Zum Inhalt springen
Tunesien und die KI
EssayKI-Übersetzung· Tunesien und die KI · Teil 2· 6. August 2026

Das Unternehmen und die KI: Wie man einen Aal packt

Warum beeindruckende Demos noch immer so wenig dauerhafte Transformation hervorbringen, und drei Maximen, die aus dieser Falle herausführen.

von 15 Min. Lesezeit

Im vorherigen Artikel haben wir die Gleichung aufgestellt: Künstliche Intelligenz konfrontiert Tunesien, also seine Unternehmen, seine Beschäftigten und seine Institutionen, mit mehreren voneinander abhängigen Unbekannten. Beginnen wir mit der ersten: dem Unternehmen.

Dort wird KI oft wie ein weiteres Werkzeug behandelt. Man verteilt ein paar Lizenzen, organisiert eine Prompting-Schulung und wartet dann darauf, dass sich die Produktivität von selbst einstellt.

Doch der pyromanische Innenarchitekt aus dem ersten Artikel begnügt sich nicht damit, Möbel zu verrücken. Er geht an die tragenden Wände: Prozesse, Verantwortlichkeiten, Daten, Software und mitunter Geschäftsmodelle.

Glaubt man LinkedIn oder der Tech-Presse, ist diese Transformation längst vollzogen. Jede Woche bringt ein neues Tool (oder die „Version X“ des alten), das verspricht, unsere Produktivität zu verzehnfachen, lästige Aufgaben abzuschaffen und nebenbei ein Gedicht im Stil von Abou El Kacem El Chebbi zu verfassen.

Die Realität in den Unternehmen ist weniger glamourös. Dort verhält sich KI wie ein Aal: Alle wollen ihn packen, kaum jemand bekommt ihn wirklich zu fassen.

Der Aal und die POC-Schleife

Man findet Lizenzen, die ohne Strategie verteilt wurden, KI-Gremien ohne klares Mandat und vor allem eine Unzahl von Pilotprojekten, Prototypen und Experimenten, aus denen nichts Dauerhaftes entsteht.

Mehrere aktuelle Studien kommen trotz unterschiedlicher Methodik zum selben Befund: Nur eine Minderheit der Unternehmen schafft es, über das Experimentieren hinauszukommen und einen nennenswerten, messbaren Wert zu erzeugen.

Viele stecken in einer permanenten POC-Schleife fest.

Ein Proof of Concept, kurz POC, zeigt, dass eine Technologie im Prinzip funktionieren kann: in einer geschützten Umgebung, mit ausgewählten Daten und mit geringen Folgen, wenn etwas schiefgeht.

Das Problem beginnt, wenn der POC zur Dauerform der Einführung wird.

Dann verfügen wir über beeindruckende Prototypen, aber über wenige Systeme, denen ein Unternehmen seinen Betrieb tatsächlich anvertrauen kann. Zwischen Demo und Produktion stehen immer dieselben Hindernisse:

  • die Verlässlichkeit der Ergebnisse;
  • die Integration in bestehende Software;
  • der Datenschutz;
  • die Kostenkontrolle;
  • die Nachvollziehbarkeit von Entscheidungen;
  • die Zuweisung von Verantwortlichkeiten;
  • die Messung des geschaffenen Werts.

Warum hält sich diese Lücke so hartnäckig? Zum Teil, weil die Werkzeuge, die Unternehmen angeboten werden, aus einer Welt stammen, deren Prioritäten nicht die ihren sind.

Eine Technologie aus einer anderen Welt

Lange Zeit wurde Unternehmens-IT gebaut, um Daten zu strukturieren, Abläufe zu standardisieren und Kosten zu senken. Buchhaltung, Datenbanken, ERP und Verwaltungssoftware beruhten auf einem einfachen Versprechen: Dieselbe Eingabe muss dieselbe Ausgabe liefern. Nennen wir diese Welt die Business-IT.

