Was versteht man unter einer AI-nativen Organisation? Wie kann man eine AI-nativen Organisation aufbauen?

AI-nativer Organisationen bedeuten nicht, dass man traditionellen Unternehmen einfach ein AI-Pflaster auftreibt. Stattdessen werden Geschäftslogik, Organisationsstruktur und Anreizsystem um die Mensch-Maschine-Kooperation herum neu gestaltet. Dieser Artikel geht von den kognitiven Fehlvorstellungen aus, betrachtet Fallbeispiele von Unternehmen wie Alibaba, Huawei und Transn und zerlegt die Kernmerkmale und Implementierungspfade von AI-nativen Organisationen, um Managern zu helfen, den wesentlichen Sprung von der "Integration von AI-Funktionen" zur "Entwicklung von AI-Genen" zu verstehen.

Vor ein paar Tagen habe ich mit einem Freund, der im Unternehmensservice tätig ist, gesprochen. Er hat mir eine Geschichte erzählt.

Ihr Unternehmen hat mehrere Monate Zeit investiert, um jedem Abteilungsmitglied ein AI-Tool zu geben und hat Dutzende von Schulungen durchgeführt. Es war alles sehr aufregend. Als sie am Jahresende die Bilanz machten, stellten sie fest, dass die tatsächliche Nutzungsrate von AI unter 15 % lag.

Er war total verwirrt. Sie hatten die Tools gekauft, die Schulungen durchgeführt und Anreize gegeben. Warum interessierten sich die Leute trotzdem nicht dafür?

Ich habe ihm damals gesagt: "Du hast vielleicht etwas verkehrt gemacht."

Du baust keine AI-native Organisation auf, sondern du klebst ein AI-Pflaster auf eine traditionelle Organisation.

Wie gut auch immer das Pflaster angebracht ist, die Knochen darunter bleiben die alten Knochen.

Er hat lange geschwiegen.

Ehrlich gesagt verstehe ich seine Verwirrung. Denn 90 % der Diskussionen über "AI-Transformation" im Markt lehren dir, wie du bestehenden Organisationen AI-Funktionen hinzufügst, nicht wie du der Organisation selbst AI-Gene verleihen kannst.

Das sind zwei völlig verschiedene Dinge.

Zuerst ein möglicherweise kognitionsverändernder Fakt.

Nach einer Prognose von Gartner werden bis 2025 90 % der großen Unternehmen einen CAIO (Chief AI Officer) einführen. Eine Umfrage von Deloitte zeigt sogar, dass 77 % der Unternehmen, die frühzeitig AI einsetzen, bereits diese Position geschaffen haben.

Klingt gut, oder? Alle machen es.

Aber wenn du es dir genau überlegst, was ist der Unterschied zu der Zeit, als jedes Unternehmen einen "Internet-Direktor" ernannt hat?

Um 2005 dachten viele traditionelle Unternehmen, dass das Internet wichtig sei, und ernannten daher einen Internet-Direktor, um zu signalisieren, dass jemand für das Internet zuständig sei. Und dann? Der Direktor hat drei Jahre lang versucht, interne Projekte voranzubringen, aber es hat nichts funktioniert. Schließlich hat er gekündigt.

Weil das Internet keine Angelegenheit eines einzelnen Direktors ist, sondern eine Angelegenheit des gesamten Unternehmens.

Das Gleiche gilt für AI.

Man kann einen CAIO ernennen, aber wenn die Organisationsstruktur, der Entscheidungsablauf, das Anreizsystem und die Arbeitsweise allesamt traditionell sind, ist der CAIO ein einsamer Held. Was kann er denn vorantreiben?

Also zurück zur ursprünglichen Frage: Was genau ist eine AI-native Organisation?

Meine persönliche Meinung ist die folgende.

Denke zuerst darüber nach, was eine "Internet-native Organisation" ist.

