Je intelligenter KI wird, desto schwerer sind ihre gravierendsten Fehler zu erkennen

Neben meiner Forschungsarbeit war ich viele Jahre als Mathematikpädagoge und Mentor tätig. Nach Abschluss meiner Promotion begann ich, diese Arbeit gezielter auszubauen: durch die Entwicklung strukturierter Programme und die sorgfältige Planung komplexerer Bildungsprojekte. Parallel engagierte ich mich in investitions- und infrastrukturbezogenen Projekten, was für echten Entscheidungsdruck sorgte und meine Herangehensweise an das Umsetzen unter Unsicherheit schärfte.

Heute bin ich Mitbegründer und Geschäftsführer (Produkt & Engagement) von Cantabrium Scholars, einem jungen Bildungs- und Beratungsunternehmen im Aufbau. Meine Aufgabe ist es, das Produkt und die Betreuung der Kursteilnehmer kontinuierlich zu entwickeln – von der akademischen Ausgestaltung und Mentorenauswahl bis zur Elternkommunikation und Bindung. Zudem verantworte ich die mehrstufige Umsetzung über Teams und Länder hinweg und sorge dafür, dass auch komplexe Projekte im Wandel kohärent bleiben. Ich bin außerdem eng an der Entwicklung von Partnerschaften und der akademischen Ausrichtung sowie dem Gesamtansatz der Organisation beteiligt, während wir wachsen.

Wo KI im Delivery-Zyklus den größten Mehrwert bietet

KI war für mich besonders hilfreich, als ich von rein forschungsorientierten Umgebungen in Rollen wechselte, die eine schnellere Umsetzung, bereichsübergreifende Zusammenarbeit und tatsächliche Entscheidungsfindung erforderten.

In meiner derzeitigen Arbeit ist KI an zwei Stellen im Delivery-Zyklus am wertvollsten geworden:

Zu Beginn dient sie als schneller Weg, sich in neuen Themenbereichen einzuarbeiten und Ideen auf die Probe zu stellen, solange die grundlegenden Entscheidungen noch im Entstehen sind. Viele Bereiche der Bildungs- und Investmentprojekte, an denen ich beteiligt bin, setzen voraus, dass man sich rasch in neue Fachgebiete einarbeitet. KI hilft mir, Optionen schnell zu sondieren, bevor ich die Annahmen im Detail überprüfe. Konkret bedeutet das: Ich nutze KI, um die Struktur eines Fachgebiets zu klären, typische Zielkonflikte aufzuzeigen und als Sparringspartner, um mein eigenes Denken weiterzuentwickeln. In der Praxis ist das besonders für die Fehlervermeidung relevant – schwache Annahmen oder innere Widersprüche lassen sich so erkennen, bevor sie ein ganzes Projekt beeinflussen.

Sobald die Hauptrichtung klar ist, ist KI vor allem bei der Reduzierung von Umsetzungs- und Koordinationskosten effektiv. Ich verbringe inzwischen deutlich weniger Zeit damit, Materialien in verschiedenen Formaten zu erstellen – Inhalte für unterschiedliche Zielgruppen oder Länder aufzubereiten oder parallele Dokumente auf Stand zu halten. Auch das Bewahren von Entscheidungshistorie und Kontext erleichtert es, neue Versionen von Unterlagen rasch zu generieren, ohne die ursprüngliche Intention zu verlieren, während Projekte weiterentwickelt werden.

Sie war zudem überraschend wertvoll in verhandlungsintensiven Situationen – beide Standpunkte schnell zu erfassen, wahrscheinliche Einschränkungen und nicht verhandelbare Punkte sichtbar zu machen und auszuloten, wo ich nachgeben kann und wo der Widerstand prinzipiell ist. In der Praxis lasse ich mir von der KI zwei oder drei „Fair-Trade“-Pakete vorschlagen und prüfe diese dann anhand meiner roten Linien, bevor ich in das Gespräch gehe. Das erleichtert den Einstieg in Verhandlungen mit klaren Grenzen, glaubwürdigen Zugeständnissen und einem ruhigeren Gefühl dafür, was ein fairer Tausch wirklich ist.

