Die Einführung von KI ist eine Eitelkeitskennzahl

Chris Garrett ist VP für verwaltete Technologie und Sicherheitsbetrieb bei Novatech, einem Anbieter verwalteter Dienste. Außerdem ist er der Autor von Scale or Sell.

Wir haben uns mit Chris zusammengesetzt, um aus seinen KI-Arbeitsabläufen zu lernen und ein Gefühl dafür zu bekommen, wie KI die Branche beeinflusst. Das hatte er zu sagen.

Systeme in Geld übersetzen

Ich leite den Bereich verwaltete IT und Sicherheit bei Novatech, einem Anbieter verwalteter Dienste im Besitz von Perpetual Capital Partners. Der Titel sagt VP. Die Arbeit lässt sich einfacher beschreiben. Ich trage die Verantwortung dafür, ob Technologie dem Unternehmen Geld einbringt oder es unbemerkt ausbluten lässt.

Der Weg hierher verlief nicht geradlinig. Ich habe mich durch die operative Ebene nach oben gearbeitet, also durch den Bereich, in dem Systeme ausfallen und jemand die Verantwortung für die Behebung übernehmen muss. Ich arbeitete im Helpdesk, dann in der Infrastruktur und anschließend in der Sicherheit. Das sind die Bereiche, in denen die Lücke zwischen dem, was ein Anbieter verspricht, und dem, was ein Netzwerk tatsächlich leistet, um zwei Uhr morgens zu deinem Problem wird. Diese Grundlage hat mich eine Lektion gelehrt, die bis heute Bestand hat. Technologie ist nicht der Zweck. Das Ergebnis besteht darin, dass Umsätze geschützt, Risiken korrekt bewertet und Ausfallzeiten beseitigt werden, bevor ein Kunde sie bemerkt.

Dann lernte ich zu übersetzen. Ingenieure sprechen über Systeme und Führungskräfte über Geld. Die meisten Technologieführungskräfte wählen eine Sprache und verlieren dadurch das andere Publikum. Ich habe meine Karriere damit aufgebaut, an dieser Schnittstelle zu stehen und Latenz, Gefährdung und Architektur in die Sprache von Marge und Kontinuität zu übersetzen: IT als Multiplikator, niemals als Kostenstelle. Diese Sichtweise veränderte die Gespräche, an denen ich teilnahm, und die Entscheidungen, die ich mitgestaltete.

Nun verschieben sich die Rahmenbedingungen erneut. KI ist nicht einfach das nächste Werkzeug im Technologie-Stack. Sie verändert, was Hebelwirkung bedeutet, wer darüber verfügt und wie schnell sich Fähigkeiten vervielfachen. Die meisten Unternehmen reagieren mit Aktionismus. Sie führen Pilotprojekte durch, die nichts beweisen, und schreiben Richtlinien, um Ängste statt Risiken zu verwalten, während Anbieter Käufern, die noch keine Berechnungen angestellt haben, Unausweichlichkeit verkaufen.

Mein Interesse ist enger gefasst und schwerer vorzutäuschen. Wo verändert KI die tatsächlichen Zahlen? Was legt sie offen, das ohnehin bereits instabil war? Welche Kompetenz erfordert sie, über die die meisten Teams noch nicht verfügen? Ich betrachte sie wie alles andere: Belege statt Hype, Ergebnisse statt Konsens, die Systemebene statt der oberflächlichen Darstellung.

Komplexität der Aufgabe

Novatech ist seit September 2024 ein Anbieter verwalteter Dienste im Besitz von Perpetual Capital Partners. Wir sind ein profitables Dienstleistungsunternehmen nach einer Übernahme mit dem Auftrag, Marge und Sicherheitsumsätze zu steigern und gleichzeitig die Servicequalität aufrechtzuerhalten, die uns unseren Kundenstamm eingebracht hat.

Die Abteilung arbeitet neben verwalteter Technologie, verwaltetem Büro und Vor-Ort-Einsätzen und übernimmt Aufgaben, die den Betrieb der Kunden am Laufen halten und schützen. Mein Team besteht aus 68 Ingenieuren und Analysten in den Bereichen Servicedesk, Infrastruktur und einer spezialisierten Sicherheitspraxis und unterstützt 400 Kundenumgebungen.

