Ist Anthropic eigentlich nicht KI-nativ?

Anthropic gehört möglicherweise zu den Unternehmen der Welt, die KI am besten verstehen.

Das bedeutet aber nicht, dass Anthropic von Natur aus eine vollständig „KI-native Organisation“ ist.

Dies ist ein spannendes Thema, denn es bedeutet im Grunde zu behaupten, dass das führende KI-Unternehmen nicht KI-nativ ist. Da es aber darum geht, was eine KI-native Organisation eigentlich ausmacht, muss dies ernsthaft niedergeschrieben werden.

Kürzlich veröffentlichte Anthropic einen Artikel, in dem beschrieben wird, wie das Unternehmen mithilfe von Claude selbstbediente Datenanalyse realisiert. Aus dem Artikel geht hervor, dass derzeit 95 % aller geschäftlichen Datenanalyseanfragen bei Anthropic automatisch von Claude erledigt werden, mit einer Gesamtgenauigkeit von etwa 95 %. Das ist zweifellos eine beeindruckende Leistung. [1]

Aber das wirklich Bemerkenswerte im Artikel ist möglicherweise nicht diese 95 %, sondern eine andere Zahl:

Bei der Inbetriebnahme ihres Datenanalysesystems lag die Offline-Genauigkeit bei etwa 95 %; nur einen Monat später sank die Genauigkeit auf etwa 65 %.

Der Hauptgrund für diesen Rückgang lag nicht darin, dass sich die Modellfähigkeiten von Claude verschlechtert hätten, sondern darin, dass sich die geschäftlichen Datenmodelle ständig weiterentwickelten, während die für Claude vorgesehenen Skill-Dokumente nicht synchron aktualisiert wurden.

Erst als Anthropic die Skill-Dateien und die Datenmodelle in dasselbe Code-Repository legte und vorschrieb, dass bei Änderungen der Datenmodelle die zugehörigen Dokumente gleichzeitig angepasst werden müssen, konnte die Genauigkeit wieder unter Kontrolle gebracht werden.

Dieses Detail offenbart ein tieferliegendes Problem als die Modellfähigkeiten:

Anthropic entwickelt und nutzt KI zwar in großem Umfang, aber seine organisatorische Grundlage ist noch nicht vollständig für KI ausgelegt.

Und die organisatorischen Probleme, mit denen es konfrontiert ist, sind eigentlich nicht besonders fortgeschritten – sie sind fast identisch mit den Problemen, mit denen viele Startups konfrontiert sind, wenn ihre Mitarbeiterzahl auf über 100 ansteigt.

Die Schwankungen der Analysegenauigkeit sind oberflächlich ein Datenproblem, im Wesentlichen aber ein Problem des organisatorischen Zustands

Anthropic fasst die Fehler in der Datenanalyse in drei Hauptursachen zusammen.

Erstens bestehen Mehrdeutigkeiten zwischen Konzepten und Datenentitäten. Selbst für denselben Begriff wie „aktiver Nutzer“ können verschiedene Teams unterschiedliche Verhaltensdefinitionen, Zeitfenster und Filterregeln anwenden.

Zweitens ändern sich Datenquellen, geschäftliche Definitionen und Datenbankstrukturen ständig, sodass vorhandenes Wissen allmählich seine Gültigkeit verliert.

Drittens sind die korrekten Informationen zwar vorhanden, aber Claude kann sie nicht aus dem riesigen Datenraum abrufen. [1]

Dies sind natürlich klassische Probleme im Bereich der Datenanalyse.

Aus der Perspektive einer KI-nativen Organisation sollten sie nicht nur Probleme sein, die das Analysesystem im Nachhinein löst. (Daraus entsteht eine Menge an Personen, die Patches einspielen, mit verschiedenen Berufsbezeichnungen – in gewissem Maße lässt sich auch FDE als Folge davon betrachten.)

Denn die sogenannten Daten sind im Grunde nicht eine Sammlung von Tabellen, die auf ihre Analyse warten, sondern die digitale Darstellung des Betriebszustands eines Unternehmens und die Synthese der Produktionsverhältnisse.

Wenn sich die Produktdefinition ändert, die Vertriebsorganisation angepasst wird oder die Kundenklassifizierungskriterien überarbeitet werden, ändert sich nicht nur eine einzelne Tabelle, sondern die Art und Weise, wie die Organisation die reale Welt interpretiert.

