Vier KI-Entscheidungen, die keine Prognose brauchen

Elon Musk erwartet eine Zeit des Überflusses, in der Arbeit freiwillig wird. Dario Amodei hält sehr schnelles Wirtschaftswachstum, hohe Unterbeschäftigung und grosse Ungleichheit gleichzeitig für möglich. Europäische Institutionen investieren in die Verbreitung von KI, Infrastruktur und einen gemeinsamen regulatorischen Rahmen. Die Schweiz erprobt Offenheit und technologische Souveränität mit Infrastruktur wie Apertus.

Diese Positionen beschreiben keine gemeinsame Zukunft. Sie unterscheiden sich bei Tempo, Verteilung, Risiken und der Rolle von Institutionen. Sie stammen zudem von Akteuren mit unterschiedlichen Interessen.

Ein KMU kann nicht warten, bis diese Debatte entschieden ist. Es muss jetzt investieren, lernen und Grenzen setzen. Die hilfreiche Frage lautet deshalb: Welche Entscheidungen bleiben sinnvoll, wenn sich mehrere Prognosen teilweise als falsch erweisen?

Vier Entscheidungen bestehen diesen Test.

1. Wiederkehrende Aufgaben als Ausgangspunkt nehmen

Viele KI-Programme beginnen mit Produkten: Lizenzen werden gekauft, Workshops durchgeführt und Teams zum Experimentieren eingeladen. Die Aktivität wächst. Die Führung kann trotzdem noch nicht sagen, welcher Teil der täglichen Arbeit besser werden soll.

Beginnen Sie mit wiederkehrender Arbeit. Eine geeignete erste Aufgabe hat einen erkennbaren Eingang, ein erkennbares Ergebnis und eine benannte verantwortliche Person. Bearbeitungszeit, Fehlerquote oder Nacharbeit lassen sich messen. Die Grenze zwischen Unterstützung, Automatisierung und einer Entscheidung, die beim Menschen bleiben muss, lässt sich vor dem Pilotversuch festlegen.

Eine Übersicht der Aufgaben verhindert auch, dass ein einzelnes Modell zur Strategie wird. Unterschiedliche Aufgaben können unterschiedliche Modelle, Oberflächen und Risikokontrollen erfordern. Der bleibende Wert liegt in der Beschreibung der Arbeit und den vereinbarten Bewertungskriterien.

Halten Sie für einen möglichen Prozess fest:

• welches Ereignis die Arbeit auslöst;
• welches Ergebnis sie abschliesst;
• welches Wissen und welche Berechtigungen nötig sind;
• wer für die Freigabe verantwortlich ist;
• wie viel Zeit, Fehler und Nacharbeit heute anfallen.

Sind diese Punkte unklar, bewertet die Organisation noch keine KI-Anwendung. Sie bewertet eine Demonstration.

2. Internes Wissen nutzbar machen

Allgemeine Modelle wissen viel. Sie wissen aber nicht automatisch, welche Version eines internen Dokuments verbindlich ist, wer sie sehen darf oder was eine Kollegin vor fünf Jahren aus einem gescheiterten Projekt gelernt hat.

Für ein KMU ist dieser interne Kontext oft wertvoller als ein weiterer Fortschritt bei der Modellleistung. Er enthält Kundengeschichte, Produktwissen, Ausnahmen, lokale Regeln und die Gründe hinter Entscheidungen.

Dieses Wissen nutzbar zu machen, erfordert mehr als das Hochladen eines Ordners. Quellen brauchen Verantwortliche. Zugriffsrechte müssen auch bei der Suche erhalten bleiben. Antworten brauchen Quellenangaben. Wichtige Passagen müssen Menschen prüfen. Korrekturen sollen die nächste Antwort verbessern.

So entsteht ein Wert, der einen Anbieter überdauern kann. Das Modell darf wechseln; die Struktur aus freigegebenem Wissen, Zugriffsregeln und Rückmeldungen sollte bestehen bleiben.

