Wenn plötzlich jeder KI-Berater ist

Eine kritische Auseinandersetzung mit Positionierung, Etikett und Substanz.

Wenn heute immer mehr Berater KI in ihre Positionierung aufnehmen, stellt sich schnell die Frage, wie viel davon echte Substanz ist und wie viel nur ein neues Etikett. Diese Frage habe ich mir auch selbst stellen müssen: Wo ordne ich mich eigentlich ein?

Ich beschäftige mich seit rund vier Jahren sehr intensiv mit KI, im Schnitt über die Zeit bis zu 40 Stunden pro Woche. Hinzu kommen drei Jahre direkter praktischer Anwendung im betrieblichen Umfeld. Schon davor war ich viele Jahre in digitalen Entwicklungsprojekten rund um Marketing, Social Media, Webdesign, SEO, CMS-, PIM- und Verkaufsplattformen tätig und habe dabei eng mit Entwicklern zusammengearbeitet. Trotzdem wäre es zu einfach zu sagen: Damit bin ich jetzt KI-Experte.

Genau darin liegt für mich das Problem dieses jungen Beratungsmarktes. Viele Menschen bringen relevante Vorerfahrung mit, beschäftigen sich intensiv mit KI und entwickeln echte Kompetenz. Gleichzeitig lässt sich der Begriff „KI-Experte“ nahezu beliebig verwenden. Ein LinkedIn-Profil ist schnell ergänzt, eine Positionierung schnell verändert. LinkedIn selbst dokumentiert, wie stark KI-Kompetenzen in berufliche Profile einziehen. Das ist zunächst eine logische Entwicklung, denn KI wird zur Querschnittstechnologie. Es bedeutet aber auch, dass die bloße Erwähnung von KI immer weniger darüber aussagt, was jemand tatsächlich kann.

Für Geschäftsführer wird damit eine andere Frage wichtiger: Woran lässt sich erkennen, ob hinter einer Positionierung genügend Substanz für das eigene Problem steckt?

Erfahrung beginnt nicht erst mit KI

Die Zahl der Jahre hilft dabei nur bedingt. Schon deshalb, weil KI-Erfahrung nicht zwangsläufig mit ChatGPT begonnen hat. Wer vorher digitale Systeme eingeführt, Plattformprojekte begleitet oder eng mit Entwicklern zusammengearbeitet hat, bringt Erfahrungen mit, die sich auf KI-Projekte übertragen können. Anforderungen müssen übersetzt, technische Möglichkeiten eingeordnet, Daten und Schnittstellen berücksichtigt und die Perspektiven von Anwendern, Technik und Geschäftsführung zusammengebracht werden. Man lernt dabei auch etwas sehr Praktisches: Was in einer Präsentation einfach aussieht, kann in der Umsetzung erheblich komplizierter werden.

Das macht jemanden noch nicht zum Entwickler. Die enge Zusammenarbeit mit Entwicklern sollte nicht nachträglich zu eigener Entwicklungsexpertise umgedeutet werden. Aber genauso falsch wäre es, diese Vorerfahrung für bedeutungslos zu halten. Wenn KI später hinzukommt, trifft sie auf bereits vorhandenes Erfahrungswissen über digitale Projekte, technische Abhängigkeiten und betriebliche Realität.

Deshalb überzeugt mich auch die Suche nach einer festen Mindestzahl von KI-Jahren nicht. Drei oder vier Jahre können enorm viel Erfahrung bedeuten oder erstaunlich wenig. Entscheidend ist, was in dieser Zeit tatsächlich passiert ist. Wer hauptsächlich neue Tools ausprobiert und darüber gesprochen hat, sammelt eine andere Erfahrung als jemand, der KI täglich eingesetzt, Ansätze verworfen, Fehler erlebt, Arbeitsweisen verändert und die Konsequenzen im Betrieb gesehen hat.

Dasselbe gilt allerdings in die andere Richtung. Praktische Erfahrung ist kein automatischer Qualitätsnachweis. Man kann jahrelang etwas tun und trotzdem falsche Routinen entwickeln. Ein Praktiker kann technische Grenzen unterschätzen, Sicherheitsfragen übersehen oder seine bisherigen Erfahrungen zu schnell auf neue Situationen übertragen.

Deshalb halte ich auch die gelegentlich zugespitzte Gegenüberstellung von Praxis und Wissenschaft für falsch. Ein promovierter Machine-Learning-Forscher kann für eine komplexe technische Fragestellung genau der richtige Ansprechpartner sein. Eine Promotion ist ein ernst zu nehmender Nachweis wissenschaftlicher Qualifikation. Sie beweist nur nicht automatisch Erfahrung mit mittelständischen Geschäftsprozessen, Anwendern, Einführung oder organisatorischer Veränderung. Umgekehrt macht betriebliche Erfahrung niemanden zum Machine-Learning-Forscher.