Wenn diese Änderungen nicht gleichzeitig in Datenmodellen, Kennzahldefinitionen, Berechtigungssystemen, Kontexten von Agenten und Bewertungssystemen widergespiegelt werden, bedeutet dies, dass die Organisation immer noch zwei getrennte Systeme aufweist:

Ein System ist für den tatsächlichen Geschäftsbetrieb zuständig (ungefähr gleichbedeutend mit OLTP);

das andere System zeichnet, interpretiert und analysiert das Geschäft im Nachhinein (ungefähr gleichbedeutend mit OLAP).

Die KI wird lediglich auf das zweite System aufgesetzt.

Das ist immer noch ein typisches menschliches Organisationsmodell: Menschen und Geschäftssysteme erzeugen die Realität, das Datenteam strukturiert sie, und die KI liest diese strukturierten Ergebnisse schließlich aus.

Aus der Sicht von „KI zuerst“ wirken diese Trennung und das System, das diese Trennung pflegt, ausgesprochen altmodisch – und es ist eine Quelle von Problemen. Die Vereinigung nach der Trennung hat fast alle Unternehmen vor eine unlösbare Aufgabe gestellt.

Eine echte KI-native Organisation sollte anders sein:

Der Geschäftsbetrieb selbst erzeugt ständig strukturierte, überprüfbare und berechenbare organisatorische Zustände.

Der Endzustand davon ist das „menschenlose Unternehmen“ – deshalb betone ich immer, dass die Reihenfolge der Trilogie lautet: „KI-native Organisation“ und dann „menschenloses Unternehmen“.

Anthropic verfügt über „Dokumentation für Daten“, hat aber noch keinen vollständig „vereinheitlichten Zustand“ erreicht

In dem Artikel räumt Anthropic ein, dass ein geschäftliches Konzept auf eine Vielzahl scheinbar plausibler Datenquellen verweisen kann.

Am Beispiel von Umsatz: Claude steht möglicherweise nicht vor einer klar definierten Datenentität, sondern vor Dutzenden von Tabellen, Feldern und Berechnungsmethoden, die alle den Umsatz darzustellen scheinen.

Daher schlägt Anthropic vor, weniger, strenger verwaltete Standard-Datensätze aufzubauen und ungefähr doppelte Datenmodelle aktiv auszusortieren. [1]

Diese Umgestaltung ist sehr sinnvoll.

Aber sie zeigt auch, dass vor dieser Umgestaltung die Datenrealität bei Anthropic immer noch fragmentiert war. Man kann mit Sicherheit sagen, dass dies der übliche Fall ist – die Datenrealität jedes Unternehmens, das ich persönlich kennengelernt habe, ist genau so fragmentiert.

Eine wirklich KI-native Organisation sollte nicht darauf warten, dass die KI bei einer Anfrage aus Dutzenden von Kandidaten-Datenquellen erraten muss, welche der Wahrheit am nächsten kommt.

Die Organisation sollte bereits bei der Entstehung von Geschäftsregeln festlegen:

Welches Objekt einen Kunden darstellt;

Welcher Zustand als „aktiv“ gilt;

Welches Ereignis einen Umsatz darstellt;

Welche Berechnungsmethode die endgültige Auslegungshoheit hat;

Welche Systeme bei einer Änderung von Definitionen synchron aktualisiert werden müssen.

Mit anderen Worten: Eine KI-native Organisation braucht nicht mehr Daten, sondern einen kontinuierlich umsetzbaren organisatorischen Ontologie. Die Vollständigkeit und Echtzeitfähigkeit dieser Ontologie ist ihre Lebensader.

Sie ist nicht nur die semantische Ebene im Data Warehouse, nicht nur eine Anleitung für Claude, sondern eine einheitliche Abbildung zwischen Geschäftsobjekten, Zuständen, Regeln, Verantwortlichkeiten und Handlungen.

Daten sind nicht nur Informationen über die Organisation – Daten sind der berechenbare Zustand der Organisation selbst. Und hier ist die Organisation gleichzeitig Objekt, Beziehung und sogar Prozess.

Die Skill-Datei ähnelt eher einem „Betriebshandbuch“ im KI-Zeitalter

Die derzeitige Lösung von Anthropic besteht darin, Datenmodelle, semantische Ebenen, Referenzdokumente, Standard-Dashboards und die für Claude vorgesehenen Skill-Dateien möglichst in einem einzigen Code-Repository zu speichern.

