Wenn du morgen tausend Leute mehr hättest, was würden sie tun?

Diesen Beitrag gibt es auch auf Englisch: If You Had a Thousand More People Tomorrow, What Would They Do?

Die Masterclass war an einem Dienstag, dem 22. September, und deshalb hab ich die Frage im Raum so gestellt. Stell dir vor, am 1. Oktober stehen je nach Größe deines Teams oder deines Unternehmens zehn, hundert, tausend oder zehntausend zusätzliche Leute vor der Tür, arbeitsbereit, und sie warten nur darauf, dass du ihnen sagst, was sie tun sollen. Was sagst du ihnen?

Das ist die zweite der vier Fragen, mit denen ich unsere Solvion-Masterclass eröffnet hab, und sie stammt nicht von mir. Sie kommt von Seb Matthews und seinem Text „The AI Problem Is Not the AI“, und ich hab sie für unsere Sessions übernommen, weil sie etwas schafft, das mir auf anderem Weg kaum gelingt, nämlich die KI aus dem Raum zu nehmen.

Gefragt werden wir meistens etwas anderes

Die Frage, die wir tatsächlich am häufigsten hören, geht genau andersrum, und ich versteh auch, warum. Leute, mit denen wir arbeiten und mit denen ich gern arbeite, sagen „erzählt uns, was die anderen machen, ihr seht so viele Firmen, welche Agents bauen die?“ Wir wissen das schon, und ehrlicherweise ähneln sich die Antworten erstaunlich, weil sich auf der Meta-Ebene auch die Herausforderungen in den Unternehmen erstaunlich ähneln. Beantworte ich die Frage aber mit einer Demo, fühlt sich das ein bissl so an, als würden wir KI und Copilot als Technologie behandeln, die ein Problem sucht. Wir haben etwas, das X oder Y kann, und jetzt schauen wir, wo wir es einsetzen. Darum ist unsere Standardantwort auf „was machen andere Firmen gerade mit Copilot?“ inzwischen selbst eine Frage geworden. Die lösen ihre Probleme. Willst du deren lösen oder deine?

Wohin das führt, weiß in der IT jeder. Wer nur einen Hammer hat, sieht überall Nägel, bis einer mit einer Schraube um die Ecke kommt. Die zweite Variante, die ich oft höre, ist die Frage, ob man mit einer Abteilung in die Tiefe geht, die aufzeigt und Energie mitbringt, oder ob man viele Leute einen Schritt weiter in Richtung AI Literacy bringt. Beides ist berechtigt, und beides lässt sich von der Technik her nicht beantworten.

Auf die Frage gibt es zwei Arten von Antworten

Wer die Tausend-Leute-Frage konkret beantworten kann, wer also sagen kann, wo zusätzliche Leute sofort einen Unterschied machen würden, kennt den Engpass und weiß, woran man messen würde, ob er kleiner wird. Dann hat das Problem einen Namen, und das Gespräch über KI, das danach kommt, wird produktiv, weil wir uns genau diesen Bereich anschauen und fragen, was KI dort wirklich lösen kann.

Bleibt die Antwort vage, kommt eine Pause oder ein Satz wie „mit weniger mehr schaffen“, dann ist die Richtung klar, das Ziel aber nicht. So entsteht eine Investition ohne Problem, und genau solche Projekte scheitern später scheinbar an der Technik. Meiner Erfahrung nach kommt aber meistens doch etwas, denn fast jede Organisation hat mindestens eine Stelle, an die sie sofort Hilfe schicken würde, wenn sie welche hätte.

Strategischer gedacht ist das eine Engpass-Strategie, bei der du fragst, wo gerade der größte Hebel liegt. Vielleicht findest du zwei oder drei Stellen, auch das passt, die kann man aufteilen, solange du dort suchst, wo es wirklich wehtut.

Servus, Cappuccino-Use-Case

Den besten Namen für das, was diese Frage aussortiert, hat mir ein Kunde gegeben. Er hat es den Cappuccino-Use-Case genannt, also den Agent, der ungefähr so viel Zeit spart, wie ein Kaffee dauert. Einem CFO verkaufst du das nicht, der fragt völlig zu Recht, was drei Minuten pro Woche bringen sollen, und merkt an, dass die Leute mit der gesparten Zeit ohnehin etwas anderes machen werden. Falsch sind solche Use Cases nicht, nur liegt dort nicht die Wirkung, und die Tausend-Leute-Frage schiebt sie fast von allein zur Seite.

Wo die anderen beiden Entscheidungen ins Spiel kommen

Sebs ursprüngliches Argument geht über die eine Frage hinaus. Er nennt drei Entscheidungen, an denen KI-Projekte hängen, nämlich welches Problem gelöst wird, was passiert, wenn die KI dem widerspricht, was das Team glaubt, und wer verantwortlich ist, wenn sie falsch liegt. Die Tausend-Leute-Frage prüft die erste. Die dritte ist die letzte Frage dieser Serie, wer eine Lösung trägt, sobald sie Gewicht trägt. Die mittlere, was du tust, wenn die Maschine deinen Leuten widerspricht, finde ich am schwierigsten, und die kann dir diese Serie nicht abnehmen.

Davor wird es im nächsten Teil aber technischer. Kennst du das Problem, stellt sich die Frage, was ein Agent wissen muss, um es zu lösen, und wem dieses Wissen eigentlich gehört.