Ab den 2010er-Jahren verlagerte sich der Schwerpunkt der Innovation hin zum breiten Publikum. Smartphones, soziale Plattformen und kostenlose Apps setzten auf schnelle Verbreitung: launchen, Nutzung beobachten, nachbessern, von vorn. Das ist die Welt der Social-IT.

Diese beiden Welten folgen unterschiedlichen Logiken.

Die Business-IT verlangt Stabilität, Kontrolle und Compliance. Sie betrachtet Daten als sensibles Asset, mitunter sogar als rechtliche Verbindlichkeit, die es zu schützen gilt.

Die Social-IT setzt auf Experimentieren, User Experience und Verbreitungstempo. Daten werden dort zur wirtschaftlichen Ressource, und die Nutzer entwickeln das Produkt durch ihr Verhalten oft selbst mit.

Generative KI stammt weitgehend aus dieser zweiten Welt. Sie ist vielseitig, sofort zugänglich und darauf ausgelegt, schon beim ersten Einsatz zu beeindrucken.

Das Unternehmen verlangt von ihr aber, nach den Regeln der ersten Welt zu funktionieren: ein Qualitätsniveau garantieren, Informationen schützen, Entscheidungen erklären und sich in Systeme einfügen, die sich keine Improvisation leisten können.

Ein Chatbot kann sich in einem Gespräch irren, ohne eine Katastrophe auszulösen. Ein Buchhaltungs-, Medizin-, Industrie- oder Bankensystem genießt diese Nachsicht nicht.

Diese Diskrepanz erklärt einen Teil der POC-Schleife. Was in einer kreativen Demo funktioniert, erfüllt nicht zwangsläufig die Anforderungen der Produktion.

Ein Unternehmen kann seine kritische Infrastruktur nicht nach dem Prinzip bauen: ship it and see what happens.

Um aus dieser Schleife herauszukommen, können drei Maximen als Kompass dienen.

Maxime 1: It’s always the process, stupid!

1992 fasste der Stratege James Carville die Priorität von Bill Clintons Wahlkampf in einer berühmt gewordenen Formel zusammen: It’s the economy, stupid!

Übertragen wir das aufs Unternehmen:

Eine KI-Strategie, die nicht bei den Prozessen ansetzt, ist keine Strategie. Sie ist ein Tool-Katalog.

Die wirtschaftliche Frage bleibt immer dieselbe:

Welchen Prozess wollen wir verbessern, warum, und woran messen wir den Erfolg?

KI bringt nicht automatisch Intelligenz

Wie die großen Technologien vor ihr macht auch KI eine Organisation nicht von selbst intelligenter.

Sie kann einen Prozess schneller, billiger, gleichmäßiger oder fähig machen, mehr Fälle zu bewältigen. Sie wirkt aber auch als Verstärker: Sie vergrößert die Effekte eines guten Prozesses ebenso wie die eines kaputten.

Wer „magischen KI-Feenstaub“ über eine schlecht konzipierte Organisation streut, verwandelt deren Funktionsstörungen nicht in Gold. Manchmal produziert er dieselben Fehler nur schneller und in größerem Maßstab.

Der erste Schritt besteht also nicht in der Wahl eines Modells, sondern in der Rückkehr zum Prozess:

1. Welches wirtschaftliche Problem wollen wir lösen? 2. Welche Informationen fließen in den Prozess ein? 3. Welche Transformationen und Entscheidungen bringt er hervor? 4. Wo liegen Fehler, Verzögerungen und Wiederholungen? 5. Welche Entscheidungen erfordern menschliches Urteilsvermögen? 6. Welches Ergebnis erwarten wir, und wie wird es gemessen?

Diese letzte Frage ist entscheidend. Eine Demo darf „beeindruckend“ sein. Ein Prozess muss messbar sein.

