Jede Idee hat eine Geschichte. Manche entstehen über Nacht. Andere brauchen Jahre. Diese hier brauchte dreieinhalb. Ich nehme euch mit auf diese Reise. Ich erinnere mich noch gut an diesen Abend. Eigentlich wollte ich nur herausfinden, ob die vielen Berichte über Large Language Models wirklich stimmen. Keine Agenda. Kein Forschungsprojekt. Keine große Vision. Nur Neugier. Also begann ich zu experimentieren. Ich ließ Texte schreiben, Fragen beantworten, Ideen entwickeln und Code erzeugen. Nicht jede Antwort war gut. Manche waren sogar erstaunlich schlecht. Aber darum ging es irgendwann nicht mehr. Zum ersten Mal hatte ich das Gefühl, dass Maschinen nicht mehr nur Informationen verarbeiten. Sie begannen, an Wissensarbeit mitzuwirken. Und plötzlich stand eine Frage im Raum: Was passiert, wenn das kein Hype ist? Was, wenn wir gerade erleben, dass sich ein großer Teil unserer Wissensarbeit automatisieren lässt? Gedanklich ging ich immer weiter. Schreiben. Recherche. Analyse. Dokumentation. Programmierung. Beratung. Immer mehr Tätigkeiten schienen plötzlich erreichbar. Vielleicht war das gar kein neues Werkzeug. Vielleicht veränderte sich gerade die Art, wie Wissensarbeit entsteht. Diese Vorstellung hat mich fasziniert. Heute, dreieinhalb Jahre später, glaube ich noch immer, dass dieser Eindruck richtig war. Verändert hat sich etwas anderes. Damals hielt ich die entscheidende Frage für: Wie viel Wissensarbeit kann KI übernehmen? Heute würde ich sagen: Das war nur der Einstieg. Ein paar Tage später tauchte eine zweite Frage auf. Sie war erstaunlich einfach. Und gerade deshalb so folgenreich. Wenn KI Wissensarbeit automatisieren kann – warum sollte sie dann nicht auch bei der Entwicklung von KI-Systemen helfen? Genau mit dieser Frage beginnt der nächste Teil der Reise. Fortsetzung am Donnerstag.

Vor dreieinhalb Jahren begann ich, mich intensiv mit generativer KI zu beschäftigen. Ausgangspunkt war eine scheinbar einfache Frage: Wie weit lässt sich Wissensarbeit automatisieren? Damals schien der Fortschritt nahezu unglaublich. Mit großen Sprachmodellen wurde plötzlich vorstellbar, dass sich ein erheblicher Teil intellektueller Arbeit automatisieren lässt. Wie viele andere war ich fasziniert von dem, was diese Systeme bereits leisten konnten – und davon, mit welcher Geschwindigkeit sie sich weiterentwickelten. Doch je tiefer ich in das Thema einstieg, desto weniger interessierte mich eine andere, damals naheliegende Frage: Wie werden die Modelle noch leistungsfähiger? Stattdessen begann ich, grundlegendere Fragen zu stellen. Fragen nach der Struktur. Fragen nach Verantwortung. Fragen nach Governance. Und schließlich eine Frage, die mein Denken nachhaltig verändert hat: Optimieren wir überhaupt das Richtige? Diese Frage wurde zum Ausgangspunkt einer Entwicklung, die mich Schritt für Schritt zu Konzepten wie Declarative AI, Accountable Systems und schließlich zum Operational Integrity Benchmark führte. Keine dieser Ideen entstand plötzlich. Jede war die Konsequenz einer Erkenntnis, dass die vorherige Denkweise irgendwann an ihre Grenzen stieß. Deshalb ist diese Serie keine Sammlung fertiger Frameworks. Sie erzählt den Weg dorthin. Einen Weg voller Neugier, Irrtümer, Experimente und unerwarteter Erkenntnisse. Einen Weg, auf dem ich immer wieder feststellen musste, dass das eigentliche Problem nur selten das Sprachmodell selbst war. Fast immer lag es in der Struktur, die das Modell umgab. Ich nehme euch mit auf diese Reise – nicht, um fertige Antworten zu präsentieren, sondern um die Fragen zu teilen, die mein Verständnis von KI grundlegend verändert haben. Im ersten Beitrag geht es zurück zu dem Moment, in dem ich überzeugt war, dass sich nahezu jede Form von Wissensarbeit automatisieren lässt – und warum mich genau diese Überzeugung schließlich dazu brachte, die Automatisierung selbst zu automatisieren.

Viele Organisationen verstehen KI-Lernen zu einseitig. KI soll bessere Antworten liefern. Schneller. Präziser. Kontextreicher. Näher am Prozess. Das ist sinnvoll. Aber organisationales Lernen entsteht nicht nur im Modell. Es entsteht im Rückfluss aus dem Betrieb. Die bessere Schleife lautet: Denkraum → Prüfung → Commit → Betrieb → Erfahrung → bessere Struktur im Denkraum Beispiel Support: Ein Agent schlägt Antworten auf Kundenanfragen vor. Nach einigen Wochen sollte nicht nur gefragt werden: Wie viele Antworten wurden generiert? Wie viel Zeit wurde gespart? Wie oft wurde der Vorschlag übernommen? Wichtiger sind andere Fragen: Welche Antworten wurden stark verändert? Wo fehlte Kontext? Wo war die Datenbasis schlecht? Welche Fälle mussten eskaliert werden? Welche Commit-Grenze war zu eng? Welche war zu offen? Welche Policy war unklar? Welche Entscheidung wollte niemand treffen? Genau dort lernt die Organisation. Nicht durch mehr Output. Sondern durch bessere Übergänge. KI macht sichtbar, wo Prozesse unklar sind. Wo Verantwortung fehlt. Wo Daten nicht tragen. Wo Regeln nicht entscheidbar sind. Wo Führung ausweicht. Das ist unbequem. Aber wertvoll. Denn der Betrieb ist nicht nur Empfänger von KI. Er ist die Realität, an der sich der Denkraum bewähren muss. Wer KI nur im Denkraum skaliert, bekommt mehr Output. Wer den Übergang in den Betriebsraum gestaltet, bekommt Wirkung. Vielleicht ist das der eigentliche Kern von KI-Transformation: Nicht die Einführung intelligenter Tools. Sondern die Gestaltung des Übergangs von Möglichkeit zu Wirkung. Für alle, die die Serie noch einmal im Zusammenhang nachvollziehen möchten, habe ich das Paper „Vom Denkraum und Betriebsraum - Wie Organisationen KI in verantwortbare Wirkung übersetzen“ angehängt.

