Menschen. Unternehmen. KI. E-Book

Uwe Weinreich

• Herausgeber: Schäffer Poeschel
• Kategorie: Fachliteratur
• Sprache: Deutsch

Seitenzahl: 495

Veröffentlichungsjahr: 2026

Beschreibung

Ein Buch für Entscheider, die Verantwortung übernehmen. Künstliche Intelligenz verändert Geschäftsmodelle, Märkte und die Rolle von uns Menschen radikal. Das Buch zeigt mit Weitblick, auf welche Veränderungen sich Unternehmen und Politik einstellen müssen, und ganz praktisch, wie die Adaption gelingen kann. Wie können Unternehmen strategische Vorteile generieren? Wie entstehen Innovationen, Resilienz und Zukunftsfähigkeit? Wie müssen wir die Beziehung zwischen Mensch und Maschine neu denken? Das Buch inspiriert und macht Mut, aktiv zu gestalten. Uwe Weinreich bietet keine Hype-Predigten, sondern einen klaren, praxisnahen Kompass für strategisches und verantwortliches Denken im Zeitalter von KI. Statt Buzzwords liefert er ein Mindset für Wandel, Wachstum und Wettbewerbsfähigkeit. Wer Chancen und Risiken von KI verstehen will und wie man daraus Unternehmenserfolg und einen förderlichen gesellschaftlichen und politischen Rahmen gestaltet, findet hier Orientierung und Inspiration.

Leseprobe

Inhaltsverzeichnis

InhaltsverzeichnisHinweis zum UrheberrechtImpressumKünstliche Intelligenz und SchreibenTeil I: KI übernimmt1 Drei EntwicklungsräumeDer Produktivitätsraum − Künstliche ProduktivitätKünstliche Intelligenz als ProduktivitätstreiberKI-Einsatz im UnternehmenDer Entscheidungsraum − Automatisierung und IntegrationMultifunktionale agentische KIAgentische KI-WorkflowsDer Design-Raum − Autonome SystemeGravierende VeränderungenHyperwettbewerb der SpitzenleistungenReduzierte EingriffsmöglichkeitenHerausforderungen für das ManagementCheckliste »Wo stehen wir?«2 Marketing und VertriebAutomatisieren und PersonalisierenKI trifft Kauf- und VerkaufsentscheidungenKI erfindet Sales- und Marketingorganisationen neuCheckliste »Marketing und Sales«3 FinanzmanagementKI als finanzielle HerausforderungFinance im ProduktivitätsraumFinance im EntscheidungsraumFinance im Design-RaumCheckliste »Finanzmanagement«4 InformationstechnologieKernproblem DatenqualitätTechnische AnforderungenIT-Infrastruktur und SkalierbarkeitAlgorithmenIntegration in bestehende SystemeWartung und kontinuierliche Verbesserung von KI-ModellenVerlässlichkeit, Sicherheit und DatenschutzSecurity: Sicherheit vor KI-gestützten AttackenSafety: Sicherheit der KI-SystemePrivacy: Daten schützenSafety, Security und Privacy by Design und DefaultNachhaltigkeitEine neue ArchitekturVon Software zu KI-PlattformenKonsequenzen für SaaS-AnbieterCheckliste für IT-VerantwortlicheCheckliste für SaaS-Anbieter5 Operating ModelsEin Fluides Operating ModelAutomation-First-KulturDezentrale WertschöpfungAI Operations Managerinnen und ManagerGovernance und RisikomanagementCheckliste »Operating Model«6 Arbeit der ZukunftDie Ära der Post-ProduktivitätEin radikal veränderter ArbeitsmarktEffizienzexplosion im ProduktivitätsraumNeue Wertschöpfung im EntscheidungsraumNeue Arbeitsformen im Design-RaumNeue Anforderungen und neue SkillsKI-Kompetenz − eine neue SchlüsselqualifikationQualifikation für den ProduktivitätsraumQualifikation für den EntscheidungsraumQualifikation für den Design-RaumKernkompetenz KompetenzmanagementEine menschengerechte Kultur des ArbeitensCheckliste »Arbeitswelt und KI«7 Zusammenarbeit von Mensch und KIGrenzen der KI-AutonomieVerzerrungen und Vorurteile (Bias)Verlust menschlicher UrteilsfähigkeitTeams der ZukunftWenn die Kollegin eine KI istVertrauen in Künstliche IntelligenzVertrauensprobleme Künstlicher IntelligenzWie Vertrauen entstehtDatenbasiertes VertrauenVerantwortlicher Umgang mit KIVerantwortung tragbar machenHaftungVerantwortung für die GesellschaftCheckliste »Zusammenarbeit von Mensch und KI«8 Makroökonomie und GeopolitikWirtschaftswachstumRegionale EntwicklungenEine andere Form von WachstumPolitische VerantwortungKonjunkturKonjunkturzyklenInflation oder Deflation?Steuern und StaatsausgabenVeränderte SteuerpolitikIntelligente StaatsausgabenInternationale WirtschaftSzenario 1: Der globale KI-Wettlauf (»Kalter KI-Krieg«)Szenario 2: KI als globaler Wachstumsmotor (»Kooperative Multipolarität«)Szenario 3: KI-Monopole und digitale Imperien (»KI-Oligarchie«)Szenario 4: KI als Machtmittel (»Aggressive KI-Geopolitik«)Welche Zukunft ist wahrscheinlich?Makroökonomische UngleichgewichteCheckliste »Makroökonomie für Managerinnen und Manager«Checkliste »Makroökonomie für Politikerinnen und Politiker«Teil II: Realitäts-Check9 MethodenWissenschaft, Wahrscheinlichkeit und IrrtumFakten-ChecksUngewissheit reduzierenBeobachtungen und InterviewsWorkshops und ZukunftswerkstättenLiteraturrecherche und Meta-AnalyseKünstliche Intelligenz und Big Data-AnalyseSystemanalyse und -modellierungTrendextrapolationSzenario-AnalyseDelphi-MethodeWildcards und Weak SignalsHeuristisches Forecasting10  Prüfung zentraler Hypothesen»Künstliche Intelligenz denkt wie ein Mensch«»Künstliche Intelligenz wächst exponentiell«»KI wird die Weltherrschaft übernehmen«»Menschen verlieren ihre Jobs durch KI«»USA und China werden zu KI-Supermächten«»Handelsströme werden sich verschieben«»Der Design-Raum wird die gesamte Wirtschaft radikal verändern«Teil III: Gestalten11  Fluide StrategieMythos datengetriebene StrategieDie Strategy ShellDie Strategy FoundryHandlungsrahmen als zentrale SteuerungselementeFluide Strategie mit Mensch und MaschineAgilität und Fluide StrategieStrategie designen, umsetzen und ausführenFluide Strategie in der PraxisCheckliste »Fluide Strategie«12  InnovationEntwicklungsräumeInnovationsmethodenStrukturelle VoraussetzungenAmbidextrieFormateCheckliste »Innovation«13  Führung und KulturVerantwortung organisierenFührungsaufgabenDen Handlungsrahmen gestaltenJob DesignPsychologische SicherheitTransformation managenPersönliche Entwicklung und CoachingMensch und KI als Co-ManagerVertrauen aufbauen und Glaubwürdigkeit vermittelnMenschliche Beziehungen stärkenCheckliste »Führung«14  Wirtschaftliche ÖkosystemeStrukturen von ÖkosystemenTypen von ÖkosystemenÖkosysteme in der PraxisCheckliste »Ökosysteme«Teil IV: Mensch und Maschine15  EthikEthik als gesellschaftliche Maxime menschlichen HandelnsSpeziesübergreifende Ethik16  KoexistenzMensch sein in einer KI-WeltToleranz und Standards17  SouveränitätLiteraturDer AutorStichwortverzeichnis

Buchnavigation

InhaltsubersichtCoverTextanfangImpressum

[1]

Hinweis zum Urheberrecht

Alle Inhalte dieses eBooks sind urheberrechtlich geschützt.

Bitte respektieren Sie die Rechte der Autorinnen und Autoren, indem sie keine ungenehmigten Kopien in Umlauf bringen.

Dafür vielen Dank!

Bibliografische Information der Deutschen Nationalbibliothek

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://dnb.dnb.de abrufbar.

Print:

ISBN 978-3-7910-6711-7

Bestell-Nr. 12218-0001

ePub:

ISBN 978-3-7910-6712-4

Bestell-Nr. 12218-0100

ePDF:

ISBN 978-3-7910-6713-1

Bestell-Nr. 12218-0150

Uwe Weinreich

Menschen. Unternehmen. KI.

1. Auflage, Januar 2026

© 2026 Schäffer-Poeschel Verlag für Wirtschaft · Steuern · Recht GmbH

Breitscheidstr. 10, 70174 Stuttgart

www.schaeffer-poeschel.de | [email protected]

Bildnachweis (Cover): Stoffers Grafik-Design, Leipzig, KI-generiert mit Sora by OpenAI

Produktmanagement: Dr. Frank Baumgärtner

Dieses Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Alle Rechte, insbesondere die der Vervielfältigung, des auszugsweisen Nachdrucks, der Übersetzung und der Einspeicherung und Verarbeitung in elektronischen Systemen, vorbehalten. Der Verlag behält sich auch eine Nutzung des Werks für Text und Data Mining im Sinne von § 44b UrhG vor. Alle Angaben/Daten nach bestem Wissen, jedoch ohne Gewähr für Vollständigkeit und Richtigkeit.

Schäffer-Poeschel Verlag Stuttgart Ein Unternehmen der Haufe Group SE

Sofern diese Publikation ein ergänzendes Online-Angebot beinhaltet, stehen die Inhalte für 12 Monate nach Einstellen bzw. Abverkauf des Buches, mindestens aber für zwei Jahre nach Erscheinen des Buches, online zur Verfügung. Ein Anspruch auf Nutzung darüber hinaus besteht nicht.

Sollte dieses Buch bzw. das Online-Angebot Links auf Webseiten Dritter enthalten, so übernehmen wir für deren Inhalte und die Verfügbarkeit keine Haftung. Wir machen uns diese Inhalte nicht zu eigen und verweisen lediglich auf deren Stand zum Zeitpunkt der Erstveröffentlichung.

Künstliche Intelligenz und Schreiben

Heutzutage muss sich jede Autorin und jeder Autor − insbesondere von Fachbüchern − fragen lassen, welche Rolle Künstliche Intelligenz (KI) beim Schreiben spielt, schon gar, wenn es sich um ein Werk über KI handelt. Wichtig ist, wie die Frage gestellt wird.

Wurde dieses Buch von KI geschrieben? Ein ganz klares Nein. Das schafft bisher keines der Systeme, zumindest nicht in der Qualität, die ich erzielen möchte. Eines der leistungsstärksten ist nach wie vor ChatGPT. Ich nutze es und seine Vorläufer seit 2019 und bin immer noch erstaunt, was es kann. Es schreibt ganz ordentlich, deutlich besser als einige Autoren, viele Studentinnen und Studenten und die meisten Schüler und Schülerinnen. Es können also viele Menschen durch den Einsatz von großen Sprachmodellen gewinnen. Schlechte und erträgliche Texte werden zu guten. Große Sprachmodelle nivellieren und Gut wird das neue Mittelmäßig. ChatGPT zeigt zudem sprachlich eine Neigung, zwischen reißerisch und banal zu wechseln, oftmals im selben kurzen Textabschnitt. Claude hält besser das Niveau und Gemini bleibt eher sachlich.

