Ein Modell ermittelt den KI-Transformationsgrad von Unternehmen und macht daraus eine vollständig transparente, nachvollziehbare Bilanz.
Unternehmen bauen keine Mensch-KI-Kooperationsteams über Nacht. Der Übergang von traditionellen menschlichen Teams zu einem Zustand der Mensch-KI-Kooperation durchläuft zwangsläufig einen Evolutionsprozess. Basierend auf der theoretischen Ableitung von Mu Sheng Consulting und den aktuell gesammelten praktischen Rückmeldungen versuchen wir, das Reifegradmodell für die Organisation von Mensch-KI-Kooperationsteams (MHCM, Moo Human-AI Collaboration Maturity) vorzuschlagen.
Angesichts unserer Einschätzung, dass Mensch-KI-Kooperationsteams zu plattformbasierten Organisationen (oder Agenten-Organisationen) werden, wird deren Organisationsdesign natürlich die Drei-Ebenen-Architektur von plattformbasierten Organisationen (oder Agenten-Organisationen) übernehmen. Wir haben uns an dem vierstufigen Reifegradmodell für die Drei-Ebenen-Architektur orientiert (siehe Abbildung 1-1). Im HACM unterteilen wir auch die Evolution von Unternehmen in vier Stufen und stimmen sie mit den Reifegradstufen der plattformbasierten Organisation ab. Dieses Modell kann direkt für die Selbstbewertung und Pfadplanung von Unternehmen beim Aufbau von Mensch-KI-Kooperationsteams verwendet werden.
Abbildung 1-1: Reifegradmodell für plattformbasierte Organisationen, Quelle: Mu Sheng Consulting
01 Stufe 1 —— Werkzeugebene (Tool Level)
In dieser Art von Organisation existiert KI in Form eines „Werkzeugs“, Mitarbeiter nutzen sie aus eigenem Interesse, und es gibt keine einheitliche Steuerung durch die Organisation. Natürlich ist die Ausgabe der KI auch für die einzelne Person verantwortlich, die Organisation verfolgt sie nicht.
Typische Ausprägungen sind, dass Mitarbeiter privat KI nutzen, um E-Mails zu schreiben, Texte zu überarbeiten und Tabellen zu erstellen; es gibt keine Nutzungsvorschriften für KI im Unternehmen; es entsteht sogenanntes „Schatten-KI“ (Shadow AI). Dieser Zustand führt natürlich zu verschiedenen Risiken wie Datenlecks, inhaltliche Verzerrungen, algorithmische Vorurteile und unklare Verantwortlichkeiten.
Zum Beispiel erlaubte Samsung im Jahr 2023 den Mitarbeitern der Halbleiterabteilung die Nutzung von ChatGPT, und innerhalb von 20 Tagen ereigneten sich nacheinander 3 Lecks. Mitarbeiter fügten den zentralen Quellcode ein, um Codes zu debuggen, gaben vollständige Produktdaten ein, um die Ausbeute zu optimieren, und luden sogar transkribierte Tonaufzeichnungen von Besprechungen hoch, um Protokolle zu erstellen. Diese Informationen können nach der Eingabe in das öffentliche Modell nicht zurückgezogen werden und können für nachfolgende Trainings verwendet werden, was für Samsung natürlich Risiken darstellt.
Ein weiteres Beispiel: Im Jahr 2025 enthielt der 237-seitige Überprüfungsbericht über Sozialleistungen, den Deloitte Australien für die australische Regierungsabteilung erstellt hat, erfundene Gerichtsurteile, nicht existierende wissenschaftliche Arbeiten und Expertenmeinungen, die in öffentlichen Datenbanken nicht nachprüfbar sind. Nach Bekanntwerden des Vorfalls musste Deloitte eine Vergütung von etwa 440.000 Austral-Dollar (ca. 2,06 Millionen RMB) zurückerstatten und gab in der korrigierten Version zu, dass generative Modelle wie Azure OpenAI verwendet wurden. Die Besonderheit dieses Falls liegt darin, dass Deloitte zu diesem Zeitpunkt hochkarätig angekündigt hatte, KI-Tools an 500.000 Mitarbeiter weltweit auszuweiten, während zur gleichen Zeit das an den Kunden gelieferte Produkt erhebliche Probleme aufwies.
