Management: Die "Superkraft" im Zeitalter der KI
Das Divine Translation Bureau ist das Übersetzungsteam von 36Kr. Es konzentriert sich auf Bereiche wie Technologie, Geschäft, Arbeitswelt und Lebensstil und stellt vor allem neue Technologien, neue Ansichten und neue Trends aus dem Ausland vor.
Redaktionelle Anmerkung: Wie können Manager, die keine Programmierung können, in nur vier Tagen von 0 auf 1 einen besseren Job als ein ganzer Semester an Entwicklungsarbeit erledigen? Wenn KI die Einstiegshürden nivelliert, wird das "Managementwissen" zur härtesten Überlebenskompetenz. Dieser Artikel ist eine Übersetzung.
Ich habe kürzlich an der Universität von Pennsylvania einen experimentellen Kurs besucht, bei dem die Studenten in vier Tagen von Grund auf ein Startup-Projekt erstellen mussten. Die meisten Studenten in der Klasse waren Teil des Executive MBA (EMBA) -Programms. Sie arbeiteten neben dem Studium in großen, mittleren und kleinen Unternehmen als Ärzte, Manager oder Führungskräfte. Fast keiner von ihnen hatte jemals Programmcode geschrieben. Ich habe ihnen Claude Code und Google Antigravity vorgestellt und sie aufgefordert, mit diesen Tools einen lauffähigen Prototypen zu erstellen. Ein Prototyp allein macht aber noch kein Startup aus, also nutzten sie auch ChatGPT, Claude und Gemini, um Prozesse wie Ideenfindung, Marktforschung, Wettbewerbsanalyse, Präsentationen und Finanzmodellierung zu beschleunigen. Ich war gespannt, wie weit sie in so kurzer Zeit kommen würden. Es stellte sich heraus, dass sie sehr weit kamen.
Beispiele für Demonstrationen sind: Ticket Passport, entwickelt von Dee Sethmajhi, Jane Lian Wang und Yue Ma (ein Marktplatz zur Verifizierung von Ticketverkäufen); Revenue Resilience, entwickelt von Whit Chiles, Jose Olivares und Spencer Louie (Identifizierung von Einnahme-Risiken bei kleinen Unternehmen und Entwicklung von Agenten-Lösungen); ein Erziehungspartner, entwickelt von Manoj Massand, Samuel Lee und Harry Lu (Anpassung von Kindern's Interessen an Aktivitäten); und Invive, entwickelt von Angela Argentati, Sabeen Chawla und Adeel Rizwan (Blutzuckervorhersage). (Es gibt viele andere tolle Projekte, aber diese Teams haben mir erlaubt, Screenshots zu teilen!)
Ich unterrichte seit fünfzehn Jahren Startup-Kurse und habe Tausende von Startup-Ideen gesehen (einige davon haben sich zu großen Unternehmen entwickelt), also habe ich ein klares Vorstellungsbild davon, was eine Gruppe intelligenter MBA-Studenten leisten kann. Ich schätze, dass die Ergebnisse, die ich in diesen zwei Tagen gesehen habe, auf dem Weg zu einem echten Startup um eine Größenordnung weiter fortgeschritten sind als die, die Studenten vor der KI-Ära in einem ganzen Semester erzielen konnten. Die meisten Prototypen waren nicht nur einige Demonstrationsbilder, sondern realisierten tatsächlich die Kernfunktionen. Die Ideen waren vielfältiger und interessanter als je zuvor, und die Markt- und Kundenanalysen waren sehr einfallsreich. Das war wirklich beeindruckend. Obwohl diese Projekte noch keine reifen Startups oder vollständige Produkte sind (mit Ausnahme einiger Ausnahmen), haben sie im Vergleich zum traditionellen Prozess mehrere Monate Zeit, enorme Summen an Geld und viel Energie gespart. Ein weiteres wichtiges Aspekt: Die meisten frühen Startups müssen "umorientieren", d. h. sie müssen ihre Richtung anpassen, nachdem sie die Marktbedürfnisse und die technische Machbarkeit besser verstanden haben. Durch die Reduzierung der Kosten für die Umorientierung wird es viel einfacher, verschiedene Möglichkeiten zu erkunden. Entwickler werden nicht an eine Idee gebunden und können sogar mehrere Startup-Projekte gleichzeitig erkunden: Sie müssen nur der KI sagen, was Sie möchten.
