Blog

Ein Unternehmen prüft, ob es Callcenter-Anfragen mit KI beantworten lässt. Der Pilot läuft, die Auswertung kommt auf den Tisch: Fehlerquote rund vier Prozent.

Die Entscheidung fällt schnell und einstimmig: „Das können wir uns nicht leisten. Vier Prozent Fehler gegenüber unseren Kunden, undenkbar.“

Projekt beendet, zurück zum Bewährten.

Das wirkt auf den ersten Blick wie verantwortungsvolles Management. Bis jemand die eine Frage stellt, die in solchen Runden fast nie fällt:

Wie hoch ist eigentlich die Fehlerquote der Menschen, die diese Anfragen heute beantworten?

Stille. Niemand weiß es. Es hat nie jemand gemessen.

Und wenn man misst, kommt regelmäßig heraus: Auch menschliche Agents geben falsche Auskünfte, verwechseln Tarife, vergessen Rückrufe, haben schlechte Tage. Die menschliche Fehlerquote liegt in vielen dieser Tätigkeiten über den vier Prozent, gegen die eben einstimmig entschieden wurde.

Das Unternehmen hat eine Lösung abgelehnt, die weniger Fehler gemacht hätte als der Status quo — und fühlt sich dabei auch noch vorsichtig.

Woher der Doppelstandard kommt

Wir haben unsere Erwartungen an Maschinen über ein Jahrhundert an deterministischer Technik gebildet. Der Taschenrechner rechnet immer richtig. Software tut, was programmiert wurde, sonst ist es ein Bug.

Bei Menschen dagegen haben wir gelernt, mit Fehlern zu leben. Vier-Augen-Prinzip, Freigabeschleifen, Kulanz, der schlechte Tag wird verziehen.

Menschliche Fehler sind eingepreist. Maschinelle Fehler sind Skandale.

Generative KI fällt zwischen diese Kategorien. Sie ist eine Maschine, aber keine deterministische — sie hat aus menschlichen Daten gelernt und macht deshalb menschenähnliche Fehler.

Wer sie am Taschenrechner misst, lässt sie immer durchfallen. Wer sie am Menschen misst, entdeckt plötzlich, wie oft sie besteht.

Vier Fragen, die in einer halben Stunde Klarheit schaffen

• Wie gut ist die heutige Lösung wirklich? Die Basislinie ist Ihr Vergleichswert, nicht die Null
• Was kostet ein Fehler hier? Ärgerlich und korrigierbar oder irreversibel? Je teurer, desto mehr menschliche Kontrolle, unabhängig von der Quote
• Wo genau sitzt die Prüfung? Nicht „Mensch oder Maschine“, sondern: Wer erstellt, wer gibt frei, wer stichprobt
• Wann messen wir wieder? Ein Nein ohne Wiedervorlagedatum ist kein Urteil, sondern eine Beerdigung

Wichtig ist mir eine Abgrenzung: Das ist kein Argument dafür, Menschen zu ersetzen, wo die Quote es hergibt. Es ist ein Argument für Entscheidungen auf Basis echter Zahlen statt eines Reflexes.

Meist lautet das Ergebnis ohnehin: Mensch und KI gemeinsam schlagen beide Einzellösungen.

Nehmen Sie sich diese Woche einen Prozess vor, bei dem schon einmal jemand gesagt hat „das können wir uns nicht leisten“. Und fragen Sie dort zuerst nach der Basislinie.

Wo in Ihrer Organisation wird gerade etwas an Perfektion gemessen, das der bestehende Prozess selbst nie erreicht hat?

Die ausführliche Fassung dieser Ausgabe erscheint in meiner Serie „Unlimitierte Intelligenz“: mit dem vollständigen Entscheidungsraster, der unbequemen Kehrseite des fairen Vergleichs — und der Frage eines Betriebsrats, die eine ernste Antwort verdient.