Liebe Community, in den vergangenen Wochen geht mir ein Gedanke nicht mehr aus dem Kopf, und ich erzähle viel in Seminaren und Vorträgen darüber. Ich würde gerne mal eure Meinung dazu hören. Ich beschreibe gerne die drei Phasen der KI, die wir in den letzten vier Jahren durchgemacht haben. Phase 1 - Das große Staunen. ChatGPT erblickt das Licht der Welt, und wir gucken wie gebannt auf diesen Chatbot, mit großen Augen und können uns kaum vorstellen, dass das eine Maschine ist. Phase 2 - Das große Spiel Die KI Bubble formt und entwickelt sich und beginnt, mit dieser Technologie zu spielen und sie zu erforschen. Wir bauen Workflows, wir bauen Agenten, wir nutzen Chatbots und deren Funktionalitäten und entdecken die große Welt der KI-Tools wie kleine Kinder, die zum ersten Mal einen großen Lego-Kasten in der Hand haben. Phase 3 - ? KI wird zur Infrastruktur wie "Strom aus der Steckdose". Wir beginenn echte Produkte zu entwickeln, die auf dieser Infrastruktur aufsetzen und die wirkliche Probleme lösen. Aus meiner Sicht sind wir genau am Übergang von Phase 2 zu Phase 3. Wie ihr schon gelesen habt, vergleiche ich das gerne mit Strom. Die KI-Bubble erklärt heute gerne, wie "Strom" funktioniert, warum wir "drei Phasen" brauchen, warum wir "230 V" haben, warum wir "50 Hz" haben und warum es gefährlich ist, mit dem Finger dran zu fassen. Auf der anderen Seite habe ich das Gefühl, dass außerhalb unserer KI-Bubble niemand dieses Wissen benötigt. Er braucht die "Mikrowelle", die das "Essen warm macht," und niemanden, der ihm erklärt, wie Strom funktioniert. Ich habe mich die Tage selbst dabei erwischt. In den vergangenen drei Monaten haben wir ein Produkt entwickelt, das den Vertrieb massiv bei der Akquise von neuen Kunden unterstützt. Als ich das zweite oder dritte Mal das Produkt einem potenziellen Kunden vorgestellt habe, ist mir aufgefallen, dass auf den Folien zu dem Produkt nicht einmal das Wort „KI“ steht. Ich habe das Gefühl, der Begriff KI, AI oder Künstliche Intelligenz öffnet Türen den Köpfen von Menschen, aber am Ende spielt es überhaupt keine Rolle, ob diese Tools KI-basiert sind oder regelbasierte Software. Die Frage ist doch nur: Welches Problem lösen sie?

Governance wird in KI-Diskussionen oft falsch verstanden. Als Bremse. Als Pflichtübung. Als Dokument. Als Kontrollinstanz nach der Innovation. Das greift zu kurz. Gute Governance sitzt nicht erst am Ende. Sie sitzt zwischen Denkraum und Betriebsraum. Sie organisiert nicht nur, was mit KI möglich ist. Sie organisiert auch, wann KI-Output nicht weiterverwendet werden darf. Nicht-Antwort, Rückfrage, Eskalation und bewusste Nicht-Entscheidung sind keine Störungen. Sie sind Sicherheitsfunktionen. Sie übersetzt Möglichkeit in verantwortbare Wirkung. Eine KI kann eine Empfehlung für eine Kundenbeschwerde formulieren. Aber bevor daraus eine Antwort, Gutschrift, Ablehnung oder Eskalation wird, müssen Fragen geklärt sein: Welche Datenbasis gilt? Welche Regel ist relevant? Ist der Fall vollständig? Wer darf freigeben? Was wird dokumentiert? Wann muss eskaliert werden? Wann ist Nicht-Entscheidung die bessere Entscheidung? Das ist Governance im praktischen Sinn. Nicht nur: „Wir haben Leitlinien.“ Sondern: An dieser Stelle darf dieser Output unter diesen Bedingungen in den Betrieb. Policies sind wichtig. Aber sie reichen nicht, wenn sie nicht in Rollen, Prüfpfade, Freigaben und Commit-Grenzen übersetzt werden. Governance verhindert nicht Wirkung. Sie verhindert, dass Wirkung zufällig entsteht. Und genau das wird mit KI entscheidend. Denn KI erzeugt mehr Möglichkeiten, als Organisationen ungeprüft verarbeiten können. Ohne Governance wird der Denkraum schneller. Mit guter Governance wird der Übergang belastbarer. Die Frage lautet deshalb nicht: „Wie verhindern wir Risiken?“ Sondern präziser: Wie gestalten wir den Übergang so, dass KI-Wirkung verantwortbar wird?