ByteDance ist eine Internet-native Organisation, weil es von Anfang an nach Internet-Prinzipien funktioniert. Die Inhaltsverteilung basiert auf Algorithmen, die Zusammenarbeit findet über Feishu statt und die Entscheidungen werden auf der Grundlage von Daten getroffen. Es gibt keine Hierarchien und Abläufe wie in traditionellen Unternehmen.

Aber wenn du eine Zeitung in ein Internetunternehmen umwandelst, fügst du nicht einfach eine Website hinzu. Du musst auch die Themenfindung, den Redaktionsablauf, die Bewertungsstandards und sogar die Organisationsstruktur selbst ändern.

Das Gleiche gilt für AI-native Organisationen.

Es handelt sich nicht darum, "einer bestehenden Organisation AI hinzuzufügen", sondern darum, von der untersten Ebene der Geschäftslogik an um die Mensch-Maschine-Kooperation herum zu gestalten.

36Kr hat vor kurzem einen sehr detaillierten Bericht veröffentlicht, in dem die Praktiken von Unternehmen wie Alibaba, Huawei, Lenovo und Feishu analysiert wurden. Ich habe festgestellt, dass sie bei der AI-Transformation drei gemeinsame Merkmale aufweisen.

Das erste Merkmal ist die Ersetzung von Erfahrungsentscheidungen durch intelligente Entscheidungen.

In traditionellen Organisationen basieren die Entscheidungen auf was? Auf der Branchenerfahrung von Herrn Wang oder der Intuition von Herrn Zhang. Diese Erfahrungen sind in Herrn Wangs Kopf, und wenn er geht, geht auch die Entscheidungsfähigkeit mit ihm.

Bei AI-nativen Organisationen ist es anders. Wenn die Geschäftsdatensätze durch das System fließen, analysiert und warnt die AI automatisch, und die Entscheidungsempfehlungen werden direkt an die zuständigen Personen gesendet. Die Entscheidungsgrundlage sind Daten, nicht Gefühle.

Huawei integriert AI in den gesamten Lebenszyklus der Daten, so dass die intelligente Analyse eine Standardfunktion der Datenplattform wird. Beachte das Wort "Standard". Es heißt nicht, dass du es aktiv suchen musst, sondern dass das System es automatisch an dich sendet.

Das zweite Merkmal ist die Vereinigung von Geschäftsablauf und Arbeitsablauf.

Denke mal an heutige Unternehmen. Der Geschäftsablauf läuft im CRM-System, der Arbeitsablauf in DingTalk oder Feishu. Die beiden Systeme sind getrennt. Der Projektfortschritt wird in System A verfolgt, die Sitzungsprotokolle in System B und die Genehmigungsabläufe in System C. Um eine vollständige Informationskette herzustellen, muss man die Daten manuell übertragen.

Feishu verbindet IM, Dokumente und Geschäftsabläufe in einem Kollaborationspaket, so dass die AI jederzeit in die Projektphasen eingreifen kann. Es ist nicht eine nachträgliche Zusammenfassung, sondern eine Echtzeitintervention.

Das dritte Merkmal ist die Wiederholbarkeit von Erfahrungen.

In traditionellen Organisationen ist die Erfahrungssammlung ein großes Problem. Wenn ein Topverkäufer zehn Jahre lang Erfahrungen sammelt und dann geht, gehen diese Erfahrungen verloren.

In AI-nativen Organisationen wird die AI zum "Träger" von Erfahrungen. Sie erfasst automatisch deine Entscheidungslogik, aktualisiert die Geschäftsregeln und macht die Erfahrungen eines Einzelnen zu einem wiederverwendbaren Asset der Organisation.

He Enpei, der Gründer von Transn, hat einen Satz gesagt, dem ich zustimme: "Anstatt zu warten, dass die Mitarbeiter zu AI-Experten werden, soll man der Organisation AI-Fähigkeiten verleihen."

Ein Einzelner kann gehen, aber die AI-Fähigkeiten der Organisation können sich niederschlagen, akkumulieren und weiterentwickeln.

