Wie man während der KI-Transformation Klarheit bei Entscheidungen schafft

Galen Low: Eine RACI-Matrix gehört zu den Dingen, die Menschen entweder lieben oder hassen – meistens hassen. Nicht, weil sie nicht nützlich wäre, sondern weil man sich leicht darin verlieren kann, zu dokumentieren, wer für jeden einzelnen Aspekt des Unternehmens verantwortlich, entscheidungsbefugt, konsultiert oder informiert ist, anstatt einfach die Arbeit zu erledigen. Doch je weiter Organisationen auf ihrem Weg der KI-Transformation voranschreiten und beginnen, die Strukturen, in denen Arbeit stattfindet, völlig neu zu denken, desto wichtiger wird Klarheit über Rollen, Verantwortlichkeiten und Entscheidungsfindung.

Deshalb habe ich heute die Person eingeladen, die meiner Meinung nach Expertin für entscheidungsbezogene Klarheit mithilfe von RACI ist und gleichzeitig eng mit Unternehmen und Behörden an ihrer KI-Transformation arbeitet. Gemeinsam untersuchen wir, ob RACI nicht nur als Werkzeug genutzt werden kann, um festzuhalten, wie Entscheidungen heute getroffen werden, sondern auch als Sprache und Denkweise, mit der sich die Organisationen der Zukunft gestalten lassen. Ich hoffe, die Episode gefällt Ihnen.

Willkommen beim Podcast des Digital Project Manager – der Sendung, die Führungskräften in der Umsetzung hilft, intelligenter zu arbeiten, reibungsloser zu liefern und ihre Teams im Zeitalter der KI souverän zu führen. Ich bin Galen, und jede Woche beschäftigen wir uns mit Strategien aus der Praxis, aufkommenden Trends, bewährten Rahmenwerken und gelegentlich auch mit einer Kriegsgeschichte von den Projektfronten.

Ganz gleich, ob Sie riesige Transformationsprojekte steuern, KI-Arbeitsabläufe koordinieren oder einfach versuchen, das Chaos unter Kontrolle zu halten: Sie sind hier richtig. Und wenn Ihnen gefällt, was Sie in letzter Zeit von uns hören, folgen Sie uns bitte dort, wo Sie uns finden, und hinterlassen Sie vielleicht sogar eine Bewertung. Also gut, legen wir los.

Heute sprechen wir also über KI, Entscheidungsfindung und darüber, warum Klarheit über Rollen und Verantwortlichkeiten wichtiger ist denn je. Bei mir ist heute Cassie Solomon, eine Freundin des Podcasts sowie Präsidentin und CEO von The New Group. Cassie ist eine preisgekrönte Autorin und Unternehmensberaterin und Expertin darin, erfolgreiche Veränderungen zu führen.

Sie hat Führungskräften dabei geholfen, ihre Abläufe in Organisationen wie Twitter, Pandora, Bayer Pharmaceuticals, Penn Medicine, Geisinger Health Systems und ChristianaCare Health Systems zu verändern. Außerdem unterrichtet sie Führungskräfte an der Wharton School of Business. Ihr Buch „Leading Successful Change: Eight Keys to Making Change Work“ dient vielen Führungskräften noch immer als Handbuch, um mit dem heutigen Tempo der Disruption umzugehen.

Für alle, die diesen Podcast schon länger verfolgen, ist Cassie jedoch die Ansprechpartnerin, wenn es darum geht, RACI als Werkzeug und Sprache einzusetzen, um Rollen, Verantwortlichkeiten und Entscheidungsfindung zu klären und dadurch die Geschwindigkeit der Transformation in Organisationen zu erhöhen.

Cassie, vielen Dank, dass du heute bei mir bist.

Cassie Solomon: Vielen Dank, Galen, dass du mich eingeladen hast. Es macht immer großen Spaß, mit dir zu sprechen.

Galen Low: Zunächst möchte ich dir eine provokante Frage stellen, zu der meine Zuhörerinnen und Zuhörer sicher gern deine Einschätzung hören würden. Danach hoffe ich, dass wir daraus einige praktische Tipps ableiten können, um Chaos bei KI-Rollen und Verantwortlichkeiten in Projekten sowie bei der Entscheidungsfindung in Organisationen insgesamt zu vermeiden.

Zum Abschluss könnten wir vielleicht einen Blick in die Zukunft werfen: Wie werden Entscheidungsfindung, Teamarbeit und Organisationsstrukturen aussehen, wenn KI eingebettet ist? Und was müssen wir heute richtig machen, damit daraus etwas Positives entsteht – und nichts Negatives? Wie klingt das?

Cassie Solomon: Das klingt wunderbar.

Galen Low: Dann beginne ich mit einer etwas provokanten Frage. Im Moment versucht fast jede Organisation, mit der ich spreche, KI-Agenten zu entwickeln und in ihr Betriebsmodell zu integrieren. Diese Agenten sollen weitgehend autonom arbeiten, was ausdrücklich auch bedeutet, selbst Entscheidungen zu treffen.

Du bist für mich die Expertin, wenn es darum geht, RACI als Sprache zu verwenden, um ein gemeinsames Verständnis darüber zu schaffen, wer im Rahmen der Zusammenarbeit für Entscheidungen verantwortlich, entscheidungsbefugt, konsultiert und informiert ist. Deshalb lautet meine Frage: Ist RACI im Zeitalter der KI überhaupt noch relevant?

Cassie Solomon: Ich denke schon.

Ich möchte dir dafür danken, dass du das Buch „Leading Successful Change“ erwähnst. Es beschreibt ein System. Einer der acht Hebel betrifft die Entscheidungsfindung. Eine Sache, auf die ich beim Unterrichten dieses Modells gern hinweise, ist, dass es sich um einen Aspekt unseres Organisationslebens handelt, der weitgehend unsichtbar ist.

Ich kann dir meinen Vergütungsplan zeigen, mein Organigramm oder meine Technologie. Aber es ist sehr schwer, dir meine Entscheidungsfindung zu zeigen – und dennoch ist sie ein sehr wichtiger Teil des Systems. Deshalb ist sie eine interessante Perspektive auf die KI-Transformation. Wir stehen vor einer Veränderung, die unsere Entscheidungspraktiken grundlegend verändern wird, und meistens wissen wir nicht einmal, wie wir darüber sprechen sollen.