Zwei aufschlussreiche Experimente

Bridgewater Associates, einer der größten Investmentfonds der Welt, hat keine KI gebeten, „die Finanzwelt zu verstehen“. Das Unternehmen definierte eine viel präzisere Aufgabe: Dokumente und Finanzinformationen danach zu sortieren, wie relevant sie für seine Analysten sind.

Die Generalistenmodelle lieferten anfangs mittelmäßige Ergebnisse. Detailliertere Anweisungen verbesserten sie, doch irgendwann stagnierte die Leistung. Ein spezialisiertes Modell, trainiert auf den Entscheidungen der Bridgewater-Experten, machte anschließend rund 30 % weniger Fehler als das beste getestete Generalistenmodell, bei deutlich niedrigeren Nutzungskosten.

Ein anderes Experiment bei Shopify betraf die Verwaltung eines E-Commerce-Katalogs: Produktkategorisierung, Markenprüfung, Extraktion von Attributen und Anwendung von Geschäftsregeln.

Auch hier lautete die Aufgabe nicht „KI im E-Commerce einsetzen“. Das Problem war in eine Reihe überprüfbarer Entscheidungen zerlegt worden. Ein spezialisiertes Modell von vergleichsweise bescheidener Größe erreichte 87,3 %, gegenüber 76,9 % für die beste getestete Generalistenkonfiguration, bei deutlich niedrigeren angegebenen Kosten.

Diese Ergebnisse sind kein Naturgesetz. Sie zeigen aber, was ein operatives Projekt von einer Demo unterscheidet: ein präziser Prozess, ein messbares Ergebnis und eine Korrekturschleife.

Der Erfolg kam nicht von einer magischen KI, die man der Organisation übergestülpt hat. Er kam von einer besseren Definition des Prozesses.

Die Goldader der unstrukturierten Prozesse

Trotzdem erschließt KI der Prozessoptimierung neues Terrain: Sie kann Informationen sehr flexibel interpretieren und umwandeln, die sich nicht von selbst in die Zeilen und Spalten der klassischen Business-IT fügen.

Jahrzehntelang verlangte Software vor allem strukturierte Daten: feste Felder, Formulare, Kategorien und explizite Regeln. Ein Großteil des Unternehmensalltags spielt sich aber woanders ab, nämlich in E-Mails, PDFs, Präsentationen, Bildern, Verträgen und Kundengesprächen.

Weil traditionelle Systeme mit diesem Durcheinander schlecht umgehen konnten, diente der Mensch, der Knowledge Worker, als Schnittstelle. Er las, interpretierte, formulierte um und tippte die Information in die Unternehmenssoftware.

KI kann inzwischen einen Teil dieser kognitiven Arbeit übernehmen. Diese Möglichkeit legt aber auch ein Problem offen:

Prozesse, die auf unstrukturierten Daten beruhen, sind oft selbst kaum strukturiert.

„Eine komplexe Reklamation bearbeiten“, „ein maßgeschneidertes Angebot erstellen“ oder „einen untypischen Fall analysieren“ bezeichnen nicht immer dokumentierte Prozesse. Solche Aufgaben leben oft in den Köpfen erfahrener Mitarbeiter, mit ihren Abkürzungen, Ausnahmen und intuitiven Entscheidungen.

Und was man nicht zuerst verstanden hat, kann man nicht sauber automatisieren.

KI ersetzt die Konzeptionsarbeit also nicht. Sie macht sie sogar unverzichtbar.

Maxime 2: My data, my AI

Ein Unternehmen sammelt eine Geschichte an: Entscheidungen, Fehler, Methoden, Kundenbeziehungen, fachliche Praktiken und Kompromisse, die über Jahre gewachsen sind.

Dieses institutionelle Wissen ist ein wesentlicher Teil seines Wettbewerbsvorteils. Es steckt in Verfahren und Dokumentenbeständen, aber auch in den täglichen Entscheidungen der Führungskräfte, gerade in jenen Grenzfällen, in denen die formale Regel nicht mehr ausreicht.

