Menschen und KI: Was die großen Labore falsch verstanden haben

Die Evidenz laut O'Reilly

Tim O'Reilly misst Wert seit Jahrzehnten an einem konstanten Kriterium: mehr Wert schaffen als man abschöpft. Diesen Maßstab wendet er nun auf die künstliche Intelligenz an.

Im Interview, das er Wired gab, formuliert der Verleger und Internetpionier eine klare These: Die großen Labore haben die Zukunft falsch gelesen und missverstanden, was Menschen wirklich wollen. Seine Beobachtung verschiebt die Aufmerksamkeit von der Technologie hin zu den Bedingungen der Adoption.

O'Reilly argumentiert, dass Frontier-Modelle für spezifische Anwendungsfälle optimiert werden, die weit von dem entfernt sind, was Menschen sich wünschen. Er bezeichnet die derzeitige Konstellation als eine Architektur der Kontrolle, entworfen, um Nutzer zu verfolgen und an das Produkt zu binden. Der Vergleich erinnert an Microsoft in den 1990er Jahren, als Lock-in die dominante Strategie definierte.

Für alle, die Menschen in Organisationen führen, hat diese Lesart unmittelbares operatives Gewicht.

Die Kluft zwischen Frontier-KI und realer Nutzung

O'Reilly identifiziert eine präzise Kluft: Fortschritte in der sogenannten Frontier-KI entfernen die Technologie von den Bedürfnissen der gewöhnlichen Menschen. Die größten Modelle erweisen sich für manche Aufgaben als besser und für andere als schlechter.

Er nennt ein konkretes Beispiel. Manche Nutzer beurteilen fortgeschrittene Schreibmodelle wie Fable und Sol als der Textproduktion untergeordneter Modelle unterlegen.

Anthropic und OpenAI widersprechen dieser Einschätzung, wie das Interview selbst festhält. Der strukturelle Punkt bleibt dennoch gültig für alle, die Arbeit gestalten: Das Rennen um maximale Leistungsfähigkeit setzt voraus, dass die Leistung des Modells mit dem Wert für den Nutzer zusammenfällt.

Diese Annahme verdient in jeder Organisation empirische Überprüfung. Die nützliche Frage wird operativ: Welche Aufgaben der Menschen ziehen echten Nutzen aus Frontier-Modellen, und welche funktionieren besser mit leichteren, kontrollierbaren Werkzeugen?

Architektur der Kontrolle gegen Teilhabe

Die stärkste Unterscheidung, die O'Reilly vorschlägt, trennt drei Elemente: das Modell, die Orchestrierungsinfrastruktur (Harness) und die Anwendung. Er fordert eine klare Trennung zwischen diesen Ebenen.

Sein Argument reicht bis in die 1990er Jahre zurück. Während andere über Open-Source-Lizenzen debattierten, bestand er auf der Architektur des Systems und ihrer Fähigkeit, Teilhabe zu ermöglichen.

Eine Architektur der Teilhabe lässt den Menschen die Kontrolle über ihre eigene Special Sauce, die spezifische Logik, die ein Werkzeug in ihrem Kontext nützlich macht. Eine Architektur der Kontrolle behält diese Logik beim Anbieter.

Für Organisationen wiegt der Unterschied schwer. Wenn Menschen Werkzeuge an ihre eigenen Prozesse anpassen können, wächst die Adoption organisch. Wenn Werkzeuge undurchsichtig und einschränkend bleiben, bleibt die Adoption oberflächlich und fragil.

Der eigentliche Engpass: die Führung

Die auf diesem Desk gesammelte Evidenz weist auf eine Zahl von Board-Ebene hin: Nur 7 % der Führungskräfte sind bereit, KI-Deployments zu steuern. Diese Zahl betrifft jene, die Adoption in Auftrag geben, bewerten und regulieren, unterschieden von den Mitarbeitenden, die die Werkzeuge täglich nutzen.

O'Reillys Argumentation verstärkt diese Lesart. Wenn die Labore die Bedürfnisse der Menschen missverstehen, wird es zur Aufgabe der Führungskräfte, diese Distanz innerhalb der Organisation zu überbrücken.

