Den Regelkreis mit KI schließen
Wie Mensch und KI im Management systematisch zusammenwirken
Oliver Grasl
23.7.2026
Dieser Beitrag zeigt aus der Perspektive der Kybernetik, wie menschliche und künstliche Intelligenz zusammenwirken können, um ein Unternehmen besser zu steuern – und macht daraus eine Methode, die Sie direkt auf Ihre eigene Organisation anwenden können.
Der Management-Regelkreis, von Grund auf
Eine Frage beschäftigt mich schon seit einiger Zeit: Wie machen wir Unternehmen – ihre Geschäftsmodelle und Marktstrategien, ihre Operating Models, ihr Tagesgeschäft – berechenbar und damit vor allem für generative KI zugänglich? Und, noch wichtiger: Wie machen wir die *Entscheidungsfindung und Steuerung* eines Unternehmens für KI zugänglich?
Um dieser Frage näherzukommen, trete ich einen Schritt zurück und schaue mir den Regelkreis genau an, der jeder Entscheidung und jeder Handlung zugrunde liegt. Die einfachste Version, die ich finden konnte, sieht so aus:
Jede Entscheidung wird durch eine Lücke ausgelöst – zwischen dem, wo wir gerade stehen, und dem, wo wir hinwollen. Wir beobachten diese Lücke, entscheiden, handeln und beobachten erneut, um zu sehen, ob die Handlung uns näher an unser Ziel gebracht hat. Dann beginnt die Runde von neuem.
Dieser eine Regelkreis ist das Atom des Managements. Ein Unternehmen ist im Grunde nichts anderes als Regelkreise in Regelkreisen: strategische Kreise, die die Richtung vorgeben, sehr viele operative Kreise, die Prozesse und Organisation am Laufen halten, und – darunter – die persönlichen Kreise, die unsere tägliche Arbeit steuern.
Die Kybernetik – die Wissenschaft von Steuerung und Kommunikation, der wir diese Sichtweise verdanken – kennt zwei Gesetze, die sich zu beherzigen lohnen. Das erste ist Ashbys Gesetz der erforderlichen Varietät: ein Regler braucht mindestens so viel Varietät wie das System, das er steuert. Genau deshalb ist KI fürs Management überhaupt so wichtig – sie lässt den Regler mit einer Welt Schritt halten, die zu komplex geworden ist, um sie von Hand zu steuern.
Das zweite Gesetz geht noch weiter. Conants und Ashbys Good Regulator Theorem besagt, dass jeder gute Regler eines Systems ein Modell dieses Systems enthalten muss. Um ein Unternehmen gut zu steuern – egal ob der Regler ein Management-Team oder eine KI ist – braucht man also im Regelkreis stets ein Modell davon.
Für dieses alte kybernetische Gesetz gibt es inzwischen einen eindrucksvollen, hochaktuellen Beweis aus der KI-Forschung: In General agents contain world models zeigen Forscher von Google DeepMind, dass jeder Agent, der ein hinreichend breites Spektrum zielgerichteter Aufgaben bewältigen kann, ein genaues Vorhersagemodell seiner Umgebung gelernt haben muss – und dass dieses Modell umso genauer wird, je fähiger der Agent wird. Das Good Regulator Theorem also, wiedergeboren fürs Zeitalter der KI-Agenten.
Das ist keine nachträglich zurechtgelegte Analogie, sondern der Grund, warum wir Metapad gebaut haben – wir kommen weiter unten darauf zurück.
Regelkreise gut zu führen ist schon ohne KI schwer genug. Bevor wir also KI ins Spiel bringen, müssen wir erst klären, woraus ein Regelkreis eigentlich besteht. Hinter dem alltäglichen Beispiel eines Thermostats, der die Klimaanlage in einem Raum steuert, stecken sechs Elemente – und sie zu benennen, gibt uns etwas an die Hand, mit dem wir arbeiten können:
- Führungsgröße – wo wir hinwollen. Beim Thermostat: die eingestellte Temperatur.