Evgenys Notizen

KI war zudem überraschend wertvoll in verhandlungsintensiven Situationen – beide Standpunkte schnell zu erfassen, wahrscheinliche Einschränkungen und nicht verhandelbare Punkte sichtbar zu machen und auszuloten, wo ich nachgeben kann und wo der Widerstand prinzipiell ist.

Dadurch fließt mehr meiner Aufmerksamkeit in Aufgaben, die stark auf Urteilsvermögen beruhen: zu entscheiden, welche Fragen wirklich zählen, die Grundstruktur von Projekten zu legen und das Menschliche an der Umsetzung zu navigieren – also Abstimmung, Verbindlichkeit und Vertrauen. Aufgaben wie die Festlegung des Umfangs, das Abwägen von Zielkonflikten, das Lösen von Meinungsverschiedenheiten und die Festlegung einer Richtung bleiben klar menschlich, während KI den Prozess in Hinblick auf Synthese, Konsistenz und Erinnerungsleistung unterstützt.

Ich sehe KI immer stärker als Kollaborateur in den frühen Denkphasen und verlässlichen Beschleuniger in späteren Stadien, aber noch nicht als Ersatz für originäres Urteilsvermögen oder echtes kreatives Neuschaffen. Diese Grenze verschiebt sich, aber aktuell besteht der größte Hebel meiner Arbeit darin, starkes menschliches Urteilsvermögen gezielt und wohlüberlegt mit KI-Unterstützung zu kombinieren.

Warum stärkeres menschliches Urteilsvermögen der wichtigste Bestandteil einer KI-gestützten Umsetzung ist

Interessanterweise wird die Rolle des menschlichen Urteilsvermögens umso anspruchsvoller, je überzeugender die KI-Ergebnisse werden – und nicht etwa weniger wichtig.

Aktuell besteht ein großer Teil der Arbeit nicht nur darin, KI einzusetzen, sondern sie aktiv zu steuern: Fragen gezielt zu formulieren, Annahmen explizit zu machen und zu verhindern, dass die KI zu früh zu unausgesprochenen Schlussfolgerungen springt.

In der Praxis bedeutet das, dass der Mensch als Stabilitätsanker im Prozess agieren muss. In unserer Arbeit konvergiert die KI häufig schnell auf saubere, elegante Strukturen, die intern schlüssig wirken. Wenn etwas „zu sauber“ aussieht, ist gezieltes menschliches Eingreifen erforderlich, um das Tempo herauszunehmen, Annahmen über Vorkenntnisse, Motivation und Arbeitsaufwand der Lernenden zu überprüfen und zu verhindern, dass vermeintlich attraktive, aber in der Praxis wenig belastbare Lösungen voreilig festgelegt werden.

Besonders herausfordernd wird rechtzeitiges menschliches Eingreifen dadurch, dass Fehler selten als offensichtliche Irrtümer auftreten. Im Projektverlauf werden KI-Halluzinationen zunehmend subtiler und überzeugender, häufig in Form von intern stimmigen Erzählungen auf Basis unvollständiger oder impliziter Annahmen. In meiner Bildungsarbeit zeigte sich das beispielsweise durch Programmstrukturen, die auf den ersten Blick plausibel wirkten, bei denen jedoch nicht frühzeitig identifizierte Fehlannahmen irgendwann zu unangemessenem Arbeitsaufwand oder unrealistischen Erwartungshaltungen geführt hätten. Wenn der begleitende Text flüssig und gut strukturiert ist, können solche problematischen Aspekte unbemerkt weiterbestehen, sofern niemand bewusst eingreift.