Galen Low: Ich finde es gut, dass du die Transformation angesprochen hast, besonders die KI-Transformation, und zwar aus zwei Gründen. Erstens stimme ich dir zu. Das sind Dinge, die wir nicht immer aufschreiben. Sie sind in vielerlei Hinsicht informell und unsichtbar und nur sehr begrenzt dokumentiert. Das ist aus zwei Gründen problematisch.

Erstens ist es schlecht für die KI. Wenn wir sie nicht darauf trainiert haben, wenn sie es nicht weiß und die Informationen nicht finden kann, wird sie es erst wissen, wenn wir es ihr sagen. Zweitens braucht Transformation diese Klarheit. Alle bewegen sich schnell, versuchen, Dinge zügig umzusetzen und wettbewerbsfähig zu bleiben. Genau jetzt müssen Entscheidungsfindung, Rollen, Verantwortlichkeiten und all die Dinge, die sich im Wandel befinden, besprochen und anschließend dokumentiert werden, damit wir uns schnell weiterbewegen und nicht in einem Entscheidungsnirwana oder in massiver Unklarheit stecken bleiben.

Cassie Solomon: In der öffentlichen Berichterstattung über KI wird oft gefragt: „Geht es darum, die Arbeit jemandes zu ersetzen? Werde ich diese Arbeitskraft ersetzen, weil ich sie nicht mehr brauche?“ Dann kommt ein anderes Wort ins Spiel: Urteilskraft. Was ist mit menschlicher Urteilskraft?

Das Wort Urteilskraft bezieht sich eigentlich auf Fachwissen und Befugnis. Sie kommt oft an dem Punkt ins Spiel, an dem jemand sagt: „Das ist eine gute Entscheidung“, „Das ist eine schlechte Entscheidung“ oder „Moment, diese Entscheidung sollte ich besser selbst treffen. Ich habe 25 Jahre Erfahrung in diesem Bereich.“ In dem Wort Urteilskraft steckt also bereits ein Hinweis in die richtige Richtung. Es sagt: „Schau hierher. Das ist Entscheidungsgebiet.“

Außerdem möchte ich über das Buch „Power and Prediction“ von Ajay Agrawal, Josh Gans und Avi Goldfarb sprechen. Es erschien 2022, also noch vor dem Start von ChatGPT, weist uns aber auf ein Verständnis von KI als Vorhersagemaschine und als Möglichkeit hin, bessere Entscheidungen zu treffen.

Derzeit sind wir geradezu überschwemmt von KI-Projekten und KI-Gesprächen. Eine sehr gute Studie aus dem Jahr 2025 zeigte, dass ungefähr 80 Prozent der KI-Projekte keine Produktivitätssteigerung erreichen. Das war eine MIT-Studie. Eine McKinsey-Studie aus dem Jahr 2026 kam im Grunde zum gleichen Ergebnis.

Die Autoren haben ein Modell entwickelt, das meiner Meinung nach sehr hilfreich ist, um zu verstehen, über welche Art von KI-Projekt wir sprechen. Ihr Rahmenwerk ist sehr einfach. Die erste Ebene ist eine Einzellösung: Man nimmt eine einzelne Tätigkeit, die früher Menschen erledigt haben, und erledigt sie nun mit KI. Auf individueller Ebene wäre das etwa, die KI zu bitten, einen Essensplan für die Woche zu erstellen oder die Recherche für eine Arbeit durchzuführen.

Das ist sehr sinnvoll, aber begrenzt. Die zweite Ebene nennen sie Anwendungslösung. Dabei verändert man mehrere Dinge gleichzeitig. Das könnte der Bereich sein, in den wir mit KI-Agenten jetzt allmählich vordringen. Die höchste Ebene sind Systemanwendungen. Hier tritt man einen Schritt zurück und fragt: „Wie kann ich mithilfe dieser Technologie das gesamte System verändern?“

Das ist sehr viel schwieriger zu erreichen, und es gibt weniger Beispiele dafür. Ihre Theorie – und ich stimme ihr zu – lautet jedoch, dass wir dort echte Auswirkungen auf das Geschäftsergebnis sehen werden, wenn wir eine vollständige Transformation erreichen.

Galen Low: Dieses Rahmenwerk gefällt mir sehr, weil es uns dazu bringt zu verstehen, dass nicht alle KI-Transformationsprojekte, Projekte oder KI-Anwendungen gleich sind.

Es wäre einfach zu sagen: „Jetzt kann ich dieses eine Werkzeug durch ChatGPT ersetzen“ oder „Jetzt kann ich einen Agenten in diesen Arbeitsablauf integrieren.“ Aber es gibt eine weitere Ebene, über die wir anders nachdenken müssen, weil die Auswirkungen, die Gestaltungsherausforderungen und das Problem größer sind.

Das bringt uns in ein Gebiet, in dem wir uns nicht mehr am Beckenrand festhalten. Wir haben keine Komfortzone, in die wir zurückkehren können. Wir befinden uns gewissermaßen in völlig neuem Terrain und müssen es nicht auf Grundlage dessen herausfinden, was wir früher hatten, sondern auf Grundlage von etwas völlig Neuem.

Cassie Solomon: Wenn wir zunächst mit Einzellösungen beginnen, was für mich nachvollziehbar ist, weil sie am einfachsten vorstellbar sind, führt uns das leicht zu dem Gedanken: „Ich brauche diese 8.000 Arbeitskräfte nicht mehr, um diese Aufgabe zu erledigen.“ Das sei ersetzbar. Aber ich habe diese Woche gerade eine interessante Untersuchung gelesen.

Im vergangenen Jahr haben im Vereinigten Königreich etwa 30 Prozent der Organisationen, die Menschen entlassen hatten, weil sie KI einführen wollten, diese später wieder eingestellt. Eine zweite, von anderen Personen durchgeführte Studie kam im Grunde zu dem Ergebnis: Wenn man sie wieder einstellt, sind sie beim zweiten Mal teurer.