- Sensor – wie wir wissen, wo wir stehen. Das Thermometer.
- Regelabweichung – wie groß die Lücke zwischen beiden ist.
- Regler – die Logik, die entscheidet, was mit der Abweichung zu tun ist.
- Stellglied – das, was handelt. Der Kompressor, der die Luft kühlt.
- Rückkoppelung – erneut messen und den Kreis schließen.
Beim Thermostat sind alle sechs trivial. Im Unternehmen ist jedes einzelne davon schwierig – und jedes auf seine ganz eigene Weise. Es lohnt sich, sie im Einzelnen durchzugehen, denn genau hier zeigt der Rahmen seinen Wert: Er sagt Ihnen, warum Ihre Regelkreise nicht funktionieren – und wo KI helfen kann.
Führungsgröße – das unscharfe Ziel. Festzulegen, wohin ein Unternehmen will, ist wirklich schwierig. Gemeinsame Ziele müssen zwischen vielen Menschen ausgehandelt werden, die mit denselben Worten oft ganz Unterschiedliches meinen. Genau deshalb gibt es Methoden wie Objectives and Key Results.
Bei transentis war unser Ansatz schon immer, sowohl den aktuellen als auch den angestrebten Zustand eines Unternehmens zu modellieren und dabei das Bild von jedem relevanten Stakeholder mit einzuholen. Das ist das Good Regulator Theorem in der Praxis: Ein guter Regler braucht ein Modell des Systems, das er steuert – also bauen wir eines. Und damit dieses Modell sowohl von einer KI als auch von Menschen genutzt werden kann, muss daraus ein gemeinsamer Kontext mit einer API werden.
Genau deshalb haben wir Metapad gebaut: um ein Unternehmen berechenbar zu machen und seinen gemeinsamen Kontext – das Modell, an dem sich sowohl menschliche als auch künstliche Intelligenz orientieren – für beide zugänglich zu machen.
Sensor – blind, oder zu lange blind. Den aktuellen Zustand eines Unternehmens zu kennen, bedeutet, eine immense Menge an Informationen zusammenzutragen – und schon das kostet Zeit. Nehmen wir etwas, das jedes Unternehmen tun muss: die eigene finanzielle Lage einschätzen. Selbst hier hinken viele Organisationen mindestens einen Monat hinterher, oft deutlich mehr. Ein tagesaktuelles, nahezu Echtzeit-Bild zu bekommen, ist wirklich schwierig. Damit sich ein Regelkreis automatisieren lässt, muss auch der Sensor automatisierbar sein – sprich: eine unternehmensweite API, die den aktuellen Zustand ohne Verzögerung liefert.
Regelabweichung – die Lücke, die niemand berechnet. Beim Thermostat ist die Abweichung offensichtlich. Im Unternehmen muss tatsächlich jemand Führungsgröße und Sensor zusammenbringen und die Differenz berechnen – und sehr oft tut das schlicht niemand. Genau hier schafft KI still und leise Wert: Sie macht fortlaufend die Lücke sichtbar, für deren Berechnung kein Mensch Zeit hatte.
Regler – implizite Entscheidungslogik. Zu entscheiden, was gegen eine Abweichung zu tun ist, beruht auf einer Urteilskraft, die meist unausgesprochen in den Köpfen der Menschen steckt. KI kann hier Handlungen vorschlagen – aber nur, wenn Führungsgröße und Zustand explizit genug gemacht wurden, dass sie überhaupt darüber schlussfolgern kann.
Stellglied – Reibungsverluste bei der Übergabe. Ein Thermostat kühlt die Luft direkt. Ein Unternehmen dagegen gibt die Entscheidung von denen, die entscheiden, an diejenigen weiter, die handeln – und bei genau dieser Übergabe geht Absicht verloren. Um eine Handlung zu automatisieren, muss man sie hinter einer API einkapseln, so wie die Regelungstechnik ein Stellglied einkapselt, damit es sich sauber auslösen lässt.
