Globale Führungskräfte kämpfen mit der Integration künstlicher Intelligenz (KI) in den Arbeitsplatz mit fünf Kernproblemen Einsichten von über 100 Bauherren, Führungskräften, Investoren, Beratern und Forschern. Diese Spannungen umfassen das Verhältnis zwischen Experten und Neulingen, Zentralisierung versus Dezentralisierung in der Governance, die Auswirkungen von KI auf hierarchische Strukturen, das Gleichgewicht zwischen Geschwindigkeit und bewusster Umsetzung sowie das Zusammenspiel von Top-Down- und Peer-getriebenen Veränderungsinitiativen. Untersuchungen deuten darauf hin, dass frühe Anwendungen von KI doppelte Effekte gezeigt haben. Polnische Endoskopiker, die KI zur Krebserkennung nutzen, verzeichneten eine verbesserte Genauigkeit bei KI-gestützten Verfahren, aber einen Rückgang bei Nicht-KI-Aufgaben. Studenten, die KI für das Verfassen von Aufsätzen im SAT-Stil nutzten, zeigten zunächst einen Kreativitätsschub; Diejenigen, die mit KI-generierten Ideen begannen, zeigten jedoch eine verringerte Alphawellenaktivität und produzierten sehr ähnliche Ergebnisse. Eine Studie aus dem Jahr 2025 in 20 europäischen Ländern ergab außerdem, dass Arbeitnehmer in hochautomatisierten Arbeitsplätzen von einer geringeren Zielstrebigkeit, weniger Kontrolle und erhöhtem Stress berichteten, obwohl die Aufgaben technisch einfacher wurden. Das neue Work AI Institute bei Glean hat diese Erkenntnisse in der „AI Transformation 100“ zusammengefasst, einer kommentierten Liste von Ideen, um die Vorteile von KI zu nutzen und ihre Nachteile abzumildern. Diese Initiative zielt darauf ab, echte Transformation von Hype zu unterscheiden und den Fortschritt, die Stagnation und die unbeabsichtigten Folgen der KI zu verstehen. Eine Spannung entsteht durch die Fähigkeit der KI, die Grenzen zwischen Experten und Anfängern zu verwischen und es Nichtfachleuten zu ermöglichen, Aufgaben auszuführen, die in der Vergangenheit eine umfangreiche Schulung erforderten, wie etwa Codierung oder Datenanalyse. Dieser Wandel erweitert die Beitragsmöglichkeiten, birgt jedoch die Gefahr, dass KI-Kenntnisse mit echter Meisterschaft verwechselt werden. John Lilly, ein Vorstandsmitglied von Duolingo, stellte fest, dass Nicht-Ingenieure innerhalb von vier Monaten einen Schachkurs-Prototypen mithilfe von KI entwickelten und damit andere interne Initiativen übertrafen, da Experten, wenn sie zu früh einbezogen würden, möglicherweise Gründe darlegten, warum ein Projekt nicht funktionieren würde. Google-Teams haben außerdem einen „Prototyp-First“-Ansatz gewählt und nutzen KI-gestütztes „Vibe-Coding“, um vor der Ausarbeitung von Vorschlägen funktionierende Demos zu erstellen und so die Iteration zu beschleunigen. Wenn man sich jedoch zu sehr auf Anfänger verlässt, kann dies zu „KI-Schwachstellen“ führen – Ergebnissen, die zwar überzeugend erscheinen, aber keine Substanz haben. Untersuchungen von Stanford deuten auf einen Rückgang bei der Einstellung von Entwicklereinsteigern hin, während die Nachfrage nach leitenden Ingenieuren gestiegen ist, was darauf hindeutet, dass Unternehmen auf Experten angewiesen sind, um diesem Phänomen entgegenzuwirken. Zu den Strategien, um dieses Problem anzugehen, gehört es, Generalisten die Initiierung von Projekten mit KI zu ermöglichen und gleichzeitig sicherzustellen, dass Experten erfolgreiche Ergebnisse verfeinern und skalieren. Bei Stitch Fix beschrieb Eric Colson, ehemaliger Chief Algorithms Officer, benutzerdefinierte Algorithmen, die auf unerfüllte Bedürfnisse hinweisen, wobei menschliche Designer dann Optionen auswählen, die mit der Marke und den Qualitätsstandards übereinstimmen. Unternehmen sollten auch Top-Mitarbeiter wie Kliniker oder Datenexperten von Anfang an in KI-Modellschulungen und Pilotprogramme einbeziehen, wie Alexandre Guilbault, Vizepräsident für KI bei TELUS, empfiehlt, der sagte: „Die besten Leute sind diejenigen, die die größte Transformation vorantreiben können.