Wenn wir breiter denken und uns auf Lösungen und Transformation konzentrieren, können wir bessere Fragen stellen. Wenn diese Beschäftigten keine Zeit mehr mit dieser Tätigkeit verbringen, was könnten sie stattdessen tun? Ein klassisches Beispiel aus früheren Zeiten ist die Einführung von Geldautomaten. Viele sagten: „Oh mein Gott, bald gibt es keine Bankangestellten mehr, weil die Maschine uns Geld geben kann. Das ist das Ende dieses gesamten Berufs.“

Aber das stimmte nicht. Es war nicht das Ende des gesamten Berufs. Man sagte einfach: „Mitarbeitende am Schalter sind uns weiterhin wichtig, weil sie Gespräche mit unseren Kundinnen und Kunden führen können. Setzen wir sie stärker dafür ein.“ Sie übernahmen mehr Aufgaben in der Geschäftsentwicklung. Ich glaube, diese Denkweise kann dazu beitragen, einige der Albträume zu beruhigen, die wir im Hinblick auf die Belegschaft und die Frage haben, ob KI alle Arbeitsplätze ersetzen wird.

Galen Low: Mir gefällt die Vorstellung, dass gerade die Einzellösung am beängstigendsten sein kann, weil sie wie ein einfacher Austausch aussieht: „Jetzt erledigt ein Roboter meine Arbeit.“ Ich finde es gut, dass du den Blick auf das gelenkt hast, was wir in der jüngeren Geschichte über Disruption gesehen haben.

Wenn wir auf die Systemebene schauen, denken wir vielleicht zunächst: „Dann müssen wir wohl alle Bankangestellten entlassen.“ Und anschließend: „Moment, wir brauchen sie zurück“, weil wir auf Systemebene erkennen, dass weiterhin Wert geschaffen werden kann.

Wir müssen nur auf völlig neue Weise darüber nachdenken und dürfen nicht unser altes Modell verwenden. Wir reagieren oft auf Grundlage dessen, was wir heute wissen, obwohl unsere Aufgabe darin besteht, etwas Neues für morgen herauszufinden.

Cassie Solomon: Es ist zu hundert Prozent eine Frage der Denkweise. Eine Sache, die mich fasziniert und wegen der meine Freunde mich aufziehen, ist der Übergang von der Dampfmaschine zum Elektromotor. Dieser Übergang dauerte sehr lange, etwa 20 bis 25 Jahre.

Was die Menschen besonders zurückhielt, war ihre Schwierigkeit, sich vorzustellen, wozu die neue Technologie fähig war. Unternehmen, die es herausfanden, waren erfolgreich und gediehen. Unternehmen, die es nicht herausfanden, verschwanden nach und nach.

Besonders interessant finde ich, dass Unternehmen neue Fabriken bauten, nachdem der Elektromotor bereits eingeführt war, ihn aber am selben zentralen Ort aufstellten, an dem zuvor die riesige Dampfmaschine gestanden hatte, weil sie sich kein anderes Fabriklayout vorstellen konnten.

Ein großer Teil davon ist also eine Frage der Denkweise: Was können wir uns als anders vorstellen?

Galen Low: Das gefällt mir, und ich denke, es ist heute sehr relevant. Wo werden wir den neuen Motor aufstellen? Am selben Ort wie immer. Es gibt viele Parallelen zur Frage, wo Entscheidungen getroffen werden.

Wo werden wir sie im neuen Modell ansiedeln? Genau dort, wo sie vorher getroffen wurden. Das scheint wahrscheinlich die beste Lösung zu sein. Wir wissen nicht, was wir nicht wissen, und es ist sehr menschlich zu sagen: „Wir machen es einfach so, wie wir es immer gemacht haben. Das hat bisher funktioniert.“

Und manchmal kommt der Moment, in dem wir erkennen: „Nein, wir müssen größer denken. Es muss nicht mehr hier sein.“

Cassie Solomon: Danke, dass du das wieder auf die Entscheidungsfindung zurückführst. Ich habe ein gutes Beispiel, das wir in einem Artikel über ein großes Unternehmen namens Blackstone verwenden werden.

Blackstone wollte seine Arbeit im Bereich Recht und Compliance transformieren, weil das Unternehmen ein enormes Volumenwachstum erwartete. Bisher wurde alles manuell bearbeitet, und eine Aufstockung der Belegschaft um 25 Prozent war nicht finanzierbar. Deshalb wandte man sich an McKinsey und sagte: „Das sollten wir doch mit KI erledigen können.“

McKinsey antwortete: „Langsam. Wir werden diese Technologie nicht einfach auf Ihren alten Prozess setzen, denn damit kommen Sie nicht weit.“ Das wäre wie in den Fällen, in denen Menschen sagen: „Ich habe KI eingesetzt, aber nichts hat sich verändert. Es hatte keinen Einfluss auf mein Ergebnis.“

McKinsey empfahl stattdessen, zunächst die vielen Genehmigungsebenen und den umständlichen Prozess zu bereinigen, die Entscheidungsfindung zu vereinfachen, möglichst viele regelbasierte Entscheidungen zu automatisieren und anschließend einen Eskalationsweg einzurichten, falls jemand mit dem Ergebnis der neuen Automatisierung nicht einverstanden ist. Erst danach sollte die KI eingesetzt werden.

Nachdem der umständliche Prozess bereinigt und die KI eingeführt worden war, erzielte das Unternehmen enorme Produktivitätssteigerungen – etwa 30 Prozent mehr Produktivität. Erfahrene Mitarbeitende mussten nicht mehr mehrere Prüfungen durchführen und konnten sich anderen Aufgaben widmen. Es ergaben sich viele Vorteile. Damit sind wir wieder bei meinem Freund RACI.

Kann man RACI verwenden, um den derzeitigen Prozess abzubilden? Kann man erkennen, wie umständlich er im Hinblick auf die Anzahl der Genehmigungen ist, die man durchlaufen muss, und diese Abläufe vor der Einführung der Technologie vereinfachen?

Galen Low: „Quälerei“ ist ein starkes und zugleich sehr passendes Wort für manche Aspekte der Entscheidungsfindung.

Gerade startest du ein RACI-Zertifizierungsprogramm – das erste, von dem ich weiß. Die Idee besteht darin, Unternehmen dabei zu helfen, Menschen auf ganz unterschiedlichen Ebenen darin zu schulen, wie Entscheidungen im gesamten Betrieb einheitlich getroffen werden.

