KI-Vorgaben: Volltreffer oder Fehlgriff? Führungskräfte erzählen alles
Überall tauchen derzeit KI-Mandate auf. Manche werden als kulturelle Erwartungen leise ausgesprochen, andere sind in OKRs und Leistungsbeurteilungen fest verankert. Aber funktionieren sie tatsächlich?
Wir haben Führungskräfte, die ein KI-Mandat ausgesprochen haben, und Mitarbeitende, die darunter arbeiteten, gefragt, wie das Mandat aussah, wie der Erfolg gemessen wurde und was danach passierte. Ihre Antworten zeigen eine überraschend konsequente Trennlinie – und die verläuft nicht beim Vorhandensein eines Mandats, sondern bei dem, was gemessen wurde.
Wie die Mandate tatsächlich aussahen
Das Wort „Mandat“ suggeriert ein Memo, tatsächlich reichte das Spektrum in der Praxis jedoch von einfachen Schulungspflichten bis hin zu harten technischen Vorgaben. Am wenigsten strikt ist Aniket Ghonge, Senior Supply Chain Manager bei Amazon, einzuordnen, wo es keinerlei Nutzungsvorgaben gibt. „Es wird nicht gemessen, wie viel ich [mit KI] mache“, sagt er.
Kostenlos freischalten
Erstellen Sie ein kostenloses Konto, um diesen Beitrag zu Ende zu lesen und Teil einer Community zukunftsorientierter Führungskräfte zu werden, die Tools, Leitfäden und Insights für den Erfolg im Zeitalter der KI freischaltet.
Have an account? Log In
Was Amazon allerdings auf allen Ebenen vorschreibt, ist KI-Training: „Wir müssen das KI-Training absolvieren. Andernfalls kann es eskaliert werden“, sagt er und bezeichnet es als „gängige Praxis bei Amazon“. Diese lockere Erwartung hat ihn aber nicht gebremst — Ghonge entwickelte schließlich für sein Team ein Tool mit Vibecoding, das deutlich Zeit einspart.
Es gibt keine Messung darüber, wie viel ich [mit KI] mache. Aber wir müssen das KI-Training absolvieren.
Am anderen Ende des Spektrums steht Liu Peng, Gründer & Technischer Leiter bei ReelPulse und Quartz. Er hat eine strenge interne Regel eingeführt: „100 % der Pull-Requests für Data-Scraping-Pipelines und Lokalisierungsskripte müssen KI-basierte Codegenerierung einbeziehen, und jede:r Entwickler:in muss die täglichen LLM-Prompt-Workflows in Sprint-Retrospektiven dokumentieren.“
Die meisten Mandate bewegten sich irgendwo dazwischen: KI wurde für bestimmte Arbeitsphasen vorgeschrieben anstatt zum ständigen Einsatz. Neal J. McLeod, Gründer von CTK Industries, hat die Grenze klar definiert: „Die Regel lautete nicht: 'Benutze KI täglich.' Die Regel war: 'Nutze sie, wenn sie wenig wertschöpfende manuelle Tätigkeiten ersetzt, ohne die menschliche Überprüfung in vertrauenssensiblen Schritten zu streichen.'“ Bogdan Condurache, CPO & Mitgründer von Brizy, verfolgte bei den Produkten einen ähnlichen Ansatz: „Unser KI-Mandat lautete, dass jede neue Funktion zunächst mit KI geprüft werden musste, bevor die Arbeit begann.“
Wann Mandate funktionierten
Die Erfolgsgeschichten zeigen Gemeinsamkeiten: Führungskräfte maßen die Ergebnisse, ließen Menschen in der Überprüfungsschleife und ermöglichten Raum für eigenes Urteilsvermögen. Rick Elmore, CEO und Gründer von Simply Noted, verlangte ab Q1 2025 von jedem Teammitglied, KI wöchentlich im Arbeitsablauf zu nutzen – aber der Erfolg wurde an den Resultaten verfolgt. Die Fragen waren: „Wurden Vorschläge schneller fertig? Wurden Support-Tickets schneller geschlossen? Brauchten Marketing-Entwürfe weniger Überarbeitungsrunden?“ Das Resultat: „Unser Marketing-Output hat sich ungefähr verdoppelt, ohne dass wir zusätzliches Personal eingestellt haben.“
Unser Marketing-Output hat sich ungefähr verdoppelt, ohne dass wir zusätzliches Personal eingestellt haben.