Es gibt einen zweiten Grund, warum KI dieses Buch nicht schreiben konnte. Die Systeme sind mit verfügbaren Daten trainiert und brillant darin, diese Informationsschnipsel neu und grammatisch korrekt anzuordnen. Sie scheitern aber grandios, wenn sie über den antrainierten Horizont hinausschauen sollen. Selbst, wenn man in einem Prompt konkret darum bittet, kreativ zu sein und »outside of the box« zu denken, kommen nur Rekombinationen von Bekanntem. Liefert man selbst den wegweisenden Gedanken, gelingt es den Systemen natürlich, ihn mit einzubetten. Aber dann kann ich gleich alles selbst schreiben.

Ein dritter Grund ist, dass alle Systeme bisher große Probleme damit haben, Ideen, Konzepte und Erzählstränge über eine längere Textspanne aufrechtzuerhalten und weiter auszuführen. Das gilt sogar für Systeme mit sehr großem Kontextfenster. Sie sind zwar in der Lage, längere Texte zu produzieren, aber der Erzählfaden reißt irgendwann und − noch schlimmer − es kommt zu ständigen Wiederholungen und Plattitüden.

Der vierte Grund liegt in mir und der Art, wie ich Artikel und Bücher schreibe. Es ist für mich auch ein Prozess des Nachdenkens, des Entwickelns und tiefer in die Materie Eintauchens. Daher kann ich das Schreiben nicht einfach abgeben. Ich würde mich selbst zu sehr begrenzen.

Stellen wir die Frage also anders: Wurde dieses Buch mit KI geschrieben? Ja, absolut. Und ich fände es sogar fahrlässig, das nicht zu tun. Künstliche Intelligenz bietet einen breiten Zugang zu Wissen. Wird das in Fachbüchern nicht genutzt, bleiben diese Werke stets hinter dem zurück, was sie liefern könnten. Für Belletristik sieht es sicherlich anders aus.

Welche Funktionen von Künstlicher Intelligenz sind hilfreich? Ich kann nur für mich und für den Zeitraum sprechen, in dem dieses Buch geschrieben wurde.

Erstens Recherche: Die Suche nach Informationen, die noch mit Quellen hinterlegt sind, ist durch KI einfacher und reichhaltiger geworden. Perplexity und mittlerweile auch ChatGPT liefern Informationen, Textausschnitte, Zusammenfassungen, kurz Wissen zu konkreten Fragen, wo eine klassische Websuche nur Verweise liefert.

Zweitens Lesen: Ein Buch wie dieses zu schreiben, ist eigentlich ein unmögliches und stets unvollendetes Unterfangen. Wissen schreitet so schnell voran, dass selbst ein komplexes Autorenteam dem kaum folgen kann. Und auch Layout, Druck und Vertrieb kosten Monate, in denen die Entwicklung nicht stehen bleibt. Gut, ich habe es trotzdem gewagt. Dazu gehört auch, Quellen zu lesen. Sehr viele Quellen. Leider sind viele nicht oder nur begrenzt brauchbar. Und tatsächlich hilft auch hier KI. Ich habe mir ein kleines Skript geschrieben, an das ich eine Quelle als einfachen Text, als Weblink oder als PDF senden kann und das mir eine kurze, griffige Zusammenfassung generiert. Eine großartige Hilfe, denn ich musste irrelevante Texte gar nicht erst lesen und hatte von den anderen sofort eine Vorstellung, wie sie mir nutzen können.

Drittens Brainstorming: Ja, das geht wunderbar mit allen großen Sprachmodellen. Am besten funktionierte es für mich, wenn ich das System darum bat, aufgrund von mir eingegebener Ideen weitere zu generieren. Dabei sind einige neue Erkenntnisse für mich entstanden.

Viertens Überprüfung: Das war die hilfreichste Funktion für mich. Immer, wenn ich mir nicht sicher war, habe ich Textschnipsel an eins der Systeme gesandt und die Frage gestellt: »Was habe ich vergessen und was ist widersprüchlich oder unverständlich?« Tatsächlich konnte ich so einige blinde Flecken beseitigen. Daraus ist ein virtueller Lektor unter ChatGPT entstanden (https://chatgpt.com/g/g-3l6FBFixm-hqc-high-quality-article-buddy), den ich gern für Texte nutze, die sowieso online gehen. Für andere nur sparsam, denn die Gefahr ist zu groß, dass urheberrechtlich geschütztes Material zum Training genutzt wird.

Das alles war hilfreich. Dennoch blieben die großen Aufgaben bei mir: Das übergreifende Modell entwickeln, die Struktur schaffen, die Texte schreiben und die Grafiken erstellen. Also alles wie früher, aber mit kleinen Helferlein im Detail. Sie machen das Schreiben schneller und besser.

Jetzt habe ich schon ein paar Namen von Anbietern fallen lassen. Im Text werden weitere Systeme, Firmen und Marken benannt. Ich bin mit keinem dieser Unternehmen verbunden. In einer Thematik, die derzeit so viel mehr von der privaten Wirtschaft getrieben wird als von der Wissenschaft, kann es nicht gelingen, ein umfassendes Bild zu zeichnen, ohne die Player zu benennen. Alles andere wäre nur ein nicht nachvollziehbares Spiel mit Allgemeinplätzen, Andeutungen und Vermutungen geworden.

Es gibt einen weiteren Punkt, der mir am Herzen liegt und der im Deutschen schwer zu realisieren ist: Eine geschlechtergerechte Sprache. Ich habe einen Weg gewählt, den ich aus der englischsprachigen Literatur mag. Bei Personen und Berufen versuche ich, sowohl die weibliche als auch die männliche Form gleichverteilt zu verwenden und bewusst hin und wieder geschlechtsspezifische Vorstellungen zu durchbrechen. In allen Fällen gilt, dass sowohl die weibliche als auch die männliche Form stets für alle Geschlechter stehen. Eine ggf. verkürzte Sprachform hat nur redaktionelle Gründe und beinhaltet keinerlei Wertung.

Ein Buch entsteht immer in Auseinandersetzung mit anderen. Sie liefern Anregungen und Kritik, die meinen Horizont weiten. Dank gilt den Leuten, mit denen ich zentrale Ideen auf LinkedIn und Medium im Vorfeld diskutieren konnte. Besonders möchte ich Dr. Isabella Hermann und Laura Broo danken, dass sie tief in Texte eingetaucht sind und vielfältige Anregungen geliefert haben. Mir ist bewusst, wie viel Arbeit dahintersteckt und ich weiß das zu schätzen. Ebenfalls danke ich dem Team bei Schäffer-Poeschel, Dr. Frank Baumgärtner, Heike Münzenmaier, Annette Baier und Gisela Mathias, die mit ihrer Erfahrung dafür gesorgt haben, dass der eine oder andere Teil seinen letzten Schliff bekommen hat. Nicht vergessen möchte ich meine Frau, die nicht einmal mit der Wimper gezuckt hat, als ich ihr von dem Buchprojekt berichtete, obwohl sie genau weiß, was das bedeutet. Ohne diese ganze Unterstützung hätte ich das Werk nicht fertigstellen können.

Und nun, viel Spaß beim Lesen.

Berlin im November 2025

Uwe Weinreich

Teil I: KI übernimmt

Die Frage ist längst nicht mehr, ob Künstliche Intelligenz (KI) einen Einfluss auf unsere Wirtschaft haben wird. Wir sind mittendrin in dieser Entwicklung. Wie schnell sie verlaufen wird und welche Ausmaße sie erreicht, ist jedoch längst noch nicht klar.

Was es gibt, sind Indizien für eine grundlegend veränderte Wirtschaft der Zukunft, die sich verdichten. Teil I dieses Buches greift die Indikatoren auf und entwickelt sie zu Szenarien weiter, wie unsere Ökonomie in wenigen Jahren aussehen kann. Es reicht wenig Fantasie aus, um gravierende Einschnitte zu identifizieren. Für Verantwortliche in Unternehmen entsteht daraus ein Framework, das es möglich macht, Wahrscheinlichkeiten, Chancen und Risiken besser abzuwägen und Unternehmensentscheidungen mit dem notwendigen Sachverstand zu fällen.

Bei aller Sorgfalt bleibt Unsicherheit bestehen. Und sie ist erheblich. Niemand hat vorausgesehen, welche neuen Möglichkeiten generative KI eröffnen wird. Selbst als ich 2019 meinen ersten Artikel über GPT2 schrieb, war die Resonanz verhalten. Der Durchbruch kam erst 2022 mit ChatGPT. Große Sprachmodelle und andere generative Verfahren haben seither eine Entwicklung ausgelöst, die KI fast über Nacht zum Star gemacht hat. Jeder und jedes Unternehmen will KI, nutzt KI oder ist Experte für KI. Es ist ein Hype.

Geht es so weiter? Schwer zu sagen. Nicht zuletzt sind es menschliche, regulatorische und ökonomische Einflüsse, die technisch mögliche Entwicklungen manchmal in ein frühzeitiges Aus führen. Fliegende Autos waren schon in den 70er Jahren ein beliebtes Science-Fiction-Motiv, sind heute technisch zwar möglich, aber längst keine Realität. Für Entscheider ist es essenziell, auch unsichere Szenarien beurteilen zu können. Dazu bietet Teil II des Buches Grundlagen.

Welcher gewaltige neue Durchbruch in zehn Tagen oder zwei Jahren das Feld noch einmal komplett verändert, ist nicht vorhersagbar. Die Wahrscheinlichkeit ist jedoch groß, dass ChatGPT nicht das einzige KI-Großereignis bleibt. Wenn ich heute eine Wette abschließe, dass innerhalb der nächsten zehn Jahre eine weitere KI-Entwicklung die Ökonomie komplett umwälzen wird, gehe ich ein vernachlässigbares Risiko ein. Es wird so sein. Darauf müssen sich Unternehmen, Politik und Gesellschaft einstellen. Wir müssen also eine Stärke entwickeln, die Organisationen robust macht und sie in die Lage versetzt, sich neuen Entwicklungen und Veränderungen anzupassen.

Glücklicherweise ist Anpassungsfähigkeit eine der großen Stärken der Spezies Mensch. Teil III des Buches widmet sich genau den Methoden, die nicht nur Unternehmen, sondern auch andere Organisationen in die Lage versetzen, große Herausforderungen zu meistern, die unerwartet auftauchen.