Ein praktischer Leitfaden, den wir nutzen: Jede KI-generierte Struktur, die „zu sauber“ wirkt oder zu schnell eine Lösung präsentiert, wird standardmäßig als verdächtig betrachtet. Bevor wir uns festlegen, erzwingen wir mindestens einen Durchgang, der die Annahmen explizit wiederholt, mögliche Fehlerquellen erkundet und das erarbeitete Gerüst unter alternativen Rahmenbedingungen überprüft. So konnten wir bislang am zuverlässigsten subtile, aber weitreichende Fehler erkennen, bevor sie sich verfestigen.

Ich erwarte, dass diese Spannung in Zukunft zunimmt. Je stärker die Modelle werden, desto schwieriger wird es, intern schlüssige und überzeugende Architekturen kritisch zu hinterfragen. Die menschliche Rolle beizubehalten – rechtzeitig zu verlangsamen, Annahmen herauszufordern und Verantwortung zu übernehmen – könnte zu einem der wichtigsten und anspruchsvollsten Faktoren für KI in der Professionalisierungsautomatisierung und der Umsetzung werden.

Wie man KI als kritische Prüfinstanz einsetzt

Eine einfache Umstellung kann helfen: Konversationelle KI als kritische Gutachterin und nicht als reine Inhaltserzeugerin nutzen.

Anstatt die KI mit der Erstellung fertiger Inhalte zu beauftragen, lasse ich sie geplante Strukturen hinterfragen: verdeckte Annahmen sichtbar machen, Entscheidungen unter anderen Szenarien auf die Probe stellen und herausarbeiten, wie ein (Lehr-)Plan scheitern könnte, wenn nur eine seiner Prämissen falsch ist. Besonders wertvoll war das bei Design-lastigen oder investitionsbezogenen Aufgaben, bei denen frühe Entscheidungen weitreichende Konsequenzen haben und falsches Vertrauen teuer ist.

So eingesetzt, beschleunigt KI die Denkzyklen, ohne Nuancen einzuebnen. Halb fertige Ideen können schnell externalisiert, hinterfragt und verfeinert werden, wodurch die kognitive Belastung sinkt und die Entscheidungsqualität steigt. In der Praxis führt das zu früherer Identifikation von schwachen Annahmen, weniger späten Richtungswechseln und einer bewussteren Festlegung, sobald eine Richtung gewählt wurde.

Der Wert dieses Anwendungsfalls hängt weniger vom Modell selbst als vielmehr von der Interaktionsgestaltung ab. Kleine Änderungen in den Prompts entscheiden oft darüber, ob eine KI voreilig auf eine ordentliche Lösung kommt oder sinnvolle Zielkonflikte und Fehlerquellen aufzeigt. Indem ich immer wieder die gleichen Fragen im Projektverlauf stelle und die Annahmen neu prüfe, sobald sich der Kontext weiterentwickelt, wird der Dialog mit der KI zu einem festen Bestandteil des Arbeitsprozesses. Mit der Zeit zeigt das Wirkung: Entscheidungen bleiben abgestimmt, frühere Überlegungen bleiben nachvollziehbar und die inhaltliche Kohärenz über Projekte hinweg nimmt zu statt abzunehmen.

Hier ein kleines, aber aussagekräftiges Beispiel. Wenn ich KI frage: „Welche Option ist angesichts dieser Anforderungen am besten?“, führt das meist schnell zu sauberen, selbstbewussten Empfehlungen. Reagiere ich aber mit: „Unter welchen Bedingungen würde diese Option scheitern, und welche Annahmen müssten falsch sein, damit das passiert?“, fällt das Ergebnis ganz anders aus: Es tauchen plötzlich operative Engpässe, Koordinationsrisiken mit Partnern und Terminsensibilitäten auf, die in der ursprünglichen Fragestellung unbemerkt blieben. Diese Umformulierung hat mehrfach dazu geführt, dass wir Risiken früher angegangen und manchmal sogar Optionen ganz ausgeschlossen haben.

Anmerkungen von Evgeny

Die Frage an KI, „Welche Option ist unter diesen Rahmenbedingungen die beste?“, produziert meist rasch saubere, selbstbewusste Empfehlungen. Die Umformulierung zu „Unter welchen Bedingungen würde diese Option scheitern und welche Annahmen müssten dazu falsch sein?“ führt zu ganz anderen Ergebnissen.

