Kürzlich war ich zu Gast beim Digital Analog Podcast, um darüber zu sprechen, was es wirklich bedeutet, wenn Mensch und Maschine zusammenarbeiten. Als Chief of Cybernetic Transformation und Partner bei Zühlke beschäftige ich mich täglich mit diesen Fragen. Im Gespräch haben wir alles abgedeckt: von den grössten Hindernissen bei der digitalen Transformation über die Frage, wie KI-Agenten die Zusammenarbeit verändern könnten, bis hin zur Erkenntnis, warum Einfachheit das Leitprinzip jeder Organisation sein sollte.
Was ist Cybernetic Transformation?#
Der Begriff «Cybernetic» wurde in den 1940er-Jahren geprägt, lange bevor KI zum Modewort wurde. Im Kern beschreibt Kybernetik, wie Menschen und Maschinen in einer ständigen Feedback-Schleife zusammenarbeiten, kontinuierlich lernen und sich verbessern. Genau das sehe ich als die Zukunft von Organisationen.
Meine Aufgabe bei Zühlke ist es, Unternehmen dabei zu begleiten, ihre Prozesse, Organisation und technologischen Fundamente so zu gestalten, dass sie kontinuierlich Wert liefern können. Das ist Cybernetic Transformation in der Praxis. Der Begriff ist nicht weit verbreitet, was Nachteile hat, aber auch einen Vorteil: Er weckt Neugier und führt zu guten Gesprächen.
Die grössten Hindernisse sind nicht technischer Natur#
Wenn ich nach den grössten Herausforderungen bei der digitalen Transformation gefragt werde, überrascht meine Antwort viele: Die Probleme sind selten technisch. Ja, es gibt Legacy-Applikationen und veraltete Technologielandschaften, aber diese lassen sich mit den richtigen Ressourcen und Investitionen lösen.
Auch Prozessproblem sind lösbar. Im Laufe der Zeit haben sich Prozesse eingeschliffen und müssen an neue technische Möglichkeiten angepasst werden. Das ist machbar.
Die wirklich schwierigen Probleme sind organisatorischer Natur. Unternehmen haben Hierarchien und Silos aufgebaut, die in der Vergangenheit absolut Sinn ergeben haben. Jede Business Unit hat sich auf ihre Spezialität fokussiert und diese gut beherrscht. Aber jetzt, da Organisationen beschleunigen müssen, blockieren diese Silos den Wertfluss über die Grenzen der Business Units hinweg. Der Wertstrom verläuft durch mehrere Units, wird aber immer wieder unterbrochen.
Das grösste Hindernis ist das Mittelmanagement. Nicht weil sie etwas falsch machen, sondern weil sie in einer Identitätskrise stecken. Es gibt echte Ängste vor Jobverlust, vor dem Verlust der Aufgabe und der Organisation, die man aufgebaut hat und auf die man stolz war. Mit dieser Angst kommt Widerstand, und diesen Widerstand zu überwinden ist die härteste Herausforderung in den meisten Organisationen.
Value Stream Mapping: Ein Werkzeug aus den 1940ern für heutige KI-Herausforderungen#
Eine der wirksamsten Techniken, die ich bei Kunden einsetze, stammt aus dem Toyota Production System der 1940er-Jahre: das Value Stream Mapping. Man analysiert den gesamten Strom von Anfang bis Ende, identifiziert jeden Schritt, misst ihn, und plötzlich kann das gesamte Team, einschliesslich des Managements, genau sehen, wo die Probleme liegen.
Visualisierung ist ein kraftvolles Instrument. Statt eines diffusen Gefühls, dass etwas nicht funktioniert, hat man eine konkrete Landkarte, die zeigt, wo die Engpässe, Übergaben und Wartezeiten sind.
Das wird besonders interessant mit KI. Wenn Unternehmen zu mir kommen und sagen «wir möchten KI einsetzen», sage ich immer: Lasst uns zuerst den Wertstrom analysieren. Auf Basis dieser Analyse können wir sehen, wo KI tatsächlich Wert schafft. Und hier kommt die entscheidende Erkenntnis: KI ist nicht deterministisch. Jedes Mal, wenn man sie ausführt, erhält man ein leicht anderes Ergebnis. Wenn man also exakte, wiederholbare Ergebnisse braucht, ist klassische Automatisierung das bessere Werkzeug. KI ist die richtige Wahl, wo Varianz tolerierbar ist und die kreativen Pattern-Matching-Fähigkeiten glänzen.
KI-Genauigkeit: Die 60-95%-Regel#
Aus unserer Projekterfahrung zeigt sich ein konsistentes Muster. Ohne Optimierung ist der KI-Output zu etwa 60% korrekt. Mit gutem Prompt Engineering und Testing lässt sich das auf etwa 95% steigern. Jenseits von 95% wird es extrem teuer und zeitaufwändig.
Ich habe ein konkretes Beispiel aus einem Projekt mit einer Versicherung geteilt. Die hatten viele Versicherungspolicen und Supportmitarbeiter, die nicht alles im Kopf haben konnten. Wir haben ein RAG-System (Retrieval Augmented Generation) als Chatbot über alle Policen gebaut. Die interessante Benchmark war, dass die eigenen Mitarbeiter in 5% der Fälle falsch lagen. Das wurde unser Zielwert, den wir auch erreicht haben. Darüber hinauszukommen erwies sich jedoch als sehr schwierig.