Heißt das, wir Menschen müssen lernen, KI hinterherzulaufen? Werden wir überhaupt noch gebraucht? Werden wir noch Jobs haben? Und wie wird es sich anfühlen, nicht mehr das intelligenteste Wesen auf diesem Planeten zu sein, wenn es dazu kommt? Diese Fragen beschäftigen viele Menschen, oft als unklares mulmiges Gefühl. Wir sind der Entwicklung nicht ausgeliefert, sondern wir stehen vor wichtigsten Gestaltungsaufgaben der Menschheit in den nächsten Jahrzehnten: eine Welt erschaffen, die mit Künstlicher Intelligenz menschenfreundlich wird. Dieser Gedanke taucht in allen Abschnitten immer wieder auf und wird explizit in Teil IV des Buches vertieft.

1 Drei Entwicklungsräume

Das AI-Space-FrameworkAI-Space-Framework (Weinreich 2024a+b) bietet einen brauchbaren Orientierungsrahmen für zukünftige Entwicklungen. Betrachten wir das Ganze zunächst von einer hohen Flughöhe aus. Es zeichnet sich eine Entwicklung in drei Räumen ab. Der Begriff Raum (Space) beschreibt das Modell passender als der Begriff Phase, da Phasenmodelle einen strikten Entwicklungsprozess implizieren, während Räume ein freies Wandern ermöglichen. Räume kann man aktiv betreten, sich darin umsehen, Einiges nutzen oder nicht. Daher das AI-Space-Framework mit seinen definierten drei Räumen, das ich 2024 zum ersten Mal auf Englisch publiziert habe (Weinreich 2024a). Um es zu verstehen, schauen wir ganz kurz und vereinfacht auf die historische Entwicklung von KIKünstliche Intelligenz, EntwicklungArtificial IntelligenceKünstliche Intelligenz.

Bereits in den 1950er Jahren haben sich Wissenschaftler damit beschäftigt, Maschinen beizubringen, Aufgaben eigenständig zu lösen, ohne dass ihnen der genaue Weg einprogrammiert werden muss. Maschinelles LernenMaschinelles LernenMLMaschinelles Lernen (Machine Learning) wurde geboren. Lernen wird für Maschinen möglich, wenn sie in der Lage sind, Input sinnvoll zu verarbeiten. Sie müssen also Daten analysieren und ihre internen Verarbeitungsalgorithmen entsprechend optimieren können. Das ist nichts Magisches, sondern schlicht angewandte Mathematik. Modelle des Maschinellen Lernens verwenden in der Regel ausgefeilte statistische MethodenStatistik. Das führte oft zu erstaunlichen Ergebnissen, aber es dauerte, bis Machine Learning relevant wurde. In den 1990er Jahren gab es sogar einen sogenannten »KI Winter«, in dem das Interesse an KI stark zurückging, weil überzogene Erwartungen nicht erfüllt wurden. Der Grund dafür lag nicht zuletzt in unzureichender Hardware und damit Rechenleistung.

Das richtige Tool für jede Aufgabe

Künstliche Intelligenz ist mehr als Generative KI. Es hilft, wenn das passende Tool für die jeweilige Aufgabe genutzt wird und nicht ein Tool für alles. Natürlich kann man auch mit ChatGPT einfache Rechnungen durchführen, es ist jedoch kostspieliger und energieintensiver als mit einem Taschenrechner. Außerdem ist die Fehlerwahrscheinlichkeit weitaus höher.

Aufgabentyp

Technologie und dahinterstehende Logik

Einfache Berechnung und Steuerung, z. B. Rechenaufgaben, automatisierte Schaltvorgänge

Algorithmen: feste Regeln, Algebra, Wenn-dann-Logik

Symbolisches, erklärbares Denken, z. B. medizinische Diagnostik, Entscheidungsvorbereitung

Expertensystem: regelbasierte Logik

Datenanalyse und Mustererkennung, z. B. Big-Data-Analysen, Predictive Maintenance, Kundensegmentierung, Text- und Bildklassifizierung

Machine Learning (ML): Statistik – Korrelation, Regression, Entscheidungsbäume etc.

Content Generierung und komplexe Wahrnehmung, z. B. Text-, Bild-, Audio-, Videoerzeugung

Generative KI/Deep Learning (DL): künstliche neuronale Netze, mehrschichtige Lernstrukturen, Wahrscheinlichkeitsabschätzung

Multimodales und kontextsensitives Verstehen, z. B. Systeme, die Text, Bild, Audio und Sensorik kombinieren, Assistenzsysteme, digitale Zwillinge, autonome Systeme

Generative KI/diverse Foundation Models: Kombination verschiedener neuronaler Architekturen, selbstüberwachtes Lernen

Anfang des Jahrtausends wuchsen zwei Dinge exponentiell an: Die Rechenleistung von Computern und die Menge von gespeicherten und auszuwertenden Daten. »Big DataBig Data« beschreibt eine Informationslandschaft, in der nicht nur immens viele, sondern auch komplexe Datenmengen vorliegen. Ein Schatz für Unternehmen, die sie auszuwerten wissen, und ein Alptraum für Leute, die damit beauftragt werden. Das schafft kein Mensch, jedenfalls nicht ohne technische Hilfe. Kein Wunder, dass in diesem Zeitraum analytische KIKünstliche Intelligenz, analytische – den Begriff verwende ich hier für alle nicht-generativen Verfahren – eine rasante Entwicklung nahm und so zum stärksten Entwicklungsstrang wurde. Zunächst. Parallel gab es Ansätze, KI generativ einzusetzen. Beides schafft erheblichen Nutzen und beschreibt den ersten Raum des Frameworks, den »ProduktivitätsraumProduktivitätsraum«.

Die »generative Revolution«, also das Aufkommen von Systemen, die Inhalte in erstaunlicher Qualität generieren können, haben wir alle miterlebt. Manch einer hatte den Eindruck, dass mit großen Sprachmodellen die Grenzen der KI-Entwicklung ein für alle Mal gesprengt sind und alles möglich wird, auch eine Künstliche Allgemeine Intelligenz. Das ist nicht der Fall und die Grenzen von Sprachmodellen wurden schnell klar. Mittlerweile arbeiten Unternehmen daran, analytische und generative KI miteinander zu einer multimodalen, multifunktionalen KI zu verschmelzen. Damit betreten wir Raum zwei, den »EntscheidungsraumEntscheidungsraum«, in dem Systeme autonomer werden und begrenzt eigene Entscheidungen treffen.

Wenn wir noch weiterdenken, wird KI zu einem dauerhaften und allgegenwertigen Begleiter, nicht nur in Organisationen, sondern auch in unserem alltäglichen Leben. Je mehr wir diese Technologie nutzen und ihr das Recht einräumen, selbstständig zu handeln, desto mehr werden diese Systeme unsere Welt von sich aus gestalten – zunächst kaum merklich, dann immer stärker. Das ist das Spielfeld in Raum drei, dem »Design-RaumDesign-Raum«.

Grafik 1:

Das AI-Space-Framework, © Uwe Weinreich 2024, lizenziert unter CC BY-SA 4.0 (Creative Commons o.J. a)

Wird es weitere Räume geben? Sehr wahrscheinlich, aber sie zu skizzieren wäre reine Spekulation. Wird alles garantiert so kommen? Einiges wird sich sicher noch verändern, zumindest im Detail. Daher vermittelt Teil III des Buches, wie mit nicht vorhersehbaren Entwicklungen umgegangen werden kann. Schauen wir zunächst auf die bisher definierten drei Räume.

Fachbegriffe der Künstlichen Intelligenz kurz und knapp

Künstliche IntelligenzKünstliche Intelligenz (KI/Artificial Intelligence − AI): beschreibt die Fähigkeit von Maschinen, Aufgaben zu übernehmen, die normalerweise menschliche Intelligenz erfordern − vom Analysieren von Daten über Verstehen von Sprache bis hin zur Entscheidungsfindung. Es sind also digitale Problemlöser.

Analytische KIKünstliche Intelligenz, analytische : Verfahren, die vor allem Daten analysieren. Besondere Stärke ist das Erkennen von Mustern.

Prädiktive KIKünstliche Intelligenz, prädiktive: Verfahren der analytischen KI, die aufgrund von Analysen präzise Vorhersagen treffen (z. B. Predictive MaintenancePredictive MaintenancePrädiktive WartungPredictive Maintenance − prädiktive Wartung).

Generative KIKünstliche Intelligenz, generative (Generative AI − GenAI): Systeme, die auf die Erstellung neuer Inhalte wie Texte, Bilder oder Musik ausgerichtet sind. Dafür kommen Architekturen wie GPTGenerative Pretrained TransformerGPTGenerative Pretrained Transformer für Texte und Diffusion ModelsDiffusion Model für Bilder zum Einsatz.

Schwache KIKünstliche Intelligenz, schwache (Weak AI): KI-Systeme, die für spezifische Aufgaben entwickelt wurden (z. B. Sprachassistenten wie Siri).

Starke KI Künstliche Intelligenz, starke (Strong AI/Artificial General Intelligence − AGIKünstliche Intelligenz, allgemeine): eine hypothetische KI, die ein allgemeines Verständnis und Problemlösungsfähigkeit auf dem Niveau eines Menschen besitzt.

SuperintelligenzSuperintelligenz: eine hypothetische KI, die die menschliche Intelligenz in allen Bereichen übertrifft.

SingularitätSingularität: ein hypothetischer Punkt in der Zukunft, an dem eine Superintelligenz in der Lage ist, die Welt zu transformieren und sich selbstständig weiterzuentwickeln. Das könnte zu einem exponentiellen technologischen Fortschritt führen, dessen Auswirkungen für Menschen nicht mehr vorhersehbar oder kontrollierbar wären. Ob das möglich sein wird, ist umstritten.

AlgorithmusAlgorithmus: Prozessroutinen. Sie bilden die Grundlage für automatische ablaufende Computerfunktionen und somit auch für das Maschinelle Lernen und KI im Allgemeinen. Ein Algorithmus lässt sich gut mit einem Kochrezept vergleichen. Es ist also eine Anleitung, wie etwas getan werden soll. Moderne KI-Systeme integrieren eine Vielzahl von Algorithmen.

Maschinelles LernenMaschinelles Lernen (Machine Learning − ML): ein Prozess, bei dem Systeme Muster in Daten erkennen und daraus lernen, ohne explizit programmiert zu werden. Häufige Anwendungen sind das Aufspüren von Unregelmäßigkeiten in Datenströmen (Spannungsschwankungen, Qualitätsmängel von Produkten, ungewöhnliche Bankbuchungen, Hackerangriffe) und das Erkennen von Unterschieden in Datensätzen mit Zuordnung der einzelnen Datensätze zu den gefundenen Kategorien (z. B. Sortieren von Hunde- und Katzenbildern).

Neuronale NetzeNeuronales NetzKünstliches Neuronales NetzNeuronales Netz: Sie sind essenzieller Bestandteil des maschinellen Lernens. Inspiriert von der Funktionsweise des menschlichen Gehirns, bestehen sie aus zahlreichen verbundenen Knotenpunkten, die Informationen verarbeiten und Muster erkennen.

Deep LearningDeep Learning: eine Weiterentwicklung des Maschinellen Lernens, bei dem besonders tiefe Neuronale Netze zum Einsatz kommen, um große Datenmengen zu analysieren und präzise Ergebnisse zu liefern.