Carlos Rios, Gründer von Tabula, erzielte vergleichbare Vorteile, nachdem die Arbeit mit KI zum Standard gemacht wurde. „Etwa 95 % unserer Blogbeiträge beginnen inzwischen mit einer KI-gestützten ersten Version. Ein Blogartikel, der früher eine Woche gebraucht hätte, benötigt jetzt rund eine Stunde an Prompts und Überarbeitung, bevor er zur Prüfung bereit ist“, sagt er mit dem Hinweis, dass jedes Stück dennoch endgültig von ihm gegengelesen wird, bevor es veröffentlicht wird.
Auch in technischen Bereichen bestätigten sich die Zahlen. Chongwei Chen, Präsident und CEO von DataNumen, koppelte sein Mandat an ein Q1-OKR: 30 % der Tickets sollten durch KI unterstützt werden. „Die durchschnittliche Bearbeitungszeit von Recovery-Fällen sank von 4,2 Tagen auf 2,8 Tage. Die Kundenzufriedenheit mit den Tickets stieg von 4,1 auf 4,6“, berichtet er.
Die durchschnittliche Bearbeitungszeit von Recovery-Fällen sank von 4,2 Tagen auf 2,8 Tage. Die Kundenzufriedenheit mit den Tickets stieg von 4,1 auf 4,6.
Nicht jeder Erfolg war ein Geschwindigkeitserfolg. Kristiyan Yankov, Mitgründer & Growth Marketer bei Above Apex, entdeckte den Nutzen auf andere Weise: „Wir haben nicht plötzlich unsere Arbeitsbelastung halbiert. Was sich geändert hat, war die Konsistenz.“ Auch Condurache war überrascht – in eine ähnliche Richtung: „Die größte Überraschung war, dass KI die Zusammenarbeit mehr als die Produktivität gefördert hat. Produkt, Design und Engineering starteten vom selben Entwurf statt von getrennten Dokumenten“, sagt er.
Wenn Vorgaben nach hinten losgingen
Auch die Misserfolge folgen einem Muster – und zwar dem Spiegelbild der Erfolge. Ankita Pathak von OneMetrik machte die deutlichste Erfahrung als Warnung: Die Führungsebene verlangte die tägliche Nutzung von ChatGPT, die per Screenshot bis 16 Uhr in einem Slack-Channel nachgewiesen werden musste. Das funktionierte ein paar Wochen, dann kippte es. „Im zweiten Monat ging der Schuss nach hinten los. Die Leute nutzten es täglich nur, um das Kästchen abzuhaken, sodass sie es für Dinge einsetzten, für die es gar nicht geeignet war“, sagt sie. Nach acht Wochen wurde die Vorgabe abgeschafft. Ihr Fazit: „Tägliche KI-Nutzung zu erzwingen baut keine besseren Gewohnheiten auf, sondern nur Konformität.“
Sogar Vorgaben, die Ergebnisse brachten, trugen versteckte Kosten. Pengs Pull-Request-Quote verdoppelte die Auslieferungsgeschwindigkeit seines Teams innerhalb von 60 Tagen – dann kam die Rechnung, was er die „AI Rework Tax“ nennt. Wie er erklärt: „Junge Entwickler haben komplexe, KI-generierte ORM-Abfragen und Regex-Parser blind übernommen, ohne Sonderfälle zu prüfen. Dadurch entstanden unbemerkte Speicherlecks bei Video-Datenauswertungen mit hoher Parallelität, was unsere Cloud-Compute-Kosten innerhalb eines Monats um 22% steigen ließ.“ Inzwischen hat er von einer reinen Nutzungsvorgabe auf eine Governance-Vorgabe umgestellt und argumentiert: „KI-Vorgaben funktionieren nur, wenn Entwickler als ‚Intent Directors‘ – also Architekten – handeln und nicht als passive Abschreiber.“
Es entstand, was ich die AI Rework Tax nenne. Dadurch entstanden stille Speicherlecks bei Video-Datenauswertungen mit hoher Parallelität, was unsere Cloud-Compute-Kosten in einem Monat um 22 % steigen ließ.
