Für viele Unternehmen ist der KI-Roll-Out mit der Bereitstellung neuer KI-Tools gedanklich abgeschlossen. Sie übersehen dabei, wo Implementierung wirklich stattfindet: in den täglichen Aufgaben jedes einzelnen Mitarbeitenden.
Dafür braucht es zwei Dinge: KI-Kompetenz und den Freiraum zum Auszuprobieren.
https://video.tv.adobe.com/v/3505903?end=nothing&learn=on&captions=eng
Führung muss Ausprobieren belohnen.
Eine aktuelle Untersuchung von DataCamp und YouGov zeigt, wie groß die Lücke zwischen Investitionen und der tatsächlichen Wirkung ist. Nur 21 Prozent der befragten Führungskräfte berichten von einem signifikanten positiven ROI ihrer KI-Investitionen.
Deutlich höher (42 Prozent) liegt dieser Anteil jedoch bei Unternehmen mit einem ausgereiften, organisationsweiten Enablement-Programm für Data- und KI-Skills. Ein deutlicher Unterschied, der eine alte Weisheit bestätigt: Ein neu eingekauftes Werkzeug allein verändert noch keinen Prozess.
Gerade wenn das neue Tool so vielfältig einsetzbar ist wie im Falle von KI, braucht es dafür nicht nur abstrakte Schulungen, sondern auch eine Kultur des Tüftelns. Mitarbeitende sollten es neben dem Tagesgeschäft als produktiven Teil ihrer Arbeit begreifen, neue KI-Skills und Prozesse zu bauen.
Und genau dabei haben Führungskräfte eine besondere Rolle. Sie müssen klar zeigen, dass Ausprobieren im Unternehmen erwünscht ist – und bestenfalls sogar belohnt wird. Wenn Team Leads und Geschäftsführung dann auch noch davon erzählen, was sie getestet haben – inklusive der Dinge, die nicht funktioniert haben –, entsteht eine Kultur, die Innovation in der Breite wirklich fördert.
Bewährter Ansatz: KI-Ambassador-Programme.
Viele Unternehmen bauen dafür ein Netzwerk aus KI-geschulten Kolleg*innen auf. Sie kommen aus unterschiedlichen Fachbereichen, helfen ihren Teams bei konkreten Fragen und sammeln Anwendungsfälle aus dem Alltag.
Bei Adobe hat mein Kollege Jason Baer ein solches Ambassador-Programm mit 50 Personen über verschiedene Regionen und vertriebsnahe Rollen aufgebaut. Die Ambassadors suchen nach manuellen Aufgaben, bei denen KI helfen kann, und machen ihre Erfahrungen im eigenen Team sichtbar.
Damit ein solches Netzwerk trägt, müssen die beteiligten Kolleg*innen aus verschiedenen Bereichen kommen, um Use Cases über die Bandbreite der Aufgaben in einem Unternehmen entdecken zu können. Sie brauchen geschützte Zeit für ihre Rolle.
Und die Unternehmensführung muss auch nach dem Start des Programms ein sichtbarer Unterstützer bleiben. Eine Fallstudie von Altimetrik beschreibt ganz gut, was sonst passiert: Ein firmeneigenes Netzwerk aus KI-affinen Kolleg*innen verlor an Schwung, als eine Führungskraft nicht mehr an den Sessions teilnahm und Kommunikationswege unverbindlich wurden. Begeisterung allein hält ein Programm also selten über die ersten Wochen hinaus. Es braucht ein klares Sponsoring von oben.
Die gewünschte Kultur: Sharing is caring.
Dass man auf dem richtigen Weg ist und das Ambassador-Netzwerk trägt, merkt man, wenn Mitarbeitende KI-Skills anlegen und diese mit Kolleg*innen teilen. Mitarbeitende kodifizieren in solchen Skills Fachwissen so, dass andere es nutzen können.