Generalistische KI-Modelle haben hier jedoch einen grundlegenden Scheuklappeneffekt:

AI knows the internet. It doesn’t know your enterprise.

Sie mögen die allgemeinen Prinzipien einer Branche kennen, ohne zu wissen, warum ein Unternehmen ein bestimmtes Risiko eingeht, einen bestimmten Lieferanten ablehnt oder einen bestimmten Kunden anders behandelt. Sie kennen den Durchschnitt der Welt, aber nicht unbedingt die Ausnahme, die Ihr Geschäft ausmacht.

Einen Chatbot an die Dokumente anzuschließen, reicht deshalb nicht. Die eigentliche Aufgabe besteht darin, institutionelles Wissen in ein explizites, gesteuertes und bewertbares Asset zu verwandeln.

Hier trifft die zweite Maxime auf die erste: Das wertvollste Wissen ist oft in Prozessen eingeschlossen, die niemand vollständig dokumentiert hat.

Die „Prompt-Steuer“

Wenn ein Unternehmen ein Generalistenmodell nutzt, muss es ihm den nötigen Kontext liefern: Regeln, Kriterien, Beispiele, Dokumente, Ausnahmen und das erwartete Format.

Es zahlt dann, was man eine Prompt-Steuer nennen könnte.

Das System kennt die Organisation nicht dauerhaft. Man muss ihm also bei jeder Nutzung das eigene Geschäft „neu erklären“: Token für Token, Anfrage für Anfrage.

Im Experiment mit dem E-Commerce-Katalog erhöhten die detaillierten Anweisungen die Kosten pro Aufruf um 28 bis 55 %. Und trotzdem gelang es damit nicht, alle impliziten Entscheidungen der Experten abzubilden.

Gemietete Intelligenz bezahlt man bei jedem Aufruf. Eigene Intelligenz verlangt eine Anfangsinvestition, lässt sich danach aber in großem Maßstab wiederverwenden.

Genau das zeigen die beiden Experimente. Ihr Vorteil lag nicht nur in der Wahl eines anderen Modells, sondern in spezifischen Daten: Klassifizierungen, Korrekturen und Urteile, die von Experten stammten.

Das spezialisierte Modell lernte nicht einfach Allgemeinwissen. Es lernte, wie das Unternehmen eine ganz bestimmte Kategorie von Entscheidungen traf.

Die Qualität dieser Daten zählt mehr als ihre bloße Menge. Bei Bridgewater erwiesen sich die Klassifizierungen von Nicht-Spezialisten als wenig nützlich. Die Experten mussten bei den strittigen Fällen eingreifen, dort, wo ihr Urteil tatsächlich Wert schuf.

Das eigentliche Asset war also nicht das Rohdokument. Es war die Expertenentscheidung, die mit dem Dokument verknüpft war.

Optionen statt Patentrezept

Das heißt nicht, dass jedes tunesische Unternehmen sofort sein eigenes Modell trainieren muss. Mehrere Wege sind möglich.

Ein Generalistenmodell mieten passt für explorative, kreative oder seltene Anwendungen. Diese Phase kann auch dazu dienen, die Beispiele, Korrekturen und Bewertungen zu sammeln, die nötig sind, um den Bedarf besser zu verstehen.

Ein Modell in einer kontrollierten Umgebung anpassen erlaubt es, die Unternehmensdaten zu nutzen, ohne die gesamte technische Infrastruktur intern aufbauen zu müssen. Dieser Weg bietet mehr Spezialisierung, um den Preis einer teilweisen Abhängigkeit vom gewählten Anbieter.

Ein spezialisiertes Modell bauen oder trainieren wird sinnvoll, wenn das Volumen hoch ist, die Ergebnisse überprüfbar, die Daten sensibel, Fehler teuer oder die Entscheidung strategisch bedeutsam.