Wie KI die Abläufe bei der Umsetzung verändert – Fokus auf Entscheidungsgüte

KI hat unsere Abläufe bei der Umsetzung von einer Berichterstattung der Aktivitäten hin zur Verbesserung der Qualität von Entscheidungen verschoben.

• Die Definition des Projektumfangs ist sowohl expliziter als auch vorläufiger geworden. Da KI es einfach macht, schnell plausible Pläne zu generieren, haben wir gelernt, diese Phase zu verlangsamen, anstatt sie zu beschleunigen. Frühe Ergebnisse werden als Hypothesen behandelt, die geprüft werden müssen, nicht als Vorschläge zur Ausführung. Wir nutzen KI, um den Möglichkeitsraum aufzuspannen, Beschränkungen sichtbar zu machen und Unsicherheiten zu identifizieren, bevor wir uns auf einen Umfang festlegen.
• Die Abstimmung der Teams konzentriert sich nun mehr auf gemeinsames Denken statt auf gemeinsame Artefakte. Anstatt sofort ausgefeilte Dokumente zu verteilen, nutzen wir KI oft, um kurze Zusammenfassungen von Annahmen, Abwägungen und offenen Fragen für Diskussionen zu erstellen. Das gleicht den Kontext aus und ermöglicht es, dass sich Alignment-Gespräche auf Urteilsbildung anstatt Interpretationen konzentrieren.
• Die Validierung der Arbeit erfolgt früher im Prozess. Anstatt Ergebnisse anhand einer Checkliste oder eines Zeitplans zu überprüfen, setzen wir KI ein, um Annahmen einem Stresstest zu unterziehen: Wir stellen Fragen, wie eine Struktur scheitern könnte, welche Annahmen das größte Risiko bergen oder was sich unter Grenzfällen verändert. Dadurch werden Validierungsgespräche substanzieller und spätere Überraschungen reduziert.
• Die Steuerung der Ausführung ist leichter, aber zielgerichteter geworden. Anstatt regelmäßiger Statusupdates konzentrieren sich Besprechungen auf zu treffende Entscheidungen, entstandene Abwägungen und Bereiche, in denen menschliches Urteilsvermögen benötigt wird. KI unterstützt Kontinuität und Synthese im Hintergrund, aber Verantwortlichkeit und Zuständigkeit bleiben klar menschlich.

Insgesamt hat KI das Bedürfnis nach getakteten Lieferprozessen nicht eliminiert – sie hat diese vielmehr bewusster gemacht. Der Schwerpunkt hat sich von der Fortschrittsverfolgung hin zur frühzeitigen, besseren Entscheidungsfindung mit klarerer Verantwortlichkeit verschoben.

Wie ein KI-gestützter Stack für Flexibilität in der Projektabwicklung aussieht

Mein Projektabwicklungs-Stack ist bewusst schlank, textbasiert und KI-unterstützt, statt durch viele Tools geprägt. Das spiegelt die Natur meiner Arbeit wider, die meist von hoher Unsicherheit und Designorientierung anstelle von groß angelegter Ausführung geprägt ist.

Im Zentrum stehen gemeinsame Dokumente und Tabellen über Google Workspace. Gemeinsame Dokumente dienen als zentrale Quelle für Annahmen, Entscheidungen, Zuständigkeiten und sich entwickelnde Strukturen. Tabellen werden für Kostenmodelle, Zeitpläne und Szenarienvergleiche genutzt, insbesondere im Investitions- und Standortplanungs-Kontext. Slack und WhatsApp dienen der schnellen Abstimmung und Entscheidungsfindung, nicht für die detaillierte Aufgabenverfolgung.

Für das Projektmanagement setze ich nach Bedarf Notion und Linear ein, mit Fokus auf Entscheidungsprotokolle und Meilensteine statt umfangreichen Taskboards.