Die Architektur besteht nicht aus einem einzelnen Produkt, sondern ist mandantenfähig. Wir betreiben Dutzende unterschiedlicher Kundenumgebungen, jeweils mit einer eigenen Kombination aus On-Premises-Infrastruktur, Microsoft 365, Azure, AWS und Google Cloud sowie hybriden Netzwerken, die wir nicht immer selbst entworfen haben, für die wir jetzt aber verantwortlich sind. Diese Unterschiede schaffen Komplexität. Eine routinemäßige Änderung für einen Kunden stellt für einen anderen ein Produktionsrisiko dar. Die Disziplin besteht darin, diese Umgebung auf einen einheitlichen Standard für Zuverlässigkeit und Sicherheitsniveau zu bringen, ohne jeden Kunden in dasselbe Schema zu zwingen.

Unser Bereitstellungsmodell ist verwaltet und auf Remote-Arbeit ausgerichtet, unterstützt durch Vor-Ort-Einsätze bei Aufgaben, die eine Anwesenheit vor Ort erfordern. Wir überwachen, aktualisieren und schützen kontinuierlich. Wir messen uns an Betriebszeit, Reaktionszeit und daran, wie schnell wir Sicherheitsvorfälle eindämmen, bevor Kunden sie erleben.

Wie KI technische Entscheidungsprozesse verändert – aber nicht übernimmt

Meine zentrale Philosophie lautet: „Den Ingenieur mit KI unterstützen“, um das Beste aus beiden Welten zu erhalten. Kein Personalabbau – stattdessen erledigt das Team mit unterstützenden Werkzeugen mehr und bessere Arbeit.

KI übernimmt inzwischen umfangreiche Aufgaben, bei denen ein menschlicher Prüfer schon immer der Engpass, aber nie der eigentliche Mehrwert war. Beispielsweise durchlaufen Sicherheitswarnungen zunächst eine KI-Ebene, denn ein SOC-Analyst, der zehntausend Ereignisse mit geringem Signalgehalt von Hand liest, ist teuer und arbeitet schlechter als das Modell.

Wir setzen KI während Untersuchungen auch für die Protokollanalyse, für die Erstellung erster Dokumentationsentwürfe und Betriebsanleitungen sowie für die Zusammenfassung der Umgebung eines Kunden vor einer Überprüfung ein. So kommt der Ingenieur informiert statt unvorbereitet zum Einsatz. In all diesen Fällen beschleunigt KI die Analyse, trifft aber nicht die Entscheidung.

Die Entscheidung bleibt dem Menschen vorbehalten, und diese Grenze ist bewusst gezogen. Architekturentscheidungen für eine Kundenumgebung bleiben menschlich, weil das Modell die technisch sauberste Antwort optimiert. Eine echte Entscheidung berücksichtigt das Budget, die Risikotoleranz des Kunden und das, was dessen Team tatsächlich betreiben kann, nachdem wir gegangen sind.

Die Reaktion auf Vorfälle bleibt auf Führungsebene menschlich. KI kann aufzeigen, was passiert ist, aber Entscheidungen zur Eindämmung haben geschäftliche Konsequenzen, rechtliche Risiken und Auswirkungen auf das Vertrauen der Kunden. Ich werde die Beurteilung unter Druck nicht einem Werkzeug überlassen, das für das Ergebnis nicht zur Verantwortung gezogen werden kann. Aus demselben Grund bleibt auch die abschließende Sicherheitsprüfung vor der Freigabe menschlich. Das Modell ist hervorragend darin, bekannte Muster zu erkennen, aber für neuartige Probleme, die wirklich wichtig sind, ist es blind.

Ein praxisnaher Workflow zur Triage von Sicherheitswarnungen

Betrachten wir die Triage von Sicherheitswarnungen genauer, denn sie findet täglich statt und zeigt deutlich, wo KI funktioniert und wo ein Mensch übernimmt.

Der Prozess beginnt mit einem Volumen, das kein Mensch dauerhaft manuell bearbeiten kann oder sollte. In der gesamten Kundenumgebung erzeugt unsere Überwachung täglich Zehntausende Ereignisse, von denen die meisten unbedeutend sind. Vor dem Einsatz von KI arbeitete ein Analyst eine Warteschlange ab, während das eigentliche Signal unter fehlgeschlagenen Anmeldungen und harmlosen Anomalien verborgen blieb. Wichtige Probleme wurden verspätet bearbeitet, weil der Analyst sich durch die unbedeutenden Meldungen arbeiten musste, um sie zu finden.

