Je besser Du in Deinem Job bist, desto schwieriger ist es, diesen Job an KI zu übergeben.
Das klingt falsch. Ist es nicht.
Je erfahrener jemand ist, desto mehr hat sich seine Expertise in Intuition verdichtet.
Die einzelnen Schritte werden nicht mehr durchdacht. Man weiß es einfach. Der neue Mitarbeitende braucht fünfundvierzig Minuten, um den Morgenplan zu koordinieren. Die erfahrene Person macht es in zehn.
Die Erfahrene ist nicht schneller darin, Regeln zu befolgen. Die Regeln sind zu Reflexen geworden. Und Reflexe sind unsichtbar — für Kolleginnen und Kollegen, für Systeme und für KI.
Die meiste Expertise existiert in einem Format, das Maschinen nicht lesen können.
In der KI-Diskussion geht es gerade um Fähigkeiten. Bessere Modelle. Schnelleres Inference. Größere Context Windows.
Das alles spielt keine Rolle, wenn das Wissen, auf das KI angewiesen ist, in den Köpfen von Menschen eingeschlossen ist.
Der Engpass ist nicht Intelligenz. Es ist Lesbarkeit.
Lass mich zeigen, wie das in der Praxis aussieht.
Ein Fieldservice-Unternehmen. Vierzig Techniker, vierzig Jobs, ein Stadtgebiet. Der Inhaber hatte einen Notion Workspace aufgebaut. Datenbanken für Jobs, Techniker, Kunden. Solide Struktur.
Er wollte, dass KI die Disposition übernimmt.
Die KI schickte einen neuen Mitarbeiter am dritten Tag allein raus. Sie setzte einen anderen Techniker auf seinen wichtigsten Beziehungskunden. Sie priorisierte Fahrzeit und ignorierte Zertifizierungen.
Das System sah vollständig aus. Der Output war nutzlos.
Das Extraktionsgespräch beginnt einfach.
Wie entscheidest Du, welcher Techniker welchen Job bekommt?
Verfügbarkeit und Nähe.
Was wenn zwei gleich nah sind?
Zertifizierungen.
Was wenn beide zertifiziert sind?
Beziehungskonten — manche Kunden bekommen immer dieselbe Person.
Was ist mit neuen Mitarbeitenden?
Die begleiten einen Monat lang.
Was wenn jemand krank wird?
Wir priorisieren neu nach Dringlichkeit.
Das ist keine einzelne Regel. Das ist ein Entscheidungsbaum. Geografie spielt eine Rolle, aber Zertifizierungen übersteuern Geografie. Beziehungen übersteuern Zertifizierungen. Neue Mitarbeitende haben Einschränkungen. Krankheitsfälle lösen eine völlig andere Logik aus.
Nichts davon war aufgeschrieben. Der Inhaber hatte jahrelang täglich nach Pattern-Matching entschieden. Er konnte es perfekt ausführen.
Er konnte es nicht artikulieren.
Die Falle zwischen Wissen und Erklären
Alles Wissen lässt sich in einer Vier-Felder-Matrix verorten. Die meisten kennen drei der vier Quadranten. Der vierte ist der, an dem KI-Adoption scheitert.
Known Knowns. Du verstehst genau, wie eine Aufgabe funktioniert, und kannst jeden Schritt beschreiben. “Umsatz aus diesem Dashboard ziehen. Die letzten vier wöchentlichen Syncs durchgehen. Blocker und Wins herausarbeiten. Executive Summary zuerst, dann Kennzahlen, dann Narrative.” Gib KI so präzise Anweisungen, und sie liefert brillante Ergebnisse. Diese Klarheit ist es, worauf Notion-Systeme aufbauen.
Known Unknowns. Du erkennst, dass Dir Expertise fehlt. “Ich habe noch nie einen Board Report geschrieben. Ich weiß nicht, wie gut aussieht.” KI kann Dich durchbegleiten. Du überprüfst den Output, bringst Dein Urteil ein, iterierst. Langsamer, aber funktional.
Unknown Unknowns. Du weißt nicht, was Du nicht weißt. “Erstell einen Bericht für den Board.” Die KI produziert etwas Poliertes. Sie übersieht Kontext, den Du nie geliefert hast, wendet Annahmen an, die Du nie validiert hast, und liefert Output, der von mittelmäßig bis falsch reicht.
Die meisten Menschen schieben KI-Versagen auf diesen Quadranten. Der User wusste nicht genug. Der Prompt war schlecht. Das Modell hat halluziniert.
