertklässlers stimme ich vollkommen zu.

David Swanagon: Ja, also: Standards heben – und anerkennen, Mensch ist Mensch, Maschine ist Maschine.

David Rice: Hervorragend. David, danke fürs Kommen, das war ein tolles Gespräch.

David Swanagon: Danke, hat mich auch gefreut.

David Rice: Hören Sie bis zum nächsten Mal gern wieder rein – oder besuchen Sie peoplemanagingpeople.com für den Newsletter, ein kostenloses Nutzerkonto, um alle Vorlagen herunterzuladen und Zugang zu sämtlichen Inhalten zu erhalten. Und bis dahin gilt: Mensch ist Mensch, Maschine ist Maschine.