In der Praxis bedeutet das, dass ich im letzten Jahr verstärkt auf gemeinsame Dokumente und KI-gestützte Synthese gesetzt und mich von schwergewichtigen Projektmanagement-Tools entfernt habe – zugunsten klarerer Entscheidungsprotokolle und schlankerer Abstimmung.

Mittlerweile habe ich weniger Dokumente, klarere Entscheidungsprotokolle und explizitere Annahmen. LLMs bilden nun die Synthese- und Kontinuitätsschicht darüber. Sie helfen mir, Entscheidungen, Annahmen und parallele Dokumente abzugleichen, wenn sich Rahmenbedingungen ändern. Ich nutze sie zur Optionserkundung, für Belastungstests von Konzepten, zur Zusammenfassung vorheriger Entscheidungen und zur Kontextpflege, wenn sich Projekte auf akademische, operative und Kooperations-Dimensionen ausweiten. Hier die Aufschlüsselung:

• ChatGPT (GPT-4-Klasse Modelle): Offene Argumentation, Optionserkundung, Abwägungsanalysen, Belastungstests für Designs und die Pflege langfristigen Kontexts über mehrere Dokumente hinweg.
• Claude: Saubere, strukturierte Entwürfe und sorgfältiges Überarbeiten, wobei Stil und Vorgaben beibehalten werden.
• Gemini (gelegentlich): Schnelle Zusammenfassung großer Eingaben oder alternative Darstellungen, insbesondere bei der Arbeit mit Dokumenten unterschiedlicher Art.

In jüngsten Projekten hat das in kürzeren Zeiten zu tragfähigen Programmstrukturen geführt, zu weniger späten Richtungswechseln und zu klareren Übergaben von Entscheidungen zwischen akademischen und operativen Arbeitsströmen. Konkret hat dies die Zahl paralleler Dokumente reduziert, Iterationszyklen zwischen Entwürfen verkürzt und den organisatorischen Aufwand für die Abstimmung von akademischen, operativen und partnerbezogenen Materialien gesenkt.

Auf der Kommunikations- und Designseite habe ich Midjourney eingesetzt, um schnell eine gemeinsame Linie mit unserem Designer zu finden. Besonders in frühen Phasen war das effektiv, um Tonalität und visuelle Richtung zu vermitteln und damit das Hin und Her zu reduzieren, das bei einer rein sprachlichen Beschreibung von Ästhetik oft entsteht.

Mit Blick auf die Zukunft wäre eine verknüpfte Wissensbasis wie Obsidian sinnvoll, wenn die Materialmenge weiter wächst, vor allem für die langfristige Dokumentation über Projekte hinweg. Derzeit decken gemeinsame Dokumente kombiniert mit KI-gestützter Zusammenfassung und Rückgriff den Großteil dieses Bedarfs ab, ohne zusätzlichen Tool-Overhead einzuführen.

Insgesamt funktioniert dieser Stack, weil Klarheit, Anpassungsfähigkeit und Urteilsvermögen aktuell wichtiger sind als Prozessoptimierung. Mit wachsender Skalierung werden sich manche Teile des Stacks vermutlich formalisieren, doch aktuell erweist sich Flexibilität als wertvoller als Präzision.

Warum schlanke Abwicklungssysteme bei KI-gestützten Projekten mit hoher Unsicherheit besser funktionieren

Wir haben uns von aufgabenlastigem, zeitplanorientiertem Projektmanagement entfernt und uns stattdessen für Systeme entschieden, die Annahmen, Abhängigkeiten und Entscheidungspunkte in den Mittelpunkt stellen. Bei arbeitsintensiven Projekten mit hoher Unsicherheit und Design-Fokus führen präzise Aufgaben und Deadlines zu Beginn oft zu einem trügerischen Fortschrittsgefühl und verschleiern die eigentlichen Fragen, die noch beantwortet werden müssen.