Zur Vollversion auf Substack

Es gibt eine Denkfigur, die in fast jedem Managementgespräch über KI auftaucht, meist mit dem ruhigen Selbstbewusstsein langer Berufserfahrung vorgetragen:

„Erst der Hype, dann die Ernüchterung, dann die Reife. Wer klug ist, wartet die ersten zwei Phasen ab und kauft in der dritten.“

Ich verstehe das gut. Über Jahrzehnte war es richtig. Wer 1985 keinen Computer kaufte, sondern 1992, bekam ein besseres Gerät zum halben Preis — und hatte wenig verpasst. Der Computer von 1992 stand für alle gleich auf dem Schreibtisch.

Heute höre ich dieselbe Logik in neuer Verpackung: „Dann steht in fünf Jahren halt der KI-Computer auf meinem Tisch.“

An dieser Stelle muss ich hart widersprechen.

Lineares Denken versagt an Exponentialkurven

Wir alle haben in den Covid-Jahren eine schmerzhafte Lektion über exponentielles Wachstum gelernt: Der Mensch denkt linear, und lineares Denken versagt an Exponentialkurven zuverlässig.

Am Anfang wirkt exponentielles Wachstum harmlos. Die Zahlen sind klein, die Skeptiker fühlen sich bestätigt. Dann kommt der Knick — und wer erst dann reagiert, ist zu spät.

Bei linearem Fortschritt ist Warten günstig. Der Rückstand bleibt überschaubar.

Bei exponentiellem Fortschritt dreht sich die Rechnung um: Der Abstand zwischen dem, der heute anfängt, und dem, der in fünf Jahren anfängt, ist nicht fünf Jahre groß. Er ist so groß wie alles, was in fünf Verdopplungsperioden übereinandergeschichtet wurde.

Was der Wartende wirklich verliert

Der häufigste Einwand: Die bessere Technologie steht mir doch später genauso zur Verfügung.

Stimmt. Und geht am Punkt vorbei, weil er unterstellt, der Wert stecke in der Technologie. Tut er nicht. Der Elektromotor war 1890 für jede Fabrik käuflich — was die erfolgreichen Fabriken unterschied, war die neu gedachte Fabrik um ihn herum. Die konnte man nicht kaufen.

• Die Menschen. Fünf Jahre Erfahrung im Denken mit KI lassen sich so wenig kaufen wie Berufserfahrung
• Die Use Cases. Die wertvollsten stehen in keinem Katalog, sie entstehen aus der eigenen Arbeit
• Den Kontext. Wer 2031 beginnt, füttert seine KI mit dem Wissensstand von 2031 — der Wettbewerber sitzt auf einem halben Jahrzehnt aufbereiteter Erfahrung
• Den Markt. Während Sie warten, wartet Ihre Konkurrenz vielleicht nicht

Ein Nebeneffekt derselben Kurve, den ich in Workshops immer betone: Was gestern nicht funktioniert hat, funktioniert morgen. Nicht aufgeben und urteilen „ist halt zu dumm“, sondern wieder ausprobieren. Ein Testergebnis hat bei dieser Technologie ein Ablaufdatum von wenigen Monaten.

Was „heute anfangen“ konkret heißt

Nicht: morgen ein KI-Großprojekt ausschreiben. Hektik ist nur die zweite Form der Hilflosigkeit, gleich nach dem Warten.

Es heißt: die eigenen sechs Stunden absolvieren. Das Experimentieren im eigenen Bereich ausdrücklich erlauben. Und ein einziges wiederkehrendes Arbeitspaket vier Wochen lang konsequent mit KI bearbeiten.

Worauf genau warten Sie eigentlich — und woran würden Sie merken, dass es so weit ist?

Die ausführliche Fassung dieser Ausgabe erscheint in meiner Serie „Unlimitierte Intelligenz“: mit den Zahlen zur Verdopplungsgeschwindigkeit, allen vier Verlustschichten im Detail — und der bequemen Variante des Wartens, die sich als Qualitätsanspruch tarnt.