Es ist faszinierend: Wir sprechen oft über die Genauigkeit von KI, vergessen aber, dass auch Menschen nicht zu 100% genau sind.
KI-Agenten: Die nächste Stufe#
Ein Thema, das mich wirklich begeistert, sind KI-Agenten. Ich vergleiche sie mit einem persönlichen Assistenten, der auf bestimmte Aufgaben spezialisiert ist. In Zukunft wird vielleicht mein Outlook-Assistent Terminzeiten mit deinem Outlook-Assistenten aushandeln. Sie finden einen Slot, buchen ihn, und wir treffen uns einfach in Zürich, ohne genau zu wissen, wie das zustande gekommen ist.
Hier wird die Zusammenarbeit zwischen Mensch und Maschine sehr real. Als Führungskraft hat man vielleicht für bestimmte Aufgaben keine menschlichen Mitarbeitenden mehr. Stattdessen orchestriert man 100 Agenten, prüft deren Fortschritt und gibt Feedback. Die Rollen werden sich ändern, aber die Arbeit wird nicht verschwinden.
Wir werden immer effizienter, aber wo bleibt die Zeit?#
Ich finde es immer faszinierend, zurückzublicken. Als ich studiert habe, bedeutete ein Thema zu recherchieren, in die Bibliothek zu gehen, den Kartenkatalog durchzuarbeiten und Stunden mit der Suche nach den richtigen Büchern zu verbringen. Heute können wir online suchen, Aufsätze sofort lesen, sogar ganze Bücher von KI zusammenfassen lassen.
Und trotzdem hat niemand mehr Zeit. Das ist das Paradox. Wir können jetzt komplexere Programme mit weniger Code schreiben, aber statt weniger Programmierer zu brauchen, brauchen wir mehr, weil wir immer komplexere Probleme angehen. Das gleiche Muster wiederholt sich mit jedem Technologiesprung: von Assembler zu C++, von Java zu KI-gestützter Programmierung.
Wir sind immer effizienter geworden, aber wir nutzen diese Effizienz, um immer komplexere Herausforderungen anzugehen. Die Zeitersparnis kommt nie an.
Einfachheit gewinnt#
Eine meiner stärksten Überzeugungen ist, dass wir vereinfachen müssen. Wir können immer komplexere Dinge bauen, aber diese Komplexität wirklich zu beherrschen ist extrem schwierig. Ich sehe immer mehr Organisationen, die zurück zu den Grundlagen müssen: einfachere Prozesse, einfachere Organisationsstrukturen, einfachere Lösungen.
Apple hat das perfekt verinnerlicht: Wenn etwas einfach ist, mach es noch einfacher. Der Durchbruch kommt von einfachen Lösungen, nicht von komplexen. Das gilt auch für KI-Business-Cases. Wenn der Anwendungsfall zu komplex ist, werden ihn die Menschen nicht verstehen, der Markt wird ihn nicht annehmen, und er wird scheitern.
Wenn ich Vorträge halte, frage ich das Publikum immer: «Ist es einfacher geworden?» Die meisten sagen nein. Aber ich argumentiere, dass es für den Nutzer einfacher geworden ist. Im Hintergrund ist die Komplexität enorm. Der Schlüssel ist, die Dinge so einfach wie möglich zu machen für die Menschen, die sie nutzen, und das mit Begeisterung zu tun.
Die Technologie hinter KI: Keine Magie, sondern Wissenschaft#
KI fühlt sich oft wie Magie an. Aber wenn man versteht, wie neuronale Netzwerke funktionieren, wie Daten gesammelt und für das Training verwendet werden, wie Reinforcement Learning funktioniert und wie Parameter angepasst werden, merkt man, dass gar nicht so viel Magie im Spiel ist. Das Faszinierende ist, was damit möglich wird.
Ich kann aus meiner eigenen Lehrtätigkeit an der Hochschule Luzern bestätigen, dass ich schon seit Jahren neuronale Netze programmiere. Was sich geändert hat, ist nicht die grundlegende Technologie. Es sind die verfügbare Datenmenge und die Rechenleistung. Das hat die aktuellen Durchbrüche ermöglicht.
Kernaussagen#
- Cybernetic Transformation bedeutet, dass Menschen und Maschinen in ständigen Feedback-Schleifen zusammenarbeiten. Ein Konzept aus den 1940er-Jahren, das relevanter ist denn je.
- Die grössten Hindernisse der digitalen Transformation sind organisatorischer, nicht technischer Natur. Der Widerstand im Mittelmanagement, getrieben von realen Ängsten, ist die härteste Herausforderung.
- Value Stream Mapping ist eine einfache, jahrzehntealte Technik, die Organisationen hilft zu sehen, wo KI und Automatisierung wirklich Wert schaffen.
- Die KI-Genauigkeit startet typisch bei 60% und kann mit gutem Engineering auf 95% gesteigert werden. Darüber hinauszukommen ist extrem teuer.
- KI-Agenten werden die Art unserer Zusammenarbeit verändern, als spezialisierte Assistenten, die in unserem Auftrag verhandeln und koordinieren.
- Einfachheit gewinnt. Die Organisationen, die erfolgreich sein werden, sind jene, die ihre Prozesse, Strukturen und Lösungen vereinfachen, statt noch mehr Komplexität hinzuzufügen.
- Mit Begeisterung machen. Was immer man tut, mit Leidenschaft und Begeisterung tun.