Natural Language ProcessingNatural Language ProcessingSprachverarbeitungNatural Language Processing (NLP): ein wichtiges Anwendungsfeld von Deep Learning. Es beschreibt die Fähigkeit von Systemen, natürliche Sprache zu verstehen und zu generieren.

Computer VisionComputer Vision: ein Teil der Künstlichen Intelligenz, die Computern die Fähigkeit verleiht, visuelle Informationen aus Bildern oder Videos zu interpretieren, zu analysieren und zu verarbeiten, ähnlich wie das menschliche Sehvermögen. Es ist eine sensorische Grundbedingung für KI-Systeme, um sich in unserer Welt zurechtzufinden, z. B. beim autonomen Fahren.

Large Language ModelsLarge Language ModelLLMLarge Language Model (LLMs): ein allgemeiner Begriff für KI-Modelle, die auf großen Mengen von Textdaten trainiert wurden, um menschenähnliche Texte zu generieren, zu verstehen und zu interpretieren. Sie basieren auf Neuronalen NetzenNeuronales Netz, speziell auf der Transformer-ArchitekturTransformer. Sie können sprachliche Aufgaben wie Textgenerierung, Übersetzung, Fragenbeantwortung und Zusammenfassungen durchführen. Der Begriff »Sprache« ist dabei breit gefasst. Auch Computercode oder andere symbolische Repräsentationen können verarbeitet werden.

Generative Pretrained TransformerGenerative Pretrained Transformer (GPT): ist ein spezifischer LLM-Typ, der durch ChatGPT von OpenAI bekannt wurde. Er nutzt die Transformer-ArchitekturTransformer-Architektur, die gut für Aufgaben im Bereich der Sprachverarbeitung geeignet ist. »Generativ« heißt, es kann Neues erzeugen. Pretrained bedeutet, es wurde mit riesigen Wissensquellen vortrainiert. Transformer sind eine spezielle Architektur für Algorithmen, die Bedeutungen generieren kann, indem sie einen Inhalt nimmt (Prompt + Kontext) und in einen anderen Inhalt transformiert.

KI-AgentenKI-AgentAI AgentKI-Agent und agentische KI-WorkflowsAgentischer KI-Workflow (AI agents& agentic AI workflows): KI-Agenten sind autonome Softwaresysteme, die Entscheidungen treffen und Aktionen ausführen können. Sie arbeiten innerhalb eng definierter, aufgabenspezifischer Grenzen und führen Problemlösung, Entscheidungsfindung oder Datenanalyse aus (z. B. in Chat BotsChat Bot). Agentische KI-Workflows sind Systeme, die eine allgemeine Handlungsfähigkeit aufweisen, d. h. sie handeln autonom in einer Vielzahl von Bereichen und passen sich neuen Herausforderungen an, ohne explizit für jede Aufgabe trainiert zu werden. Sie lösen komplexe, mehrstufige Probleme selbstständig durch logisches Denken und iterative Planung. Das geschieht, indem Aufgaben zerlegt (dekonstruiert) werden. So werden selbst komplexe Aufgaben lösbarer, die Effizienz steigt und das ReasoningReasoning (das »Nachdenken« und »Begründen« im Prozess) wird gestärkt. Agentische KI-Workflows können sich innerhalb des ihnen gesetzten Rahmens selbst Ziele setzen und langfristige Pläne entwerfen, um die Ziele zu verfolgen (Pounds 2024). Zur Zeit der Bucherstellung wird agentische KI gerade als die wegweisende Architektur gehandelt. Das wird in ein paar Jahren anders aussehen. Dann stellen agentische Systeme eine Basisfunktionalität dar und neue Ansätze werden gehypt.

TrainingsdatenTrainingsdaten: die Daten, mit denen KI-Modelle trainiert werden, um Muster und Zusammenhänge zu erkennen.

Überwachtes LernenÜberwachtes LernenSupervised LearningÜberwachtes Lernen (Supervised Learning): KI wird mit gekennzeichneten (gelabelten) Daten trainiert.

Unüberwachtes LernenUnüberwachtes LernenUnsupervised LearningUnüberwachtes Lernen (Unsupervised Learning): KI erkennt Muster in unstrukturierten Daten eigenständig, ohne vorherige Labels.

Bestärkendes Lernen (Reinforcement LearningReinforcement LearningBestärkendes LernenReinforcement Learning): KI lernt durch Feedback (»Belohnung« und »Bestrafung«), optimale Entscheidungen zu treffen. Eine besondere Rolle spielt Re­inforcement Learning from Human FeedbackReinforcement Learning from Human FeedbackRLHFReinforcement Learning from Human Feedback (RLHF), bei dem Menschen das Feedback geben. Dadurch wird eine hohe Qualität des Trainings erreicht, allerdings bei extrem hohen Kosten.

One-Shot LearningOne-Shot Learning: die Fähigkeit eines KI-Modells, Aufgaben zuverlässig durchzuführen, wenn das Training nur aus einer einzigen Trainingsaufgabe besteht. Kinder können das. Wenn sie einmal eine Katze und einen Vogel gesehen haben, werden sie künftig Katzen und Vögel sicher auseinanderhalten können, egal welche Rasse es ist oder ob es sich um ein reales Tier, ein Foto, eine Zeichnung oder Plastikspielzeug handelt. Was Kindern so leicht fällt, ist für KI immer noch eine Herausforderung.

Zero-Shot LearningZero-Shot Learning: die Fähigkeit eines KI-Modells, Aufgaben ohne vorheriges Training direkt auszuführen. Dafür benötigen Systeme die Fähigkeit, aus Mustern selbst Kategorien und Regeln abzuleiten.

Transfer LearningTransfer Learning: Nutzung von Wissen aus einem KI-Trainingsprozess für einen neuen, verwandten Anwendungsfall.

Retrieval Augmented GenerationRetrieval Augmented GenerationRAGRetrieval Augmented Generation (RAG): ein Ansatz, bei dem ein generatives KI-Modell von einem sogenannten Retriever trainiert wird, spezifisches Wissen zu erlangen. Der Retriever durchsucht eine externe Wissensquelle (z. B. Datenbanken, Dokumente oder APIs), um relevante Informationen bereitzustellen, die vom generativen Modell verwendet werden, um kontextbezogene und präzise Antworten zu generieren. Ein häufig gewählter Ansatz, um generative KI für Unternehmen spezifisch nutzbar zu machen, z. B. in Form eines Chatbots.

Knowledge DistillationKnowledge Distillation: ein Verfahren, bei dem ein kleineres Modell (Student Model) trainiert wird, um das Wissen und die Fähigkeiten eines größeren, leistungsfähigeren Modells (Teacher Model) zu übernehmen. Ziel ist es, die Leistung des großen Modells zu erhalten, jedoch mit reduzierter Rechenleistung und damit geringerem Energie- und Speicherbedarf.

Feinabstimmung (Fine TuningFine TuningFeinabstimmungFine Tuning): Anpassung eines vortrainierten KI-Modells an spezifische Anwendungsfälle. Das ist fast immer nötig, um ein vortrainiertes Modell für eine spezifische Anwendung brauchbar zu machen.

BiasBiasVorurteilBias (Voreingenommenheit): Verzerrungen in KI-Ergebnissen aufgrund unausgewogener Trainingsdaten oder unzureichend arbeitender AlgorithmenAlgorithmus. Bias haben nicht nur Maschinen, sondern auch wir Menschen. KI »lernt« ihren Bias aus TrainingsdatensätzenTrainingsdatenTrainingsdaten, die einseitig geprägt sind.

Erklärbare KIKünstliche Intelligenz, erklärbare (Explainable AI − XAI): ein Ansatz, um Fehler von KI-Ergebnissen zu minimieren, indem die KI-Entscheidungen transparent und nachvollziehbar gemacht werden. Das ist bei hochkomplexen Systemen extrem schwierig.

Vertrauenswürdige KIKünstliche Intelligenz, vertrauenswürdige (Trustworthy AI): der Versuch, KI-Systeme so zu bauen und zu trainieren, dass ihren Ergebnissen vertraut werden kann. Erklärbare KI ist ein wesentlicher Baustein.

VerantwortlicheKünstliche Intelligenz, verantwortlicheKI (Accountable AI): eine noch nicht existierende Version von KI, die in der Lage ist, Verantwortung zu übernehmen. Erklärbare und vertrauenswürdige KI sind Grundvoraussetzungen.

Autonome SystemeAutonomes System: KI-Systeme, die in der Lage sind, sich selbst und das System, in dem sie verbaut sind, zu steuern, z. B. selbstfahrende Autos, autonome Drohnen, fortgeschrittene Roboter. Wesentliches Merkmal ist, dass die Systeme Entscheidungen in Echtzeit treffen können.

EmpfehlungssystemeEmpfehlungssystemRecommendation SystemsEmpfehlungssystem (Recommendation Systems): Systeme wie bei Netflix oder Amazon, die auf Basis von KI personalisierte Vorschläge machen.

Edge AIEdge AI: KI-Modelle, die direkt auf Geräten wie Produktionsanlagen, Smartphones oder Sensoren laufen, statt in der Cloud.

Wer tiefer in die Konzepte von KI einsteigen möchte, findet reichhaltiges Wissen im Internet oder im Buchhandel.

Der Produktivitätsraum − Künstliche Produktivität

Künstliche Intelligenz als Produktivitätstreiber

ProduktivitätProduktivität ist das Mantra der heutigen Wirtschaft. Das gilt auch für den persönlichen Bereich, in dem Selbstoptimierungsratgeber seit Jahren zu den Bestsellern gehören.

Künstliche Intelligenz ist längst mehr als ein Zukunftsversprechen. Sie ist fester Bestandteil vieler Geschäftsprozesse. Selbst einfache KI-Lösungen, wie automatische E-Mail-Filter oder digitale AssistentenDigitaler Assistent, helfen, Zeit zu sparen und Arbeitsabläufe effizienter zu gestalten. Und weitere Implementierungen helfen, noch produktiver zu werden. Laut Statista steigt die Produktivität in Deutschland bis 2035 durch KI um 29 %, in Schweden sogar um 37 % (Bocksch 2020). Die längste Tradition als Produktivitätssteigerer besitzen die analytischeKünstliche Intelligenz, analytische und prädiktiveKünstliche Intelligenz, prädiktive KI, die vor allem auf statistischenStatistik Methoden beruhen. Sie ermöglichen es, riesige DatenmengenBig Data zu analysieren und Muster zu erkennenMustererkennung, die sonst unbemerkt bleiben würden.

Fortgeschrittene Systeme des maschinellen LernensMaschinelles Lernen (ML) erlaubt es z. B., den Zustand von Maschinen, Lagerbeständen, Aufträgen oder das Verhalten von Kundinnen und Kunden mit hoher Wahrscheinlichkeit vorherzusagen. Prädiktive InstandhaltungPredictive Maintenance (Predictive Maintenance) ist eine der meistdiskutierten Anwendungen der letzten Jahre. Statt Maschinen erst bei einem Defekt zu reparieren, erkennen Systeme frühzeitig, wann ein Bauteil voraussichtlich ausfällt und sorgen so für rechtzeitige Wartung, weniger Ausfallzeiten und erhebliche Kosteneinsparungen. Besonders in der Fertigungsindustrie hat sich das Prinzip bewährt und verändert Wartungspläne grundlegend.