Wenn sich ein Datenmodell ändert, ohne dass die zugehörige Skill-Datei gleichzeitig angepasst wird, löst der Code-Review-Mechanismus eine Warnung aus.

Derzeit umfassen etwa 90 % aller Datenmodelländerungen bei Anthropic auch eine Aktualisierung der Skill-Dateien im selben Änderungsvorgang. [1]

Das ist bereits eine recht fortschrittliche Ingenieurspraxis – aber es ist nicht zuverlässig. Denn die Speicherung im selben Code-Repository führt bereits zu einer Abhängigkeit. Was passiert, wenn man sie nicht dort speichert? Können alle Menschen die Regeln einhalten? Aus diesen kleinen Details geht hervor, dass eine KI-native Organisation im Grunde ein Gemisch aus Unternehmensbetrieb, Daten, Architektur und Modellen ist!

Nach strengeren KI-nativen Maßstäben sind die Skill-Dateien immer noch eine Art „externes Wissen“.

Nach einer Änderung im Geschäftssystem müssen Menschen oder die KI eine Anleitung neu bearbeiten, um Claude mitzuteilen, wie das neue Datenmodell zu verstehen ist. Diese Anpassung sollte in eine KI-native Organisation integriert sein – die Organisation selbst muss dafür ein Bewusstsein haben.

Sie ähnelt den alten Software-Betriebshandbüchern, nur dass der Leser jetzt nicht mehr ein Mensch, sondern ein Agent ist.

Der entscheidende Punkt ist: Solange zwischen der tatsächlichen Organisation und dem Verständnis des Agenten noch eine Übersetzung durch statische Dokumente erforderlich ist, können die beiden wieder auseinanderlaufen.

Der von Anthropic beobachtete Rückgang der Genauigkeit von 95 % auf 65 % ist im Wesentlichen das Ergebnis dieser Abweichung.

Eine radikalere KI-native Architektur sollte nicht darauf angewiesen sein, dass der Agent die „neueste Anleitung liest“, um die Organisation zu verstehen – sondern der Agent sollte direkt auf versionierten, abfragbaren und überprüfbaren Echtzeitzuständen ausgeführt werden.

Wenn sich die Definition einer Kennzahl ändert, sollte nicht nur eine isolierte Anleitungsdatei geändert werden, sondern eine atomare Systemversion:

Das Datenmodell ändert sich entsprechend, die semantische Definition ändert sich entsprechend, die Berechtigungen ändern sich entsprechend, der Kontext der zugehörigen Agenten ändert sich entsprechend – und die Bewertungsfälle ändern sich ebenfalls entsprechend.

Nur dann können die von der KI verstandene Organisation und die tatsächlich betriebene Organisation stets übereinstimmen.

Und was ist die Voraussetzung, um diesen Zustand zu erreichen? Genau das, was ich immer wieder betone: Intelligenz zuerst! KI zuerst!

Das Marketingsystem von Anthropic liefert einen weiteren Beweis

Anthropic hat auch beschrieben, wie sein Marketing-Betriebsteam mithilfe von Claude Cowork wöchentliche Betriebsberichte erstellt.

Darin heißt es, dass einige Kennzahlen bereits in Dashboards aufgenommen wurden, andere noch im Data Warehouse verweilen und einige sogar noch nicht einmal im Data Warehouse angekommen sind – sie existieren nur in Slack-Nachrichten oder Meeting-Protokollen.

Früher verbrachten Mitarbeiter im Marketing-Betrieb ein bis zwei Tage pro Woche damit, diese Daten zu suchen und zu überprüfen; heute erledigt Claude diese Arbeit größtenteils. [2]

Das steigert die Effizienz erheblich.

Aber es wirkt eher so, als würde ein sehr kluger digitaler Mitarbeiter zwischen mehreren getrennten Systemen nach Informationen suchen, sie zusammenfügen und überprüfen:

Claude liest den Bericht der Vorwoche, prüft die neuesten Meeting-Protokolle, durchsucht Slack, fragt das Data Warehouse ab und erstellt dann einen neuen Betriebsbericht.

Das ist eine starke Fähigkeit von Agenten – aber es ist nicht unbedingt eine wirklich KI-native Organisationsstruktur.