Das ist nicht, was wir sehen.
Unknown Knowns. Du hast die Expertise — Du merkst nur nicht, dass sie artikuliert werden muss. Das Wissen läuft auf Autopilot. Es fühlt sich wie Instinkt an, nicht wie Information. Du würdest nie daran denken, es aufzuschreiben, weil es sich nicht wie etwas anfühlt, das Du weißt. Es fühlt sich an wie etwas, das Du tust.
Hier leben die Hidden Assumptions. Und hier scheitert KI-Adoption wirklich.
Der Disponent kannte seine Regeln.
Zertifizierungen übersteuern Nähe.
Beziehungskonten bekommen konsistente Techniker.
Neue Mitarbeitende begleiten.
Er war noch nie gezwungen worden, sie zu artikulieren. Das Wissen war tacit, eingebettet in jahrelangem Pattern-Matching, unsichtbar selbst für ihn.
Er operierte nicht in Unknown Unknowns.
Er operierte in Unknown Knowns — Expertise, die er besaß, aber nie lesbar gemacht hatte.
Nicht weil er sie nicht hatte. Weil es ihm nie in den Sinn kam, dass sie externalisiert werden müsste.
Wir sehen dieses Muster gerade in so vielen Variationen. Die beste Investition ist daher, Deine Hidden Assumptions ans Licht zu bringen.
Hidden Assumptions: Die unsichtbare Reibung
Frag drei Menschen im selben Team, wie eine Aufgabe erledigt werden sollte. Du bekommst vier verschiedene Antworten.
Keine Dysfunktion. Nur der natürliche Zustand von Organisationen.
Jedes Team akkumuliert, was wir Hidden Assumptions nennen — ungeschriebene Regeln darüber, was “dringend” bedeutet, welche Kunden besondere Behandlung bekommen, wann man eskaliert versus selbst löst, wie “fertig” wirklich aussieht.
Sie werden selten dokumentiert, weil sie sich für die Menschen, die sie kennen, offensichtlich anfühlen.
Vor KI erzeugten Hidden Assumptions Reibung.
Übergaben brachen zusammen.
Neue Mitarbeitende brauchten Monate, um Stammeswissen aufzusaugen.
Teams schrieben es Missverständnissen zu, obwohl das eigentliche Problem war, dass die Annahmen nie laut ausgesprochen worden waren.
Das ist kein neues Problem.
Knowledge Management jagt es seit Jahrzehnten.
Wikis, SOPs, Wissensdatenbanken, Dokumentations-Sprints — ganze Industrien wurden aufgebaut, um festzuhalten, was Menschen wissen.
Das meiste davon verstaubte. Die Menschen, die das Wissen hielten, waren zu beschäftigt damit, es anzuwenden, um anzuhalten und es zu dokumentieren. Der Anreiz war nie stark genug, das zu ändern.
KI macht es deutlich schlimmer.
Eine menschliche Kollegin oder ein menschlicher Kollege spürt, wenn etwas nicht stimmt.
Sie nehmen Kontexthinweise wahr, stellen Rückfragen, merken, wenn eine Anweisung vergangener Praxis widerspricht.
Das ist nicht effizient (bessere Dokumentation wäre hier schön), aber so funktionieren die meisten Unternehmen nun mal — also gibt es weniger Druck zur Innovation.
KI tut nichts davon.
Sie nimmt Anweisungen für bare Münze und führt sie mit Zuversicht aus. Wenn Deine Hidden Assumptions nicht kodiert sind, weiß KI nicht, dass sie existieren.
Sie füllt die Lücken. Plausibel.
Selbstsicher.
Falsch.
Zement über unsichtbare Strukturen gießen
Die wichtigste Arbeit geschieht, bevor KI überhaupt ins Spiel kommt. Zu extrahieren, wie ein Unternehmen tatsächlich Entscheidungen trifft — dort liegt der Wert.
Stell Dir Hidden Assumptions als unsichtbare Skulpturen vor.
Sie haben eine echte Form.
Sie bestimmen, wie Arbeit tatsächlich fließt.
Aber weil sie unsichtbar sind, konstruieren verschiedene Menschen unterschiedliche mentale Modelle davon.
Interessanterweise ist Notion dabei richtig gut, diese unsichtbaren Hidden Assumptions ans Licht zu bringen.
Wenn ein System starr ist — wenn ein Tool nur 70 Prozent davon abbilden kann, wie Du wirklich arbeitest — operiert jeder unter einer gemeinsamen Ausrede.