Der Output wird nie so perfekt, wie wenn die Expertin den Task selbst erledigt. Aber das ist bei den meisten Aufgaben auch nicht notwendig. Es geht vielmehr um einen „Floor Lift“: Wenn die Breite der Belegschaft den Arbeitsschritt dank KI-Skill nur um 30% besser oder schneller macht, ist schon viel gewonnen.
Gerade im Hinblick auf den nahenden "Brain Drain", dem Unternehmen durch zahlreiche Renteneintritte in den nächsten Jahren gegenüberstehen, sollten Führungskräfte diese Kultur des Teilens gezielt fördern.
Arbeit beobachten, wie sie wirklich passiert.
Der nächste Schritt ist die Suche nach den Aufgaben, die Menschen von wertvolleren Tätigkeiten abhalten.
Dafür lohnt sich wieder ein Blick auf die tatsächliche Arbeit. Prozessbeschreibungen zeigen den vorgesehenen Ablauf. Im Alltag gibt es oft noch fünf Zwischenschritte: Informationen werden kopiert, Dateien umbenannt, Tabellen zusammengeführt und Ergebnisse in ein weiteres System übertragen.
Process Mining kann anhand von Ereignisdaten sichtbar machen, wie ein Prozess tatsächlich läuft. Task Mining geht näher an den Arbeitsplatz und untersucht wiederkehrende Interaktionen wie Klicks, Copy-and-paste-Vorgänge oder Wechsel zwischen Anwendungen.
Meine Erfahrung: Zentraler Bestandteil sollte immer das Gespräch mit den Teams sein. Eine kurze Befragung kann zeigen, wo der größte Frust entsteht. Zeiterfassung und Systemdaten können dieses Bild ergänzen.
Die belastbarsten Hinweise entstehen oft also aus beidem: aus dem, was sich messen lässt, und aus dem, was Menschen jeden Tag erleben. Hier entsteht schnell ein sichtbarer Erfolg und der überzeugt Skeptiker häufig stärker als eine große interne Kampagne.
Wo Automatisierung nicht das erste Ziel sein sollte.
Es gibt Aufgaben, die Unternehmen aus meiner Sicht nicht als erstes vollständig Automatisieren sollten. Nämlich wenn Kontext, Verantwortung und Beziehung eine große Rolle spielen.
Customer Service kann vielerorts dazugehören, denn Kundenkontakte sind komplex. Ein System kann Sprache analysieren und passende Antworten vorschlagen. Es kennt deshalb noch lange nicht die ganze Vorgeschichte einer Beziehung oder den Grund, warum eine Situation gerade eskaliert.
Eine gute Faustregel ist der Blick auf mögliche Folgeschäden: Was passiert, wenn ein Teil der Leistung durch die Automatisierung wegfällt? Ein Sonderfall, den beispielsweise ein Chatbot nicht abdeckt, kann selten vorkommen und trotzdem ein hohes Risiko tragen, Kundenbeziehungen nachhaltig zu beschädigen.
Nicht jeder Mehrwert wird schon gemessen.
Dazu passt auch ein letzter Punkt, der in ROI-Diskussionen gerne mal übersehen wird: Manche Verbesserungen lassen sich schwer in einer Tabelle abbilden – oder werden schlicht noch nicht gemessen.
Wenn eine E-Mail durch KI einen Tick höflicher und klarer wird, spart das vielleicht keine messbaren Minuten. Trotzdem kann sich die Zusammenarbeit verbessern. Ein freundlicherer Ton kann die nächste Interaktion leichter machen. Und ein Team, das sich gut versteht, hat mehr Raum für die eigentliche Diskussion.
Solche Effekte sind real, auch wenn sie sich erst später in Kundentreue, Zusammenarbeit oder Qualität zeigen.
Unternehmen brauchen deshalb neben klassischen Kennzahlen auch ein Gefühl dafür, welche Arbeit durch KI besser wird. Oft reicht dafür eine Person im Team, die sich auskennt, etwas Zeit bekommt und regelmäßig ausprobiert, was die Maschine inzwischen kann.
Empfehlungen für euch.
https://business.adobe.com/fragments/resources/cards/thank-you-collections/generative-ai