Denn die KI übernimmt immer noch die Aufgabe des „Informations Transports und der Abgleichung“, die früher von Menschen erledigt wurde.

Die zugrundeliegenden Systeme wie Salesforce, HubSpot, Event-Management-Tools, E-Mail-Systeme, Data Warehouse und Slack sind nach wie vor voneinander getrennt – Claude dient lediglich als neuer Kleber, der diese Systeme miteinander verbindet.

Anthropic selbst gibt offen zu, dass die Marketing-Technologie-Tools nicht gut miteinander integriert sind: Früher mussten Berichte manuell zusammengefasst und Ereignisse einzeln auf mehreren Plattformen erstellt werden. [2]

Daher lässt sich dieses System genauer so beschreiben:

Die KI hilft Anthropic, eine nicht KI-native organisatorische Infrastruktur zu bewältigen.

95 % Automatisierung bedeuten nicht 95 % KI-Nativität

Hier müssen zwei leicht verwechselbare Begriffe unterschieden werden.

Der eine Begriff ist die KI-Nutzungsrate.

Der andere Begriff ist der Grad der KI-Nativität.

Wenn 95 % aller Analyseanfragen von Claude erledigt werden, bedeutet das, dass Anthropic eine sehr hohe KI-Nutzungsrate aufweist.

Aber die Nutzung von KI zur Erledigung bestehender Aufgaben bedeutet nicht, dass die Organisation bereits vollständig an die Funktionsweise von KI angepasst wurde.

Die KI-Nutzungsrate misst:

Wie viele der Aufgaben, die früher von Menschen erledigt wurden, an die KI übergeben wurden?

Der Grad der KI-Nativität misst hingegen:

Wären die Daten, Prozesse, Berechtigungen, Verantwortlichkeiten und Feedback-Mechanismen der Organisation immer noch so gestaltet, wie sie heute sind – wenn die Organisation von Anfang an mit Beteiligung von KI betrieben würde?

Wenn die KI immer noch verstreute Dokumente lesen, die Bedeutung von Kennzahlen erraten, mehrere Systeme durchsuchen und prüfen muss, ob Daten widersprüchlich sind – und Menschen ständig die Skill-Dateien pflegen müssen, um das Verständnis der KI zu korrigieren – dann ist die KI hauptsächlich ein sehr leistungsfähiger Nutzer.

Sie ist noch kein integraler Bestandteil des organisatorischen Systems.

Viele der internen Fälle, die Anthropic öffentlich vorgestellt hat, zeigen eher, dass Mitarbeiter Claude Code nutzen, um Debugging durchzuführen, Tests zu generieren, Visualisierungen zu erstellen, Automatisierungstools aufzubauen und verstreutes Wissen zu strukturieren.

Diese Praktiken verbessern die Fähigkeiten von Einzelpersonen und Teams erheblich – aber Anthropics Zusammenfassung dieser Fälle betont immer noch hauptsächlich, wie Claude Code die bestehenden menschlichen Arbeitsabläufe unterstützt. [3]

Das unterscheidet sich deutlich von dem Zustand, in dem die KI die Organisation steuert und betreibt.

Das führt zu einem kuriosen Ergebnis: Denn viele Menschen versuchen, von Unternehmen wie Anthropic zu lernen, wie man eine KI-native Organisation aufbaut! Das ist vergleichbar mit dem Versuch, von Blinden das Gehen zu lernen.

Das ist eine völlig falsche Herangehensweise!

Es muss betont werden: Es ist nicht so, dass die Praktiken von Anthropic keine KI-nativen Elemente enthalten – aber man darf das Unternehmen nicht vollständig als KI-native Organisation betrachten. Die Struktur, mit der es seine Modelle extern bereitstellt und mit Nutzern interagiert, ähnelt viel stärker einer KI-nativen Organisation!

Wie sieht eine echte KI-native Organisation aus?

Eine echte KI-native Organisation muss mindestens vier Merkmale aufweisen:

Erstens: Übergang von der „Datenerfassung“ zur „Zustandserzeugung“

Jede Transaktion, jede Entscheidung, jede organisatorische Anpassung und jede Kundeninteraktion sollte direkt zu einem organisatorischen Zustand mit klarer Semantik führen – anstatt erst im Nachhinein von Analysten strukturiert zu werden.