In der Praxis werden viele Architekturen hybrid sein: Ein Generalistenmodell koordiniert, erklärt oder bewältigt neue Situationen, während spezialisierte Modelle die wiederkehrenden Entscheidungen übernehmen, bei denen das Wissen des Unternehmens am meisten zählt.

Das Haupthindernis wird nicht unbedingt die Rechenleistung sein. Es bleibt oft die Qualität der Daten und die Zeit, die Experten in ihre Erzeugung stecken müssen.

„Intelligence Ownership“: eine Frage wirtschaftlicher Souveränität

Für tunesische Unternehmen reicht diese Frage weit über abstrakten Datenschutz hinaus.

Eine Organisation, die ihren Kontext laufend an ausländische Dienste übermittelt, bezahlt ihre Aufrufe und lagert dabei einen Teil ihrer kognitiven Infrastruktur aus. Sie verliert nicht zwangsläufig das rechtliche Eigentum an ihren Daten, wird aber von einer Plattform abhängig, um daraus Entscheidungen zu machen.

Diese Abhängigkeit kann zu einem stillen Aderlass an Know-how werden.

Doch es gibt auch andere Wege.

Wenn vergleichsweise bescheidene Modelle bei spezialisierten Aufgaben glänzen können, hängt der Vorteil nicht mehr nur von der Größe der Rechenzentren ab. Er hängt auch von der Qualität des Fachwissens ab.

Und tunesische Unternehmen verfügen über wertvolles Wissen in Finanzwesen, Industrie, Gesundheit, Tourismus, Verwaltungsdienstleistungen und in den Beziehungen zu den europäischen, afrikanischen und arabischen Märkten.

Die strategische Frage lautet also nicht nur:

„Welches Modell sollen wir nutzen?“

Sondern vielmehr:

„Welche Entscheidungen müssen wir weiterhin selbst besitzen?“

Maxime 3: My process, my software

Während die breite Öffentlichkeit darüber debattiert, ob KI Gedichte schreiben kann, erfasst eine leisere Transformation das Rückgrat der digitalen Gesellschaft: die Softwareentwicklung.

Code bietet Modellen ein besonders günstiges Umfeld. Er lässt sich ausführen, testen und korrigieren. Heutige Tools ergänzen nicht mehr nur ein paar Zeilen: Sie können Komponenten erzeugen, eine Anwendung verändern und Werkzeuge aus einem in natürlicher Sprache formulierten Bedarf bauen.

Diese Entwicklung schafft weder Architektur noch Expertise ab. Sie kann aber die Zeit verkürzen, die es braucht, um einen präzise definierten Bedarf in funktionierende Software zu verwandeln.

Vom Bedarf zur Software

Ich habe das selbst erlebt, als ich eine maßgeschneiderte Bewertungsanwendung für meine Studierenden entwickelt habe.

Meine Rolle war nicht die eines klassischen Programmierers, sondern die eines Projektleiters: Ziele definieren, Abläufe beschreiben, Ergebnisse prüfen und den Kurs korrigieren. Agenten übernahmen einen Großteil der technischen Umsetzung. Eine erste lauffähige Version der Anwendung stand innerhalb weniger Stunden.

Diese Erfahrung beweist nicht, dass jetzt jeder jedes beliebige System bauen kann. Sie zeigt, dass die Grenze zwischen dem, der den Bedarf versteht, und dem, der die Software produziert, durchlässiger wird.

Und diese Entwicklung kann für Unternehmen erhebliche Folgen haben.

Die teilweise Umkehr von Build versus Buy

Jahrzehntelang war Individualentwicklung teuer. Also kauften Unternehmen Standardsoftware und pressten ihre Prozesse in die Kategorien, die der Hersteller vorgesehen hatte.

Nicht das Werkzeug passte sich der Organisation an, sondern die Organisation dem Werkzeug.