Rückkoppelung – der offene Kreis. Das ist der schwierigste und am meisten vernachlässigte Schritt von allen. Nachzuhalten macht schlicht niemandem Freude. Also werden Maßnahmen verschoben, nur halb umgesetzt oder stillschweigend fallen gelassen, und der Kreis schließt sich nie wirklich. Erschwerend kommt hinzu, dass unternehmerische Maßnahmen lange brauchen, bis sie überhaupt Wirkung zeigen, und dass es viele kleine Maßnahmen braucht, um ein Unternehmen überhaupt zu bewegen. Jede einzelne erscheint zu geringfügig, um ihr nachzugehen – doch ihre Wirkung summiert sich, und genau deshalb lohnt es sich eben doch.
Und hier ist der Punkt, den ich herausstellen möchte, denn er verändert, wofür KI im Management eigentlich gut ist. Wir stellen uns den Beitrag der KI meist als den klugen Teil vor – das Entscheiden. Doch das Element, an dem Unternehmen am beständigsten scheitern, ist der öde Teil: den Kreis zu schließen. Eine KI wird nicht gelangweilt, schiebt nichts auf und vergisst nicht, nachzuhalten. Ihr wertvollstes Geschenk an ein Unternehmen ist womöglich das unglamouröseste – dass sie unermüdlich genau die Kreise schließt, die wir offen lassen.
Diese typischen Schwachstellen lassen sich in einer kurzen Diagnoseliste zusammenfassen. Wenn ein Regelkreis nicht funktioniert, ist es fast immer einer der folgenden Fälle:
- Blinde Messung – Sie kennen den aktuellen Zustand nicht, oder Sie erfahren ihn zu spät.
- Politisieren – die Fakten liegen auf dem Tisch, aber die Entscheidung wird von internen Agenden statt von den Fakten getrieben. Der Kreis dreht sich zwar weiter, steuert aber auf ein Ziel zu, das niemand ausgesprochen hat. Während blinde Messung bedeutet, dass der Regler den Zustand gar nicht sehen kann, bedeutet Politisieren, dass er sich entscheidet, nicht danach zu handeln.
- Unscharfe Führungsgröße – es gibt kein gemeinsames, explizites Ziel, auf das zugesteuert wird.
- Reibungsverluste bei der Übergabe – Absicht geht zwischen denen, die entscheiden, und denen, die handeln, verloren.
- Offener Kreis – niemand hält nach, sodass sich der Kreis nie schließt
- Verzögerung und schwaches Signal – Wirkungen zeigen sich verzögert, jede Maßnahme wirkt für sich zu klein, um zu zählen, und die Kumulation wird ignoriert
Es gibt eine bemerkenswerte Ausnahme zu allem bisher Gesagten, und es lohnt sich, kurz dabei zu bleiben, denn sie wirkt wie das genaue Gegenteil. Einige der bestlaufenden Regelkreise in jeder Organisation laufen auf reinem Instinkt – ein Team, das ohne Meetings, ohne Dashboards, scheinbar ohne jeden Prozess reagiert und trotzdem richtig liegt. Wenn das funktioniert, dann nicht, weil kein Modell existiert. Es liegt daran, dass es ein gemeinsames mentales Modell gibt, so eingespielt, dass die Menschen instinktiv danach handeln können – der gute Regler ist also durchaus vorhanden, er wird nur implizit getragen und ist auf die beteiligten Köpfe verteilt. In gewissem Sinne ist das sogar der Idealzustand: Der Kreis ist so verinnerlicht, dass alles einfach fließt. Zugleich ist es der am schwersten zu erreichende Zustand – er muss sich über Jahre gemeinsamer Praxis erst verdienen.