Zur Vollversion auf Substack

Es gibt einen Satz, den ich nach Keynotes häufiger höre als jeden anderen. Er kommt in der Kaffeepause, meist etwas leiser gesprochen:

„Für mich ist der Zug wahrscheinlich schon abgefahren.“

Gesagt von einer Abteilungsleiterin Mitte fünfzig. Von einem Geschäftsführer, der seit dreißig Jahren erfolgreich ein Unternehmen führt. Von einer jungen Kollegin, die glaubt, alle anderen im Team seien längst weiter.

Der Zug ist nicht abgefahren. Er steht noch am Bahnsteig. Es sitzen schon Leute drin — aber die meisten studieren gerade verwirrt den Fahrplan, und einige sind in den falschen Waggon gestiegen.

Niemand hat es gelöst

Dafür gibt es einen handfesten Grund: Es gibt keine Organisation, die das Thema KI komplett gelöst hat. Keine einzige. Die glänzenden Konferenzvorträge zeigen die drei Use Cases, die funktioniert haben — nicht die siebzehn, die vorher gescheitert sind.

Bei früheren Technologien gab es einen echten, uneinholbaren Erfahrungsvorsprung. Wer 1995 zehn Jahre Softwareentwicklung im Rücken hatte, war schwer einzuholen.

Generative KI ist anders. Sie verändert sich so schnell, dass ein großer Teil des Detailwissens von vor zwei Jahren heute wertlos ist:

• Die ausgefeilten Prompt-Tricks von damals? Größtenteils überflüssig, weil die Modelle besser wurden
• Die Grenzen, die jemand 2023 mühsam kartiert hat? Verschoben
• Was Frühstarter wirklich besitzen, ist die Gewohnheit des Experimentierens — und die eignet man sich schneller an, als man glaubt

Die Sechs-Stunden-These

Meine These, die regelmäßig für hochgezogene Augenbrauen sorgt: Sechs Stunden intensive Beschäftigung genügen, um generative KI verstanden zu haben. Kein Drei-Monats-Kurs, kein zweiwöchiges E-Learning.

Verstanden heißt nicht, dass Sie neuronale Netze erklären können. Sie müssen auch keinen Verbrennungsmotor konstruieren können, um exzellent Auto zu fahren.

Verstanden heißt: Sie wissen, was die Technologie kann, wo ihre Grenzen liegen — und Sie denken im Alltag von selbst „Moment, das wäre doch etwas für die KI.“

Genau deshalb versagen Kurse dort, wo sechs eigene Stunden funktionieren. Bei dieser Technologie kommt man vom Use zum Case: Die Idee entsteht durch die Nutzung, nicht davor.

Eine Kollegin hat einfach experimentiert und kam von selbst darauf, ihre Fotos nicht mehr händisch zu kategorisieren. Niemand hätte ihr diesen Use Case in einer Schulung beibringen können — weil niemand außer ihr wusste, dass es diese lästige Aufgabe überhaupt gibt.

Ein Hinweis noch: Nehmen Sie für die ersten Versuche keine sensiblen Daten in Gratisversionen. Gratis heißt meist, dass Ihre Eingaben zu Trainingszwecken gespeichert werden können.

Sechs Stunden. Sie haben diese Woche vermutlich länger in Meetings gesessen, deren Ergebnis Sie nicht mehr erinnern.

Was hält Sie eigentlich davon ab, diese sechs Stunden in den Kalender zu schreiben?

Die ausführliche Fassung dieser Ausgabe erscheint in meiner Serie „Unlimitierte Intelligenz“: mit dem kompletten Sechs-Stunden-Plan, Stunde für Stunde — inklusive der Stunde, in der die KI Ihnen das Prompten selbst beibringt, und der Stunde, in der Sie sie gezielt scheitern lassen.

Zur Vollversion auf Substack