Ich möchte gern glauben, dass diese erstaunlichen Ergebnisse auf meine hervorragende Lehre zurückzuführen sind, aber in Wirklichkeit haben wir noch kein fertiges Framework dafür, wie man diese Tools einsetzt. Die Studenten haben es im Wesentlichen alleine herausgefunden. Ihre Managementerfahrung und ihr Fachwissen haben hierbei eine große Rolle gespielt, denn es hat sich gezeigt, dass der Schlüssel zum Erfolg genau das ist, was am Ende des vorherigen Absatzes erwähnt wurde: Sagen Sie der KI, was Sie möchten. Da die KI immer besser darin wird, Aufgaben zu erledigen, die Menschen Stunden dauern würden, wird es auch immer zeitaufwändiger, die Ergebnisse zu bewerten. In diesem Fall kommt der Wert des "guten Delegierens" zum Tragen. Aber die Frage ist: Wann sollte man die Arbeit an die KI delegieren?
Die Formel für die Agenten-basierte Arbeit
Wir haben eigentlich bereits die Antwort, aber die Situation ist etwas komplex. Es müssen drei Faktoren berücksichtigt werden: Erstens gibt es aufgrund der "Zackenlinie" (Jagged Frontier) der KI-Fähigkeiten keine Gewissheit darüber, welche komplexen Aufgaben die KI gut bewältigen kann und welche nicht. Zweitens ist die KI, egal ob sie gut oder schlecht arbeitet, ungleich schneller als Menschen und kann in wenigen Minuten Aufgaben erledigen, die Menschen Stunden dauern. Drittens ist sie billig (im Vergleich zu den Löhnen von Fachleuten) und es macht ihr nichts aus, wenn Sie mehrere Versionen erstellen und die meisten davon wegwerfen.
Diese drei Faktoren bedeuten, dass die Entscheidung, ob eine Aufgabe an die KI delegiert werden soll, von drei Variablen abhängt:
Humane Basiszeit (Human Baseline Time): Wie lange würde es Ihnen dauern, diese Aufgabe selbst zu erledigen?
Erfolgswahrscheinlichkeit (Probability of Success): Wie hoch ist die Wahrscheinlichkeit, dass die KI in einem einzelnen Versuch ein Ergebnis liefert, das Ihren Standards entspricht?
KI-Verarbeitungszeit (AI Process Time): Wie lange dauert es, eine Anfrage zu stellen, auf die Ausgabe der KI zu warten und diese auszuwerten?
Ein praktisches Denkmodell könnte so aussehen: Sie müssen zwischen "die gesamte Aufgabe selbst erledigen" (humane Basiszeit) und "Management-Aufwand bezahlen" (KI-Verarbeitungszeit) wählen. Sie müssen möglicherweise mehrere Male Aufwand bezahlen, bis Sie mit dem Ergebnis zufrieden sind. Je höher die Erfolgswahrscheinlichkeit, desto weniger Male müssen Sie die KI-Verarbeitungszeit bezahlen und desto kostengünstiger ist es, die Aufgabe an die KI zu delegieren. Nehmen wir beispielsweise an, eine Aufgabe würde Ihnen eine Stunde dauern, die KI kann sie in wenigen Minuten erledigen, aber die Überprüfung der Antwort dauert 30 Minuten. In diesem Fall sollten Sie die Aufgabe nur an die KI delegieren, wenn die Erfolgswahrscheinlichkeit sehr hoch ist, sonst verbringen Sie mehr Zeit mit dem Generieren und Überprüfen von Entwürfen als wenn Sie es selbst tun würden. Wenn die humane Basiszeit jedoch 10 Stunden beträgt, lohnt es sich, auch einige Stunden mit der KI zu verbringen, vorausgesetzt, die KI kann am Ende die Aufgabe bewältigen.
