Ich war zu Gast im adorsys Tapas & Pretzels Podcast, im Gespräch mit den Co-Hosts Tim und David, ebenfalls Chief AI Officer, über die Frage, die sich jede Führungskraft gerade stellt: Wie bringt man KI von isolierten Experimenten zu einer unternehmensweiten Fähigkeit? Wir sprachen über Token-Ökonomie, über das, was die Rolle des Chief AI Officer wirklich verlangt, warum Capability wichtiger ist als Tools, über die Vertrauenslücke, die Governance schliessen soll, und darüber, warum die meisten Unternehmen kaputte Prozesse beschleunigen, statt sie neu zu denken.
Was einen Chief AI Officer nachts wach hält#
Im Moment sind es die Tokens. Wir haben kürzlich begonnen, den Token-Verbrauch zu überwachen, weil GitHub Copilot sein Lizenzmodell geändert hat. Vorher hatte jeder Entwickler ein Abonnement, und man konnte die Kosten sauber gegen die Anzahl der Mitarbeitenden rechnen, die man on- oder offboardet. Jetzt zahlt man für den Verbrauch, und die Ausgaben gehen durch die Decke.
Also identifizieren wir die Mitarbeitenden, die viele Tokens verbrennen, rufen sie an und fragen, auf welchem Projekt sie sind und warum. Die interessanten Gespräche beginnen, wenn jemand mit hohem Verbrauch sich als gar nicht auf einem Projekt herausstellt.
Der Chief AI Officer ist ein Integrator#
Token-Ausgaben sind nur die technische Oberfläche. Die eigentliche Schwierigkeit der Rolle ist, dass man in derselben Woche mit dem CTO über Technologie, mit dem Risikomanagement über Risiko und mit dem CEO über Business sprechen muss. KI-Systeme sind von Natur aus riskant, weil sie auf Unsicherheit beruhen, und man muss lernen, mit dieser Unsicherheit umzugehen.
Ich beschreibe den Chief AI Officer gerne als Integrator und Ökosystem-Bauer. Man muss nicht der tiefste Experte in einem einzelnen Bereich sein, aber man braucht tiefes Wissen über viele Bereiche hinweg. Und man braucht soziale Kompetenz, denn was man eigentlich gestaltet, sind Entscheidungen. Es geht darum, Einigkeit zwischen Menschen mit unterschiedlichen Verantwortlichkeiten zu fördern und die gemeinsamen KPIs mit echtem Business-Impact zu finden. Im Business gilt: Gibt es keinen gemeinsamen KPI, der das Budget berührt, findet Zusammenarbeit schlicht nicht statt.
AI-First heisst, die Organisation zu verändern#
Bei Zühlke sprechen wir über unsere AI-First-Transformation. Ich bin vom CEO und CTO beauftragt, das Unternehmen in eine AI-First-Organisation zu verwandeln, und das betrifft alles: die Organisation selbst, die Prozesse, die Governance, die Sicherheit und das technologische Fundament, damit alle KI tatsächlich nutzen können.
Und es betrifft vor allem die Menschen. Alle müssen verstehen, was KI wirklich ist. Es ist eine Pattern-Matching-Engine. Eine beeindruckende, aber eine Pattern-Matching-Engine. AI-First bedeutet, dass man bei einem Problem zuerst fragt, ob KI bei der Lösung helfen kann, und wenn ja, wie. Dafür muss man verstehen, wie KI funktioniert, und man muss es selbst erlebt haben.
Capability aufbauen, nicht nur Tools kaufen#
KI-Adoption lässt sich nicht an der Anzahl der Tools messen, die man besitzt. Das ist Beschaffung, nicht Adoption. Was man aufbauen muss, ist Capability, und das verlangt eine andere Art von Training. Nicht “wie nutze ich dieses oder jenes Tool”, sondern Menschen zu helfen zu verstehen, was hinter den Kulissen passiert, damit sie fragen können: Wie kann ich meinen Prozess verbessern, welchen Wert kann ich mit KI hinzufügen?
«Tools kaufen ist einfach, das ist eine Beschaffungsentscheidung. Capability aufzubauen dauert länger, und es ist eine Business-Entscheidung mit echtem Einfluss auf die Ziele.»
Deshalb muss man den Menschen Zeit und Raum geben, mit den eigenen Prozessen zu experimentieren. Man sagt jemandem, der bereits grossartige Arbeit leistet beim Schreiben von Angeboten oder Reports: Versuch es jetzt mit KI, und schauen wir, wie es läuft. Genau dort passiert das Verlernen und Neulernen. Es ist schwer, es kostet viel Zeit, und ich muss es selbst ständig tun.