Diese Stufe entspricht der pyramidenförmigen Organisation. Da Mitarbeiter in „kleinen Kästchen“ eingeschränkt sind, haben sie viel Raum, um selbstständig zu handeln, und gehen natürlich Risiken ein, um Zeit und Mühe zu sparen und Ergebnisse zu erzielen, indem sie KI nutzen. In solchen Organisationen brechen die oben genannten Risiken ohne einheitliche und detaillierte Aufsicht zwangsläufig aus. Um diese Phase zu überwinden, müssen Unternehmen formelle KI-Nutzungsvorschriften und Datengrenzen festlegen, von „impliziter Toleranz“ zu „klarer Steuerung“ wechseln und zumindest eine unternehmensweite „KI-Verfassung“ erlassen.
Aber leider haben die Unternehmenschefs in dieser Phase noch kein systematisches Denken über die Produktivität von KI entwickelt. Sie rufen die Mitarbeiter in verschiedenen Situationen auf: „Die Zukunft ist das Zeitalter der KI, wir müssen Schritt halten“ „Ihr jungen Leute solltet mehr mit KI experimentieren“. Aber das ist nur eine mündliche Aufforderung, die sich an andere richtet. Sie tätigen keine projektweiten Investitionen für die „KI-Umstellung“ (höchstens geben sie ein kleines Budget aus, um ein paar Tokens zu kaufen) und nehmen eine „passive“ Haltung gegenüber den Erträgen ein. Im Grunde genommen sehen sich die Unternehmenschefs in dieser Phase im Herzen als „Außenstehende“.
Gemäß unserer Definition von Mensch-KI-Kooperationsteams erfüllen solche Teams offensichtlich nicht die Standards. Genauer gesagt handelt es sich um das „Ausprobieren im Flachwasser“, bevor traditionelle menschliche Teams zu Mensch-KI-Kooperationsteams übergehen. Unternehmen und menschliche Mitarbeiter beginnen in dieser Phase, neue Technologien kennenzulernen, so wie Urmenschen das Feuer erlangen: Es gibt sowohl neue Möglichkeiten als auch neue Risiken.
02 Stufe 2 —— Assistentenebene (Assistant Level)
In dieser Art von Organisation wird KI „organisiert“ als „Assistent“ eingegliedert. Jeder im Unternehmen hat ein Konto, erhält Schulungen und unterliegt Vorschriften. Aber in dieser Phase übernimmt KI als Assistent noch keine unabhängigen Aufgaben und ist nicht in den Kernarbeitsablauf integriert.
Typische Ausprägungen sind, dass alle Mitarbeiter mit Tools wie Copilot und Work Buddy ausgestattet sind; Unternehmen etablieren KI-Schulungssysteme, um den Mitarbeitern Nutzungstechniken und Nutzungsvorschriften zu vermitteln, und machen sogar die Zertifizierung nach der Schulung zum Zugangskriterium für die KI-Nutzung. Aber in dieser Phase ist die „KI-Effizienzsteigerung“ noch ein Phänomen auf individueller Ebene, die Organisationseffizienz steigt nicht gleichzeitig an.
In dieser Phase beginnt der Chef, KI selbst zu nutzen. Unternehmen beginnen, den Token-Verbrauch zu bewerten, sie wollen alle Arbeiten, die mit KI erledigt werden können, unbedingt mit KI erledigen, und starten sogar groß angelegte Entlassungen, um ihre Entschlossenheit zur „Transformation“ zu zeigen. Aber die erwartete „Effizienzexplosion“ tritt nicht wie erwartet ein. Im Vergleich zur Phase der „Werkzeugebene“ ist die individuelle Effizienzsteigerung in dieser Phase offensichtlich deutlicher, aber unter dem Druck strenger Bewertungen steigt der Token-Verbrauch rasant an. Wenn die individuelle Effizienzsteigerung nicht in die Organisationseffizienz umgewandelt werden kann, lassen sich die Kosten für den Token-Verbrauch nicht zurückerhalten.
Das Beispiel von Amazon verdeutlicht dies sehr gut. Sie haben einst ein internes KI-Ranking namens Kirorank eingeführt, das Mitarbeiter nach dem Token-Verbrauch bewertet, um die KI-Anwendung zu fördern. Aber die Mitarbeiter fanden schnell Lücken und ließen die KI eine Menge sinnloser Aufgaben ausführen (z. B. wiederholte Verarbeitung trivialer Anweisungen), um den Token-Verbrauch zu erhöhen und ihr Ranking zu verbessern. Dies führte zu einem starken Anstieg der Rechenkosten des Unternehmens, ohne dass ein tatsächlicher geschäftlicher Wert entstand. Schließlich schloss Amazon das Kirorank-Ranking, und der Senior Vice President Dave Treadwell ermahnte die Mitarbeiter, „KI nicht nur um der Nutzung von KI willen zu nutzen“.