Andrea Sommer, Gründerin & CEO von Hive Founders, hat dieses Scheitern als Gründerin selbst erlebt. „Die Vorgaben, die nach hinten losgehen, sind die, die nach Aktivität messen. 'Jeder nutzt Copilot täglich' oder 'X Prozent der Tickets werden von KI bearbeitet' führt dazu, dass Leute die Metrik austricksen, statt bessere Arbeit zu leisten“, sagt sie. McLeod sagt es noch deutlicher: „Vorgaben schlagen fehl, wenn sie sichtbare Nutzung statt messbarer operativer Verbesserung belohnen.“
Was Führungskräfte überrascht hat
Abseits der Schlagzeilenergebnisse begegneten die von uns befragten Führungskräfte immer wieder denselben Nebeneffekten – von denen kaum einer im ursprünglichen Rollout-Plan vorgesehen war.
Die Hürde ist nicht Angst, sondern Gewohnheit. Elmore erwartete Widerstand und fand etwas Leiseres: „Die größte Blockade war nicht die Angst vor KI, sondern die Trägheit der Gewohnheiten.“ Seine Lösung wäre strukturell: Jede zukünftige Vorgabe würde er mit einem 30-tägigen Lernmarathon kombinieren, denn „die Vorgabe ohne Gerüst ist nur Druck“.
KI ist ein Prozess-Röntgen. McLeod stellte fest, dass KIs aufschlussreichstes Ergebnis seine eigene Organisation betraf: „Wenn der Input unklar war oder das SOP schwach, machte KI die Inkonsistenz schneller sichtbar. Insofern hat KI eher Prozessprobleme offengelegt als sie gelöst.“
Erfahrung im Senior-Bereich wird noch wertvoller. Barnett bemerkte: „Diejenigen, die am meisten profitierten, waren nicht die mit der meisten KI-Nutzung. Es waren die, die wussten, wann sie aufhören mussten, sich auf KI zu verlassen, und ihr eigenes Urteil einsetzten.“
Und der Hype hat eine Grenze. Rion Haber, Mitgründer und Chief Strategy Officer bei Catalyst Marketing Agency, der ein sechsmonatiges KI-Experiment ohne Vorgaben im Führungsteam anregte, zieht eine Warnung für alle, die von einer Vorgabe allein eine Geschäftstransformation erwarten: „Die Idee, dass man nur eine Eingabe von einer Verzehnfachung der Investition entfernt ist, ist ein Trugschluss.“
Das Paradox der KI-Vorgabe
Hier liegt das Paradox, das sich durch all diese Geschichten zieht: KI-Vorgaben sind umso erfolgreicher, je weniger sie tatsächlich die Nutzung von KI vorschreiben. Erfolgreiche Einführungen forderten Ergebnisse, Prüfzyklen und Lernen – das Tool selbst war beinahe nebensächlich und wurde von manchen intensiv, von anderen kaum genutzt. Gescheiterte Einführungen forderten die Toolnutzung ein und bekamen genau das: Screenshots im Slack-Kanal, abgehakte Kontrollkästchen, erfasste Prompts. Eine Vorgabe, die an Prompts gemessen wird, produziert Prompts. Eine Vorgabe, die an Ergebnissen gemessen wird, produziert Ergebnisse – und sorgt ganz nebenbei auch für die KI-Adaption.
Sie möchten mehr solcher Einblicke? Melden Sie sich für ein kostenloses DPM-Konto an, um von weiteren Expert*innen wie diesen zu hören.