Was ist deiner Meinung nach beim Einsatz von RACI im KI-Zeitalter grundlegend anders, das Führungskräfte und Projektfachleute verstehen müssen, um nicht den Elektromotor am selben Ort wie die Dampfmaschine aufzustellen und nicht die Denkmuster des vergangenen Zeitalters den Fortschritt im neuen Zeitalter begrenzen zu lassen?

Cassie Solomon: Das ist eine großartige Frage. Der RACI-Zertifizierungskurs befindet sich derzeit in der Betaphase. Der erste reguläre Durchlauf wird im Oktober stattfinden. Wir suchen noch nach dem passenden Titel, weil viele Menschen sagen: „RACI ist doch ein sehr einfaches Werkzeug. Warum brauche ich dafür eine Zertifizierung? Ich kann ein paar YouTube-Videos ansehen und bin fertig.“

Dem stimme ich vollkommen zu. Als Werkzeug ist RACI ziemlich einfach. Wir versuchen jedoch, es als Fähigkeit beziehungsweise Kompetenz zu vermitteln. Es hat viele Anwendungsmöglichkeiten, um Engagement und leistungsstarke Teams zu schaffen.

Unternehmen wenden sich oft an mich und sagen: „Unsere Umfrage zum Mitarbeiterengagement ist zurückgekommen, und die Menschen sind von unseren Entscheidungsprozessen frustriert. Sie bekommen nichts erledigt. Können Sie helfen?“ Natürlich können wir helfen.

Eine Fähigkeit, die wir in den Kurs integrieren, ist die Frage: Wie tritt man einen Schritt zurück und führt eine Art Entscheidungsprüfung durch? Wie betrachtet und kartiert man seine Entscheidungspraktiken, so wie man einen Arbeitsablauf kartieren würde?

Wir kartieren unsere Entscheidungsprozesse fast nie. Wir konzentrieren uns stark darauf, was wir tun oder wie wir es tun, aber nur sehr wenig darauf, wo die Macht und Befugnis liegen und wie sie in der Organisation eingesetzt werden. Zuerst muss man den aktuellen Zustand erkennen. Das ist eine RACI-Kompetenz.

Dann muss man fragen: Warum ist das so langsam? Das PMI hat uns vor langer Zeit gesagt, dass es für jedes Projekt nur ein A geben sollte. Du kennst mich – ich neige dazu, dem zu widersprechen, weil ich das nicht besonders realistisch finde. Wenn wir Geschwindigkeit erreichen wollen, sollten wir Entscheidungen tatsächlich in der Organisation nach unten verlagern.

Wir kommen alle aus traditionellen, hierarchischen Systemen, die stark auf Befehl und Kontrolle ausgerichtet sind. Die Welt bewegt sich seit einigen Jahrzehnten in Richtung flacherer, weniger hierarchischer Organisationen mit weniger Befehl und Kontrolle. Diese Organisationen sind agiler und schneller.

Der erste Schritt besteht also darin, die aktuelle Entscheidungsfindung zu diagnostizieren. Der zweite Schritt besteht darin, einen Schritt zurückzutreten und sie zu betrachten. Der dritte Schritt besteht darin, sie neu zu gestalten, mit dem Ziel, Menschen zu befähigen und Entscheidungen näher an den Ort zu bringen, an dem die Wertschöpfung stattfindet.

Galen Low: Mir gefällt diese Beweglichkeit. Wenn ursprünglich gedacht wurde, eine einzige verantwortliche Person sei am effizientesten, erkennen wir heute, dass diese Person tatsächlich zum Engpass werden kann.

Viele Menschen, mit denen wir sprechen, stellen fest, dass ein einzelner Entscheidungsträger für alles nicht immer der beste Ansatz ist. Diese Person verfügt möglicherweise nicht über ausreichende Informationen oder ist nicht ausreichend ausgestattet, um die Entscheidung zu treffen. Wenn außerdem unklar ist, wer diese Person ist, oder wenn alle auf ihre Entscheidung warten, wird alles langsamer.

Gleichzeitig gibt es viele Beispiele für Teams, die befähigt wurden, Entscheidungen an den Randbereichen oder näher am Ort der Wertschöpfung zu treffen. Das unterstützt eine agilere Arbeitsweise.

Und ich finde auch den Gedanken interessant, RACI nicht nur als Werkzeug oder Rahmenwerk, sondern als Denkweise für leistungsstarke Teams zu verstehen, um sichtbar zu machen, wo Entscheidungen getroffen werden.

Du hast außerdem RACI als Gestaltungstool eingeführt. Wir verstehen dadurch nicht nur den aktuellen Zustand, sondern können im neuen Zeitalter fragen: Wo liegt die Befugnis? Wer kann Entscheidungen treffen? Anschließend können wir das System gestalten – eine Veränderung auf Systemebene.

Cassie Solomon: Der einzelne Entscheidungsträger funktioniert für Start-ups sehr gut, und sie brauchen normalerweise kein RACI.

Sie benötigen diese Struktur nicht. Sie sagen: „Ich bin der Gründer, ich treffe die Entscheidungen, ich bin kein Engpass. Wir haben ein kleines Team, treffen uns wie ein agiles Team, holen Beratungen ein, alle sind im Bilde, und wir bewegen uns sehr schnell.“

Wenn das Start-up erfolgreich ist und wächst, wird der einzelne Entscheidungsträger problematisch. Das Gründungsteam ist daran gewöhnt, jede Entscheidung zu berühren, verfügt über eine gemeinsame Geschichte und kennt sich gut. Dann kommen 350 neue Personen hinzu, von denen viele große eigene Erfahrung mitbringen.

Und dann herrscht Chaos. Genau an diesem Punkt treten Probleme bei Entscheidungsrechten und die größten Schmerzen auf.

Ein weiteres schönes Bild ist der verteilte Elektromotor. Die Motoren wurden immer kleiner und anschließend in der gesamten Fabrik verteilt. Das ist eine gute Metapher dafür, wie wir Organisationen heute abflachen.

Der Grund für diese Abflachung ist der Zugang zu Informationen. Das ist ein wichtiges Signal. In einem Artikel der New York Times ging es um die Veränderung des Krieges zwischen der Ukraine und Russland, während der Drohnenkrieg immer wichtiger wurde. Dabei stellt sich auch die Frage, wann die Maschine beginnt, Entscheidungen zu treffen.