“Wir machen es anders, aber das Tool kann es nicht abbilden.”
Kein Zwang, das schwierige Gespräch zu führen. Die restlichen 30 Prozent bleiben unsichtbar.
Die Einschränkungen des Tools werden zum Versteck für ungeschriebene Regeln.
Wenn ein System flexibel genug ist, um exakt abzubilden, wie Du denkst, dass Arbeit fließen sollte, passiert etwas Unbequemes.
Du musst entscheiden.
Wenn Du willst, dass das System Deinen Prozess widerspiegelt, musst Du artikulieren, was Dein Prozess tatsächlich ist.
Wenn drei Menschen drei verschiedene mentale Modelle haben, versteckt ein flexibles System die Lücke nicht.
Es legt sie offen.
Wir nennen das Zement über unsichtbare Strukturen gießen.
Die Form war immer da — das Unternehmen lenkend, Entscheidungen beeinflussend, Ergebnisse bestimmend.
Der Zement macht sie sichtbar.
Permanent.
Inspizierbar.
Übertragbar.
Für viele Teams ist das der erste echte Gewinn. Nicht die Software.
Das Gespräch, zu dem die Software sie gezwungen hat.
Zum ersten Mal beantworteten sie eine Frage, die die meisten Organisationen nie stellen:
Wie wollen wir, dass das tatsächlich funktioniert?
KI fordert, was flexible Tools nur vorschlagen
Flexible Tools wie Notion laden zur Artikulation ein.
KI fordert sie.
Ein gut gestalteter Workspace funktioniert noch mit unvollständigen Entscheidungen. Du kannst Lücken lassen. Auf Workarounds vertrauen. Lücken mit Stammeswissen füllen. Das System toleriert Ambiguität.
KI nicht.
Sie nimmt Deine Anweisungen für bare Münze.
Ambiguität? Sie rät.
Edge Cases, die Du nie artikuliert hast? Sie regelt sie nach eigenem Ermessen.
Diese 30 Prozent, die Du nie besprochen hast? KI trifft diese Entscheidungen für Dich. Selbstsicher. Konsistent. Oft falsch.
(Denk daran wie an den Unterschied zwischen jemanden einstellen, der am ersten Tag Fragen stellt, versus jemanden, der einfach… anfängt. Die KI ist die zweite Person. Jedes Mal.)
Das ist passiert beim Disponenten.
Sein System sah vollständig aus.
Datenbanken, Properties, Views.
Aber die Entscheidungslogik — die eigentliche Intelligenz, die die Disposition funktionieren ließ — war nirgends im System.
Die KI wusste nicht, dass sie fragen sollte. Sie handelte einfach.
Der verkümmerte Muskel
Wenn das Artikulieren des eigenen Urteils so wertvoll ist, warum tun es so wenige von Natur aus?
Weil es für den größten Teil der Arbeitsgeschichte keinen Zweck hatte.
Vor flexiblen Tools, vor KI, die auf Anweisungen handeln konnte, war es eine Fantasie, das eigene System zu gestalten.
Außer man schrieb Code, hatte man keinen echten Einfluss auf die verwendeten Tools. Man passte sich dem Tool an.
Die Kernkompetenz einer Wissensarbeiterin oder eines Wissensarbeiters war, wie gut man feste Workflows innerhalb eines gegebenen Systems befolgen konnte.
Der Muskel, zu artikulieren wie man arbeiten möchte — Präferenzen und Logik explizit zu machen — wurde nie trainiert. Notion hilft dabei, diesen Muskel aufzubauen.
Dasselbe gilt für die Übertragung von tacit knowledge.
Zu erklären, was man weiß, Schritt für Schritt, damit jemand anderes es replizieren kann? Seltene Fähigkeit.
Gute Trainer sind gefragt, weil die meisten Expertinnen und Experten nicht lehren können, was sie tun. Aber man entwickelt diese Fähigkeit nur, wenn der Job es erfordert. Bei vielen Rollen tut er das nie.
KI verändert die Frequenz. Jede Interaktion mit einem Agenten ist ein Trainingsmoment. Jeder Prompt ist eine Gelegenheit, Wissen zu übertragen — oder daran zu scheitern.
Der Bedarf an diesem Muskel ist nicht mehr gelegentlich. Er ist konstant.
Deshalb ist die Extraktionsarbeit so wichtig.
Nicht nur für KI-Readiness.
