Als Chief AI Officer soll ich eine KI-Strategie aufsetzen, und schon bei der Überschrift wird es zäh. AI-First, AI-Native, AI-Enabled, AI-Ready, AI-Shaped, AI-Augmented. In Folge 6 von Prompt & Proper gehen Steffen Ochsenreither von der Post und ich die Begriffe durch und landen an einer anderen Stelle, als die Frage vermuten lässt.
AI-First hat ein Reihenfolgenproblem#
Steffen steigt gleich mit dem Begriff ein, der sich durchgesetzt hat, und hält ihn für die schwierigste Wahl. Sein Argument: AI-First priorisiert Technologie über den strukturellen Wandel. Der Fokus liegt auf Technik, auf Hype und auf Trend, und Hypes gehen vorbei. Was bleibt, ist die Struktur, und genau die kommt in dem Begriff nicht vor.
Mein Einwand kommt von der anderen Seite. Bei uns läuft die Diskussion gerade, mein CEO will in diese Richtung:
„Ich bin AI-First. Was heisst denn das jetzt? Ist dann der Human Second?"
Gemeint ist etwas anderes. AI-First heisst nicht, dass KI immer zuerst kommt. Es heisst: Wenn wir eine Herausforderung haben, überlegen wir zuerst, ob wir sie mit KI lösen können. Wenn ja, machen wir das. Wenn nein, lösen wir sie klassisch.
Genau da liegt der Haken. Ich muss den Begriff erklären, damit er das bedeutet, was er bedeuten soll.
AI-Glitter auf einen kaputten Prozess#
Steffen sieht daraus eine konkrete Gefahr entstehen. Wenn ich jeden Problemfall dahingehend prüfe, ob KI ihn lösen kann, automatisiere ich am Ende schlechte Prozesse, einfach weil es geht. Den Workflow selbst greife ich nie an.
Ich halte das für das grösste Risiko in dieser Phase. Du nimmst den existierenden Prozess, wie er ist, und schmeisst ein bisschen AI-Glitter darüber. Gewonnen hast du nichts. Schlimmer noch: Ein Modell ist nicht deterministisch, dein alter Prozess war es möglicherweise. Du kannst den Prozess damit aktiv verschlechtern.
Steffens Ergänzung trifft den organisatorischen Teil. Schlechte Qualität skaliert exponentiell, und über dem ungefixten System steht dann eine neue Schicht. Organisationen sind ohnehin immun gegen Change, sie absorbieren ihn. Wenn du an der Organisation nichts änderst und nur AI draufbaust, bekommst du ausgebrannte Teams und Widerstand. Die Mitarbeitenden fragen zu Recht, warum sie das jetzt anders machen sollen. Es funktioniert automatisierter, aber nicht besser.
AI-Enabled und AI-Ready setzen beim Fundament an#
Ich habe AI-Native ins Spiel gebracht, analog zum Digital Native. Steffen findet es besser, weil es immerhin impliziert, dass die Leute mit der Technologie umgehen können. Erklären muss er es trotzdem, und seine Mutter würde ihn weiter mit grossen Augen anschauen.
Sein Favorit inhaltlich sind AI-Enabled und AI-Ready, weil sie beim Fundament ansetzen. Das Fundament ist in den meisten Firmen schlecht: keine Daten, schlechte Datenqualität, keine Guardrails. Wer daran arbeitet und das in die Strategie schreibt, kann darauf Use Cases bauen.
Mein Problem damit ist das Marketing:
Wir sind ein bisschen AI-Ready, das klingt wie Intel-Ready. Die Kleber klebten früher auf den Laptops, und die Geräte waren trotzdem schlecht.
Steffen gibt zu, dass es auf einer PowerPoint-Folie nicht gut kommt. Es zeigt dafür in die Richtung, in der die Arbeit tatsächlich liegt. Und die Themen dort sind unspannend: Datenqualität, Verfügbarkeit, digitale Ethik. Welche Guardrails setze ich ein, wann, wie? Wie rechne ich einen Business Case mit KI? Das sind Basics, und ohne sie wird es schwierig.
Digitale Ethik ist dabei der Punkt, den Steffen in Unternehmen am seltensten behandelt sieht.
Der Reifegrad entscheidet, nicht der Geschmack#
Steffen legt sich am Ende auf keinen Begriff fest. Der passende hängt für ihn am Reifegrad des Unternehmens.
AI-First kann sagen, wer eine Tech Company ist, das Fundament bereits hat und mit allem umgehen kann. An dieser Frontier stehen die wenigsten, aus seiner Sicht vielleicht die grossen Frontier Labs. Für alle anderen gilt:
Ready heisst nicht nur wissen, was es gibt. Es braucht die strukturellen Möglichkeiten und den Willen zum Change.