Jetzt wirst du vielleicht sagen: "Ich verstehe die Theorie, aber wie setzt man es konkret um?"

Nach alledem sind die meisten Unternehmen keine Alibaba oder Huawei, die über Tausende von Technikern und Milliarden von Budgets verfügen.

Ich habe mich auch lange mit diesem Thema beschäftigt und möchte hier einige Beobachtungen und Ideen teilen.

Zuerst geht es um die kognitive Ebene.

Viele Geschäftsführer verstehen AI noch nur als "Tool". Sie kaufen eine Teamversion von ChatGPT und geben ihren Mitarbeitern Zugang zu Claude und denken, dass ihr Unternehmen jetzt AI-fähig ist.

Das ist genauso absurd wie in 2005, wenn man sich einen Computer kaufte und dachte, man sei jetzt internetfähig.

In den 1880er Jahren, als der Elektrizitätsgebrauch in den USA begann zu verbreiten, kauften viele Fabrikbesitzer teure Generatoren und Motoren und installierten sie in ihren Fabriken. Aber nach der Installation stellten sie fest, dass die Produktivität nicht wesentlich gestiegen war.

Warum?

Weil sie einfach den Dampfmotor durch den Elektromotor ersetzt haben, aber die Fabriklayout, die Fließbandgestaltung und die Arbeitsteilung der Arbeiter blieben unverändert. Die Elektrizität war nur eine andere Energiequelle, aber die Produktionsweise blieb die gleiche wie in der Dampfzeit.

Diejenigen, die wirklich von der Elektrizität profitierten, waren diejenigen, die verstanden hatten, was die Elektrizität wirklich bringen konnte. Sie haben das Fabriklayout neu gestaltet, das Fließband erfunden und dafür gesorgt, dass jeder Arbeitsplatz unabhängig mit Strom versorgt werden konnte. So hat die industrielle Massenproduktion eine Revolution erlebt.

Ich denke oft, dass die gegenwärtige Zeit der Zeit um 1880 ähnelt.

Alle installieren AI, aber nur wenige gestalten wirklich ihr "Fabrikgebäude" neu.

Nach der kognitiven Ebene kommt die Organisationsebene.

Ich finde die Vorgehensweise von Transn sehr empfehlenswert. Nachdem sie einen CAIO ernannt haben, haben sie ihm nicht alleine überlassen, sondern eine AI-Native Entscheidungsgremium gegründet. Darunter gibt es mehrere Gruppen nach Geschäftslinien, wie die Gruppe für Sprachintelligenz, die Gruppe für Branchenintelligenz und die Gruppe für Markenverkauf. Jede Gruppe hat einen klaren Ansprechpartner und ein Vorantriebsziel.

Das heißt, dass AI keine Angelegenheit der Technikabteilung ist, sondern eine Angelegenheit jeder Geschäftslinie.

Es gibt eine Regel, die ich besonders mag: Alle AI-Projekte müssen ein lauffähiges DEMO haben und müssen klären, welches Geschäftsproblem sie lösen. Projekte ohne DEMO werden nicht besprochen, und Projekte, deren Geschäftswert nicht klar ist, werden zurückgewiesen.

Diese Regel hat 90 % der PPT-Projekte eliminiert.

Außerdem haben sie eine "AI-Koalition" gegründet, in der über 20 interdepartementale Teams an der Entwicklung von AI-Anwendungen arbeiten. Beachte, dass es nicht die Technikteams sind, sondern die Geschäftsteams selbst.

Das führt zu einem sehr zentralen Punkt: AI-Anwendungen müssen von Anfang an in den Geschäftsszenarien verwurzelt sein und von echten Bedürfnissen ausgelöst werden, nicht von der Technikabteilung heruntergestürzt.

Danach kommt die Anreizebene.

Dies ist auch der Aspekt, den viele Unternehmen am leichtesten vergessen.