Die KI-Schicht verarbeitet zunächst diesen Rohdatenstrom. Sie gruppiert zusammengehörige Ereignisse, entfernt offensichtliche Fehlalarme anhand bekannter, unbedenklicher Muster, setzt Aktivitäten in einer Kundenumgebung miteinander in Beziehung, die ein Mensch als unverbunden betrachten würde, und ordnet die verbleibenden Elemente danach, wie stark sie einem tatsächlichen Eindringen ähneln. Der Analyst erhält keine Datenflut. Stattdessen erhält er eine kurze, geordnete Liste mit zusätzlichem Kontext, den betroffenen Systemen und einer ausformulierten Begründung dafür, warum jedes Element angezeigt wird. Das Modell übernimmt die erste Auswertung, trifft aber keine Entscheidungen.

Der Analyst öffnet diese Liste, und die menschliche Arbeit beginnt. Er untersucht die verdächtige Aktivität, wobei die KI erneut unterstützt, indem sie relevante Protokolle und den zeitlichen Ablauf zusammenfasst. Dadurch kann der Analyst die Ereignisse in Minuten statt in einer Stunde rekonstruieren. Die Beurteilung bleibt bei der Person. Handelt es sich um eine tatsächliche Kompromittierung oder um eine genehmigte Änderung, die verdächtig erscheint? Entspricht das Muster etwas Neuartigem, das das Modell nicht melden würde? Das Modell beschleunigt die Beweisprüfung; der Analyst trifft die Feststellung.

Wenn ein tatsächliches Ereignis eintritt, bleibt die Eindämmung eine menschliche Führungsentscheidung. Der Analyst oder bei schwerwiegenden Vorfällen der diensthabende Senior entscheidet, ob ein Host isoliert, ein Konto deaktiviert oder ein Kunde vom Netz genommen wird. Diese Entscheidungen verursachen geschäftliche Kosten, rechtliche Risiken und Auswirkungen auf das Kundenvertrauen, und kein Werkzeug kann für diese Entscheidungen zur Verantwortung gezogen werden. Die KI kann Ihnen sagen, was passiert ist, aber sie entscheidet nicht unter Druck über unsere Reaktion.

Nach der Eindämmung erstellt die KI einen Entwurf des Vorfallberichts, des zeitlichen Ablaufs, der ergriffenen Maßnahmen und der für den Kunden bestimmten Zusammenfassung. Dieser Entwurf spart im Vergleich zu einem leeren Blatt erheblich Zeit. Er wird erst versendet, nachdem ein Ingenieur ihn korrigiert und freigegeben hat. Ein ausgefeilter, aber falscher Bericht ist schlimmer als gar kein Bericht, und ein von der KI entworfener Verfahrensnachweis ohne menschlichen Verantwortlichen würde eine Haftung schaffen, von der wir beschlossen hatten, dass sie unter unserer Aufsicht niemals entstehen würde.

Der Kreislauf schließt sich mit einem Schritt, den die meisten Teams überspringen. Wir überprüfen stichprobenartig, was die KI verworfen hat, und nicht nur, was sie eskaliert hat, und geben diese übersehenen Fälle zurück, um den nächsten Durchlauf zu verbessern. Diese Stichprobendisziplin verhindert, dass sich ein Automatisierungsbias festsetzt. Ein Werkzeug, das Analysten schneller macht, macht sie auch selbstgefällig, wenn niemand die von ihm verworfenen Elemente überprüft.

Warum Unternehmen ihre Berechtigungen vor der Integration von KI bereinigen müssen

Ich habe außerdem eine Kontrollschranke für Microsoft Copilot eingerichtet.

Zuvor schien Copilot eine Produktivitätssteigerung zu sein, und Kunden betrachteten es als einfachen Schalter, den man umlegen konnte. Das Problem besteht darin, dass Copilot die vorhandenen Zugriffsrechte eines Benutzers übernimmt. Die meisten unserer Kunden hatten über Jahre hinweg eine unübersichtliche Verteilung von Berechtigungen aufgebaut: offene SharePoint-Websites, gemeinsam genutzte Laufwerke, die niemand bereinigt hatte, und Dateien, die technisch erreichbar, praktisch aber unsichtbar waren. Sobald man einem Mitarbeiter ein Werkzeug gibt, das alles durchsucht, worauf er zugreifen kann, wird unsichtbarer Inhalt zu einem Suchergebnis. Ein Mitarbeiter auf einer Einstiegsposition konnte eine Frage in Alltagssprache stellen und Gehaltsdaten oder eine Präsentation für den Vorstand anzeigen lassen, die nie für ihn bestimmt war. Niemand hatte sich um die Berechtigungen gekümmert, aber die Gefährdung war real und hatte jahrelang bestanden.