Menschen inspirieren, dann folgen sie#
Anfang dieses Jahres habe ich ein Video aufgenommen, das zeigt, wie ich Claude Code für alles nutze: Reports, PowerPoints, E-Mails beantworten und zusammenfassen, Prototyping. Es ist nach wie vor mein Go-to-Tool. Dieses Video hatte Welleneffekte im ganzen Unternehmen. Plötzlich bestellten alle Claude Code und wollten genauso arbeiten. Kürzlich hat die Business-Seite ihr eigenes Video aufgenommen und gezeigt, wie sie es nutzt, um Projekte zu verkaufen und RFPs zu beantworten.
Man inspiriert Menschen, und sie bewegen sich von selbst in diese Richtung. Der Kontrast ist scharf, wenn man auf Unternehmen schaut, in denen das nicht erlaubt ist oder in denen man nur schwächere Modelle nutzen kann. Dort sieht man deutlich mehr Zurückhaltung, und es macht schlicht weniger Spass.
Die Vertrauenslücke und die Rolle der Governance#
Das Gespräch verschiebt sich von dem, was wir mit KI tun können, hin zu dem, was wir auf sichere und verantwortungsvolle Weise liefern können. KI-Fähigkeit ist nicht mehr das Problem. Vertrauen ist es. Und diese Vertrauenslücke ist kein technologisches, sondern ein organisatorisches Problem. Sie zu schliessen ist eines der Hauptziele von KI-Governance, und immer mehr Führungskräfte werden sich bewusst, wie wichtig das ist.
Ich würde sogar sagen: Wenn man ein Governance-Dokument braucht, hat man bereits ein Stück weit versagt. Meine Vision, die ich gerade umsetze, ist eine einzige Seite, auf der jeder ablegen kann, was er hat. Im Backend schaut ein On-Prem-Modell auf den Inhalt und entscheidet: Ist es streng vertraulich, bleibt es On-Prem; andernfalls kann es an ein Frontier-Modell delegiert werden. Das Ziel ist, die Reibung zu entfernen, überhaupt die Governance-Regeln kennen zu müssen.
Du besitzt jedes Wort#
Die andere Seite des Vertrauens ist AI-Slop. Lange, mittelmässige Dokumente, die man sofort an den Gedankenstrichen und den generischen Formulierungen erkennt. In dem Moment, in dem Menschen KI in der Arbeit eines anderen riechen, wird sie abgewertet, und das Vertrauen in diese Person sinkt mit. Studien belegen das.
Wenn man weiss, dass ein LLM eine Pattern-Matching-Engine ist, weiss man, dass das, was herauskommt, im Grunde der Durchschnitt ist. Bessere Prompts, mehr Kontext und gute Daten liefern einen besseren Output, aber man muss immer prüfen. Deshalb ist Ownership so wichtig.
«Bei Zühlke sage ich immer: Du besitzt jedes Wort, das aus einem LLM kommt.»
Auch die Architektur spielt hier eine Rolle. Ein allgemeines LLM liefert die am besten dokumentierten Antworten, die nicht zwingend die relevantesten sind. Wenn die Long-Tail-Faktoren an die Oberfläche kommen sollen, muss man dafür konstruieren, zum Beispiel mit Clustering oder Retrieval. Stell die richtige Frage, und du reduzierst Halluzinationen; gestalte die Architektur um deinen Output-Raum, und das System dient tatsächlich deinem Ziel.
Erst den Prozess reparieren, dann KI hinzufügen#
Wenn man ein Frontier-Modell nach Architektur fragt, landet man meist bei Microservices, weil es genau darauf trainiert wurde. Dieselbe Falle gibt es bei Prozessen. Ist der Prozess schlecht gestaltet, reproduziert KI deine Fehler einfach schneller und vervielfacht sie. Geschwindigkeit verstärkt alles, auch Risiko und Reputationsschaden.
Der erste Schritt ist also, den Prozess zu analysieren. Ich nutze das gute alte Value Stream Mapping: jeden Schritt von der Idee bis in die Produktion abbilden, dann Lead Time, Process Time und Percent Complete and Accurate messen. Das zeigt genau, wo die Engpässe sind, und man kann einen zukünftigen Wertstrom gestalten, der sie auflöst.
Dann kommt die entscheidende Frage für jeden Schritt: Muss er zu 100% genau sein? Lautet die Antwort ja, ist KI wahrscheinlich das falsche Werkzeug, denn verlässliche 100% Genauigkeit ist mit KI sehr schwer zu erreichen. Das ist Automatisierung, die im Moment leider weniger gehypt wird. Andernfalls führt man einfach einen schlechteren Prozess schneller und mit weniger Genauigkeit aus.
Die Matrix der Arbeitstransformation#
Die CEOs der KI-Unternehmen sagen ständig, Jobs würden ersetzt. Ich glaube nicht, dass das ganz stimmt. Sie zeigen auf eine eng abgegrenzte Aufgabe, die eine KI erledigen kann, aber die enge Aufgabe ist nicht dort, wo der Wert liegt. Wert lebt in der ganzen Wertschöpfungskette, über viele Aufgaben hinweg.