Und er ist gefährlich zerbrechlich. Weil das Modell in bestimmten Köpfen lebt und nicht auf einer gemeinsamen Oberfläche, bricht der Kreis in dem Moment zusammen, in dem eine Schlüsselperson das Unternehmen verlässt – das Modell geht mit ihr zur Tür hinaus, und oft merkt niemand, wie viel von dem Kreis diese eine Person zusammengehalten hat, bis es plötzlich nicht mehr funktioniert. Das ist das tiefste Argument dafür, einen Regelkreis explizit zu machen: nicht um Instinkt durch Prozess zu ersetzen, sondern um das gemeinsame Modell dauerhaft zu machen – widerstandsfähig gegen Fluktuation, vermittelbar an Neueinsteiger und, ganz nebenbei, lesbar für eine KI. Das Modell explizit zu machen, ist der Weg, den guten Regler zu bewahren, wenn der Regler selbst sich verändert.
Daraus folgen zwei Dinge. Erstens: Ein Regelkreis lässt sich erst automatisieren, wenn seine Elemente explizit gemacht wurden – man kann keine Führungsgröße, keinen Sensor und keine Handlung hinter eine API bringen, die nur in jemandes Kopf existiert. Ihre Regelkreise berechenbar zu machen, ist deshalb die eigentliche Arbeit dahinter, ein Operating Model für KI bereit zu machen. Zweitens: Der Rahmen ist diagnostisch – er zeigt Ihnen, welches Element versagt, und damit, wo ein Mensch, ein Algorithmus oder eine KI sitzen sollte. Damit ausgerüstet, schauen wir uns den Regelkreis jetzt in Aktion an.
Ein Regelkreis, der sich gut automatisieren lässt: Software as a Service
Mit der Anatomie in der Hand schauen wir uns den Regelkreis in Aktion an – und beginnen dort, wo er sich am besten verhält, denn das zeigt uns, wie „gut" aussieht, bevor wir uns ansehen, wo es hakt.
Softwareentwicklung ist der naheliegende Ausgangspunkt. Hier hat KI ihre sichtbarsten Fortschritte gemacht, und das liegt nicht daran, dass Programmierer etwas Besonderes wären – es liegt daran, dass der Software-Regelkreis zufällig scharfe Versionen aller sechs Elemente besitzt. Der aktuelle Zustand eines Systems in der Entwicklung wird durch seine Codebasis fast perfekt erfasst.
Die Führungsgröße lässt sich niederschreiben: Use Cases, User Stories, Anforderungen, so formuliert, dass sie messbar sind. Und der Sensor ist außergewöhnlich gut – kompiliert es? ist eine Frage, die in Sekunden beantwortet ist, und eine Suite automatisierter Tests liefert ein eindeutiges, maschinenlesbares Urteil darüber, ob das System das tut, was es soll. Wenn Sensor und Führungsgröße beide so scharf sind, ist die Regelabweichung trivial, und der Kreis schließt sich fast von allein.
Das ergibt den innersten Kreis – nennen wir ihn den Build-Regelkreis:
- Führungsgröße: das nächste zu implementierende Feature, ausgedrückt als User Stories und Testfälle.
- Sensor: welche Features implementiert sind und laufen, welche fehlen oder kaputt sind.
- Regelabweichung: die fehlschlagenden Tests und das Backlog – die Lücke zwischen beiden.
- Regler: entscheiden, was zu ändern ist und welche Tests hinzukommen.
- Stellglied: den Code schreiben, das System bauen, die Tests laufen lassen.
- Rückkoppelung: die Testergebnisse fließen direkt zurück in den Sensor.
Dieser Kreis allein reicht schon aus, um Software zu bauen – und weil jedes Element explizit und maschinenlesbar ist, ist es genau der Teil, den KI heute weitgehend allein übernimmt.