Transn hat ein System namens "Energiegold" eingeführt. Jedes Mal, wenn ein Mitarbeiter eine AI-Anwendung tatsächlich nutzt und zufrieden ist, sammelt das Entwicklungsteam Energiegold. Je öfter die Anwendung genutzt wird und je höher die Zufriedenheit ist, desto größer ist der Gewinn.

Das Urteil wird an die Benutzer übergeben, die Entscheidungen an die Daten.

Das Clevere an diesem System ist, dass es die Verbreitung von AI von einer "Verwaltungsanordnung" zu einem "Marktverhalten" macht. Ob ein AI-Tool gut funktioniert, wird nicht von deinem Chef entschieden, sondern von deinen Kollegen, die mit ihrer Nutzung abstimmen.

So entsteht ein sich verstärkender Kreislauf: Je besser es wird, desto öfter wird es genutzt; je öfter es genutzt wird, desto besser wird es.

Ehrlich gesagt, bin ich selbst noch auf der Suche.

Die meisten der oben genannten Beispiele sind Praktiken von großen Unternehmen, die über ausreichende Ressourcen, spezielle Mitarbeiter und Budgets verfügen. Für kleine und mittlere Teams sind viele dieser Vorgehensweisen möglicherweise nicht direkt übertragbar.

Deshalb überlege ich immer, ob es einfachere und allgemeingültigere Ansätze gibt.

Ich habe ein paar Ideen zusammengefasst, die möglicherweise nicht richtig sind, aber ich möchte sie hier mit euch teilen.

Erstens: Finde deine "AI-Knoten".

Nicht alle Positionen eignen sich für die AI-Transformation, und nicht alle Prozesse erfordern den Eingriff von AI. Du musst diejenigen Schritte in deinem Geschäft finden, die häufig wiederholt werden und eine gewisse Urteilsfähigkeit erfordern. Das sind deine AI-Knoten.

Beispielsweise die Themenfindung in einem Inhaltsteam, die Benutzersegmentierung in einem Betriebsteam oder die Konkurrenzüberwachung in einem Produktteam. Diese Aufgaben haben früher viel manuelles Zeitaufwand erfordert, aber jetzt können Tools wie Deepresearch oder Claude Code die Effizienz um ein Vielfaches steigern.

Versuche nicht, alles auf einmal zu AI-sieren. Versuche zunächst, drei oder fünf Schlüsselknoten zu verbinden, damit das Team den Wert von AI wirklich spürt.

Glaub mir, wenn ein Team einmal an einem Knoten Erfolg hat, wird es selbst nach dem nächsten Knoten suchen. Das ist viel effektiver als 100 Mal von oben herangetriebene Schulungen.

Zweitens: Überlasse die Toolauswahl den Mitarbeitern vor Ort.

Viele Unternehmen machen den Fehler, dass die IT-Abteilung ein AI-Tool einheitlich beschafft und dann alle Mitarbeiter dazu zwingt, es zu nutzen.

Dieser Ansatz ist falsch.

Verschiedene Positionen benötigen verschiedene AI-Tools. Inhaltsverantwortliche benötigen möglicherweise Claude, Datenanalysten GPT und Programmierer Codex. Wenn du eine einheitliche Lösung vorschreibst, wirst du alle Mitarbeiter ärgern.

Gebe stattdessen jedem Mitarbeiter die Möglichkeit, sein eigenes Tool auszuwählen und sogar ein gewisses Budget für AI-Tools. Lass sie sich selbst ausprobieren und entscheiden, welches Tool sie nutzen möchten.

Erfolgreiche Erfahrungen werden sich von selbst verbreiten, was effektiver ist als jede von oben herangetriebene Propaganda.

Drittens: Die Bewertungsstandards müssen sich ändern.

Dies ist das Schwerste, aber auch das Wichtigste.

Wenn du von der AI-Transformation sprichst, aber immer noch die Arbeitszeit, die Outputmenge oder die traditionellen KPIs bewertest, zwingst du die Mitarbeiter dazu, vorzutäuschen, AI zu nutzen.

Ein echter AI-Nutzer