Eine Organisation mit hervorragenden Werkzeugen und unvorbereiteter Führung erzielt schlechtere Ergebnisse als eine mit mittelmäßigen Werkzeugen und kompetenter Führung. Der Engpass lebt in der Urteilsfähigkeit, weit entfernt vom Technologiebudget.

Adoption und Readiness bleiben unterschiedliche Konzepte. Menschen adoptieren rasch; Führungskräfte hingegen tun sich schwer, die Bedingungen, die Bewertungskriterien und die Governance-Regeln aufzubauen, die die Adoption produktiv machen.

Interne Talente umwandeln schlägt den externen Markt

Ein zweiter Datenpunkt lenkt die Talentstrategie: Die Umwandlung interner Talente schlägt systematisch das externe Recruiting bei der KI-Kompetenz. Menschen, die bereits in der Organisation sind, bringen Kontext, Beziehungen und Prozesswissen mit.

Die dokumentierten Adoptionszahlen bestätigen dies. Organisationen, die hohe Raten freiwilliger Beteiligung ihrer eigenen Fachkräfte verzeichnen, erzielen überlegene Leistungen im Vergleich zur isolierten Einstellung externer Spezialisten.

Die Verbindung zu O'Reillys These ist direkt. Eine im Kontext verwurzelte Kompetenz erfordert Werkzeuge, die die Menschen formen können, und die Architektur der Teilhabe begünstigt genau dieses interne Lernen.

Für den CHRO wird die Gestaltung der L&D-Pfade, die interne Mobilität und die Kriterien der Kompetenzbewertung zur Priorität. Kompetenz jetzt aufzubauen reduziert die Kompetenzschuld, die sonst innerhalb weniger Quartale zu Akquisitionskosten wird.

Botsitting als Design-Versagen

Ein drittes Signal verdient Aufmerksamkeit: Die passive Überwachung des KI-Outputs verschlingt in vielen Funktionen wöchentliche Arbeitsstunden. Dieses Phänomen, Botsitting genannt, misst ein falsches Workflow-Design.

Wenn Menschen den Output passiv überwachen, liegt das Problem im Prozess, weit entfernt von den Grenzen des Modells. KI wurde in einen Ablauf eingefügt, der für Menschen entworfen wurde, ohne eine Neudefinition der Rollen.

Es handelt sich um ein Versagen des Change Managements, unterschieden von einem technologischen Versagen. Die Abhilfe erfordert, die Schritte neu zu gestalten, zu klären, wo menschliches Urteil Wert hinzufügt und wo die Maschine autonom operiert.

O'Reilly liefert den richtigen Rahmen. Eine saubere Trennung zwischen Modell, Harness und Anwendung erlaubt es, den Workflow um die Menschen herum neu aufzubauen. Das Prozessdesign geht daher der Wahl des Werkzeugs voraus und bestimmt dessen reale Leistung.

Die Design-Frage für Entscheider

Die Evidenz konvergiert auf eine operative Schlussfolgerung für jede Spitzenrolle. Die Technologie existiert; die entscheidende Variable bleibt die von den Führungskräften gestaltete organisatorische Bedingung.

Das ändert sich für die Entscheider:

• CEO: dem Board ein Gespräch über organisatorische Readiness bringen, unterschieden von den Adoptionsraten.
• CHRO: die Prioritäten von L&D, Talent und Organizational Design rund um die interne Umwandlung setzen.
• CFO: die Investition in die Entwicklung der Menschen als Posten mit dokumentierbarem ROI bewerten.
• Talent & Compensation Committee: die Kennzahlen des Humankapitals überwachen, von der Readiness der Führungskräfte bis zur Kompetenzschuld.

Die Distanz zwischen dem, was die Labore bauen, und dem, was die Menschen nutzen, definiert die Governance-Herausforderung, die diese Evidenz beschreibt. Zur Vertiefung weiterer Analysen zum Humankapital bleibt der Blog-Bereich nützlich.

Die abschließende Design-Frage bleibt direkt: Welche Bedingungen schaffen die Führungskräfte heute, damit die Menschen die KI um die reale Arbeit herum formen können?