Doch ein Build-Regelkreis beantwortet nur die Frage „bauen wir die Sache richtig?" Er sagt nichts darüber, „ob wir die richtige Sache bauen" – und das ist ein zweiter, äußerer Kreis: die Entscheidung, welche Features gebaut werden. Der ist schwieriger, weil seine Führungsgröße von Menschen festgelegt wird und nicht von einer Testdatei – aber auch er lässt sich klar genug definieren:
- Führungsgröße: ein priorisiertes Bild davon, was Nutzer tatsächlich brauchen.
- Sensor: wie Nutzer das Produkt verwenden, was sie sich wünschen, was Umfragen und Support-Tickets zeigen.
- Regelabweichung: die Lücke zwischen dem, was Nutzer brauchen, und dem, was das Produkt heute leistet.
- Regler: entscheiden, welche Use Cases als nächstes ausgearbeitet werden.
- Stellglied: die ausgewählten Kandidaten in ausgearbeitete User Stories verwandeln, die das Backlog des Build-Regelkreises füllen.
Lässt sich das automatisieren? Zu einem guten Teil, ja. Feature-Wünsche lassen sich über ein Formular auf der Website und über Umfragen sammeln, automatisch clustern und zu ersten Entwürfen von User Stories verarbeiten – die Menschen und LLMs dann gemeinsam verfeinern. Beachten Sie: Der Sensor ist hier schon unschärfer als der des Compilers – „was Nutzer brauchen" wird erschlossen, nicht gemessen. Dieser Kreis ist deshalb ein natürlicher Ort für KI-unterstützte Arbeit statt für vollständige Automatisierung.
Drehen wir eine Windung weiter nach außen, erreichen wir die kommerzielle Tragfähigkeit: Verdienen wir tatsächlich Geld, und welches Feature würde uns mehr davon bringen? Für einen Online-Dienst ist das überraschend gut greifbar, denn Umsatz pro Nutzer und pro Aktion ist bekannt, und – mit guter Kostenerfassung – auch die Kosten, jedes Feature zu bauen und zu betreiben. Der Sensor hier ist Geld, und Geld lässt sich auf beiden Seiten zählen – das erlaubt es, Features nach dem Gewinn zu ordnen, den jedes tatsächlich beisteuert, sie entsprechend zu bepreisen und diejenigen fallen zu lassen, die mehr kosten, als sie einbringen.
Der schwierigste der SaaS-Kreise ist der äußerste: das Wachstum – überhaupt neue Nutzer zu gewinnen. Die richtigen Interessenten zu identifizieren ist der schwierige Teil, gefolgt davon, sie zu erreichen, ihr Interesse zu wecken und ihre Reaktion zu lesen. Doch selbst dieser Kreis lässt sich definieren und messen, und genau deshalb ist automatisiertes Outbound- und Inbound-Marketing zu einem so fruchtbaren Feld für KI geworden.
Tritt man einen Schritt zurück, zeigt sich ein Muster. Je weiter wir nach außen wandern – vom Code über das Produkt und den Umsatz bis zum Markt –, ändert der Kreis nicht seine Form; die *gleichen sechs Elemente* kehren auf jeder Ebene wieder. Was sich ändert, ist die Qualität des Sensors und die Schärfe der Führungsgröße. Der Compiler ist ein perfekter Sensor; „was Nutzer brauchen" ist schon unscharf; „wer Kunde werden könnte" ist noch unschärfer. Die Automatisierbarkeit hängt von der Präzision des Sensors und der Führungsgröße ab, nicht von der Bedeutung des Regelkreises. Genau diese eine Beobachtung erlaubt es uns, über eine Domäne nachzudenken, in der die Regelkreise weit weniger kooperativ sind.
Das folgende Diagramm zeigt, wie diese Regelkreise zusammenspielen:
Die gestrichelten Pfeile sind die Übergaben – dort, wo der Output eines Kreises zum Input eines anderen wird: Die implementierten Features des Build-Regelkreises verursachen Betriebskosten, die Nutzer des Wachstums-Regelkreises erzeugen die Nutzung, und der Profitabilitäts-Regelkreis legt den Preis fest. Diese letzte Übergabe ist auch der Grund, warum der Profitabilitäts-Regelkreis hier etwas anders aussieht als für sich allein betrachtet. Für sich betrachtet steuert er Gewinn = Umsatz − Kosten.