Heute werden Satellitenbilder genutzt, um das Gelände zu überblicken und Ziele zu identifizieren. Die Technologie und der Zugang haben sich verbessert. Die Technologie wird jetzt bis an die Front gebracht, etwa auf das Telefon oder Tablet einzelner Personen.

Wenn die Entscheidungen weiterhin im zentralen Kommando getroffen würden, würde man nicht davon profitieren, dass die Informationen nun direkt vor Ort verfügbar sind. Deshalb hat sich auch die Entscheidungsfindung dorthin verlagert.

Die Drohnen sollen jedoch noch nicht selbst entscheiden. Der Mensch soll weiterhin eingebunden sein. Das ist in dieser Phase unserer Entwicklung mit KI sehr wichtig. Viele bedeutende Entscheidungen in der klinischen Versorgung werden weiterhin unter Einbeziehung menschlicher Urteilskraft getroffen.

Galen Low: Was du sagst, ist interessant, weil nicht nur die Technologie die Informationen näher zu den Menschen bringt, die die Arbeit erledigen, Wert schaffen oder den Auftrag ausführen.

Es geht auch um Vertrauen und vermutlich um Bildung. Nur weil jemand die richtigen Informationen hat, bedeutet das nicht, dass diese Person über die Ausbildung oder den Blick auf das große Ganze verfügt, um gute Entscheidungen zu treffen.

Wie löst man dieses Problem? Wir können Informationen direkt an Projektteams oder Mitarbeitende im Kundensupport an der Front weiterleiten. Aber was hilft ihnen zusätzlich dabei, gute Entscheidungen zu treffen? Und wie können Organisationen darauf vertrauen, dass die Weitergabe der richtigen Informationen tatsächlich zu besseren Entscheidungen führt?

Cassie Solomon: Wir haben auf Grundlage jahrelanger RACI-Beratung ein Befähigungsmodell entwickelt. Der Begriff und das Konzept sind sehr weit gefasst und vermischen sich mit normativen Vorstellungen wie: „Ich möchte kein Mikromanager sein. Ich möchte mein Team befähigen, also muss ich mich aus diesen Entscheidungen zurückziehen.“

Dann läuft es schlecht, man greift wieder ein, entmutigt alle und demoralisert das gesamte System. Eine Zutat unseres Modells ist die Fähigkeit. Sie basiert auf der Dreyfus-Forschung aus der Mitte der 1980er-Jahre.

Dreyfus und Dreyfus untersuchten, wie Menschen Fähigkeiten entwickeln. Als Anfänger beginnt man mit sehr genauen Schritt-für-Schritt-Checklisten. Man bekommt exakt gesagt, was zu tun ist, weil man es noch nie gemacht hat. Anschließend entwickelt man sich Schritt für Schritt weiter.

Ich sage immer, dass ich eine sehr erfahrene Köchin, aber eine schlechte Bäckerin bin. Wenn ich etwas backen möchte, muss ich das Rezept etwa 15-mal konsultieren. Meine Freundin Laurie ist eine geniale Bäckerin und tut das seit Jahrzehnten. Für sie ist alles intuitiv.

Mit zunehmender Erfahrung steigt man im Dreyfus-Modell auf, bis Erfahrung zu Urteilskraft wird. Wenn man die höchste Stufe erreicht und Expertin oder Experte ist, erinnert man sich nicht einmal mehr an die Checkliste.

Man hat all diese Schritte und das anfängliche Lernen so sehr verinnerlicht, dass man unter anderem zu einer schlechten Lehrkraft für neue Menschen wird. Meist sagt man dann: „Das ist doch gesunder Menschenverstand. Warum weißt du das nicht?“

In den 1980er-Jahren sagte man deshalb, Computer würden niemals Intelligenz erreichen, weil sie nur Regeln befolgen könnten. Das war damals der Stand der Technik. Dann kam maschinelles Lernen, und Computer begannen, sich selbst zu unterrichten und auf ähnliche Weise wie Menschen Erfahrung zu sammeln.

Das Modell ist weiterhin nützlich. Wenn jemand an der Front arbeitet, sollte der Mensch eingebunden bleiben, weil man nicht möchte, dass unerfahrene Soldaten solche Entscheidungen allein treffen. Die Frage lautet also: Wann trifft die Drohne die Entscheidung selbst?

Das ist auch für die Medizin eine interessante Frage. Wir testen klinische KI-Systeme gegen erfahrene Ärztinnen und Ärzte, und sie übertreffen die Leistungen jüngerer Fachkräfte deutlich. Wenn es also um Vertrauen geht und ich entscheiden müsste, ob ich einer KI oder einem Arzt meine medizinische Entscheidung anvertraue, wäre meine erste Frage: Wie viel Erfahrung hat dieser Arzt?

Galen Low: Es ist interessant, dass du maschinelles Lernen erwähnst. Wir sprechen über Erfahrung, weil man der Arbeit und der Entscheidungsfindung ausgesetzt wird, dabei unterstützt wird und häufig die Möglichkeit erhält, viele Male eine falsche Entscheidung zu treffen, bis man daraus lernt.

Erfahrung entsteht also nicht einfach dadurch, dass man jahrelang Dinge betrachtet. Sie entsteht durch Entscheidungen und das Lernen aus ihnen. Maschinelles Lernen geschieht viel schneller. Eine KI lernt beispielsweise, eine Katze von einem Hund zu unterscheiden, indem sie es immer wieder falsch macht und daraus lernt.

Daher könnte man argumentieren, dass KI durch diesen Prozess mehr Entscheidungserfahrung sammelt. Gleichzeitig spielt der menschliche Komfort eine Rolle. KI wird nicht jedes Mal die richtige Entscheidung treffen, aber das gilt auch für Menschen. Die Frage ist: Womit fühlen wir uns wohl?

Wenn wir an RACI denken, haben wir bisher Werkzeuge, Software und Plattformen nicht als Rollen aufgenommen, weil sie keine Entscheidungen treffen. Photoshop, Git oder Microsoft Word stehen nicht in einer RACI-Matrix, weil sie keine Entscheidungen treffen. Jetzt ist die Situation anders.