“ Die Einbettung von Experten in lokale Teams, wie das „Glean on AI“-Team von Glean für funktionale Automatisierung und das „AI Outcomes“-Team für Kundenlösungen, erleichtert auch die Identifizierung und Entwicklung KI-gesteuerter Prozesse. Eine weitere Spannung betrifft das Gleichgewicht zwischen Zentralisierung und Dezentralisierung der KI-Kontrolle innerhalb von Organisationen. Die Zentralisierung, häufig durch KI-Kompetenzzentren, zielt auf die Durchsetzung von Standards und das Risikomanagement ab, kann jedoch aufgrund umfangreicher Genehmigungsprozesse Innovationen behindern. Umgekehrt kann die dezentrale KI-Entwicklung zu schnellen, aber unkoordinierten Innovationen führen, was zu fragmentierten Tools und digitaler Erschöpfung führt, so Paul Leonardi, Professor an der UC Santa Barbara. Um dies zu bewältigen, zentralisieren Unternehmen risikoreiche Bereiche wie Datenverwaltung und Sicherheitsinfrastruktur und dezentralisieren gleichzeitig risikoarme Experimente wie Workflow-Automatisierungen. Organisationen sollten es auch vermeiden, symbolische KI-Rollen ohne Budget oder Befugnisse zu schaffen, sondern KI-Verantwortlichkeiten stattdessen innerhalb bestehender Teams zu verteilen. Die Wahl der Technologie sollte Governance-Funktionen der Enterprise-Klasse umfassen, wie z. B. Sicherheit und Audit-Trails, und gleichzeitig den einzelnen Teams Flexibilität bieten. Die HR-Teams von Booking.com haben eine KI-gestützte Suchplattform implementiert, die sicherstellt, dass Mitarbeiter nur auf Informationen zugreifen, für die sie eine Berechtigung haben, so Senior Engineering Manager Tadeu Faedrich, der sagte: „Wir wollten nicht, dass Leute Dokumente finden, auf die sie keinen Zugriff haben sollten.“ Die dritte Spannung betrifft den Trend zu flacheren Organisationshierarchien. Während KI Routineentscheidungen und Berichte automatisiert, gehen viele Führungskräfte davon aus, dass sie die Entfernung von Verwaltungsebenen für schnellere Abläufe ermöglicht. Michael Arena, ehemaliger Chief Talent Officer bei General Motors, stellte jedoch fest, dass eine übermäßige Verflachung Manager überlasten und zu Engpässen führen kann, insbesondere wenn mehr als sieben direkt unterstellte Mitarbeiter beaufsichtigt werden. Manager arbeiten oft 10 bis 13 Stunden am Tag und haben trotzdem Schwierigkeiten mit ihren Pflichten. Unternehmen sollten ihre Arbeitsweisen vor der Verflachung bewerten. Wenn es sich bei der Arbeit hauptsächlich um „Kopf-nach-unten“-Aufgaben handelt, die nur minimale Koordination erfordern, können KI-Agenten Routineaufgaben verwalten, sodass Manager größere Teams leiten können. Bei „Heads-up“-Arbeiten, die gegenseitige Abhängigkeit und Kommunikation in Echtzeit erfordern, ermöglicht die Aufrechterhaltung kleinerer Teamgrößen den Managern, sich auf Coaching, Urteilsvermögen und Beziehungsaufbau zu konzentrieren. KI sollte die Verwaltung erleichtern und nicht eliminieren, indem sie Verwaltungsaufgaben wie Statusaktualisierungen und Terminplanung auslagert. Phil Wilburn, VP of People Analytics bei Workday, stellte fest, dass sein Team keine Briefing-Decks oder wöchentlichen Updates mehr zusammenstellt, weil ein KI-System unstrukturierte Daten aus Slack und Projektplänen aggregiert, sodass er KI nutzen kann, um Briefings zu erstellen oder Themen vor Besprechungen zu recherchieren. KI hat Verwaltungslasten beseitigt, ohne Managementfunktionen zu ersetzen. Die vierte Spannung betrifft den Impuls, KI schnell einzuführen, und die Notwendigkeit einer sorgfältigen, bewussten Integration. Ein übermäßiger Fokus auf Geschwindigkeit kann zu Lücken bei der Entscheidungsumsetzung führen, wenn neue Tools schnell eingeführt werden, ohne jedoch bestehende systemische Probleme anzugehen oder die technologische Eignung zu verstehen. Dies kann zu einer ungleichmäßigen Einführung, Verzögerungen oder dem Abbruch von KI-Initiativen führen. Hatim Rahman, Professor an der Northwestern University, beschrieb ein Krankenhausprojekt, bei dem das Training von KI für die medizinische Diagnostik Tausende von Ultraschallbildern erfordert, der bestehende Effizienzdruck im Gesundheitswesen jedoch die Bilderfassung minimiert. Patienteneinwilligungsprozesse und abteilungsübergreifende Konflikte verlangsamen den Fortschritt zusätzlich, was zu längeren Implementierungszeiten als erwartet führt. Auch Techniker wehren sich gegen das Projekt, weil sie einen Datenmissbrauch zur Leistungsüberwachung oder einen Stellenabbau befürchten.