Ich entwickelte eine verpflichtende Bereitschaftsprüfung, die durchgeführt wird, bevor wir Copilot für irgendjemanden aktivieren. Wir erfassen die tatsächlich wirksamen Zugriffsrechte, suchen nach übermäßig freigegebenen Inhalten und korrigieren zuerst das Berechtigungsmodell. Der Kunde bestätigt, worauf seine eigenen Mitarbeiter zugreifen können, bevor auch nur eine einzige KI-Lizenz aktiviert wird. Aus einer Funktionsanforderung machten wir eine kontrolliert eingeführte Lösung mit einer verbindlichen Voraussetzung.

Chris betont

Sobald Sie einem Mitarbeiter ein Tool geben, das alles durchsucht, worauf er zugreifen kann, wird unsichtbarer Inhalt zu einem Suchergebnis.

Wie die Vorteile von KI mit Disziplin einhergehen

Auf der Sicherheitsseite reduzierte die Ebene zur Alarmpriorisierung das Volumen, mit dem sich Analysten manuell befassen müssen, um ungefähr 70 Prozent. Die durchschnittliche Zeit bis zur Bestätigung eines echten Alarms sank während der Nebenzeiten von Stunden auf Minuten, weil Analysten nicht länger den Lärm durchsuchen mussten, um wichtige Ereignisse zu finden. Das ist unser klarster Erfolg. Die Kosten eines Fehlers sind gering; ein Mensch prüft die Auswahlliste ohnehin noch einmal, und das Modell ist hervorragend darin, Muster zu erkennen – etwas, worin Menschen Tag für Tag schlecht sind.

Die Arbeit zur CoPilot-Bereitschaft brachte eine andere Art von Ergebnis hervor. Wir fanden bei jeder von uns durchgeführten Bewertung offengelegte Daten – Probleme, die schon vor der KI bestanden und verborgen geblieben wären. Das ist gute Sicherheit und guter Umsatz.

Die Erfolge beim Erstellen von Entwürfen sind real, aber kleiner als der Hype. KI-gestützte Dokumentationen und Entwürfe für Runbooks verkürzten die Zeit bis zum ersten Entwurf um mehr als die Hälfte. Ein Ingenieur muss die Arbeit weiterhin korrigieren, daher liegt die Einsparung im Problem des leeren Blatts, nicht im fertigen Produkt.

Der Fehler, der uns am meisten kostete, war der Automatisierungsbias. Zu Beginn begannen einige Analysten, der KI-gestützten Alarmpriorisierung zu sehr zu vertrauen, und winkten Dinge durch, die sie hätten untersuchen müssen. Wir entdeckten dies bei einer Überprüfung, aber es zeigte mir, dass ein Tool, das Menschen schneller macht, sie auch nachlässiger macht, wenn man es zulässt. Die Lösung lag in den Prozessen, nicht in der Technologie. Jetzt prüfen wir stichprobenartig, was die KI verwirft, und nicht nur, was sie eskaliert.

Kurz gesagt: KI verschaffte uns überall mehr Geschwindigkeit, aber nirgends mehr Urteilsvermögen. Jeder Vorteil brachte Kosten in Form von Disziplin mit sich, damit die Menschen ihr nicht mehr vertrauten, als sie sich verdient hatte.

Wie KI Ergebnisse verbessert, aber keine Fähigkeiten

Hier ist etwas, worüber niemand sprechen möchte: KI hat Menschen nicht kompetenter gemacht. Sie ermöglichte es ihnen, den Anschein von Kompetenz zu mieten und so zu tun, als wäre er echt.

Nennen wir es „eine Stimme mieten“. Eine Person erstellt ein Ergebnis – beispielsweise Code, eine Begründung für eine Architektur, eine Sicherheitsrichtlinie oder eine kundenorientierte Analyse –, das sie allein nicht hätte erstellen können, und dieses Ergebnis liest sich flüssig und maßgeblich. Die sprachliche Gewandtheit ist echt. Die Worte leihen sich die zugrunde liegende Kompetenz, die in dem Moment verschwindet, in dem das Modell nicht mehr schreibt. Die Person besitzt das Ergebnis, aber nicht das Verständnis. Diese Lücke bleibt unsichtbar, bis etwas kaputtgeht – und dann ist sie das Lauteste im Raum.