Sollte KI bei Teamrollen und Verantwortlichkeiten als Teammitglied oder als Werkzeug behandelt werden?

Cassie Solomon: Ich werde auf die vermutlich ärgerliche Weise antworten: als beides. Bei einer Einzellösung ist KI ein Werkzeug. Man benötigt eine Antwort oder möchte eine Sache optimieren und nutzt dafür KI.

Große Banken verwenden KI beispielsweise zur Betrugserkennung. Früher wurde dies teilweise von Menschen erledigt. Heute prüfen Maschinen Milliarden von Transaktionen und erkennen ungewöhnliche Muster. In diesem Prozess ist kein Mensch eingebunden.

Auf RACI übertragen lautet die Frage: Wie viel des R – also der eigentlichen Arbeit – kann ich abziehen und automatisieren? Das A, also Urteilskraft und Entscheidungen, ist der Bereich, in dem wir noch darüber sprechen, ob wir Entscheidungen in die Maschine verlagern möchten, als wäre sie ein Teammitglied.

Bei der Betrugserkennung ist die Entscheidung jedoch tatsächlich in der Maschine. Sie kommuniziert mit der Kundin oder dem Kunden. Natürlich werden manchmal die falschen Personen erkannt, und diese Fehler sind schwer rückgängig zu machen. Ich sage nicht, dass das perfekt ist.

Ich sage nur, dass es bereits Beispiele gibt, in denen KI-Systeme Entscheidungen treffen, ohne dass ein Mensch eingebunden sein muss. Bei wichtigeren Dingen wie der Frage, ob jemand eine Lungentransplantation erhalten oder eine Drohne einen Angriff ausführen sollte, brauchen wir meiner Meinung nach weiterhin einen Menschen in der Entscheidungsschleife.

In diesem Fall ist KI eher ein Werkzeug als ein Teammitglied.

Galen Low: Das gefällt mir, weil es eigentlich schon immer der Wahrheit über RACI entsprochen hat. Wir müssen nicht jede einzelne Entscheidung dokumentieren. Es gibt unzählige Entscheidungen innerhalb eines Projekts.

Wir sollten die Entscheidungen festhalten, die folgenreich, unklar oder mehrdeutig sind. Bei der automatisierten Betrugserkennung würde man normalerweise nicht dokumentieren, wer die Kundin oder den Kunden informiert, wenn Betrug erkannt wird, und die Automatisierung als R aufnehmen. Sie ist einfach Teil des Systems.

Bei einer Transformation kann es jedoch sinnvoll sein, festzuhalten, dass eine Person, die zuvor R war, nun durch einen Agenten ersetzt wurde. So lässt sich besprechen, welche Verantwortung sich verändert hat und wo die Person oder der Agent im Gesamtsystem R oder A ist.

Das hilft dabei, sichtbar zu machen, wie sich die Schachfiguren bewegen. Vielleicht ist diese Zuordnung in zehn Monaten nicht mehr relevant, aber die Dokumentation der Veränderung ermöglicht ein Gespräch darüber, was sich verschiebt und ob dadurch Risiken entstehen.

Wenn wir einen Agenten über Nacht per sogenanntem Vibe Coding erstellen und er anschließend für 80 Prozent unseres Umsatzbetriebs verantwortlich ist, sollten wir darüber sprechen. Ist das in Ordnung? Und wenn ja, wer wird konsultiert oder informiert? Vor allem: Wer ist befugt, Entscheidungen über diese Arbeit zu treffen?

Kann KI deiner Meinung nach jemals in der A-Spalte einer RACI-Matrix stehen? Kann sie in dieser Phase der technologischen Entwicklung befugt oder rechenschaftspflichtig sein?

Cassie Solomon: Ich denke schon. Wenn man die oberste Zeile der RACI-Matrix betrachtet, sieht man alle Beteiligten. Dazu gehört auch die Frage, wie viele Beteiligte konsultiert werden müssen und wie viele informiert werden müssen.

Ein KI-Agent sollte absolut Teil dieser Gruppe sein. So kann man besprechen, ob man ihm zunächst das A überträgt und nur dann eskaliert, wenn bestimmte Bedingungen eintreten. Das ist eine risikoarme Möglichkeit, seine Befugnis zu definieren – sofern es sich um eine einfache Entscheidung handelt.

In Utah wird derzeit beispielsweise ein KI-System erprobt, das Rezeptverlängerungen ohne ärztliche Beteiligung ermöglichen kann. Das ist sehr umstritten. Es wird darüber gestritten, bei welchen Medikamenten das Risiko gering genug ist, dass eine falsche Verlängerung keine gravierenden Folgen hätte.

Um den Entscheidungsraum zu verfeinern, wurde er immer weiter eingegrenzt: Unter bestimmten Bedingungen und für eine bestimmte Person, die ein Medikament in der Vergangenheit bereits dreimal erhalten hat, darf die KI die Entscheidung ohne Prüfung treffen.

Ich finde es gut, das in einer RACI-Matrix sichtbar zu machen, weil dadurch diese Gespräche möglich werden.

Wenn Menschen RACI hassen, liegt das meist daran, dass sie an einer Sitzung teilgenommen haben, in der sie tausend Zeilen mit RACI versehen mussten. Sie sagen dann: „Ich würde lieber Farbe beim Trocknen zusehen, als noch einmal an einer solchen RACI-Sitzung teilzunehmen.“ Das kann ich verstehen.

Ich würde allerdings nicht den gesamten Prozess mit RACI versehen. Ein Teil des Prozesses ist für uns klar oder intuitiv. Wir sollten die problematischen Punkte mit RACI untersuchen. Wo ist der Prozess nicht klar? Manchmal sage ich den Menschen: „Unterzieht einfach die Entscheidungen einer RACI-Analyse.“

Wenn es Billionen von Entscheidungen gibt, ist das ein anderes Problem. Aber man könnte eine RACI-Matrix erstellen, die eine Auswahl von Entscheidungen betrachtet. Ja, KI sollte auf dieser Matrix erscheinen. Dadurch kann man besprechen, welche Parameter man dem Werkzeug geben möchte, damit es Entscheidungen trifft, zu denen es fähig ist, und welche Entscheidungen weiterhin Menschen vorbehalten bleiben.