Auch NIST betrachtet KI entsprechend nicht als isolierte technische Aufgabe, sondern über einen Lebenszyklus, in dem unterschiedliche Rollen und Perspektiven zusammenwirken. Für Unternehmen ist deshalb nicht entscheidend, wer auf einer gedachten Expertenskala ganz oben steht. Entscheidend ist, welche Expertise für das konkrete Problem gebraucht wird.

Vielleicht zeigt sich Expertise gerade in der Begrenzung

Diese Überlegung hat auch meine eigene Positionierung bei Off Sence AI verändert. Mehrere Jahre intensive Beschäftigung mit KI, drei Jahre direkte betriebliche Anwendung und die vorherige Erfahrung aus digitalen Projekten sind ein relevanter Hintergrund. KI ist für mich kein Hobby mehr, sondern zur professionellen Leidenschaft geworden. Das ist aber kein Beweis dafür, dass ich für jedes KI-Thema der richtige Ansprechpartner bin. Sie machen mich weder zum Machine-Learning-Forscher noch zum Datenschutzjuristen oder Security-Spezialisten.

Mit zunehmender Erfahrung ist für mich deshalb nicht mein Leistungsversprechen immer größer geworden. Eher ist klarer geworden, wo ich tatsächlich einen Beitrag leisten kann.

Meine Stärke sehe ich an der Schnittstelle zwischen Mensch, Arbeitsprozess und KI. Ich unterstütze Anwender und Führungskräfte dabei, Methoden zu entwickeln und anzuwenden, mit denen sie KI in konkreten Arbeitssituationen sinnvoll einsetzen und daraus bei Bedarf eigene Assistenzlösungen entwickeln können. Dabei beginnt der Nutzen für mich bewusst nicht erst bei der Automatisierung.

Das ist ein wichtiger Unterschied, weil sich die aktuelle KI-Diskussion sehr schnell um Agenten, Automatisierung und immer höhere Autonomie dreht. Technologisch ist das faszinierend. Für den betrieblichen Alltag muss es trotzdem nicht der beste Ausgangspunkt sein.

Wenn ein Mitarbeiter mithilfe einer guten Methode eine komplexe Aufgabe besser strukturieren kann, entsteht bereits Nutzen. Wenn eine Führungskraft KI kontrolliert für Analyse, Vorbereitung oder Reflexion einsetzen kann, verändert sich bereits Wissensarbeit. Werden solche Arbeitsweisen wiederkehrend und nachvollziehbar, kann daraus eine klar begrenzte Assistenz entstehen. Erst dann muss die Frage folgen, ob und welche Teile davon automatisiert werden sollten.

Automatisierung kann große Vorteile bringen. Sie verändert aber auch die Anforderungen. Sobald ein System selbstständiger handelt, werden Datenzugriffe, Berechtigungen, Tests, Fehlerfälle und Verantwortlichkeiten wichtiger. Deshalb unterscheidet auch die Off Sence Terminologie bewusst zwischen Assistenz und höheren Autonomiegraden. Nicht jeder technologische Schritt nach vorne ist automatisch ein betrieblicher Fortschritt.

Meine eigene Positionierung ist damit heute schon bewusst enger. Aber auch das darf man nicht romantisieren. „Ich kenne meine Grenzen“ kann genauso Marketing sein wie „Ich bin führender KI-Experte“. Auch eine bescheiden formulierte Selbsteinschätzung bleibt zunächst eine Selbsteinschätzung.

Ob meine Methoden tatsächlich gut sind, kann deshalb nicht allein ich entscheiden. Es muss sich in der Anwendung zeigen. Können Anwender anschließend strukturierter und selbstständiger mit KI arbeiten? Entstehen Assistenzlösungen, die im Tagesgeschäft einen nachvollziehbaren Vorteil bringen? Können Führungskräfte besser beurteilen, wann KI sinnvoll ist und wann nicht? Wenn das nicht gelingt, helfen weder Jahre an intensiver Beschäftigung noch mehrere Jahre betriebliche Erfahrung.

Genau diese kritische Prüfung sollte für jeden Anbieter gelten.

Woran Geschäftsführer Substanz erkennen können

Vielleicht liegt darin die praktischste Antwort auf die Ausgangsfrage. Geschäftsführer müssen nicht selbst zu KI-Spezialisten werden, um einen KI-Berater beurteilen zu können. Sie sollten sich vielmehr genau erklären lassen, worauf dessen behauptete Expertise beruht.

