Das Visions-Vakuum: Warum operative Exzellenz Deutschlands KI-Transformation bremst
Operative Exzellenz macht träge – und genau das wird Deutschlands Problem
Deutschland erlebt keine „Krise“, sondern einen Strukturbruch. In einer Polykrise – geopolitisch, technologisch, demografisch, ökologisch – verliert die klassische Managementlogik ihre Schutzwirkung: Effizienz, Prozessdisziplin und inkrementelle Optimierung reichen nicht mehr, wenn Ursache und Wirkung entkoppelt sind und Systeme plötzlich kippen. Die Transformationsstudie des Handelsblatt Research Institute und der Fraunhofer-Institute (IAO/HNFIZ) legt dafür eine unbequeme Diagnose vor: Viele Unternehmen funktionieren im Tagesgeschäft bemerkenswert gut, aber sie steuern strategisch zu selten auf ein klares Zukunftsbild zu. Operative Stärke wird zur Komfortzone – und zur Falle.
Der größte Hebel von KI entsteht in verkürzten Liegezeiten
Warum erfolgreiche Unternehmen KI zuerst am Engpass ihrer Wertschöpfungskette einsetzen und erst danach die Arbeit selbst beschleunigen
56 % der CEOs sehen durch KI weder höhere Umsätze noch niedrigere Kosten. Nur 12 % erreichen beides, so die Befragung von 4.454 CEOs in PwCs 29th Global CEO Survey.¹ Meine These lautet: Die 12 % setzen KI an einer anderen Stelle ein. Sie wählen die Wertschöpfungskette, die über ihr strategisches Ziel entscheidet, verbessern mit KI deren primären Engpass und verkürzen so die Zeit, in der Vorgänge liegen und auf den nächsten Schritt warten. In Fertigung und Wissensarbeit macht diese Liegezeit nach meiner Schätzung rund 70 % der Durchlaufzeit aus. Die meisten KI-Adoptionen setzen dagegen an den übrigen 30 % an: an der Geschwindigkeit, mit der einzelne Menschen ihre Arbeit erledigen.
Zwei AI-Entscheidungs-Matrizen, eine Führungsaufgabe
Wie Unternehmen festlegen, welche Aufgaben KI übernimmt und wie viel Entscheidungsfreiheit ein KI-System erhält
Dateninspirierte Unternehmen stellen beim Einsatz von KI zwei Fragen in fester Reihenfolge. Die erste lautet: Eignet sich diese Aufgabe für KI? Die zweite: Wie teilen sich Mensch und KI-System die Entscheidung, die aus der Aufgabe entsteht? Für die erste Frage haben Bharat Anand und Andy Wu eine Entscheidungsmatrix vorgelegt, die Aufgaben nach den Kosten von Fehlern und nach der Art des erforderlichen Wissens ordnet.¹ Für die zweite Frage hat das MIT Center for Information Systems Research die AI Decision Matrix entwickelt. Sie ordnet Entscheidungen nach Risiko und Mehrdeutigkeit und legt für jede Phase einer Entscheidung fest, wer beteiligt ist.²³ Jede der beiden Matrizen ist für sich ein gutes Werkzeug. Zusammengeführt ergeben sie ein Instrument, das von der Auswahl eines Anwendungsfalls bis zur Verteilung der Verantwortung im laufenden Betrieb reicht.