Große SprachmodelleLarge Language Model (Large Language Models, kurz LLMs) wie ChatGPT haben eine weitere Dimension der ProduktivitätProduktivität eröffnet. Sie geben Nutzerinnen Zugriff auf einen gewaltigen Wissensschatz und automatisierenAutomatisierung komplexe Aufgaben wie das Verfassen von Texten, das Programmieren von Code oder das Erstellen visueller Inhalte. Es geht nicht nur um Effizienz. Die Technologien ermöglichen es Einzelpersonen und Teams, kreative Prozesse zu beschleunigen, Ideen schneller umzusetzen und Routinetätigkeiten an Technik zu delegieren. Ob im Kundenservice, in der Softwareentwicklung oder beim Schreiben von Marketingtexten, LLMs verändern unsere Arbeitsweise.

Die Faszination dieser Art von Generativer KI resultiert nicht zuletzt aus der Art, wie man mit diesen Systemen interagieren kann. Die Kommunikation wirkt erstaunlich natürlich, fast menschlich. Dieses intuitive Erleben senkt die Hemmschwelle und hat entscheidend zur Verbreitung beigetragen. Statt durch Menüs und Buttons zu navigieren, sprechen wir plötzlich in ganzen Sätzen mit einer Maschine und erhalten präzise, kreative oder sogar emotional erscheinende Antworten. Das erleichtert den Zugang zu Künstlicher Intelligenz und hebt die Produktivität auf ein neues Niveau.

Der Begriff »Künstliche IntelligenzKünstliche Intelligenz« wirkt stark, aber ist er angemessen? Wir müssen mit dem Wort Intelligenz in KI vorsichtig sein. Es klingt zwar gut, aber im Produktivitätsraum ist es doch eher eine künstliche ProduktivitätProduktivität als künstliche Intelligenz. Mit dem Begriff werden Maschinen nicht vermenschlicht, sondern sie bleiben das, was sie sind, funktionale Helfer. Eine klare Sprache hilft, unrealistische Erwartungen und Ängste zu begrenzen. Allerdings wird sich diese Variante nicht durchsetzen, daher verzichte auch ich an dieser Stelle darauf.

KI-Einsatz im Unternehmen

Wie sieht der Einsatz in Unternehmen aus? Im Produktivitätsraum setzen Unternehmen KI punktuell ein und die Technologie ist nicht durchgängig in die Geschäftsprozesse integriert. Nichtsdestotrotz kann sie Gewaltiges leisten, das menschliche Anstrengung in den Schatten stellt. Ein beeindruckendes Beispiel schilderte 2024 Christopher Fuss, Global Head of Smart Solutions IoT bei DHL, anlässlich der Verleihung des Deutschen KI-Preises: »Wir haben beispielsweise Systeme, die 320.000 Pakete pro Sekunde analysieren können, etwa, ob sie richtig und effektiv gepackt oder gelabelt sind.« (Seewald 2024).

Im ProduktivitätsraumProduktivitätsraum bleibt der Einsatz von KI stark segmentiert: AnalytischeKünstliche Intelligenz, analytische und prädiktiveKünstliche Intelligenz, prädiktive Anwendungen sind vor allem die Domäne technischer Spezialistinnen − von DatenwissenschaftlernDaten, wissenschaftler über KI-EntwicklerinnenKI-Entwickler bis hin zu Data EngineersDaten, ingenieur. Generative KIKünstliche Intelligenz, generative hingegen findet punktuell Einzug in Marketing-Marketing und VertriebsabteilungenVertrieb, gelegentlich in InnovationsbereicheInnovation.

Für viele Mitarbeitende entsteht der erste Kontakt mit künstlicher Intelligenz nicht über unternehmenseigene Systeme, sondern über KI-Funktionen in StandardsoftwareStandardsoftware. Programme wie CRM-Systeme, Design-Tools, Videobearbeitung oder E-Mail-Anwendungen integrieren zunehmend smarte Funktionen. So wird KI ohne große Einstiegshürden nutzbar.

ChatGPT oder Microsoft Copilot unterstützen mittlerweile Nutzer beim Erstellen von Content unterschiedlichster Art. Die digitale Whiteboard-Software Miro kann eigenständig zu Brainstormings beitragen, Workshops zusammenfassen und dokumentieren. Salesforce hat mit Einstein eine KI-Plattform geschaffen, die in Business-Applikationen integriert werden kann und Vertriebsprozesse im eigenen CRM automatisiert. Grafikdesigner arbeiten in vielen Fällen mit Adobe-Produkten, die mittlerweile umfassende Funktionen besitzen, um mit Hilfe künstlicher Intelligenz ganze visuelle Welten zu erschaffen.

Daneben gibt es in größeren Unternehmen eigenständige KI-Projekte, meist dort, wo hohe Anforderungen an Datenhoheit, Individualisierung oder Skalierbarkeit bestehen. Solche Projekte erfordern eine leistungsfähige IT-Infrastruktur und umfassendes Fachwissen. Nur wenige Großunternehmen sind bislang in der Lage, solche Systeme komplett in Eigenregie zu betreiben.

Die Zurückhaltung vieler Unternehmen beim Aufbau eigener KI-Systeme hat klare Gründe, allen voran die hohen KostenKosten. Einerseits ist eine enorme RechenleistungRechenleistung nötig, meist bereitgestellt über hochentwickelte und entsprechend teure GrafikkartenGrafikkarte. Andererseits verursachen TrainingsdatensätzeTrainingsdaten, das eigentliche Training und das Fine TuningFine Tuning von Large Language ModelsLarge Language Model Investitionen im zweistelligen Millionenbereich. Deutlich kostengünstiger ist es, vortrainierte Modelle zu nutzen und sie mithilfe von Retrieval Augmented GenerationRetrieval Augmented Generation (RAG) an die eigenen Inhalte und Anforderungen anzupassen. Doch auch dieser Ansatz kann − abhängig vom Datenumfang und der gewünschten Präzision − erhebliche Kosten mit sich bringen.

Der dritte Weg neben eigenen KI-Systemen und KI-Funktionalität in Standardsoftware sind spezialisierte KI-Anwendungen, die über die CloudCloud Computing als Software as a ServiceSoftware as a ServiceSaaSSoftware as a Service (SaaS) hinzugekauft werden, wie z. B. in der Pharmaindustrie Systeme, die in der Lage sind, das Studiendesign für die Zulassung von Medikamenten zu optimieren und damit Kosten in Millionenhöhe pro Medikament zu sparen.

Es muss aber gar nicht so groß sein. Jeden Tag kommen neue SaaS-Angebote auf den Markt, die einzelne Aufgaben bearbeiten können, vom Taskmanagement bis zur Meetingdokumentation, von Videogeneratoren bis hin zu Marketingautomatisierungen.

Die wahrscheinlich effektivste Anwendung von KI im ProduktivitätsraumProduktivitätsraum sind persönliche AgentenKI-Agent, wie CoPilot von Microsoft. Sie unterstützen Nutzerinnen bei Routineaufgaben wie dem Verfassen von E-Mails, der Analyse von Dokumenten oder der Vorbereitung von Präsentationen. Jared Spataro, Corporate Vice President of Modern Work and Business Applications bei Microsoft, erklärte 2025 im Interview mit der Harvard Business Review: Nutzer von CoPilot sparen im Durchschnitt 29 % ihrer Arbeitszeit ein − und das, ohne Qualitätseinbußen (Spataro 2025). Das ist ein gewaltiger Effizienzgewinn. Das wird Auswirkungen auf den Arbeitsmarkt haben.

Was können wir daraus lernen? Organisationen, die sich im ProduktivitätsraumProduktivitätsraum mehr Effizienz verschaffen wollen, sollten dann, wenn eine Aufgabe automatisiertAutomatisierung werden soll, schauen, ob es nicht bereits eine leistungsfähige, sichere und bezahlbare Lösung am Markt gibt. KI kann in diesem Raum für einen immensen ProduktivitätsschubProduktivität sorgen, sie ist aber noch weit von dem entfernt, was sie in ein paar Jahren sein wird. Für Verantwortliche im Unternehmen ist das eine gute Zeit zum Ausprobieren und ExperimentierenExperimentieren.

Die Einführung von KI in Unternehmen erfordert technisches FachwissenFachwissen genauso wie Kompetenzen im Management von Transformationsprozessen und ein kluges Management der neuen Möglichkeiten. Auf der technischen Seite ist zu bedenken, dass KI derzeit noch fehleranfällig ist und falsche Ergebnisse produzieren kann, die richtig aussehen. Menschlich Kontrolle bleibt unerlässlich. Auf in StandardsoftwareStandardsoftware integrierte KI haben Nutzerinnen und Nutzer keinen Einfluss. Daher sollte von Expertinnen oder Experten kritisch und regelmäßig überprüft werden, welche Software mit KI-Funktion verlässlich ist.

Mitarbeitende können Widerstand gegen den Einsatz von KI leisten, auch wenn die Bereitschaft mit KI zu arbeiten meistens groß ist. Die gesamte Belegschaft, insbesondere das mittlere Management, sollte in der angemessenen Nutzung von KI-Systemen und Standardsoftware mit KI-Funktionalität geschultSchulung werden. Wenn Teams und Abteilungen aus Eigeninitiative KI-Tools einsetzen wollen, muss das Risiko eines Wildwuchses von Systemen kontrolliert werden. Es kann sonst leicht zu Risiken und überbordenden Kosten kommen.

Die Chancen für einen erfolgreichen Einsatz von KI sollten im Management erkannt werden, zur Steigerung von Effizienz und Produktivität. Kleine, zeitlich begrenzte ExperimenteExperimentieren mit KI-Lösungen sind hilfreich, denn sie erweitern das Wissen darüber, was künftig möglich sein wird. Nutzen und Risiken von Systemen sollten sorgfältig abgewogen und gemanagt werden. Auch gesetzliche Vorschriften − insbesondere zu DatenschutzDaten, schutz und TransparenzTransparenz −müssen eingehalten werden.

Der Entscheidungsraum − Automatisierung und Integration

Ein nächster großer Sprung in der Nutzung künstlicher Intelligenz geschieht, wenn sie nicht nur als Werkzeug dient, sondern Teilautonomie erhält. Damit bewegen wir uns in den Entscheidungsraum. KI generiert eigenständig Empfehlungen, trifft Entscheidungen und stößt deren Umsetzung an. Einige Unternehmen haben diesen Raum früh betreten. Sie verlassen sich nicht mehr ausschließlich auf Analysen, sondern nutzen KI-Empfehlungen, um fundierte Entscheidungen in Echtzeit zu ermöglichen. Systeme, die Entscheidungen nicht nur vorbereiten, sondern auch ausführen, schaffen die Basis für teilautonome ProzesseProzess, teilautonomer.

