Intelligence
KI bereitet vor. Menschen entscheiden.
KI wird zu einer Fähigkeit der Firma, mit klaren Regeln, wer entscheidet. Und der offizielle Weg ist der einfachste, sonst entsteht Schatten-KI.
Im Buchstaben drin I
Intelligence behandelt KI wie Strom: als Infrastruktur, auf der die ganze Firma läuft, und nicht als Feature, das jemand auf seinem Laptop installiert. Sie arbeitet in zwei Kreisen. Der erste Kreis macht die Organisation selber arbeitsfähiger: Informationen sind auffindbar, Daten verlässlich, Prozesse automatisiert, wo es sich lohnt. Der zweite Kreis beschleunigt die Wertschöpfung: KI in Produkten, Services und Delivery. Für beide gilt dieselbe Grenze. KI bereitet vor, der Mensch entscheidet, und jede Abhängigkeit hat einen dokumentierten Ausstieg.
Die Falle
Wenn jeder sein eigenes Tool nutzt, bekommst du fragmentiertes Wissen, Workflows, die niemand kennt, Abhängigkeiten, die niemand sieht, und ein langsames Erodieren des Urteils, weil man dem Output vertraut, statt ihn zu prüfen. Der Reflex vieler Firmen macht es schlimmer: eine zentrale Stelle, die jedes Werkzeug bewilligen will. Dann bauen die Leute erst recht an ihr vorbei.
Mechanik
- 01Der Intelligence Steward setzt die KI-Leitplanken: KI bereitet vor, Menschen entscheiden; Autonomiestufen pro Anwendungsfall; ein Inventar, in dem jeder Use Case steht.
- 02Drei Stufen, pro Aufgabe explizit gewählt: assistieren, verstärken, autonom. Je höher die Stufe, desto genauer die Prüfung.
- 03Bias-Wache als Leitplanke: Automation Bias, Confirmation Bias und Status-quo-Bias werden bei jedem Use Case aktiv geprüft. Wer dem Modell blind vertraut, macht dessen Fehler zu seinen eigenen.
- 04Anker-Core-Jobs für Digital Workplace, Daten, KI in der Organisation und KI in der Wertschöpfung. Die Ergebnisverantwortung für das Produkt bleibt dabei in F; I liefert die Fähigkeit.
In Forschung verwurzelt
Jede Quelle mit einem kurzen Satz dazu, was sie tatsächlich sagt.
- Shneiderman (2022), Human-Centered AI
Hohe Automatisierung und hohe menschliche Kontrolle sind kein Widerspruch. Gute Systeme geben beides: starke Werkzeuge und klare Kontrolle.
Was das nicht klärt: Designprinzipien, kein fertiges Operating Model.
- Brynjolfsson & McAfee (2014), The Second Machine Age
Die grössten Produktivitätsgewinne entstehen, wenn Mensch und Maschine im selben Workflow das tun, was jeder am besten kann.
Was das nicht klärt: Makro-Argument; wie die Rollen in der Firma aussehen, sagt es nicht.
- Parasuraman & Manzey (2010), Automation Bias
Menschen vertrauen automatisierten Ergebnissen mehr, als gerechtfertigt ist, besonders unter Zeitdruck. Ohne eingebaute Prüfung werden Fehler des Modells zu Fehlern des Teams.
Was das nicht klärt: Bewusstsein allein hilft nicht; es braucht strukturelle Prüfschritte.
- Hinweis: FLAIMS-eigene Konstrukte wie Steward, Anker-Core-Job, Core-Job, Joblet, FlowCoach, Gravity Decision Model und die Lernkette sind Entwicklungen des Modells aus der Praxis, keine zitierte Forschung.
In der Praxis
KI hört auf, ein privater Hack zu sein, und wird zur Fähigkeit der ganzen Firma. Du weisst bei jedem Use Case, welche Stufe gilt, wer entscheidet und wie man wieder rauskommt.