Galen Low: Das ist interessant, weil RACI auf diese Weise auch zu einem Dokument unserer Risikotoleranz wird. Die Risikotoleranz verändert sich. Deshalb brauchen wir die Denkweise und den Dialog, denn manche Dinge verändern sich unter unseren Füßen.

Vieles ist für Menschen untereinander nicht dokumentiert, weil sie einfach wissen, wie es funktioniert. Für KI ist es vollständig unsichtbar. Die KI fragt: „Wie trefft ihr Entscheidungen?“, und wir wissen es oft selbst nicht genau.

Cassie Solomon: Das Schmerzhafteste an funktionsübergreifender Zusammenarbeit ist, dass alle aus ihrer eigenen Abteilung in das Team kommen. Viele dieser Abteilungen wollen einen Teil ihrer Entscheidungsbefugnis behalten.

Wie soll das Team eine Entscheidung treffen, wenn ich alles zu meiner Führungskraft zurückbringen muss? Wie soll ich das Team befähigen, wenn nicht das richtige Maß an rechtlicher Prüfung, IT-Ressourcenprüfung oder Risikobewertung erfolgt?

Dann drehen sich diese Teams im Kreis. Sie können keine Entscheidungen treffen und nicht vorankommen. Irgendwann sagt jemand: „Wir brauchen RACI.“ Wenn man jedoch nur das Werkzeug auf dieses Chaos setzt, hilft es zwar, aber oft besteht der Nutzen zunächst darin, dass alle erkennen, wie problematisch die Situation ist.

Alles, was danach kommt, ist die eigentliche RACI-Kompetenz: Wie gehe ich damit um? Wie verhandle ich ein schlankeres System, das sich bewegen kann?

Galen Low: Können wir zur Idee zurückkehren, RACI als Gestaltungstool für Veränderungen auf Systemebene zu verwenden? Wo beginnt man? Wie hilft RACI dabei, den Dialog zu führen und festzuhalten, was geschieht? Wie wird es eingesetzt, um zu entscheiden, was das Neue sein soll?

Und wie geht man mit der Tatsache um, dass man dabei meistens Machtpolitik entdeckt? Genau das gefällt mir an deinem Modell. Das A steht nicht für „accountable“, also rechenschaftspflichtig, sondern für „authorized“, also befugt. Rechenschaftspflicht bedeutet für mich: Wessen Schuld ist es, wenn etwas schiefgeht? Befugnis bedeutet: Wer darf die Entscheidung treffen? Das ist ebenfalls Macht.

Können wir anhand eines kleinen Beispiels durchgehen, wie man mit RACI etwas gestaltet? Es ist mehr als ein Akronym und mehr als eine Matrix auf einem Blatt Papier. Es ist eine Möglichkeit, etwas Neues zu diskutieren und zu entwerfen, damit wir nicht den Elektromotor dort aufstellen, wo früher die Dampfmaschine stand.

Cassie Solomon: Ja, das können wir. Ich habe eine interessante Technik von einem Kunden übernommen. Oben befindet sich der Arbeitsablauf, darunter die dazugehörige RACI-Matrix.

Auf der Welt gibt es unzählige Diagramme von Arbeitsabläufen, aber sie sind einsam. Sie enthalten keine Personen und Rollen und zeigen nicht, wer was tut. Sie beschreiben lediglich das Was.

In meiner Betaklasse sagte eine Teilnehmerin: „Mir gefällt nicht, wie die Dinge derzeit in meinem Unternehmen funktionieren. Ich möchte RACI verwenden, um die Rollen neu zu gestalten. Wie kann ich das tun?“ Wir haben ihr eine Vorlage gezeigt.

Man kann beginnen, indem man sagt: „Hier ist die gesamte Arbeit, die ich von dir erwarte. Das sind deine Rs. Sollst du Entscheidungen treffen?“ Das ist eine sehr gute Frage. Wenn man das weiß, kann man fragen: „Welche Arten von Entscheidungen gehören zu deiner Rolle? Welche Fachkenntnisse sollst du in deine Aufgabe und in dieses Projekt einbringen?“ Dafür steht die Person in der C-Spalte.

Die Teilnehmenden begannen, die Rollen in ihren Unternehmen unter dieser Perspektive neu zu gestalten. Bestimmte Arbeit muss erledigt werden, und sie ist normalerweise irgendwo in einem Arbeitsablauf erfasst. Die Entscheidungsfrage wird jedoch viel zu selten gestellt, obwohl dort die meisten Probleme entstehen.

Wenn ich über die Gestaltung von Transformation nachdenke, muss ich auf das Modell aus dem Buch zurückkommen. RACI verbindet mehrere Hebel: Entscheidungsfindung und Menschen – also die Frage, wozu jemand fähig ist, wie viel er weiß und welche Erfahrung er besitzt.

Hinzu kommen Aufgaben beziehungsweise Arbeitsabläufe, Technologie und die Organisation der Arbeit. Wir leben in einer interessanten Zeit, weil wir nicht wissen, wie die Zukunft aussehen wird. Das müssen wir anerkennen und nach ungewöhnlichen Signalen Ausschau halten.

Wir können Intelligenz an die Front bringen und Entscheidungen auf die Ebene einzelner Soldaten oder Ärztinnen verlagern. Welche weiteren Veränderungen wird es geben? Wir haben die Arbeit aus der Ferne nicht vorhergesehen. Dafür brauchte es eine globale Pandemie, aber sie führte zu einer tiefgreifenden Veränderung.

Wie können wir solche Veränderungen im Voraus erahnen?

Galen Low: Mir gefällt, dass du zu Fähigkeiten, Kompetenzen und Erfahrung gelangt bist. Viele Organisationen möchten ihre Organisationsstruktur auf diese Weise neu gestalten. Es gibt Diskussionen darüber, dass Berufsbezeichnungen wahrscheinlich zu den schlechtesten Beschreibungen dessen gehören, was Menschen in einer Organisation tatsächlich tun.

Wir stecken Menschen in eine Schublade und sagen: „Alle Ärztinnen und Ärzte mit dieser Anzahl an Berufsjahren sind gleich.“ Stattdessen sollten wir herausfinden, was getan werden muss, wer dafür qualifiziert ist und über die erforderlichen Fähigkeiten verfügt.