Voll- oder teilautonome Roboter, autonomes Fahren und vollautomatische Kundengespräche, die wirklich zu verstehen scheinen, sind faszinierend. Die Entwicklungen stehen erst am Anfang, aber es gibt sie. Amazon und Walmart setzen auf intelligente Systeme zur Steuerung ihrer Lieferketten. Bestellungen, Lagerlogistik und Transport werden KI-gesteuert in Echtzeit angepasst, um EffizienzEffizienz und NachhaltigkeitNachhaltigkeit zu verbessern. Telekommunikationsunternehmen nutzen KI-Chatbots, die Anfragen ohne menschliche Hilfe beantworten. Systeme wie IBM Watson bearbeiten heute komplexe Anliegen komplett eigenständig.

MitarbeitendeMitarbeitende in diesen Umgebungen übernehmen mehr und mehr überwachende Rollen. Sie kontrollieren, analysieren und greifen nur in Grenzfällen ein. Dafür sind Fähigkeiten im Umgang mit automatisierten SystemenSystem, automatisiertes essenziell. SystemverständnisSystem, verständnis, DatenkompetenzDaten, kompetenz und die Fähigkeit, Ergebnisse angemessen zu interpretieren, gehören zur neuen Grundausstattung. Und wenn ein System Probleme macht, ist eine ordentliche Portion ProblemlösekompetenzProblemlösekompetenz gefragt.

Zwei Entwicklungen dominieren den Entscheidungsraum: Zum einen verschmelzen analytischeKünstliche Intelligenz, analytische und generativeKünstliche Intelligenz, generative KI zu multifunktionalenKünstliche Intelligenz, multifunktionale Systemen. Zum anderen wird KI vom spezialisierten Tool zum integralen Bestandteil fast aller GeschäftsprozesseGeschäftsprozess. Sie verändert ihren Charakter und übernimmt VerantwortungVerantwortung. Das heißt, sie steuert eigenständig dedizierte Prozesse und trifft EntscheidungenEntscheiden, die nicht von Menschen bestätigt werden müssen.

Die Zeit der expertengesteuerten KI endet und macht Platz für agentische SystemeSystem, agentisches, die uns Expertenwissen zugänglich machen und komplexe ProzesseProzess eigenständig steuern. Wir können einfach Fragen stellen oder Befehle geben und die Systeme antworten nicht nur, sie handeln sogar für uns.

Multifunktionale agentische KI

Im EntscheidungsraumEntscheidungsraum treffen wir auf neue Entwicklungen künstlicher Intelligenz: KI-Agenten und agentische KI, genauer gesagt, agentische KI-WorkflowsAgentischer KI-Workflow. Sie treiben die Entwicklung im EntscheidungsraumEntscheidungsraum und darüber hinaus an, indem sie Unternehmen durch teilautonomes Handeln verändern.

Schauen wir uns zunächst KI-Agenten an. Sie sindKI-Agent mehr als nur intelligente Tools − sie sind operative Einheiten mit Eigenverantwortung. Ein KI-Agent analysiert nicht nur Daten, sondern trifft EntscheidungenEntscheidung und führt sie aus. Agenten dieser Art sind auf bestimmte Aufgaben spezialisiert und bewegen sich innerhalb festgelegter Regeln autonom. Das heißt, sie können und sollen eigenständig Entscheidungen treffen.

Das funktioniert nur, wenn ein Agent eine Art WahrnehmungWahrnehmung besitzt. Die kann sich rein im digitalen Raum bewegen, indem Datenströme gelesen werden. Oder er nimmt in physischer Form seine Umgebung wahr, etwa über Sensoren. Entscheidend ist, dass er Zugriff auf Informationen hat und die Fähigkeit besitzt, darauf basierend zu handeln, etwa über digitale Aktionen oder robotische Prozesse. Typische Anwendungen reichen von Chatbots über NetzwerkautomatisierungAutomatisierung und RobotikRobotik bis hin zu digitalen Assistenten, die Finanztransaktionen vorbereiten oder Kundendialoge führen. Diese Systeme sind keine Zukunftsmusik, sondern in vielen Unternehmen Realität.

Agenten erobern immer mehr Bereiche. Logistik, Kundenservice und die gesamte Finanzbranche befinden sich bereits jetzt in einer weitreichenden Transformation. Microsoft integriert sie direkt in Office-Produkte und Cloud-Dienste. SAP, Salesforce und andere Anbieter bauen agentische Funktionen in ihre Geschäftsanwendungen ein. Unternehmen wie Google, Celonis oder AWS entwickeln KI-Systeme für industrielle Prozesse. Damit werden Agenten automatisch mit neuen Versionen von StandardsoftwareStandardsoftware in Unternehmen verfügbar.

Agent ist nicht gleich AgentKI-Agent. Taskbasierte Assistenz-Agenten sind auf konkrete, klar umrissene Aufgaben fokussiert, wie etwa das Sortieren von E-Mails, das Planen von Social-Media-Posts oder das Pflegen von Datenbanken. Sie sind vergleichsweise kostengünstig, effizient und schnell einsatzbereit. Daher bieten sie schon im frühen Entscheidungsraum deutliche Effizienzgewinne.

MultifunktionaleKI-Agent, multifunktionaler bzw. hybrideKI-Agent, hybrider Agenten sind komplexer. Multifunktional heißt, dass sie regelhafte, analytische und generative Systeme kombinieren und unterschiedliche Datentypen verarbeiten und generieren können. Anwendungsbereiche sind KI-gestützte Sicherheitssysteme, Produktionssysteme in Industrie 4.0 oder hybride Kundenservice-Agenten.

Agentische KI-Workflows

Agentische Workflows sind ein nächster Evolutionsschritt. Anders als einfache Agenten, bei denen alle Funktionen in einem System gebündelt sind, bestehen agentische Workflows aus einem zentralen KI-System, das mit spezialisierten Subagenten koordiniert zusammenarbeitet. Diese Systeme agieren proaktiv, treffen EntscheidungenEntscheidung eigenständig und setzen Handlungen ohne explizite Vorprogrammierung um. Es wirkt fast, als verfolgten sie ein eigenes strategisches Ziel.

Solche Systeme können aus einer ganzen Landschaft unterschiedlicher Systeme (algorithmische Systeme, analytische und generative KI) bestehen, die multifunktionalKünstliche Intelligenz, Multifunktionale miteinander interagieren. Sie können Informationen aus unterschiedlichen Kanälen und multimodal in verschiedenen Datenformaten interpretieren, verarbeiten und kombinieren. Charakteristisch ist ihre ProaktivitätProaktivität. Die KI handelt aus eigener Initiative, passt ihr Handeln an und optimiert ProzesseProzess laufend.

Da sich die steuernden KIs in agentischen WorkflowsAgentischer KI-Workflow prinzipiell jederzeit wechselnder Subsysteme bedienen können, sind sie adaptiver als monolithische Systeme. Beispielsweise kann ein Agent Bestellungen verwalten, während ein anderer gleichzeitig Transportwege plant.

Ein konkretes Beispiel bietet das System Manus AI des chinesischen Startups Monica. Es zeigt eindrucksvoll den Unterschied zwischen klassischen LLMs und agentischen Workflows. Ich habe einen Vergleichstest durchgeführt und zunächst ChatGPT die Aufgabe gestellt, ein Aktienportfolio mit 25 Titeln deutscher und amerikanischer Unternehmen zu analysieren und begründete Empfehlungen für Zukauf, Halten oder Verkauf von Aktien zu generieren. ChatGPT erledigte den Job in unter einer Minute. Die Begründungen fielen knapp aus und waren z. T. veraltet. Für vier Aktien (zwei deutsche, zwei amerikanische) konnte ChatGPT keine Bewertung vornehmen, obwohl es sich nicht um Nischenunternehmen handelte. Kostenpunkt alles in ­allem: 0,036 US-Dollar.

Manus hingegen zerlegte die Aufgabe in einzelne Schritte, holte aktuelle Daten aus dem Netz, aktualisierte seinen Arbeitsplan dynamisch und überwand technische Hürden wie Kontextbegrenzungen mit minimalem Eingreifen. Das Ergebnis lag nach knapp drei Stunden vor. Es war qualitativ auf dem Niveau einer Forbes Analyse und hoch aktuell. Das gesamte Verfahren hat Token im Wert von 34 US-Dollar verbraucht, also fast das Tausendfache. Eine stattliche Summe. Wenn dadurch allerdings Kosten für Expertinnen eingespart werden, kann es sich rechnen.

Ich muss zugeben, dass der Test in einer frühen Entwicklungsphase von Manus stattfand, in der die Ressourcen begrenzt waren. Mittlerweile werden sich sowohl die Performance als auch das Preismodell verändert haben.

Der Design-Raum − Autonome Systeme

Stellen wir uns vor, der Entscheidungsraum der KI wird gemeistert und Unternehmen streben nach einer vollständig integrierten, KI-gesteuerten Zukunft. Dafür brauchen wir keine Künstliche Allgemeine IntelligenzKünstliche Intelligenz, allgemeine (Artificial General Intelligence − AGI), die vielleicht noch Jahre entfernt ist. Es reicht aus, dass KI-Systeme 1000-mal schneller Erkenntnisse liefern können als die bestausgebildeten Manager. Und das ist ein realistisches Ziel.

AgentischeKünstliche Intelligenz, agentische KI-Systeme entwickeln sich rasant. Sie nehmen riesige Datenmengen auf (Wahrnehmung), analysieren Zusammenhänge (Schlussfolgern), treffen EntscheidungenEntscheidung, setzen sie um und lernen kontinuierlich aus den Ergebnissen. Das ist ein quasi-menschlicher Zyklus, der bereits in vielen Bereichen menschliche Management-Fähigkeiten weit übersteigt. Noch ist kein System den Menschen in allen Disziplinen überlegen. Aber in spezialisierten Feldern ist das längst Realität. So kann AlphaFold Proteinstrukturen mit beeindruckender Präzision vorhersagen, schneller und zuverlässiger als jede menschliche Expertise (Wikipedia 2025a). Agentische Systeme interagieren zunehmend direkt mit Datenquellen, ganz ohne Umweg über Benutzeroberflächen. Sie beschaffen sich die Informationen selbst, analysieren sie und liefern ihre Antworten auf einem hohen kognitiven Niveau.

Trotz aller technischer Fortschritte wird es die kreative Kraft von Menschen sein, die den Unterschied macht, und zwar im Zusammenspiel mit den enormen Möglichkeiten intelligenter Systeme. Doch eines wird sich grundlegend verändern: die Art, wie wir mit Maschinen kommunizieren.

Die Interaktion wird immer natürlicher, intuitiver, fast menschlich. Die Innovationsforscherin Rita McGrath prognostizierte 2025, dass durch die De-MaterialisierungDe-Materialisierung der Interaktion klassische Geräte wie Tastatur, Bildschirm oder gar Computer überflüssig werden könnten. Wir sprechen dann mit Systemen, wie Captain Kirk auf der Enterprise. Eine Frage, ein Befehl und das System versteht, reagiert, handelt (McGrath 2025). Die Reibung an der Schnittstelle verschwindet. Die Technologie tritt in den Hintergrund und wir treten direkt in den Dialog.