Also zeichne ich eine einfache Matrix. Auf der horizontalen Achse: Bleibt die Arbeit gleich, oder transformiert sich die Arbeit? Auf der vertikalen Achse: Wie viel geben wir an KI, und wo arbeitet der Mensch mit KI zusammen? Das ergibt vier Felder. Wenn Unternehmen ihre Aufgaben darauf platzieren, sammeln sich die meisten links, wo der Prozess gleich bleibt und wir nur fragen, ob KI assistieren oder übernehmen kann. Die echten Gewinne, die massiven Performance-Gewinne, entstehen, wenn man bereit ist, den Prozess selbst zu transformieren. Die meisten Unternehmen sind dazu nicht bereit, und genau das ist der spannendste Teil zum Nachdenken.
Fähigkeiten für die KI-Ära#
Was sollten alle lernen, um bereit zu sein, nicht nur Chief AI Officers? Kritisches Denken, analytisches Denken und ganzheitliches Systemdenken. KI-Systeme sind komplexe Systeme, Ökosysteme, Pipelines, nicht nur Software. Man muss den Input sehen, den man hereinlässt, die Daten, auf die man sich verlässt, den Output, den man liefert, und die Aktionen, die man KI in seinem Namen ausführen lässt. Man muss entscheiden, wo der Mensch in der Schleife ist oder ausserhalb, ob Menschen Entscheidungen überstimmen und zurückrollen können, ob man sie erklären und nachvollziehen kann und ob man nach einem Vorfall rekonstruieren kann, was passiert ist. Dieses ganze Bild ist Governance im vollen Sinn.
Was 2026 unterschätzt bleibt#
Zwei Dinge bleiben unterschätzt. Das erste ist der Betrieb von KI über Jurisdiktionen hinweg. Regulierungen unterscheiden sich weltweit enorm, und man muss Konsistenz über die ganze Organisation halten. Man kann die Regeln nicht in einer Niederlassung lockern und in einer anderen verschärfen, was bedeutet, Führungskräfte davon zu überzeugen, dort strengere Kontrollen anzuwenden, wo es nötig ist. Das ist wirklich schwer.
Das zweite ist die Ökonomie. Die Summen, die diese Unternehmen investieren, sind atemberaubend. Es kursieren Rechnungen, wonach sich die Investition nur amortisiert, wenn jeder Mensch etwa tausend Dollar pro Monat für Abonnements ausgeben würde. Die Token-Preise werden steigen, und wenn sie das tun, werden viele Start-ups mit brillanten Business Cases diese Cases zusammenbrechen sehen. Dasselbe Risiko gilt für uns. Wir investieren stark in Workforce Enablement und in die Automatisierung von Prozessen mit KI, aber wenn die Preise eine bestimmte Schwelle überschreiten, kann ein Business Case über Nacht rot werden, selbst für eine einfache Aufgabe. Dann sagt man plötzlich: Wir haben viel in die Automatisierung investiert, und jetzt müssen wir es zurück an einen Junior geben. Ich glaube, viele werden bis Ende dieses Jahres gegen diese Wand laufen.
Kernaussagen#
- Token-Ökonomie ist die neue operative Realität. Verbrauchsbasierte Preise haben das Spiel verändert, und zu überwachen, wer wie viele Tokens verbrennt und warum, gehört jetzt zur Aufgabe.
- Der Chief AI Officer ist ein Integrator. Tiefes Wissen über viele Bereiche, starke soziale Kompetenz und gemeinsame KPIs mit Business-Impact zählen mehr als enge Expertise.
- Capability aufbauen, nicht nur Tools kaufen. Adoption sind Menschen, die verstehen, wie sie mit KI Wert schaffen, nicht eine Zahl von Lizenzen.
- Vertrauen ist die eigentliche Lücke, und Governance soll sie schliessen. Die beste Governance entfernt Reibung; du besitzt jedes Wort, das aus einem LLM kommt.
- Erst den Prozess reparieren. KI vervielfacht einen schlechten Prozess. Value Stream Mapping zeigt, wo KI hilft und wo man eigentlich Automatisierung braucht.
- Die Arbeit transformieren, nicht nur das Tooling. Die grossen Gewinne kommen aus der Neugestaltung des Prozesses, genau das, was die meisten Unternehmen vermeiden.
- Die Ökonomie im Blick behalten. Steigende Token-Preise können einen soliden Business Case rot werden lassen, und Regulierung über Jurisdiktionen hinweg bleibt schwerer, als die meisten Führungskräfte erwarten.
- Und die wichtigste. Um ein echter Chief AI Officer zu werden, sind eine schwarze Brille und lange Haare offenbar Pflicht. David und ich haben beides, der Beweis ist also erbracht. ;-)
Original-Episode von adorsys: https://www.youtube.com/watch?v=phxwEbQyvkc