- Schützen Sie langsame Modi, indem Sie Geschwindigkeitsbegrenzungen in die kreative und strategische Arbeit einbauen, einschließlich Kontrollpunkten und Bedenkzeiten. Perry Klebahn, der den Launchpad Accelerator der Stanford d.school leitet, stellte fest, dass KI zwar die Prototypenerstellung beschleunigt, das Engagement der Gründer für Ideen jedoch schwächen kann, da sie diese als zu leicht zu generieren empfinden.
- Belohnen Sie Lernen statt Effekthascherei. Bei den KI-Lernveranstaltungen „U-Days“ von Udemy werden Preise für geschäftliche Auswirkungen, messbare Verbesserungen und Peer-Feedback vergeben, nicht nur für auffällige Demonstrationen.
- Führen Sie einen „KI-Rückstand“-Test durch: Entfernen Sie jeglichen KI-bezogenen Fachjargon aus Tonhöhen, um die zugrunde liegende Substanz zu bewerten. Wenn der verbleibende Inhalt unwesentlich ist, weist dies auf eine schwache Idee hin.
Die letzte Spannung dreht sich um die Frage, ob die KI-Transformation von oben nach unten oder von Gleichgesinnten vorangetrieben werden sollte. Top-Down-Führung ist für die unternehmensweite Einführung von entscheidender Bedeutung. Daten von Worklytics zeigen, dass Teams doppelt so häufig KI-Tools einführen, wenn ihre Manager sie zuerst nutzen. Übermäßiger Druck von oben kann jedoch zu Widerstand oder oberflächlicher Compliance führen. Eine übermäßige Abhängigkeit von Bottom-up-Anstrengungen kann zu Fragmentierung und unkoordinierten Experimenten führen. Ein CTO stellte fest, dass dies mit „Hunderten kleiner Schnellboote, die in verschiedene Richtungen rasen“ verglichen werden könne. Um diese Ansätze auszugleichen, etablieren Unternehmen Veränderungsrhythmen. Der CEO eines Fortune-20-Einzelhändlers behält KI als ständiges Thema in monatlichen VP-Meetings bei, und ein funktionsübergreifender Lenkungsausschuss stimmt Einführung und Anwendungsfälle aufeinander ab. Abteilungsbesprechungen beinhalten einen „KI-Moment“ zum Erfahrungsaustausch. Unternehmen planen auch, dass Experimente scheitern, da sie sich darüber im Klaren sind, dass etwa 80 % der KI-Projekte die anfänglichen Produktivitätsziele möglicherweise nicht erreichen. Ein Fortune-500-Unternehmen gestaltet Arbeitsplätze erst dann neu, wenn es „überzeugende Beweise“ dafür gibt, dass KI die Effizienz steigern wird. Überprüfungszyklen werden implementiert, um Erkenntnisse von Mitarbeitern auf niedrigeren Ebenen zu erfassen und sicherzustellen, dass Misserfolge den Lernprozess fördern. Auch die Messung der Auswirkungen gegenüber der Aktivität ist von entscheidender Bedeutung. Nan Guo, Senior VP of Engineering bei Zendesk, verwendet eine Balanced Scorecard mit sechs technischen Produktivitätsmetriken, darunter Zykluszeit und Änderungsfehlerrate, anstelle oberflächlicher Indikatoren wie Anmeldungen oder Eingabeaufforderungszahlen. Die Formalisierung von Peer-Netzwerken, wie beispielsweise die Initiative von Uber, bei der 53 frühe KI-Champions in allen Funktionen identifiziert wurden, fördert interne Lerngemeinschaften und Engagement. Erfolgreiche Führungskräfte bewältigen die Komplexität der KI, indem sie diese Spannungen als Designmerkmale und nicht als Mängel betrachten. Sie bleiben anpassungsfähig und erkennen an, dass der optimale Weg nach vorn vorläufig ist. „Fünfzig Prozent von dem, was wir Ihnen beibringen, werden sich als falsch herausstellen“, sagte Berichten zufolge ein Dekan der Harvard Medical School den ankommenden Studenten und spiegelte damit die Unsicherheit bei der KI-Implementierung wider. Führungskräfte, die Bescheidenheit an den Tag legen und organisatorische Flexibilität pflegen, sind bestens gerüstet, um kontinuierlich zu lernen und sich an die Weiterentwicklung der technologischen Landschaft anzupassen.