Im Zusammenspiel betrachtet, zerfällt der Umsatz selbst – Umsatz = Preis × Nutzung –, sodass der eigentliche Hebel des Kreises der Preis ist, während die Nutzung aus dem Wachstums-Regelkreis und die Kosten aus dem Build-Regelkreis stammen. Es ist derselbe Kreis, nur in zwei Auflösungen gezeichnet: Gewinn, wenn er allein steht, Preis, wenn wir sehen können, woraus der Gewinn eigentlich besteht.
Ein Regelkreis, der sich der Automatisierung widersetzt: Individualsoftware für Kunden liefern
Um zu sehen, warum das wichtig ist, bleiben wir in derselben Branche, ändern aber das Spiel. Statt eines Produkts, das wir besitzen und weiterentwickeln, nehmen wir die Auslieferung eines maßgeschneiderten Softwareprojekts für einen Kunden. Die Technologie ist identisch; der Regelkreis ist es nicht. Genau hier wird Automatisierung deutlich schwerer – und weil der Rahmen uns zeigt, wo es schwerer wird, ist er hier auch am nützlichsten.
Gehen wir dieselben sechs Elemente durch, zeigt sich fast jede Schwachstelle aus unserer Liste gleichzeitig:
- Führungsgröße – unscharf und in Bewegung. Es gibt keine Testdatei für „der Kunde ist zufrieden". Die eigentlichen Anforderungen werden erst während des Projekts entdeckt und ändern sich dabei laufend. Das Ziel, auf das zugesteuert wird, bewegt sich fortlaufend, und verschiedene Stakeholder halten unterschiedliche Versionen davon für die richtige.
- Sensor – blind und politisch. „Sind wir im Plan?" hat keinen Compiler, der das beantwortet. Das berüchtigte „zu 90 % fertig" kann die halbe Projektlaufzeit überdauern. Der wahre Zustand lebt in den Köpfen der Menschen und in der Temperatur der Kundenbeziehung – teuer zu lesen und leicht falsch zu lesen.
- Regelabweichung – umstritten. Weil sowohl Führungsgröße als auch Zustand weich sind, ist die Größe der Lücke Ansichtssache – und die Meinungen, die am meisten zählen, sind nicht immer die lautesten.
- Stellglied – Reibungsverluste bei der Übergabe. Die Handlungen werden von Teams ausgeführt, die sich untereinander abstimmen und dabei implizites Wissen weitergeben, das nie aufgeschrieben wurde. Bei jeder Übergabe geht Absicht verloren.
- Rückkoppelung – langsam, verrauscht, verschoben. Wirkungen zeigen sich bei Meilensteinen oder erst in der Retrospektive, wenn es schon zu spät ist. Der Kreis schließt sich selten, und oft gar nicht.
Der naheliegende Schluss wäre: „Also kann KI hier nicht helfen." Genau vor diesem Schluss bewahrt uns der Rahmen. Er sagt uns nicht, ob KI hilft, sondern wo.
Erstens: Der innerste Build-Regelkreis ist noch immer derselbe scharfe Kreis wie im SaaS-Fall. Auch in einem maßgeschneiderten Projekt kompiliert der Code oder eben nicht, laufen die Tests durch oder eben nicht – KI führt diesen inneren Kreis hier also genauso gut aus wie überall sonst. Die Gewinne durch KI in der Auslieferung sind real; sie konzentrieren sich nur auf den inneren Kreis, statt sich gleichmäßig über das Projekt zu verteilen.