Für organisatorische Klarheit.
Teams, die diesen Prozess durchlaufen, haben am Ende bessere Abläufe, klarere Kommunikation und schnelleres Onboarding — weil das Unsichtbare sichtbar gemacht wurde.
Crawl, Walk, Run
Wie arbeitest Du in der Praxis daran?
Wie baust Du diesen Muskel auf?
Und wie verwandelst Du Hidden Assumptions in dokumentiertes Wissen?
Betrachten wir das durch die Linse eines meiner Lieblingsframeworks: Crawl, Walk, Run.
Jede Phase baut auf der vorherigen auf.
(und nein, Du kannst nicht einfach zum Ende springen)
Bevor KI über Dein Unternehmen nachdenken kann, muss das Unternehmen für Menschen lesbar sein. Dies ist die Architekturarbeit, die wir mit unseren Kunden aufbauen.
Saubere Datenbanken.
Eine Single Source of Truth.
Skalierbare Best Practices.
Das ist die Architekturarbeit, die seit Jahren den Kern unserer Arbeit bildet. Nicht glamourös. Aber der Boden, auf dem alles andere steht.
Nichts, was danach kommt, funktioniert ohne das.
Keine KI-Unterstützung. Keine Agenten. Keine Automatisierung.
Jede Abkürzung, die das Fundament überspringt, landet hier wieder — nur mit mehr Chaos zum Aufräumen.
Wenn das Fundament solide ist, beginnt KI, ihr Gewicht zu tragen.
Sie kann beantworten: “Welche Kunden sind gefährdet?” — weil “gefährdet” definiert wurde.
Kein Service in 90 Tagen, plus eine frühere Beschwerde, plus keine Antwort auf die letzte Kontaktaufnahme.
Die KI konnte vorher Daten abrufen. Jetzt kann sie nachdenken, weil das Urteil lesbar genug ist, damit sie es nutzen kann.
Hier sind die meisten “KI-affinen” Teams heute. Die individuelle Produktivität steigt. Die Organisation beginnt zu sehen, was möglich ist. Eine Person macht die Arbeit von zwei. Dann von drei.
Und dann stößt man an die Decke.
Die Modelle werden immer besser. Die Tools immer schneller. Aber der Mensch im Zentrum jedes Workflows skaliert nicht. Hier liegt der Wert von Agenten.
Es gibt nur so viele KI-unterstützte Aufgaben, die man auf eine Person stapeln kann, bevor sie zum Engpass wird — nicht die KI, nicht das System, sondern das menschliche Context Window selbst.
Ich spüre das zunehmend in meinem eigenen Alltag.
Ich kann ohne Übertreibung sagen: Heute bin ich 10x produktiver als vor KI. Leicht.
Aber ich glaube nicht, dass mein eigenes Context Window groß genug ist, um zu 20x, 30x oder 100x zu springen.
(und wir alle wissen: sobald 10x die Norm und nicht mehr der Ausreißer ist, ist das das nächste Ziel)
Walk ist wertvoll. Bleibt wertvoll. Hat aber eine natürliche Grenze: die Kapazität der Person, die die Dinge steuert.
Hier ändert sich die Frage.
Crawl und Walk gehen beide davon aus, dass der Mensch der Handelnde ist und KI das Werkzeug. Run fragt: Muss das so sein?
Ein Wort zu “von Grund auf” — denn es ist leicht, “Neugestaltung” zu hören und an “von vorne anfangen” zu denken.
Das ist es nicht.
Du brennst nicht die Datenarchitektur nieder, die Du in Crawl aufgebaut hast.
Du sagst nicht den Menschen, die sich in Walk multipliziert haben, dass ihre Arbeit nur eine Aufwärmphase war.
Du nimmst dieselben Bausteine — die sauberen Daten, die dokumentierte Logik, die lesbare Expertise — und komponierst sie neu.
Statt zu fragen “Wie kann KI mir helfen, das schneller zu tun?”, fragst Du: “Wenn ich diesen Prozess von Grund auf neu gestalten würde, in dem Wissen, dass sowohl Menschen als auch KI verfügbar sind — wer sollte was tun?”
Manchmal lautet die Antwort: Der Agent initiiert, der Mensch beendet.
Ein Agent läuft montags früh. Überprüft die Jobs der Woche. Kontrolliert Zertifizierungen. Markiert Konflikte. Identifiziert Beziehungskonten. Entwirft einen Vorschlagsplan. Der Disponent prüft, passt an, genehmigt. Was zwei Stunden dauerte, dauert jetzt fünfzehn Minuten.