Auch die Erscheinungsform von KI verändert sich. Sie wird zunehmend verkörpert − im Fachjargon: »embodiedEmbodimentKörperlichkeitEmbodiment«. Das bedeutet, Recheneinheiten werden ergänzt durch Sensoren, die ihre Umwelt erfassen, sowie durch Aktoren, also mechanische oder digitale Schnittstellen, über die Handlungen im realen wie im virtuellen Raum ausgelöst werden. RobotikRobotik erreicht damit eine neue Dimension. Maschinen gewinnen gleichzeitig denkende und handelnde Qualitäten und werden so zu aktiven Teilnehmern in der physischen Welt.

Unsere Vorstellung von intelligenten Robotern ist durch Science-Fiction geprägt, in der humanoide RoboterRoboter, humanoide auftauchen, selten als Hilfe, öfter als Bedrohung für Menschen. Humanoide Roboter werden aber nur einen Bruchteil der KI-Welt im Design-Raum ausmachen.

Eine passendere Analogie liefert ein Organismus aus der Natur: der Schleimpilz. Er ist formfrei, wächst dahin, wo Ressourcen sind, umgeht Hindernisse und zeigt erstaunliche Problemlösungsfähigkeiten (Geo 2017). Ähnlich wird sich KI im Unternehmen entwickeln: nicht als einzelne Maschine, sondern als verzweigtes Netz, bestehend aus intelligenten Recheneinheiten, verbundenen agentischen SystemenKünstliche Intelligenz, agentische, SensorenSensorik und AktorenAktor, verteilt über ganze Unternehmen oder sogar Kontinente. Eine digitale EntitätEntität, digitale mit physischer Präsenz und einer Struktur, die mehr an ein lebendes Netzwerk erinnert als an einen humanoiden Roboter − ein Netzwerk­organismus, vielleicht sogar irgendwann eine digitale Lebensform.

Grafik 2:

Verkörperte KI wird eher die Struktur eines Schleimpilzes (rechts) als die eines humanoiden Roboters (links) aufweisen. Quelle: Uwe Weinreich in Zusammenarbeit mit DALL-E

Und es wird nicht dabei bleiben, dass KI nur ein externes, objekthaftes Gegenüber ist. Zunehmend verschwimmen die Grenzen − wir werden in gewissem Maße mit der Technologie verschmelzen. In der Prothetik entstehen bereits intelligente Erweiterungen des menschlichen Körpers. Und das ist erst der Anfang. Materialwissenschaften, Bionik, Biotechnologie und Neurointerfaces eröffnen neue Dimensionen. Die Verschmelzung von Mensch und Maschine wird zum nächsten großen Entwicklungssprung mit enormem Potenzial, wirft aber tiefgreifenden Fragen auf.

Gravierende Veränderungen

Die Welt des ManagementsManagement wird sich tiefgreifend und in bisher ungekannter Weise verändern. Menschliche FührungskräfteFührungskräfte werden sich künftig auf die Entwicklung der GesamtstrategieStrategie konzentrieren. Künstliche Intelligenz tritt als Partnerin auf − oder besser als Co-Architektin. Sie wird Strategien nicht nur mitgestalten, sondern auch umsetzen, ausführen und flexibel an sich wandelnde Marktbedingungen anpassen. Auf Basis umfassender Datenanalysen wird sie in der Lage sein, ganze Operating ModelsOperating ModelOrganisationsstruktur neu zu entwerfen und ProzesseProzess autonom zu gestalten. Damit entsteht ein neues Verhältnis zur Entscheidungsverantwortung. Mitarbeitende und Führungskräfte werden sich zunehmend auf die EntscheidungenEntscheidung der KI stützen, sich aber auch in Teilen von ihr abhängig machen.

Veränderungen in Unternehmensarchitektur, Strategie und Prozessen erfolgen künftig in einem Tempo, das alles bisher Dagewesene übertrifft. Was früher Jahre oder gar ein Jahrzehnt beanspruchte, kann heute innerhalb weniger Wochen realisiert werden. Am Ende wird KI einen größeren Einfluss auf das Unternehmen haben als jeder und jede CEO.

Im Design-RaumDesign-Raum ist Künstliche Intelligenz längst kein bloßes Werkzeug mehr. Sie wird zum Mitgestalter − ein intelligentes System, das Unternehmensstrukturen und -kulturen beeinflusst wie ein eigenständiges Wesen. Klingt das beunruhigend? Vielleicht. Niemand kann heute mit Sicherheit sagen, wie diese Zukunft genau aussehen wird. Fest steht nur: Was ich hier beschreibe, liegt im Bereich des Möglichen und basiert auf dem, was Technologie heute leisten kann.

Zumindest in Ansätzen werden Elemente des Design-RaumsDesign-Raum gelebt. Im Finanzsektor gehen Unternehmen dazu über, KI für die langfristige Vermögensplanung und strategische Investitionsentscheidungen einzusetzen. BlackRock, eines der weltweit größten Vermögensverwaltungsunternehmen, verwendet KI zur Portfoliosteuerung und für Marktentwicklungsprognosen. Künstliche Intelligenz trifft datenbasierte Vorhersagen und unterstützt strategische Entscheidungen. Hier wird deutlich, dass MitarbeitendeMitarbeitende künftig stärker in der Rolle als Kon­trolleurinnen und ethische Prüferinnen agieren müssen, um sicherzustellen, dass KI-gestützte EntscheidungenEntscheidung den Unternehmensrichtlinien und -zielen entsprechen, als selbst Analysen durchzuführen und Entscheidungen zu treffen.

Automobilhersteller wie Tesla und BMW experimentieren damit, KI-Systeme für die Produktionsplanung und sogar zur Steuerung von Produktionsabläufen einzusetzen. So wird die Personaleinsatzplanung immer mehr an KI-gestützte Systeme delegiert, die anhand von Nachfrageprognosen Produktionsabläufe autonom anpassen können. Der Fokus der Mitarbeitenden verschiebt sich: weg von der operativen Ausführung, hin zur Überwachung, Koordination und Qualitätssicherung.

Bisher existieren noch keine vollständigen Integrationen von KI als eigene EntitätEntität, digitale im Unternehmen, aber sie zeigen, wie Organisationen sich Schritt für Schritt in diese Richtung entwickeln.

Ein Zukunftsszenario

Tauchen wir ein in das hypothetische Szenario eines Unternehmens, das die Möglichkeiten des Design-RaumsDesign-Raum voll entfaltet hat. Die Integration von Künstlicher Intelligenz als eigenständige Instanz hat das FührungsmodellFührungsmodell des Unternehmens radikal verändert. Mensch und Maschine arbeiten in enger Symbiose. Alle Bereiche des Betriebs − einschließlich externer Dynamiken wie Marktveränderungen − sind als digitale ZwillingeZwilling, digitalerDigitaler ZwillingZwilling, digitaler in einem zentralen KI-System sowie mehreren spezialisierten agentischen Subsystemen modelliert. Neue Daten führen fast in Echtzeit zu angepassten Handlungen. Einige wenige Systeme besitzen den Status einer verantwortlichen KI. Sie sind autorisiert, eigenständig und in Teilen weitreichend zu handeln.

Die in den folgenden Szenarien genannten Systeme sind frei erfunden. Sollten reale Produkte denselben Namen tragen, ist das rein zufällig.

Begleiten wir nun drei fiktive Menschen einen Tag lang im Unternehmen AIProdCorp: Marie (die CEO), Cem (Abteilungsleiter Operations) und Sarah (Mitglied im Marketingteam).

Marie: die CEO

7:30 Uhr: Die CEO, Marie, beginnt ihren Tag mit einem Blick auf das im Unternehmen sogenannte Strategic Horizon Dashboard. Dieses KI-gestützte Tool analysiert in Echtzeit globale Markttrends, Unternehmensdaten und geopolitische Ereignisse. Die KI hat mehrere Szenarien entworfen, wie das Unternehmen auf die neuesten Entwicklungen reagieren könnte − von einer Fusion im asiatischen Markt bis hin zu der Einführung eines disruptiven Produkts durch einen Wettbewerber.

8:00 Uhr: Beim morgendlichen Briefing diskutiert Marie nicht mit Menschen, sondern mit Manexter, dem KI-System, das als strategischer Partner des Unternehmens fungiert. Manexter präsentiert nicht nur Vorschläge, sondern simuliert auch mögliche Auswirkungen auf den Umsatz, die Mitarbeitermoral und die Marke. Maries Aufgabe ist es jetzt, die Vorschläge durch eine kreative, menschliche Perspektive zu verfeinern. Sie kann aber auch einzelne Vorschläge direkt bestätigen und Manexter wird sie eigenständig umsetzen.

11:00 Uhr: Ein Innovations-Workshop auf Führungsebene steht an. Hier trifft Marie auf andere Führungskräfte und eine Reihe von KI-Agenten, die speziell für Innovationsprozesse trainiert wurden. Marie liebt die Zusammenarbeit mit den KIs, denn sie bringen unorthodoxe Ideen ein, etwa für die erweiterte Nutzung virtueller Welten für Kundenerfahrungen. Die Workshopteilnehmerinnen steuern ihre eigenen Ideen bei und nach und nach entsteht ein Gesamtkonzept, das über einen KI-Agenten sofort in einen visuellen Prototypen umgesetzt wird. Menschliche Workshopteilnehmer sind gefragt, wenn Ideen aufgrund menschlicher Werte und Unternehmensethik geprüft werden müssen. An vielen Stellen weist die Moderations-KI sogar darauf hin, wenn an einer Stelle eine menschliche Beurteilung notwendig ist.

13:00 Uhr: Vorstandsmeeting. Marie trifft sich mit ihren Kolleginnen, Kollegen, dem Chief Financial Officer, der Chief AI Officerin und dem Chief Marketing Officer. Mit am Tisch sitzen Strategic Horizon und Manexter in Form von Agenten, die live an der Unterhaltung teilnehmen können. Thema ist die von Strategic Horizon festgestellte Marktveränderung. Das System präsentiert die Fakten, die von ihm berechneten Szenarien und schlägt anschließend das erfolgversprechendste Vorgehen vor. Manexter ergänzt seine Sicht und stellt die Umsetzungsmöglichkeiten vor. Nach kurzer Diskussion und wenigen Änderungsvorschlägen wird Manexter beauftragt, die beschlossenen Maßnahmen umzusetzen.

14:30 Uhr: Marie verlässt das Unternehmen, um zwei Kundenunternehmen zu besuchen und dort mit Personen aus der Praxis zu sprechen. Seitdem KI so viele Managementaufgaben übernimmt, hat Marie mehr Zeit für Kontakte mit echten Menschen statt Computern. Das kommt dem Unternehmen sehr zugute, denn es hat sich den Ruf erworben, besonders kundennah zu sein. Die Informationen, die Marie in diesen Treffen gewinnt, gehen als Sprachdatei gleich wieder in die KI-Systeme über. Dadurch sind sie in den letzten Jahren besser geworden in Vorhersagen und Maßnahmendesign.