Vielleicht ist jemand bei vielen unterschiedlichen Aufgaben R oder A, und genau daraus entsteht eine neue Rolle. Ich kann mir das sehr gut in einem Projektteam vorstellen, aber auch als sinnvolle Übung, um Klarheit darüber zu schaffen, wie sich Verantwortlichkeiten verändern, wenn Einzellösungen scheinbar viele Menschen ersetzen.

Auf einem Arbeitsablaufdiagramm sind Entscheidungen lediglich Rauten. Die RACI-Matrix darunter macht sichtbar, wer an diesen Entscheidungen beteiligt ist.

Cassie Solomon: Es gibt einen sehr schönen Fall, den ich erwähnen muss. Vielleicht ist das ein guter Abschluss. IKEA ersetzte viele Menschen durch Chatbots, die einfache Kundenfragen beantworteten.

Als IKEA jedoch die eingehenden Fragen analysierte, stellte das Unternehmen fest, dass viele Menschen tatsächlich nach Gestaltungstipps fragten. Der Chatbot konnte dabei nicht helfen. IKEA musste 8.500 Menschen weiterbilden, damit sie grundlegende Gestaltungstipps geben konnten, und verdiente damit sehr viel Geld.

Wir müssen daher offen für die Möglichkeit bleiben, dass KI die Lücken im System sichtbar macht, wenn wir bereit sind, das System zu betrachten und neu zu gestalten. Wir verfügen heute über mehr Daten und Intelligenz als jemals zuvor in der Geschichte der Menschheit.

Was werden wir damit tun? Menschen entlassen? Das wäre töricht. Wir sollten diese Intelligenz und diese Daten nutzen, um Lücken zu erkennen. Ich sage den Menschen immer: „Beruhigt euch. Diese Technologie wird eure Arbeit von unten nach oben auffressen wie ein kleiner Mario-Bros.-Knabberer.“

Lasst uns die Routinearbeit mit KI erledigen und die daraus entstehenden Daten nutzen, um – wie IKEA – zu erkennen, welche Lücke wir füllen können.

Galen Low: Das gefällt mir. Mit einer RACI-Denkweise können wir Lücken erkennen, verstehen, wie Entscheidungen getroffen werden, und etwas völlig Neues schaffen, das wir vorher nie vorausgesehen haben.

Cassie Solomon: „Völlig neu“ gefällt mir. Das ist gut.

Galen Low: Apropos völlig neu: Wie sieht die Zukunft für dich aus?

Was bedeutet die Zukunft der Entscheidungsfindung? Wir haben über Organisationen gesprochen, in denen es bei einer bestimmten Größe einen einzelnen Entscheidungsträger geben kann. Wir haben über zentrale Kommandos gesprochen, die Entscheidungen treffen, was langsam sein kann. Wir haben darüber gesprochen, Entscheidungen an die Ränder zu verlagern, damit Teams und Organisationen beweglicher werden. Und wir haben darüber gesprochen, dass KI Entscheidungen trifft.

Wie werden Entscheidungsfindung und Zusammenarbeit deiner Meinung nach in zwei oder drei Jahren aussehen?

Cassie Solomon: Der Zweck der Zertifizierung besteht darin, zu sagen: Die grundlegende RACI-Arbeit konntest du bereits erledigen. Die Anforderungen, über Rollen zu sprechen und Rollen neu zu gestalten, sind jedoch exponentiell gestiegen.

Wir müssen mit diesem Werkzeug zu echten Ninjas werden und es nutzen, um die unsichtbaren Teile der Organisation sichtbar zu machen, von denen wir wissen, dass sie uns zurückhalten oder Chancen für etwas wirklich Neues und Innovatives bieten.

Wenn wir die Sprache der Rollen nicht meisterhaft sprechen können, werden wir feststecken. Ich kann die Zukunft nicht vorhersagen, aber die Signale dessen, was kommt, zeigen sich bereits heute.

Wenn wir unser Gehör dafür schärfen, können wir erkennen: „Das ist ein Beispiel dafür, dass sich Entscheidungsfindung verlagert hat.“ Oder: „Hier ist ein Beispiel dafür, dass Entscheidungsfindung den Informationen an einen neuen Ort gefolgt ist.“ So können wir allmählich verstehen, wie das wirklich Neue aussieht.

Galen Low: Mir gefällt das. Wir haben heute eine Fülle von Informationen, aber wir brauchen eine Sprache, die uns den Dialog ermöglicht – die Fähigkeiten, Entscheidungsfindung und die Funktionsweise von Dingen zu verstehen, damit wir dieses Gespräch führen können.

Cassie Solomon: Es ist eine spannende, beängstigende und zugleich faszinierende Zeit, um mit dieser unglaublichen neuen Technologie die Zukunft zu gestalten.

Galen Low: Großartig. Cassie, das war fantastisch. Ich spreche sehr gern mit dir und habe unglaublich viel gelernt. Vielen Dank, dass du wieder in der Sendung warst und deine Erkenntnisse mit uns geteilt hast. Wo können sich Menschen über dich, deine Arbeit mit RACI und die RACI-Zertifizierung informieren?

Cassie Solomon: RACI Solutions ist die Website, die wir rund um unsere RACI-Beratung aufgebaut haben. Irgendwann wird dort auch etwas über den Zertifizierungskurs stehen. Wir begrenzen die Gruppen auf 20 Personen, weil wir den Dialog möchten. In dieser Phase der Zertifizierung sollen die Menschen voneinander lernen.

Wenn jemand Interesse hat, kann er sich gern an uns wenden.

Galen Low: Perfekt. Ich werde dein Profil auch in den Shownotes verlinken. Cassie, nochmals vielen Dank.

Cassie Solomon: Danke, Galen.

Galen Low: Alles klar, liebe Zuhörerinnen und Zuhörer. Das war diese Episode des Podcasts Digital Project Manager. Wenn Ihnen dieses Gespräch gefallen hat, abonnieren Sie uns dort, wo Sie zuhören.

Wenn Sie noch mehr praktische Erkenntnisse, Fallstudien und Leitfäden möchten, erstellen Sie ein kostenloses Konto bei thedigitalprojectmanager.com. Bis zum nächsten Mal – vielen Dank fürs Zuhören.