Hier ein Beispiel: Ein Junior-Ingenieur bringt eine von KI erzeugte Korrektur in die Produktion, die in der Demonstration funktioniert, kann sie aber drei Wochen später während eines Vorfalls nicht erklären. Also entwickelt ein Senior-Ingenieur die Lösung rückwärts – eine Lösung, die niemand im Team verfasst hat. Die Geschwindigkeit am Anfang führte zu späteren Kosten, und die Kosten waren höher, weil die flüssige Oberfläche den Zeitpunkt hinauszögerte, an dem jemand die Substanz überprüfte.

Die enttäuschte Erwartung war der Hebeleffekt. Das Versprechen lautete, dass KI die Fähigkeiten kompetenter Menschen vervielfachen würde. Tatsächlich verwischt sie den sichtbaren Unterschied zwischen jemandem, der etwas weiß, und jemandem, der Eingabeaufforderungen formulieren kann. Diese Verwischung ist teuer, weil beide äußerlich identisch wirkende Arbeit liefern, unter Belastung aber völlig unterschiedliche Ergebnisse erzielen.

Die einzige nachhaltige Nutzung von KI besteht daher darin, dass jemand, der bereits über die nötige Kompetenz verfügt, KI einsetzt, um schneller zu arbeiten, weil diese Person erkennen kann, wann das Ergebnis falsch ist. Gibt man dasselbe Tool jemandem, der sich die Kompetenz vollständig leiht, hat man keine Kapazität hinzugefügt. Man hat selbstbewusste Ergebnisse hinzugefügt, hinter denen niemand die Verantwortung übernimmt.

Warum Junior-Teammitglieder auch mit KI weiterhin notwendig sind

Chris betont

Eine Möglichkeit, diesen Punkt zu vermeiden, besteht in enger gefassten KI-Einführungen, die stufenweise verdient werden. Die gleichen Vorteile, ohne stillschweigend die Pipeline zu kürzen, die die Senior-Kräfte hervorbringt, die dies sicher machen.

Das ist das Modell, mit dem ich jede Serviceorganisation aufgebaut habe, die ich je geleitet habe: Junior-Kapazitäten unter die Aufsicht von Senior-Kräften stellen, den Arbeitsfluss entsprechend dem Volumen an die günstigsten kompetenten Kräfte weiterleiten und die Pyramide mit wachsender Nachfrage vergrößern.

KI hat das Fundament der Pyramide aufgezehrt. Die Aufgaben, für die ich früher Junior-Kräfte eingesetzt habe – erste Alarmpriorisierung, Lesen von Protokollen, Erstellen von Runbook-Entwürfen und Routine-Tickets –, sind genau die Aufgaben, die das Modell inzwischen schneller und günstiger erledigt als eine Person, die sie während der Arbeit erlernt. Die Personalberechnung, die von einer breiten Basis kostengünstiger Volumenarbeit abhing, geht nicht mehr auf, weil für diese Volumenarbeit kein Mensch mehr benötigt wird.

Aber die Junior-Ebene war nie nur billige Arbeitskraft. Sie war das Trainingsfeld. Diejenigen, auf die ich mich heute als Seniors verlasse, wurden zu ihnen, indem sie sich durch Tausende von Tickets mit geringem Risiko arbeiteten und sich mit jedem Fehler ein Urteilsvermögen aufbauten. Wenn man diese Stufe entfernt, hat man nicht nur die Kostenstruktur dieses Jahres verändert. Man hat aufgehört, die Senior Engineers auszubilden, die man in fünf Jahren brauchen wird, und man wird diese Lücke erst bemerken, wenn ihre Behebung teuer ist.

Eine Möglichkeit, diesen Punkt zu vermeiden, sind eng begrenzte KI-Einführungen, die Stufe für Stufe verdient werden. Die gleichen Vorteile, ohne stillschweigend die Pipeline zu entziehen, die die Seniors hervorbringt, durch die das Ganze sicher wird.

Das habe ich nicht getan, also baue ich die Leiter wieder auf. Wir behalten Juniors, aber nicht, um ein Volumen zu absorbieren, das das Modell bereits bewältigt. Sie sind da, um die eine Fähigkeit zu entwickeln, die KI ihnen nicht geben kann: das Urteilsvermögen zu erkennen, wann ihre überzeugende Ausgabe falsch ist. Das bedeutet, dass sie früh gezielt mit schwierigen Problemen konfrontiert werden, dass Seniors ihre Zeit mit Lehren statt mit Delegieren verbringen und dass die Basis kleiner und schärfer ist, als es die alte Kostenlogik hervorgebracht hätte.