Zwei Themen, die mit Technologie nichts zu tun haben. Die Technologie kommt danach. Wer AI-First macht, dreht diese Reihenfolge um.
Start-ups sind für ihn der Gegenfall. Wer heute als Start-up nicht AI-ready ist, hat je nach Industrie ein Problem, schlicht weil dort keine historisch gewachsenen Strukturen im Weg stehen.
AI-Augmented, und warum es in der Softwareentwicklung passt#
Der Begriff, bei dem wir beide landen, ist AI-Augmented. Steffen bringt ihn so auf den Punkt:
„Nicht ich lasse AI machen, sondern ich lasse jemanden machen mit AI."
Das nimmt die Leute mit, statt sie zu ersetzen. Für die Softwareentwicklung halte ich ihn für den treffendsten Begriff überhaupt, weil der Mensch dort weiterhin im Loop sein muss. Modelle halluzinieren, also muss der Output geprüft werden.
Prüfen kann durchaus wieder eine Maschine, und nicht zwingend ein generatives Modell. Eine ganz klassische CI/CD-Pipeline mit regelbasierten Checks tut es auch, die Fixes übernehmen dann wieder generative Agenten. Nur der Blick auf den Pull Request und das Urteil, ob das gut ist, bleibt beim Menschen.
Steffens Punkt dazu: Ein so gemappter Prozess entspricht eigentlich schon einer AI-First-Company. Nur hast du im Hintergrund dann alles andere getan. Leute trainiert, Tools bereitgestellt, den Workflow analysiert, Best Practices entwickelt. Diese Reife brauchst du, sonst kannst du das gar nicht einführen.
Warum ausgerechnet die Softwareentwicklung am weitesten ist, erklärt Steffen über die Prozessqualität. Der Entwicklungsprozess ist heute gut beschrieben und über viele Unternehmen hinweg sehr ähnlich, also gut vergleichbar und gut zu verbessern. Individuelle Businessprozesse dagegen sind oft nicht einmal gemappt, und was nicht gemappt ist, lässt sich nicht automatisieren.
Ich würde ergänzen: Auch in der Softwareentwicklung schauen wir sehr stark auf die Implementierung. Der Teil davor, Ideation, Budgetierung und Requirements Engineering, und der ganze Betriebsteil dahinter sind in den meisten Unternehmen noch schwach.
Warum Firmen den Namen überhaupt wollen#
Die eigentliche Frage ist, wofür der Begriff gebraucht wird. Unternehmen erwarten von KI höhere Produktivität, höhere Marge oder mehr Umsatz, und sie wollen das strategisch verankern. Meine Gegenfrage: Ginge das nicht direkt über passende strategische Ziele und OKRs, ohne Label?
Steffens Antwort ist ehrlich und erklärt den ganzen Begriffs-Zoo. Ja, das ginge, nur bringt es weniger. Digitalisierung läuft in den meisten Unternehmen seit fünf bis zehn Jahren. Wer auf seine Strategie schreibt “wir wollen weiter digitalisieren”, holt niemanden hinter dem Ofen hervor. Wer “wir machen etwas mit KI” schreibt, bekommt deutlich mehr Buy-in, mehr Aufmerksamkeit und mehr Budget.
KI löst keine Probleme, die vorher nicht schon da waren. Sie löst sie anders.
Datenqualität und Datenverfügbarkeit waren vorher schon Baustellen. Neu ist nur, dass es jetzt ein Vehikel gibt, auf das sich diese Themen aufsatteln lassen. Steffen will das ausdrücklich nicht schlechtreden: Wenn ein lange im Schatten liegendes Problem endlich angegangen wird, hat der Begriff seinen Zweck erfüllt.
Das Fazit#
Mein Favorit aus der Folge ist AI-Augmented, Steffens ist AI-Enabled, und der Unterschied ist kleiner als die Diskussion vermuten lässt. Erklären müssen wir beide Begriffe.
Was am Ende zählt, hat Steffen so formuliert:
„Wenn ich den Vorhang hochhebe und dann merke, es ist total dünn dahinter, dann ist mir egal, wie der Name ist."
Wenn du ein ambitioniertes Ziel brauchst, weil du den C-Level-Hut aufhast, nimm ruhig AI-First. Dann steckst du aber Hirnschmalz in die Erklärung, und die besteht nicht aus zwei Sätzen. Sie benennt, welches betriebliche Problem besser wird, welcher Prozess optimiert wird, wo die Produktivität herkommt. Je konkreter das wird, desto weniger ist der Begriff das Problem.
Wenn euch die Folge gefällt, abonniert Prompt & Proper auf Spotify, Apple Podcasts, Amazon Music oder YouTube und schreibt uns, welcher Begriff euer Favorit ist. Alle Folgen: promptandproper.ai.