Ich habe mich nicht bewusst gegen traditionelles Projektmanagement "aufgelehnt" – es hat einfach nicht mehr zu der Art der Arbeit gepasst, die ich heute mache.

Wir setzen auf weniger starre Pläne und mehr strukturierte Gespräche. Anstatt einzelne Aufgaben zu verfolgen oder künstliche Meilensteine zu setzen, konzentrieren wir uns darauf, zu definieren, was für den Projekterfolg wahr sein muss, wo weiterhin Unsicherheit herrscht und wer die nächste bedeutsame Entscheidung verantwortet. Gemeinsame Dokumente dienen als sich weiterentwickelnde Single Source of Truth mit expliziten Bereichen für Annahmen, offene Fragen, Risiken und Verantwortlichkeiten. Schlanke Dokumentation ersetzt Dashboards, Entscheidungspunkte ersetzen feste Zeitpläne.

ChatGPT unterstützt diesen Wandel, indem es uns hilft, Veränderungen im Zeitverlauf zusammenzufassen, Inkonsistenzen in parallelen Arbeitsströmen aufzudecken und den Kontext anzugleichen, während Projekte sich entwickeln — ohne einen einzigen Arbeitsprozess oder starren Ablauf vorzugeben.

Das Ergebnis sind schnellere gemeinsame Annäherungen am Anfang und weniger schmerzhafte Überarbeitungen später. Wir sehen weniger "Show-Fortschritt" und mehr echte Klarheit, insbesondere bei Projekten, in denen das Problem selbst noch definiert wird.

Wie Sie vorsichtig mit agentischer KI experimentieren

Agentische KI ist bisher kein Bestandteil unserer allgemeinen Arbeitsabläufe, weil die Art der Arbeit verlangt, dass Urteilsvermögen, Verantwortlichkeit und Kontextbewusstsein weiterhin sehr explizit – und menschlich – bleiben müssen. Zu frühe Automatisierung würde in diesen Kontexten falsches Vertrauen schaffen. Dieses Risiko haben wir bewusst vermieden.

Deshalb sind wir vorsichtig bei allem, was nach End-to-End-Automatisierung aussieht. Anstatt zu fragen: "Was können wir automatisieren?", fragen wir vielmehr: "Wo verbessert Orchestrierung die Sichtbarkeit oder verringert Reibung, ohne Verantwortlichkeiten zu verschleiern?" Bisher haben wir daher Experimente explorativ, schrittweise und eng begleitet gehalten.

In der Praxis bedeutet das, KI etwa zur Zusammenfassung, für Konsistenz in sich entwickelnden Dokumenten und zum Vergleichen von Optionen oder Szenarien unter verschiedenen Annahmen zu nutzen. Das sind Bereiche, in denen Orchestrierung Koordinationsaufwände senken kann, ohne Verantwortlichkeiten vom Menschen abzulenken.

Mit Blick nach vorn gibt es auch Bereiche, in denen strukturierte Orchestrierung sinnvoller sein könnte, insbesondere bei Koordination und Feedback in großem Maßstab. Aber selbst dort wäre das Ziel nicht, Urteilsvermögen zu automatisieren oder menschliche Interaktion zu ersetzen, sondern Kontinuität, Reflexion und Ausrichtung sicherzustellen, wenn die Komplexität steigt.

Warum Projekterfolg weniger vom Einhalten von Plänen und mehr von Entscheidungsarchitektur abhängt

In den nächsten fünf Jahren wird sich die Projektumsetzung von Aufgabenkoordination hin zu Entscheidungsarchitektur verschieben. Während KI zunehmend Synthese, Gedächtnisleistung und den Vergleich von Optionen übernimmt, wird die menschliche Rolle entschlossen darin bestehen, Unsicherheit zu steuern, nicht Arbeit zu verwalten.