Ein Teil der heutigen schlechten Prozesse stammt aus diesem Kompromiss. Teams haben ihre Arbeitsweisen um die Grenzen eines ERP, eines CRM oder einer Software herum gebaut, die vor zwanzig Jahren gekauft wurde.

Wenn die Produktionskosten von Code sinken, verschiebt sich die Gleichung. Ein Unternehmen kann leichter:

  • eine Standardsoftware ergänzen;
  • eine fehlende Schnittstelle automatisieren;
  • ein gezieltes internes Tool bauen;
  • eine zu starre Komponente schrittweise ersetzen;
  • eine Anwendung entwickeln, die auf einen bestimmten Prozess zugeschnitten ist.

Daher die dritte Maxime:

My process, my software: Die Software kann sich wieder dem Prozess anpassen statt umgekehrt.

Der Fall des E-Commerce-Katalogs illustriert diese Entwicklung indirekt. Das Team hat nicht einfach einen Chatbot befragt. Es hat eine Umgebung gebaut, die den realen Prozess nachbildete: Produkte, Regeln, Entscheidungen und Bewertungskriterien. Dieses digitale Gegenstück erlaubte es dem System, zu üben, eine Punktzahl zu erhalten und sich zu verbessern.

Mit anderen Worten: Der Prozess musste erst in Software übersetzt werden, bevor sich künstliche Intelligenz wirksam darin integrieren ließ.

Dieser Ansatz eröffnet tunesischen Unternehmen Möglichkeiten, vor allem dort, wo internationale Software ihre Rahmenbedingungen, Sprachen, Geschäftspraktiken oder ihr regulatorisches Umfeld schlecht versteht.

Das heißt nicht, dass jedes KMU seine Buchhaltung in einer Garage neu bauen soll.

Die Kosten für die Produktion von Code sinken, aber die Kosten für das Verständnis des Problems, für Integration, Sicherheit, Tests und Wartung verschwinden nicht. Schneller produzierte Software kann auch schneller produzierte technische Schuld sein. Noch ein Produktivitätsgewinn, auf den man gern verzichten würde.

Trotzdem gewinnt das Unternehmen Optionen. Die Wahl beschränkt sich nicht mehr darauf, eine überdimensionierte Suite zu kaufen oder ein langes Individualprojekt zu finanzieren. Modularere Architekturen werden möglich, die Folgendes kombinieren:

  • Standardprodukte für gängige Funktionen;
  • maßgeschneiderte Schnittstellen;
  • mit KI-Unterstützung erzeugte Komponenten;
  • spezialisierte Modelle für bestimmte Entscheidungen;
  • menschliche Aufsichtsmechanismen.

Die Reihenfolge bleibt entscheidend:

1. das Problem verstehen; 2. den Prozess neu gestalten; 3. Verantwortlichkeiten und Leitplanken festlegen; 4. bestimmen, welche Daten und Entscheidungen unter eigener Kontrolle bleiben müssen; 5. entscheiden, was gekauft, angepasst oder gebaut wird; 6. KI nutzen, um die Umsetzung zu beschleunigen.

Mit der Generierung der Software anzufangen hieße einmal mehr, einen Prozess zu automatisieren, über den niemand je nachgedacht hat.

Für tunesische Unternehmen: wählen statt erleiden

Die drei Maximen beschreiben nicht drei voneinander unabhängige Projekte. Sie bilden eine einzige Abfolge:

Den Prozess verstehen. Das Wissen besitzen, das ihn unterscheidbar macht (Intelligence Ownership). Die Architektur bauen, die ihn ausführbar macht.

Der Prozess zeigt, wo der Wert liegt.

Daten und Expertenentscheidungen bilden das institutionelle Wissen.

Software verwandelt dieses Wissen in operative Fähigkeit.

KI ist also keine magische Schicht, die man am Ende obendrauf legt. Sie wird zu einer Komponente einer Organisation, die rund um ihre Entscheidungen, Informationsflüsse und Verantwortlichkeiten neu gestaltet ist.