Zweitens: Die äußeren Kreise – Scope, Erwartungen, ob das Projekt im Plan liegt – bleiben bei Menschen, weil sie auf Urteilskraft, Verhandlung und Vertrauen beruhen. Aber menschlich zu bleiben ist nicht dasselbe wie unlesbar zu bleiben. Man kann Führungsgröße und Zustand trotzdem explizit machen: die Anforderungen, den Scope, die Meilensteine und die Risiken als gemeinsamen, berechenbaren Kontext modellieren. Tut man das, wird die Regelabweichung sichtbar, und KI kann die Teile übernehmen, die sie gut kann – den Status entwerfen, Scope-Drift markieren, ein Risiko sichtbar machen, bevor es eintritt, das Nachhalten ehrlich halten –, während Menschen den Regler behalten. Der Kreis bleibt menschengeführt, hört aber auf, ein offener Kreis zu sein.
Das ist das Good Regulator Theorem, das hier ein zweites Mal auftaucht, und es ist der eigentliche Unterschied zwischen unseren beiden Beispielen. Software as a Service kommt mit eingebautem Modell: Die Codebasis *ist* der Sensor, kostenlos. Individuelle Auslieferung schenkt uns dieses Geschenk nicht, also muss man den gemeinsamen Kontext bewusst konstruieren.
Diese Konstruktion ist die eigentliche Arbeit – und genau dafür gibt es Metapad.
Von zwei Beispielen zu einer Methode
Beide Beispiele sind im Grunde dasselbe Verfahren, nur mit unterschiedlich viel Glück angewendet. Ausgeschrieben ist dieses Verfahren die Methode:
- Die Regelkreise kartieren. Identifizieren Sie die Regelkreise, die Ihr Unternehmen tatsächlich am Laufen halten – strategische, operative, persönliche – und wählen Sie diejenigen aus, die zählen.
- Jeden in die sechs Elemente zerlegen. Führungsgröße, Sensor, Regelabweichung, Regler, Stellglied, Rückkoppelung. Schon der Zwang, jedes einzelne zu benennen, ist diagnostisch: Das Element, das Sie nicht ausfüllen können, ist meist genau das, das versagt.
- Die Mensch/KI-Linie ziehen, Element für Element. Entscheiden Sie für jedes, ob es vollständig automatisiert wird (ein fester Algorithmus oder ein LLM), ob ein Mensch über einem KI-Entwurf bleibt (KI-unterstützt), oder ob es rein menschlich bleibt. Die Schärfe von Sensor und Führungsgröße zeigt Ihnen, wie weit Sie dabei gehen können.
- Explizit machen, dann den Kreis leben. Bauen Sie das gemeinsame Modell, das der Kreis braucht – seine Führungsgröße und seinen Zustand als berechenbaren Kontext – und lassen Sie den Kreis erst einmal von Hand laufen. Automatisieren Sie nicht zu früh; lassen Sie ihn erst seinen Wert beweisen. So bauen Sie auch das Modell, das ein guter Regler braucht, wenn die Domäne es nicht von sich aus liefert.
- Automatisieren, was es sich verdient hat. Sobald sich ein Kreis bewährt hat, treiben Sie seine automatisierbaren Elemente so weit wie möglich – und geben Sie der KI die Aufgabe, die Menschen am schlechtesten erledigen: den Kreis zu schließen, jedes einzelne Mal.
Bei alldem geht es eigentlich gar nicht um KI. Es geht darum, Ihr Unternehmen als eine Menge von Regelkreisen zu sehen und die unglamouröse Arbeit zu leisten, jeden einzelnen explizit genug zu machen, um ihn steuern zu können. Diese Arbeit hat sich schon immer ausgezahlt – nur macht sie, richtig gemacht, Ihr Operating Model jetzt eben auch für KI bereit, genauso wie für die Menschen, die es betreiben. Ein guter Regler braucht ein Modell des Systems, das er reguliert. Dieses Modell zu bauen und die Kreise zu schließen, die es aufdeckt, ist das ganze Spiel.
Anstehende EventsEvents-Übersicht
Anstehende Events
Events-Übersicht
Services
Ressourcen
All Rights Reserved.