Konkret heißt das: Weniger Menschen, die Zeitpläne und Aufgabenlisten pflegen, dafür mehr Führungskräfte, die die Voraussetzungen für gute Entscheidungen gestalten: Annahmen sichtbar machen, Handlungsspielräume definieren, Entscheidungsrechte klären und feststellen, wo menschliches Urteil weiterhin nötig ist. KI wird die Abläufe der Umsetzung beschleunigen, aber sie wird keine Unklarheit beseitigen oder Risiko übernehmen.

Es ist wichtig, klar festzuhalten, was noch unbekannt ist, wo Verpflichtungen unumkehrbar sind und wer für jede Entscheidung die Verantwortung trägt. Die Projektumsetzung wird weniger vom Durchsetzen von Plänen geprägt sein, sondern davon, Kohärenz zu wahren, während sich das Verständnis weiterentwickelt.

Evgenys Notizen

Es ist wichtig, klar festzuhalten, was noch unbekannt ist, wo Verpflichtungen unumkehrbar sind und wer für jede Entscheidung die Verantwortung trägt. Die Projektumsetzung wird weniger vom Durchsetzen von Plänen geprägt sein, sondern davon, Kohärenz zu wahren, während sich das Verständnis weiterentwickelt.

Warum Urteilskraft und Verantwortung weiterhin beim Menschen bleiben

Die größte Veränderung für Führungskräfte in der Projektumsetzung besteht aktuell nicht darin, neue Tools zu erlernen, sondern darin, neu zu verstehen, wo Urteilsvermögen hingehört. KI verändert, wie schnell wir denken, iterieren und koordinieren können – aber nicht, wer für Entscheidungen verantwortlich sein sollte. Diese Unterscheidung klar zu halten, wird zu einer zentralen Führungsfähigkeit.

Hier ist mein Rat:

• Lagern Sie nicht das Urteilsvermögen aus – lagern Sie die kognitive Belastung aus. KI ist äußerst gut darin, Kontext zu behalten, Optionen zu vergleichen, Unstimmigkeiten zu erkennen und die mentale Belastung komplexer Projekte zu reduzieren. Nutzen Sie sie zur Unterstützung des Denkens, nicht als Ersatz dafür. Sobald KI entscheidet, dass etwas abgeschlossen erscheint, müssen Führungskräfte einschreiten und hinterfragen, welche Annahmen zu diesem Selbstvertrauen führen und ob diese wirklich gerechtfertigt sind.
• Machen Sie Annahmen sichtbar, bevor Sie die Ausführung optimieren. KI ermöglicht es, frühzeitig ausgefeilte Pläne zu erstellen, was die Illusion von Fortschritt erzeugt. Widerstehen Sie dieser Versuchung. Die wertvollste Arbeit zu Beginn ist nicht die Aufgabenaufteilung oder das Festlegen von Zeitplänen, sondern das Sichtbarmachen der Annahmen: Was muss wahr sein, damit dies funktioniert, wo bestehen noch Unsicherheiten und welche Entscheidungen sind unumkehrbar. Projekte scheitern seltener an schlechter Ausführung als an ungeprüften Grundannahmen.
• Betrachten Sie KI als Denkpartner, nicht als Abkürzung. Schon kleine Veränderungen in der Aufgabenstellung können die Ergebnisse der KI grundlegend beeinflussen. Gut zu prompten bedeutet weniger, die richtige Syntax zu finden, als vielmehr, bessere Fragen zu stellen. Diese Fähigkeit verstärkt sich mit der Zeit, da sie zu klarerem Denken, präziseren Abwägungen und bewussteren Entscheidungen führt.

Die Teams, die in den nächsten Jahren erfolgreich sein werden, sind nicht diejenigen, die am schnellsten automatisieren. Es werden diejenigen sein, die KI nutzen, um klarer zu sehen, bewusster zu entscheiden und Verantwortung für die wirklich wichtigen Entscheidungen zu übernehmen.

Folgen Sie mit

Sie können Evgeny Goncharov auf LinkedIn folgen und sich seine Arbeit im Bildungsbereich bei Cantabrium Scholars ansehen.

Weitere Experteninterviews erscheinen demnächst beim Digital Project Manager!