Wenn jeder KI hat, aber das Unternehmen trotzdem nichts lernt: Das unordentliche Mittelfeld der Unternehmens-KI-Einführung

Der Artikel diskutiert die schmerzhafte Phase der KI-Einführung, in der Lizenzen für Copilot, ChatGPT Enterprise, Claude, Gemini oder Cursor bereitgestellt werden, das Unternehmen als Ganzes aber fast nichts lernt. Ethan Mollicks Modell Leadership, Lab, and Crowd wird zitiert: Die Führung gibt die Richtung vor, die Crowd entdeckt Anwendungsfälle, und das Lab soll diese Entdeckungen in gemeinsame Praktiken umwandeln – doch das Lernen verbreitet sich selten.

Hauptprobleme der aktuellen KI-Einführung

• Erste Phase sieht aus wie Standard-Rollouts in Unternehmen: Lizenzen kaufen, akzeptable Nutzung definieren, Schulungen durchführen, ein Netzwerk von Multiplikatoren aufbauen, Mitarbeiter bitten, Anwendungsfälle in einem Teams-Kanal zu teilen (der zu einem toten Archiv wird).
• Zweite Phase ist unordentlicher: Ein Team nutzt Copilot als Autovervollständigung, ein anderes setzt Claude Code mit engen Schleifen und Überprüfungen ein, ein Produktverantwortlicher prototypisiert echte Software statt Figma-Mockups, ein leitender Ingenieur delegiert die Ursachenanalyse an einen Agenten und erhält in unter einer Stunde eine gültige Lösung (bisher zwei Wochen), ein Nachwuchsmitarbeiter produziert sauberen Code, ohne die architektonischen Auswirkungen zu verstehen, ein Support-Team verwandelt wiederkehrende Tickets stillschweigend in Workflow-Automatisierungen, weil niemand im Center of Excellence je die richtige Frage gestellt hat.
• Die Einheit der Einführung ist nicht mehr die Organisation oder gar das Team – es ist die Schleife innerhalb der Arbeit.

Warum traditionelle Veränderungsmechanismen versagen

Communities of Practice, Brown-Bag-Sessions, Multiplikatoren-Netzwerke, Enablement-Decks, monatliche Demos, Umfragen – all das ist zu langsam. Die interessante KI-Arbeit taucht in einem Code-Review, einem Vertriebsangebot, einer Forschungsaufgabe, einem Produktprototypen, einem Produktionsvorfall, einer Teststrategie oder einer Compliance-Frage auf. Wenn die Geschichte erst zu einer Best-Practice-Folie wird, hat das Lernen seine Schlagkraft verloren. Was es nützlich machte, war die Reibung: fehlender Kontext, der fehlgeschlagene Test, das seltsame API-Verhalten, der Moment, in dem der Agent ins Absurde abdriftete und jemand ihn zurückholen musste.

Das Framework der elastischen Schleife

Der Autor schlägt vor, über die elastische Schleife nachzudenken: KI-Zusammenarbeit ist nicht nur ein Modus. Sie erstreckt sich von engen, synchronen Ko-Fahrer-Modellen bis hin zu lockeren, asynchronen Delegationen. Die eigentliche Frage der Einführung ist nicht 'Nutzen die Leute KI?', sondern: Wissen Teams, welche Schleifengröße sie verwenden sollen? Wo sie Widerstand brauchen? Welche Artefakte die Schleife überleben sollten? Wie werden diese Artefakte zu etwas, das die Organisation lernen kann? Das ist viel schwieriger als die Nutzung von Tools oder das Zählen von Tokens.