Ein sinnvolles Projekt beginnt in der Regel mit einem klar benannten wirtschaftlichen Problem, einem überprüfbaren Ergebnis, verfügbaren Daten und einem Erfolgsmaßstab, der vor dem Experiment festgelegt wurde.

Ein Projekt dagegen, das unter dem Motto „Wir müssen irgendwas mit KI machen“ startet, bringt schon alle Qualitäten eines künftigen begrabenen POC mit.

Nicht alle tunesischen Unternehmen werden denselben Weg gehen. Manche werden vor allem generalistische Dienste nutzen. Andere werden Modelle an ihre Daten anpassen. Einige wenige könnten ihre Expertise in exportfähige Lösungen verwandeln.

Niemand muss alles lokal bauen oder internationale Plattformen ablehnen. Autarke Souveränität wäre ebenso teuer wie illusorisch.

Entscheidend ist vielmehr, bewusst zu wählen:

  • welche Technologien gemietet werden können;
  • welche Daten einem Dritten anvertraut werden können;
  • welche Entscheidungen unter eigener Kontrolle bleiben müssen;
  • welche Kompetenzen vor Ort aufgebaut werden müssen;
  • welche Prozesse zu exportfähigen Produkten oder Dienstleistungen werden können.

KI kann die technologische Abhängigkeit Tunesiens verstärken. Sie kann seinen Unternehmen aber auch helfen, ihr Fachwissen in Software, spezialisierte Modelle und neue Dienstleistungen zu verwandeln.

Beide Szenarien werden vermutlich nebeneinander existieren. Den Unterschied macht weniger der Zugang zu den Modellen (die immer breiter verfügbar sind) als die Fähigkeit, Prozesse zu verstehen, Wissen zu organisieren und vom Experiment in die Produktion zu kommen.

Der Aal wird nicht weniger glitschig. Aber wir beginnen zu verstehen, wo man ihn packen muss.

Die nächste Unbekannte: Was wird aus dem Wissensarbeiter?

Prozesse umbauen, Daten besitzen und leichter Software produzieren: Das verändert nicht nur die Architektur des Unternehmens. Es verteilt auch die Arbeit neu.

Wenn die Maschine die einfachen Fälle bearbeitet, die Analyse vorbereitet oder eine erste Entscheidung trifft, müssen Fachleute stärker definieren, prüfen, korrigieren und abwägen.

Doch da taucht eine Schwierigkeit auf: Wenn KI genau die Aufgaben erledigt, an denen Berufseinsteiger ihr Handwerk gelernt haben, wie bilden wir dann die Experten von morgen aus?

Weitere Fragen folgen. Wie erkennt man den Beitrag von Beschäftigten an, deren Entscheidungen zu Trainingsdaten werden? Wie gibt man Wissen weiter? Wie organisiert man Karrieren, wenn das Unternehmen mit weniger Menschen mehr produzieren kann?

Darum geht es im nächsten Artikel: nicht mehr darum, was KI mit den Prozessen des Unternehmens macht, sondern darum, was das transformierte Unternehmen mit dem Knowledge Worker macht.

Denn hinter jedem effizienter gewordenen Prozess bleibt eine weitere Unbekannte: der Platz, den wir dem Menschen darin zu lassen beschließen.

Live long and prosper 😉✋

Dossier

Tunesien und die KI

Herausforderungen und Chancen: eine Reihe in vier Teilen, erschienen in Zusammenarbeit mit Leaders Magazine.

Teil 2 · 2 von 4

  1. 1.Tunesien und die KI: eine Gleichung mit mehreren Unbekannten
  2. 2.Das Unternehmen und die KI: Wie man einen Aal packt
  3. 3.Der Wissensarbeiter und die KI: Zentaur werden oder lautlos verschwinden?
  4. 4.Die harte Nuss der Governance
Weiterlesen
Thema
Tunesien
0 BeiträgeAlle ansehen →
▶Anhören