17:30 Uhr: Marie fährt zu ihrer Familie. Die Arbeitszeiten sind weniger geworden, seitdem sie so sehr von KI unterstützt wird. Es ließen sich sogar noch mehr Entscheidungen an die KI delegieren, aber davor scheut Marie zurück. Sie möchte sicher sein, die strategische Gesamtkontrolle zu behalten, während die KI taktische und operative Anpassungen vornimmt.

20:00 Uhr: Abends nimmt Marie an einer Veranstaltung zum Thema Ökonomie im Zeitalter der KI statt. Für ihr Unternehmen ist es essenziell, die neuen Marktmechanismen zu verstehen, um mit ihren Vorstandskolleginnen und Strategic Horizon auf Höhe der Zeit Strategie planen zu können. Die Strategiezyklen sind kurz geworden. Manchmal sind es Wochen oder gar nur ein paar Tage Zeit, die genutzt werden können, um angemessen auf Marktentwicklungen reagieren zu können, da viele Wettbewerber ebenfalls auf strategische KI setzen. Würde man den Systemen völlige Handlungsfreiheit gewähren, wäre es sogar denkbar, das Unternehmen sich im Millisekundenbereich gegenseitig in den Ruin treiben. Seitdem der internationale Finanzmarkt 2031 dadurch einen noch nie dagewesenen Crash erlebt hat, sind Unternehmen in den meisten Ländern dazu verpflichtet, Strategieentwicklung, -umsetzung und -ausführung nicht vollends den Maschinen zu überlassen, sondern Strategie als kollaborative Leistung zwischen Mensch und Maschine zu entwickeln.

Cem: Leiter Operations

7:00 Uhr: Cem, Leiter der Abteilung für operative Prozesse, startet früh in den Tag, indem er die Ergebnisse der nächtlichen KI-Optimierungen überprüft. Während Cem geschlafen hat, hat das System hunderte Prozesse angepasst − von der Lieferkettenlogistik bis hin zur Personalplanung. Natürlich kann Cem nicht alle Prozessanpassungen manuell überprüfen. Daher gibt es eine Art Vereinbarung zwischen dem Tool Collab Operaitor und ihm, dass das System definierte Prozesskennzahlen eigenständig überwacht und ihm auf einem Dashboard visualisiert.

8:30 Uhr: Bei einem virtuellen Team-Meeting ist Cem als Moderator nicht allein. Die Moderations-KI assistiert ihm, analysiert live die Stimmungen und Beiträge der Teilnehmenden und schlägt vor, welche Themen tiefer bearbeitet werden sollen. Die meisten Teammitglieder sind als Personen dem Meeting zugeschaltet, rein schon aus Neugier. Ein paar andere haben ihre persönlichen digitalen Avatare geschickt (Chen 2024), die gebrieft und ermächtigt sind, im Namen der jeweiligen Person zu sprechen. So wird es möglich, an zwei oder mehr Meetings gleichzeitig teilzunehmen.

09:30 Uhr: Die Zeit bis zur Mittagspause gehört persönlichen Mitarbeitergesprächen. Cem erlebt es als einen der besten Effekte der Digitalisierung mit KI, dass ihm jetzt mehr Zeit für eigentliche Führungsarbeit bleibt. Damit meint er Führung im wahren Sinne des Wortes und nicht Administration oder verteilen von Aufgaben und Ergebniskontrolle. Das kann die KI besser. Führung bedeutet für Cem eine Begegnung von Mensch zu Mensch mit Teammitgliedern, die dazu beitragen, dass die persönliche Entwicklung von beiden weiter gedeihen kann. Ganz nebenbei sind tiefgehende Gespräche oft eine Quelle neuer Ideen und Inspirationen. Darin sind Menschen der KI immer noch haushoch überlegen.

14:00 Uhr: Ein Problem taucht auf: Ein Zulieferer hat Schwierigkeiten, eine Lieferung rechtzeitig zu erfüllen. Die KI schlägt sofort Alternativen vor, bewertet deren Kosten und potenzielle Risiken. Cem entscheidet sich jedoch dafür, zusätzlich mit dem Lieferanten zu verhandeln, um eine nachhaltige Lösung zu finden. Diese Aufgabe übernimmt er selbst. Collab Operaitor besitzt zwar ein starkes Verhandlungsmodul, das die Aufgabe übernehmen könnte, aber der Lieferant ist ein wichtiger Player im Ökosystem. Deshalb möchte Cem die menschliche Komponente ausspielen.

15:30 Uhr: Die Verhandlung ist positiv verlaufen. In einem gestuften Zeitplan wird der Lieferant die Teile anliefern. Um die Lücke zu füllen, gibt Cem Collab Operaitor die Anweisungen, die fehlenden Teile in kleinen Einzellieferungen auf dem Weltmarkt zusammenzukaufen. Hier kann das System seine Verhandlungsstärken autonom ausspielen. Für Cem geht damit der Arbeitstag zu Ende. Er weiß, dass das KI-System seinen Auftrag besser erledigen wird als ein Mensch es je könnte. Das Ergebnis wird er im Morgenbericht des Systems sehen.

Sarah: Customer Experience Team

9:00 Uhr: Sarah, Mitglied des Customer Experience Teams, beginnt ihren Tag mit einem Check-in mit ihrer KI-basierten Assistentin, Echea. Echea hat die Kundendaten analysiert und schlägt vor, sich auf bestimmte Segmente zu konzentrieren, bei denen die Zufriedenheit zuletzt gesunken ist. Gemeinsam stellen beide eine Liste der heute zu kontaktierenden Kundinnen und Kunden auf. Die meisten Mail-, Chat- und Call-Kontakte wird Echea eigenständig abarbeiten. Für Sarah bleiben die, bei denen der menschliche Kontakt zählt. Auch dafür liefert Echea Unterstützung, indem sie aufgrund der Kundenhistorien und öffentlicher Daten Kernbotschaften und Skripte für die Gesprächsführung vorschlägt.

11:00 Uhr: Nachdem Sarah Kontakt zu den wichtigsten Kunden und Kundinnen auf ihrer Liste aufgenommen hat, kann sie sich jetzt einem besonderen Projekt zuwenden. Sie gehört zum Kreis derjenigen, die eine neue Marketingkampagne entwickeln. Strategic Horizon und Manexter haben über Nacht großartige Arbeit geleistet. Die KIs liefern eine Vielzahl von Konzepten − alle basierend auf Daten, die Sarah niemals selbst hätte durchsuchen können. Ihre Aufgabe ist es jetzt, diese Ideen »menschlich« zu machen: mit Empathie, Kreativität und einem tiefen Verständnis für die Marke.

14:00 Uhr: Das Projektteam trifft sich im virtuellen Meetingraum. Strategic Horizon und Manexter sind ebenfalls eingeladen. Die großen Vorteile: die Systeme können sofort ihre Einschätzungen abgeben und ggf. in Echtzeit auf neue strategische Leitlinien aus dem Vorstandsmeeting hinweisen. Das Meeting endet damit, dass Manexter den Auftrag bekommt, die beiden vielversprechendsten Kampagnenalternativen auszuarbeiten, mit visuellen Darstellungen zu hinterlegen und in den nächsten drei Tagen mit Hilfe von A/B-Tests auf Landingpages zu validieren. Dabei werden jeweils zwei unterschiedliche Versionen in ihrer Wirkung miteinander verglichen: Wo verweilen Nutzerinnen länger, wo wird öfter geklickt, welche Version führt zu mehr Verkäufen. Wahrscheinlich wird Manexter andere Agenten mit Grafik Design, Landingpage-Programmierung und den A/B-Tests beauftragen. Die Erfahrungen waren in der Vergangenheit so gut, dass das Projektteam sich auf die Geschicklichkeit der KI verlässt.

16:00 Uhr: AI-Literacy, also die Kompetenz mit KI umzugehen, wird im Unternehmen extrem geschätzt. Daher nimmt Sarah am Nachmittag an einem internen Programm teil, das die Zusammenarbeit mit KI verbessern soll. Es ist anders als früher IT-Schulungen waren, bei denen man lernte, welche Tasten man wann drücken muss, damit das Richtige passiert. Jetzt geht es darum, die menschlichen Qualitäten auszuspielen, werteorientiert zu arbeiten, Empathie in Lösungen einfließen zu lassen und mit KI-Systemen einen Dialog auf Augenhöhe zu führen. Sarah gehört im Unternehmen zu den Menschen mit der meisten Erfahrung und fungiert als Mentorin, die andere dabei begleitet, Wege zu entwickeln, wie sie KI optimal nutzen können, ohne die eigene Rolle zu verlieren. Die Aspekte »von einer KI geführt werden« und »Management von Konflikten mit der KI« gehören genauso dazu.

Hyperwettbewerb der Spitzenleistungen

Warum sollten Unternehmen diesen anstrengenden Weg überhaupt gehen? So befremdlich es wirken mag, Künstlicher Intelligenz eigenständiges Handeln zu erlauben und damit menschliche FührungFührung einzuschränken − es ist wahrscheinlich, dass viele Organisationen genau diesen Zustand erreichen. Der Grund ist einfach: WettbewerbWettbewerb. Sobald erste Unternehmen datenbasierte StrategienStrategie, datenbasierte einsetzen, um ihre Konkurrenten zu übertreffen, und diese Systeme Ergebnisse liefern, die sich direkt in Gewinn übersetzen, entsteht Druck. Andere müssen nachziehen, ob sie wollen oder nicht.

Ein neues und rücksichtsloses KI-Rennen kann jederzeit beginnen. Das Tempo wird sich vermutlich verzehnfachen. Was die Digitalisierung in fünf Jahrzehnten geleistet hat, könnte Künstliche Intelligenz in fünf Jahren übertreffen.

Damit verschärft sich der Wettbewerb dramatisch. Strategische und taktische Anpassungen erfolgen schneller, präziser und aggressiver. Der daraus entstehende HyperwettbewerbHyperwettbewerb wird nur von Unternehmen überlebt, die technologisch und organisatorisch herausragend aufgestellt sind. Ein solches Umfeld erfordert robuste Mechanismen zur Überwachung und SteuerungSteuerung, um unkontrollierte Eskalationen zu vermeiden.

Gibt es Anzeichen für einen HyperwettbewerbHyperwettbewerb durch KI? Die Dynamik an den FinanzmärktenFinanzmarkt liefert erste Hinweise. Zwar lassen sich diese Mechanismen nicht eins zu eins auf produzierende Branchen übertragen, doch der Trend ist deutlich. Vor allem im Bereich der KI-Basismodelle (Foundation Models) lässt sich ein regelrechtes Wettrüsten beobachten (Fay 2024). Noch hat der Hyperwettbewerb im Sinne des Design-RaumsDesign-Raum nicht begonnen. Die technologischen Grundlagen stehen jedoch bereit.

Was passiert, wenn es so weit kommt? Unvorhersehbare MarktbewegungenMarkt, dynamik