Warum die Einführung eine Eitelkeitsmetrik ist

Die Einführung scheitert auf der menschlichen Ebene, nicht auf der technologischen. Ich musste fast alles zurücknehmen, weil ich das falschherum angegangen war.

Ich behandelte die Einführung als Kompetenzproblem. Die Tools auswählen, beweisen, dass sie funktionieren, den Menschen Zugang geben, die Einführung messen. Die Nutzung stieg, und ich wertete das als Erfolg. Tatsächlich beobachtete ich, wie sich die Menschen daran gewöhnten, Ausgaben zu vertrauen, die sie noch nicht gelernt hatten zu hinterfragen, und diese Gewöhnung ist ein frühes Anzeichen für ein Scheitern, kein Beweis für Erfolg.

Apropos: Ich hätte mich geweigert, die Einführung zu messen. Sie ist eine Eitelkeitszahl und wies mir die falsche Richtung. Die entscheidende Kennzahl war, ob die Menschen die Ausgabe überprüften, bevor sie ihr vertrauten, und das ist schwerer zu zählen, also erfasste ich stattdessen die einfache Sache. Die Messung der Nutzung belohnte genau das Verhalten, das das ständige Nachbessern verursachte: Die Menschen stützten sich mehr und schneller auf das Tool, mit weniger kritischer Prüfung.

Heute würde ich Überprüfung und Nacharbeit messen, und ich würde nie wieder zulassen, dass ein Nutzungsdiagramm als Ersatz für bessere Arbeit dient.

Warum CTOs jede KI-Entscheidung wieder an Geschäftszahlen knüpfen müssen

Hier ist mein Rat:

1. Governance zuerst. Das ist nicht aufregend und wird die FOMO-Menge nicht so begeistern wie die neuesten Spitzenmodelle, aber es ist eine absolute Notwendigkeit. Steuern Sie die gesamte Oberfläche, bevor Sie sie bereitstellen und skalieren. Die meisten schwerwiegenden Probleme, die ich gesehen habe, gingen von CTOs aus, die KI für mehr Geschwindigkeit einführten und die Governance nachträglich verfassten. Kehren Sie diese Reihenfolge um.
2. Hören Sie auf, Reife zu kaufen, und beginnen Sie, nachprüfbare Kompetenz zu kaufen. Die Hälfte der KI in den Präsentationen von Anbietern verpackt eine API und wird als eigene Kompetenz verkauft. Lassen Sie jeden Anbieter zeigen, wie das Ganze bei einem Problem außerhalb seiner Demo funktioniert, und lassen Sie Ihre eigenen Teams dasselbe tun.
3. Schützen Sie die Menschen, die sich bereits auskennen. Hebelwirkung gibt es nur in den Händen von jemandem, der erkennen kann, wann das Modell falsch liegt. Investieren Sie in dieses Urteilsvermögen, messen Sie es und weigern Sie sich, auf Ihrem Organigramm flüssiges Prompten als Ersatz dafür gelten zu lassen.
4. Knüpfen Sie jede KI-Entscheidung an eine Zahl, die dem Unternehmen bereits wichtig ist. Schützen Sie den Umsatz, bewerten Sie Risiken und geben Sie Menschen, die wichtige Arbeit leisten, Stunden zurück. CTOs, die KI als Technologieinitiative darstellen, werden jedes Quartal um ihr Budget kämpfen. Diejenigen, die sie als Marge und Risiko darstellen, werden in Räumen nach ihrer Meinung gefragt, in denen früher Entscheidungen ohne sie getroffen wurden. Das technische Argument bewegt Führungskräfte nur selten; die P&L-Rechnung schon.
5. Üben Sie Disziplin. Setzen Sie KI dort ein, wo weiterhin ein Mensch für das Ergebnis verantwortlich ist, halten Sie sie von Positionen fern, in denen Fehler beim Ergebnis nicht verzeihlich sind, und prüfen Sie, was sie verwirft, nicht nur, was sie eskaliert. Der Markt belohnt derzeit Geschwindigkeit und wird in den nächsten Jahren Teams neu bewerten, die flüssige Bedienung mit Kompetenz verwechselt haben. Bauen Sie so, dass Sie nicht zu ihnen gehören.

Bleiben Sie auf dem Laufenden

Sie können die Arbeit von Chris Garrett auf LinkedIn verfolgen. Und sehen Sie sich sein neuestes Buch Skalieren oder verkaufen an.

Weitere Experteninterviews folgen im CTO-Club!