Das größere Peinliche in dieser Phase liegt darin, dass zwar die Risiken der KI-Nutzung in gewissem Maße verringert und teilweise individuelle Effizienzsteigerungen erzielt werden, sich das Organisationsmodell aber nicht ändert. KI verursacht leicht „interne Fehlausrichtung“ in der pyramidenförmigen Organisation. Es entstehen Koordinationskonflikte zwischen Mitarbeitern, deren Effizienz gesteigert wurde, und denen, deren Effizienz nicht gesteigert wurde. Am Ende bestimmt das schwächste Glied die Höhe, die Organisationseffizienz bleibt niedrig. Darüber hinaus brechen Konflikte zwischen einzelnen Mitarbeitern und zwischen Abteilungen schnell aus, wenn die Nutzung von KI das individuelle Interesse als erste Überlegung nimmt, und die Großbetriebskrankheit wird teilweise sogar noch ausgeprägter. Daher nimmt der Grenzertrag der KI-Investitionen von Unternehmen, die auf der zweiten Stufe verharren, schnell ab: Der Token-Verbrauch steigt immer schneller, die Erträge werden immer geringer.
Aber der Vorteil dieser Phase liegt darin, dass durch die umfangreiche Nutzung von KI-Tools ein erheblicher Teil der menschlichen Mitarbeiter, die „unproduktiv herumlaufen“, ersetzt wird, der organisatorische Überhang beseitigt wird und die Organisation in einen schlanken Zustand gerät. Gleichzeitig erkennen ein Teil der elitären Leistungsträger, dass KI-Tools unbegrenzte Möglichkeiten bieten, beginnen spontan, die Arbeitseinheiten zu optimieren, die abteilungsübergreifende Zusammenarbeit voranzutreiben und die Arbeitsabläufe aktiv zu gestalten, was objektiv einen Mehrwert für den Kundennutzen schafft. Unternehmenschefs erkennen die Vorteile dieses spontanen Zustands, nehmen eine tolerante Haltung ein, bieten teilweise Unterstützung an und etablieren sogar „Testgebiete“. Im Vergleich zum Zustand der Stufe 2 in der plattformbasierten Organisation, also der „flexiblen pyramidenförmigen Organisation“, fungiert der KI-Assistent als Verstärker, der die Pyramide flexibler macht. Aus der Perspektive der traditionellen Personaleffizienz werden überzählige Mitarbeiter durch KI ersetzt, Eliten brechen in den „Testgebieten“ durch, was natürlich zu einer Verbesserung der Personaleffizienzkennzahlen führt. Darüber hinaus steigt der Grenzertrag der Personalinvestitionen, da menschliche Mitarbeiter KI-Assistenten nutzen können. Allerdings werden Unternehmen in dieser Phase kaum zusätzliches Personal einstellen.
Das führt zu einer paradoxen Situation: KI-gestützter Bürokratismus und elitengetriebene Mensch-KI-Koexistieren nebeneinander; die traditionelle Personaleffizienz steigt, die Token-Effizienz sinkt; die traditionelle Personaleffizienz steigt grenzwertig an, die Token-Effizienz sinkt grenzwertig ab, was von Mu Sheng Consulting als „Grenzschere“ bezeichnet wird.
Aber Unternehmenschefs sehen lieber die positive Seite. Gerade weil Eliten hervortreten und die Personaleffizienz kontinuierlich steigt, können sie irregeführt werden und glauben, dass das Unternehmen gut läuft, keine weitere organisatorische Aufrüstung benötigt und nur darauf warten muss, dass die Samen in den „Testgebieten“ automatisch Früchte tragen. Aber diese Denkweise ist äußerst unvernünftig: Die Steigerung der Personaleffizienz geht auf Kosten der Token-Effizienz. Es ist nicht so, dass die Personalinvestitionen verringert werden, sondern dass die Personalinvestitionen in Recheninvestitionen umgewandelt werden. Darüber hinaus wird, wenn der Bürokratismus nicht eingedämmt wird, die „interne Fehlausrichtung“ der pyramidenförmigen Organisation immer deutlicher, die lokalen Bemühungen der elitären Leistungsträger allmählich zunichte gemacht, und die sinnlose Ausgabe von Tokens lässt die Investitionen des Unternehmens verpuffen. In der Realität bleiben die meisten Unternehmen auf dieser Stufe stecken.
Gemäß unserer Definition von Mensch-KI-Kooperationsteams erfüllen solche Teams immer noch nicht die Standards. KI ist nur ein Werkzeug, hat noch kein eigenes Bewusstsein und übernimmt noch keine Funktionsbereiche. Man kann sagen, dass dies die „Erkundung im Tiefwasser“ ist, bevor traditionelle menschliche Teams zu Mensch-KI-Kooperationsteams übergehen. Unternehmen und menschliche Mitarbeiter beginnen in dieser Phase, neue Technologien allmählich zu beherrschen und sie in die Produktion zu integrieren.