Dies ist ein Beispiel für einen Prompt für eine Aufgabe, die "humane Basiszeit" beträgt mehrere Stunden. Die anfängliche KI-Verarbeitungszeit beträgt 30 Minuten (währenddessen Sie andere Dinge tun können), plus die Zeit für das Schreiben des Prompts und die Überprüfung. Wenn Sie jedoch viele Korrekturen vornehmen müssen, lohnt es sich nicht.
Wir wissen, dass diese Formel funktioniert, denn letztes Sommer hat OpenAI eine der wichtigsten Studien über die KI in der Praxis veröffentlicht - GDPval. Ich habe bereits über diese Studie gesprochen. Der Kernpunkt besteht darin, dass erfahrene menschliche Experten aus verschiedenen Bereichen wie Finanzen, Medizin und Verwaltung mit der neuesten KI konkurrieren und eine andere Gruppe von Experten als Richter fungiert. Die Experten brauchen im Durchschnitt 7 Stunden, um eine Aufgabe zu erledigen. In diesem Fall ist dies die "humane Basiszeit". Die KI-Verarbeitungszeit ist interessant: Die KI kann die Aufgabe in wenigen Minuten erledigen, aber die Experten brauchen tatsächlich eine Stunde, um die Arbeit zu überprüfen, und natürlich dauert es auch Zeit, den Prompt zu schreiben. Was die "Erfolgswahrscheinlichkeit" betrifft, so haben die Richter zu Beginn der Veröffentlichung von GDPval in den meisten Fällen die Menschen als Sieger erklärt, aber mit der Veröffentlichung von GPT - 5.2 hat sich die Waage gewendet. Die Modelle GPT - 5.2 Thinking und Pro konnten in durchschnittlich 72 % der Fälle mit den menschlichen Experten gleichziehen oder sie schlagen.
Unter dem Arbeitsablauf "Entwurf → Überprüfung → Wiederholung bei Bedarf" zeigt sich die Geschwindigkeits- und Kosteneffizienzsteigerung, die die KI bei der Erledigung von GDPval-Aufgaben bringt (im Vergleich zum 1x - Benchmark von nicht unterstützten Experten). Die Datenpunkte für GPT - 5.2 basieren auf seiner ungefähren 72 %igen Sieg- und Unentschieden-Rate in GDPval; die Datenpunkte für andere Modelle stammen aus der GDPval-Studie. Die Ergebnisse in der realen Welt variieren je nach Aufgabe: Einige Aufgaben werden "leicht gewonnen", andere sind eindeutige Niederlagen, und die schwierigste Situation ist die, bei der es "scheinbar richtig, aber tatsächlich falsch" ist.
Jetzt können wir berechnen, wie viele Stunden man bei einer 7 - Stunden-Aufgabe sparen kann, wenn die Erfolgswahrscheinlichkeit 72 % und die Auswertungszeit eine Stunde beträgt. Wenn Sie für jede Aufgabe einen Prompt schreiben, eine Stunde die KI-Ergebnisse auswerten und bei schlechten Ergebnissen die Aufgabe selbst erledigen, können Sie im Durchschnitt 3 Stunden sparen. Aufgaben, bei denen die KI scheitert, dauern länger (weil Sie Zeit für das Schreiben und Überprüfen verschwenden!), aber Aufgaben, bei denen die KI erfolgreich ist, gehen viel schneller. Und wir können auch Management - Techniken einsetzen, um diese Formel zugunsten uns zu verschieben!