3. Ergebnisse messen, bevor die Anwendung wächst

Die Europäische Investitionsbank analysierte vergleichbare Daten von mehr als 12'000 Unternehmen ausserhalb des Finanzsektors in der EU und den USA. Ihre Schätzung verband KI-Einsatz mit einer um vier Prozent höheren Arbeitsproduktivität und keinen signifikanten kurzfristigen Arbeitsplatzverlusten. Die Vorteile konzentrierten sich auf mittelgrosse und grosse Unternehmen und wurden durch ergänzende Investitionen in Software, Daten und Weiterbildung unterstützt.

Die vier Prozent sind ein geschätzter durchschnittlicher Effekt, kein Versprechen. Für die Organisation ist eine andere Erkenntnis hilfreicher: Der Nutzen entstand zusammen mit dem Arbeitssystem rund um das Werkzeug.

Definieren Sie die Messgrössen vor dem Pilotversuch. Bei vielen administrativen Abläufen reichen vier:

• Bearbeitungszeit;
• Fehler- oder Ausnahmequote;
• Nacharbeit;
• Weitergabe an eine qualifizierte Fachperson.

Ergänzen Sie Kosten, wenn diese ohne Fehlanreize messbar sind. Ergänzen Sie Qualität nur, wenn das Team sie einheitlich definieren kann. Vergleichen Sie einen begrenzten Zeitraum vor und nach der Veränderung.

Ein Pilotversuch ohne Ausgangsmessung kann Begeisterung erzeugen. Belastbare Belege liefert er nicht.

4. Regeln und Ausstiegsmöglichkeiten gemeinsam festlegen

Governance gilt oft als Bremse bei der Einführung. Tatsächlich kann ein kurzer Satz von Regeln das Experimentieren erleichtern: Menschen wissen, welche Daten in welches System dürfen, wo eine menschliche Prüfung zwingend ist und wer einen neuen Anwendungsfall freigeben darf.

Die gleiche Architektur sollte einen Ausstieg ermöglichen. Bewahren Sie Quelldokumente ausserhalb des Modellanbieters auf. Speichern Sie wichtige Prompts, Tests und Ablaufbeschreibungen in übertragbaren Formaten. Trennen Sie Oberfläche und Modell, wo der Aufwand gerechtfertigt ist. Halten Sie fest, welcher Anbieter welche Daten verarbeitet hat.

Ein Ausstiegspfad schützt vor Preisänderungen, eingestellten Funktionen, regulatorischen Einschränkungen und davor, dass anderswo ein besseres Modell erscheint. Er setzt keinen Ausfall des Anbieters voraus.

Offene Infrastruktur kann helfen. Offenheit allein schafft aber noch keine Übertragbarkeit. Das Team braucht weiterhin dokumentierte Datenwege, Berechtigungen und Tests.

Eine Stunde im Führungsteam

Nutzen Sie eine Führungssitzung und einen realen Prozess.

Erste 15 Minuten: Aufgabe. Wählen Sie einen wiederkehrenden Prozess mit erkennbarem Anfang und Ende. Benennen Sie die verantwortliche Person und die menschliche Entscheidung, die nicht delegiert werden darf.

Zweite 15 Minuten: Wissen. Listen Sie verbindliche Quellen, ihre Verantwortlichen und die zugriffsberechtigten Personen auf. Markieren Sie fehlende oder veraltete Informationen.

Dritte 15 Minuten: Belege. Wählen Sie drei Vorher-nachher-Messgrössen. Halten Sie den Ausgangswert fest, bevor Sie den Prozess verändern.

Letzte 15 Minuten: Grenzen und Ausstieg. Definieren Sie unzulässige Daten, den Eskalationspunkt und den Weg zu einem anderen Modell oder Anbieter.

Das Ergebnis ist eine überprüfbare Entscheidung für die tägliche Arbeit.

Was dieser Ansatz nicht behauptet

Er prognostiziert weder Modellfähigkeiten noch Regulierung oder Arbeitsmarkteffekte. Er belegt nicht, dass jedes Unternehmen vier Prozent Produktivität gewinnt. Eine Checkliste allein macht Anwendungen mit hohen Risiken nicht sicher.

Der Ansatz verringert vermeidbare Abhängigkeiten und macht Lernen sichtbar, während die grösseren Fragen offenbleiben.

Prognosen können Aufmerksamkeit lenken. Sie sollten Entscheidungen für den Arbeitsalltag nicht ersetzen.