Manchmal lautet die Antwort: Der Agent läuft die gesamte Schleife, ein Mensch macht Stichproben. Ein Abstimmungsprozess, der früher eine Vollzeitkraft erforderte, läuft jetzt autonom und flaggt nur die Ausnahmen, die Urteilsvermögen erfordern.
Der Agent ersetzt den Menschen nicht. Er übernimmt die Teile, die immer Ausführung waren, nie Urteil — die Teile, die nur deshalb beim Menschen blieben, weil es keine Alternative gab. Dies ist die Zukunft von KI in Organisationen.
Crawl macht Deine Expertise lesbar. Walk beweist, dass diese Lesbarkeit Wert hat. Run fragt: Da das Wissen jetzt lesbar ist — muss es noch ein Mensch sein, der es ausführt?
Die meisten Teams versuchen zu laufen, bevor sie kriechen.
Sie wollen den Agenten.
Sie überspringen das Fundament.
Der Output ist Müll — nicht weil die KI schlecht ist, sondern weil das System nie lesbar genug war, damit KI damit arbeiten kann.
Der Wert multipliziert sich in jeder Phase.
Crawl gibt Dir organisatorische Klarheit, auch ohne KI.
Walk gibt Dir persönlichen Leverage.
Run gibt Dir Kapazität, die vorher nicht existierte.
Und die Person, die ein Unternehmen durch alle drei Phasen führt, wird zur Architektin der Art, wie es Entscheidungen trifft.
Warum jetzt
Zwei Dinge veränderten sich im selben Zeitfenster.
KI wurde gut genug, um auf strukturiertem Wissen zu handeln.
Und flexible Tools wie Notion wurden gut genug, um es festzuhalten.
Zum ersten Mal funktioniert die vollständige Schleife: Urteil extrahieren, in einem System kodieren, KI damit denken lassen, Agenten darauf handeln lassen.
Das war vor drei Jahren nicht möglich. Die Modelle konnten nicht zuverlässig denken. Die Tools konnten sich nicht an die tatsächliche Arbeitsweise eines Unternehmens anpassen. Beide Einschränkungen hoben sich gleichzeitig auf.
Teams, die jetzt handeln, bauen einen Compounding Advantage auf.
Jede Woche kodiertes Urteil macht das System intelligenter.
Jeder Agenten-Einsatz enthüllt neue Annahmen, die es wert sind, extrahiert zu werden.
Jede Iteration vergrößert den Abstand zwischen Organisationen, die ihre Expertise lesbar gemacht haben, und denen, die noch auf Reflexen und Slack-Threads laufen.
Teams, die warten, akkumulieren eine andere Art von Schulden.
Das Wissen ihrer besten Menschen bleibt in Formaten gesperrt, die nur Menschen ausführen können. Ihre Prozesse bleiben unsichtbar.
Und jeder Konkurrent, der die Extraktionsarbeit zuerst erledigt, setzt ein Tempo, das immer schwerer zu erreichen ist.
Der Entscheidungsarchitekt
Niemand hat das vollständig herausgefunden.
Die Technologie ist kaum achtzehn Monate alt. Es gibt keine Playbooks mit fünf Jahren Beweis dahinter.
Genau darum geht es.
Die Organisationen, die bereit sind zu experimentieren — die bauen, während die Regeln noch geschrieben werden — sind diejenigen, die definieren werden, wie das funktioniert.
Das Fundament, das Du in Crawl baust, wird nicht weggeworfen, wenn Du Walk erreichst.
Der Leverage, den Du in Walk gewinnst, wird nicht irrelevant, wenn Du Run erreichst.
Jede Phase macht die nächste möglich — und jede Phase liefert für sich allein Wert.
Die Frage ist nie “Sollten wir von vorne anfangen?” Es ist immer “Wofür sind wir als nächstes bereit?“
Wir sind jeden Tag dabei. Wir bauen diese Systeme mit unseren Kunden. Wir experimentieren in unserem eigenen Unternehmen. Wir veröffentlichen, was wir lernen.
Das Playbook wird Engagement für Engagement geschrieben.
Wenn Dein Team bereit ist, seine Expertise lesbar zu machen — egal ob Du das Fundament baust, Dein Team multiplizierst oder neu gestaltest, wie die Arbeit erledigt wird — wir sind hier, um es gemeinsam aufzubauen.