03 Stufe 3 —— Formationsebene (Team Level)
In dieser Art von Organisation werden KI-Agenten zu „ordentlichen Mitgliedern“ des Teams, mit klaren Verantwortlichkeiten, Berechtigungsgrenzen und menschlichen Eigentümern. Durch organisatorische Veränderungen lassen Unternehmen die KI-Agenten ihre volle Stärke entfalten. Infolgedessen verlassen sich nach einer gewissen Aufrüstung immer mehr Arbeitseinheiten in der Organisation auf die Unterstützung von KI. Unternehmen beginnen, die Arbeitseinheiten um die „Mensch-KI-Kooperation“ zu verbinden und kundenorientierte Arbeitsabläufe zu gestalten.
In dieser Phase ist die abteilungsübergreifende Zusammenarbeit aufgrund der etablierten Drei-Ebenen-Architektur bereits die Norm. Da KI-Agenten in die abteilungsübergreifende Zusammenarbeit einbezogen sind, kann die Zusammenarbeit standardisiert über API verbunden werden, was die Effizienz erheblich steigert, die Beiträge der Beteiligten klarer macht und die Anreizrückmeldungen direkter gestaltet. Zu diesem Zeitpunkt werden die Abteilungen in der Organisation immer abstrakter, sie ähneln eher einzelnen „Stützpunkten“ als dem „Territorium“ von Abteilungsleitern. Abteilungsleiter verhalten sich eher wie Geschäftsleute als wie Verwaltungsbeamte. Sie beginnen, sich darauf zu konzentrieren, mehr wettbewerbsfähige Arbeitseinheiten zu bilden und diese nach Kräften mit den Arbeitsabläufen zu verbinden, die Kundennutzen schaffen, um die Verwertung ihrer fachlichen Fähigkeiten zu verfolgen. Aufgrund dieser Philosophie entsteht in Szenarien wie Kundenservice, Personalbeschaffung und Forschung & Entwicklung eine stabile Struktur von „1 Mensch + mehrere KI-Agenten“. Gleichzeitig etablieren Unternehmen auch Identitäts- und Berechtigungsverwaltung für KI-Agenten, die Ergebnisse von KI-Agenten werden in die Qualitätsüberwachung einbezogen. Mit anderen Worten: Unter der „KI-Verfassung“ des Unternehmens sind verschiedene Regelungen vollständiger und die Umsetzung wird besser durchgeführt.
In dieser Phase gibt es zwei Widersprüche:
Der erste ist der Widerspruch zwischen den schnell wachsenden KI-Agenten und dem Steuerungsniveau. Eine Studie von Strata Identity aus dem Jahr 2026 zeigt, dass nur 18 % der Sicherheitsverantwortlichen der Meinung sind, dass die Berechtigungen ihres Identitäts- und Zugriffsverwaltungssystems die Identitäten von KI-Agenten effektiv verwalten können, fast 80 % können die Aktivitäten von Agenten nicht in Echtzeit verfolgen (Strata Identity, 2026). Die Büchse der Pandora ist geöffnet, verschiedene KI-Agenten werden schnell in Betrieb genommen, aber das Steuerungsniveau der Unternehmen passt nicht wie erwartet dazu. „Nicht zu wissen, wie viele KI-Mitarbeiter man eingestellt hat“ ist der häufigste Grund für das Scheitern auf der Formationsebene.
Der zweite ist der Widerspruch zwischen der schnell explodierenden Produktivität der Mensch-KI-Kooperation und dem Organisationsmodell. Da sich die Organisation bereits weiterentwickelt hat, können menschliche Mitarbeiter KI-Agenten aufbauen, um Arbeitseinheiten aufzurüsten und in Arbeitsabläufe zu integrieren. Einerseits sehen sie größere Möglichkeiten, aber die organisatorische Aufrüstung ist noch nicht abgeschlossen, der Fortschritt der Produktivität liegt noch weit hinter ihren Erwartungen zurück, die Flexibilität der Organisation und das Unterstützungsniveau des Unternehmens bleiben hinterher. Andererseits hat ihre Fähigkeit zur Wertschöpfung stark zugenommen, aber sie erhalten keine Erträge durch ausreichend marktorientierte Anreizmechanismen.
Gleichzeitig verbreiten Unternehmen die Managementkonzepte „Mensch-KI-Verhältnis“ und „Token-Effizienz“,