Delegierung: Die neue Form des Prompts
Um die Delegierung von Arbeit an die KI kostengünstiger zu machen, können wir drei Dinge tun, um die Erfolgswahrscheinlichkeit zu erhöhen und die KI-Verarbeitungszeit zu verringern. Erstens können wir bessere Anweisungen geben und klare Ziele setzen, damit die KI eine höhere Wahrscheinlichkeit hat, die Aufgabe erfolgreich auszuführen. Zweitens können wir die Effizienz der Auswertung und des Feedbacks verbessern, um die Anzahl der Versuche zu reduzieren, die benötigt werden, um die KI auf den richtigen Weg zu bringen. Drittens können wir den Auswertungsprozess vereinfachen, um in kürzerer Zeit zu beurteilen, ob die KI gut oder schlecht arbeitet. Alle diese Faktoren hängen vom Fachwissen ab - Experten wissen, welche Anweisungen gegeben werden sollen, können Probleme schneller erkennen und Fehler effektiver korrigieren.
Wenn Sie keine spezifischen Ergebnisse benötigen, hat sich gezeigt, dass KI-Modelle in der Lage sind, Probleme autonom zu lösen. Beispielsweise habe ich festgestellt, dass Claude Code mit nur einem Prompt ein komplettes Abenteuerspiel im Stil der 80er Jahre generieren kann. Mein Prompt war: "Erstelle ein völlig originelles Abenteuerspiel im alten Sierra-Stil mit EGA-ähnlichen Grafiken. Du solltest deinen Bild-Agenten nutzen, um Bilder zu generieren und mir einen Parser zur Verfügung stellen. Alle Rätsel sollten interessant und lösbar sein. Vervollständige das gesamte Spiel (die Spielzeit sollte zwischen 10 und 15 Minuten betragen), stelle keine Fragen. Mach es beeindruckend und angenehm." Und so hat die KI alles erledigt, einschließlich der Grafik. Mit zwei weiteren Prompts hat sie das Spiel getestet und deployt. Sie können es selbst ausprobieren: enchanted - lighthouse - game.netlify.app.
Dies ist wirklich erstaunlich, aber ein Teil dieser Bewunderung rührt daher, dass ich keine spezifischen Anforderungen hatte. Solange es ein Abenteuerspiel war, hatte die KI freie Hand. Aber in der realen Arbeit und bei echten Delegierungen haben Sie normalerweise ein bestimmtes Ziel in minde, und dann wird die Situation schwierig. Wie können Sie der KI Ihre Absicht vermitteln, damit sie bei der Lösung des Problems "Urteilsvermögen" anwendet und dennoch das gewünschte Ergebnis liefert?
Dieses Problem existierte bereits vor der KI und ist so weit verbreitet, dass jedes Fachgebiet seine eigene Dokumentenform entwickelt hat, um es zu lösen. Softwareentwickler schreiben Produktanforderungsdokumente (PRD); Filmregisseure erstellen Storyboards; Architekten erstellen Entwurfsintendendokumente; die Marineinfanterie verwendet "Fünfabsatz-Befehle" (Umgebung, Aufgabe, Durchführung, Verwaltung, Kommando); Berater definieren den Rahmen einer Zusammenarbeit durch detaillierte Lieferobjektspezifikationen. In der Welt der Agenten-basierten Arbeit sind all diese Dokumente hervorragende KI-Prompts (und die KI kann gleichzeitig mehrere Seiten von Anweisungen verarbeiten). Die Möglichkeit, so viele Formate zur Steuerung der KI zu verwenden, liegt daran, dass sie im Wesentlichen das Gleiche tun: Sie versuchen, die Ideen aus dem Kopf einer Person in die Handlungen einer anderen Person umzusetzen.
Wenn Sie sich ansehen, was ein gutes Delegierungsdokument enthält, stellen Sie fest, dass es erstaunlich einheitlich ist: Was möchten wir erreichen und warum? Wo liegen die Grenzen der Delegierungsbefugnis? Was sind die "Abgeschlossen"-Kriterien? Welche spezifischen Lieferobjekte benötige ich? Welche Zwischenergebnisse benötige ich, um Ihren Fortschritt zu verfolgen? Welche Punkte müssen Sie überprüfen, bevor ich Ihnen sage, dass die Aufgabe erledigt ist? Wenn diese Anforderungen klar definiert sind, ist es für die KI