Dabei lohnt es sich, auf sprachliche Präzision zu achten. Wer eng mit Entwicklern gearbeitet hat, sollte das genauso benennen und daraus keine eigene Entwicklerrolle machen. Wer Pilotprojekte begleitet hat, sollte daraus nicht automatisch jahrelange Erfahrung mit produktiven KI-Systemen ableiten. Wer Methoden vermittelt, sollte zeigen können, wie diese in konkreten Arbeitssituationen funktionieren. Und wer wissenschaftliche Expertise beansprucht, sollte auch dafür einen entsprechenden Hintergrund nachweisen können.

Interessant wird es vor allem dort, wo die Erfolgsgeschichte aufhört. Was hat in einem Projekt nicht funktioniert? Welche Annahme musste korrigiert werden? Wann wurde eine Lösung bewusst kleiner gemacht? Wann war ein klassischer Prozess besser als KI? Und wann musste ein anderer Spezialist hinzugezogen werden?

Auch die Art, wie ein Berater auf ein neues Problem reagiert, kann viel verraten. Wer nach wenigen Minuten bereits weiß, welches Tool, welcher Agent oder welche Plattform gebraucht wird, kann sehr erfahren sein. Er kann aber ebenso sein bevorzugtes Produkt mit dem Problem verwechseln. Substanz zeigt sich häufig darin, zunächst verstehen zu wollen, was überhaupt verbessert werden soll, welche Menschen beteiligt sind, welche Informationen gebraucht werden, welche Fehler kritisch wären und welche Verantwortung beim Menschen bleiben soll.

Eine der aufschlussreichsten Fragen könnte deshalb sehr einfach sein: Wann würden Sie uns von KI abraten?

Wer darauf eine nachvollziehbare Antwort geben kann, beweist damit noch keine Expertise. Aber wer darauf überhaupt keine Antwort hat, sollte zumindest weitere Fragen auslösen.

Am Ende ist vermutlich genau diese Differenzierungsfähigkeit wichtiger als das Etikett „KI-Experte“. Vorerfahrung aus Digitalisierung und Entwicklungsprojekten kann wertvoll sein. Mehrjährige intensive Beschäftigung mit generativer KI kann wertvoll sein. Betriebliche Anwendung kann wertvoll sein. Wissenschaftliche Qualifikation kann wertvoll sein. Keine dieser Erfahrungen ist für sich allein die Antwort.

Für Geschäftsführer geht es deshalb nicht darum, den größten KI-Experten zu finden. Sie müssen jemanden finden, dessen Erfahrung zum eigenen Problem passt, der sauber zwischen eigenem Wissen und fremder Expertise unterscheidet und bereit ist, seine Annahmen an der betrieblichen Realität überprüfen zu lassen.

Auch meine eigene Einordnung bei Off Sence AI verstehe ich so. Mein Schwerpunkt liegt bewusst bei Menschen, Methoden, Arbeitsweisen und Assistenzlösungen, die vor einer weitergehenden Automatisierung bereits einen konkreten Nutzen im Tagesgeschäft schaffen können. Das ist keine Antwort auf jedes KI-Problem. Es ist der Bereich, in dem ich meine bisherige Erfahrung und meine Erfindungen und Methoden am sinnvollsten einsetzen kann.

Ob daraus gute Beratung entsteht, entscheidet allerdings nicht dieser Satz und auch nicht die Beschreibung auf einer Website oder auf sozialen Plattformen. Es entscheidet sich in der konkreten Arbeit.

Und vielleicht ist das die einfachste Antwort auf die Frage, wie man in einem immer voller werdenden KI-Beratungsmarkt die Spreu vom Weizen trennt:

Nicht danach beurteilen, wer am überzeugendsten über KI spricht, sondern danach, wer präzise zeigen kann, was er kann, was er nicht kann und welchen belastbaren Unterschied das für die konkrete Arbeit eines Unternehmens macht.

„Und wie findet man das am besten heraus? Wahrscheinlich in einem möglichst zwanglosen Gespräch.

Steve Jobs soll Bewerber ganz bewusst auch außerhalb typischer Interviewfragen in längeren persönlichen Gesprächen kennengelernt haben. Denn gerade dort zeigt sich oft mehr über einen Menschen und seine Expertise als in einstudierten Antworten auf klassische Einstiegsfragen.

Fachartikel und Einordnung von Mike Winter | Gründer von Off Sence AI