Microsofts Weg zur Einführung und Skalierung von KI in der gesamten Vertriebsorganisation

BRIAN KENNY: Was braucht es, um Zehntausende von Mitarbeitern dazu zu bringen, ihre Arbeitsweise grundlegend zu ändern? Der heutige Fall untersucht eine globale Vertriebsorganisation, die einen leistungsstarken KI-Assistenten einführt, der nahtlos in alltägliche Werkzeuge integriert ist. Anfangs ist die Begeisterung groß, doch die Akzeptanz stagniert, wenn die Mitarbeiter nicht wissen, wie sie das Tool in der Praxis einsetzen sollen, und Frustration entsteht. Die Organisation experimentiert mit neuen Wegen, um die Akzeptanz zu fördern – gezielte Schulungen, Peer-Champions und Gewohnheitsbildung – und verändert schließlich die Arbeitsweise und Wertschöpfung des Vertriebsteams. Doch gerade als Fortschritte sichtbar werden, taucht eine neue Herausforderung auf. Die nächste Generation von KI assistiert nicht nur, sondern handelt eigenständig. Autonome Agenten beginnen, Kundeninteraktionen zu übernehmen, und werfen tiefgreifende Fragen zu Vertrauen, Kontrolle und der Zukunft der Arbeit selbst auf. Dies ist eine Geschichte über die Skalierung von KI und die menschlichen Systeme, die erforderlich sind, um sie nachhaltig zu verankern.

Heute bei Cold Call besprechen wir den Fall "Microsoft Customer and Partner Solutions, The Deployment of Copilot" mit den Professoren Iav Bojinov und Shunyuan Zhang. Ich bin Ihr Gastgeber Brian Kenny, und Sie hören Cold Call im HBR Podcast Network.

BRIAN KENNY: Iav Bojinovs Forschung untersucht den Prozess, wie KI-Produkte entwickelt und in die reale Welt integriert werden. Sie sind ein Stammkunde. Willkommen zurück, Iav.

IAV BOJINOV: Danke. Es ist so schön, wieder hier zu sein.

BRIAN KENNY: Schön, dass Sie wieder in der Sendung sind. Shunyuan Zhang nutzt maschinelles Lernen, um Marketingprobleme zu lösen, die in der aufkeimenden Sharing Economy entstanden sind. Sie können uns erklären, was das ist, während wir ins Gespräch kommen. Vielen Dank, dass Sie bei uns sind.

SHUNYUAN ZHANG: Vielen Dank, Brian. Es ist großartig, hier zu sein.

BRIAN KENNY: Es ist großartig, euch beide hier zu haben. Wir reden ständig darüber. Alle, da bin ich sicher, auch unsere Zuhörer, sprechen über KI dies und KI das und die Auswirkungen, die sie hat. Und dies ist ein Fall, der zeigt, wie KI in der realen Welt auf sehr greifbare Weise angewendet wird. Ich bin froh, dass ihr den Fall geschrieben habt, und ich sollte erwähnen, dass Raffaella Sadun eure Co-Autorin dabei war. Sie konnte heute nicht zu uns kommen. Aber ich denke, unsere Zuhörer werden sehr daran interessiert sein zu hören, wie dies bei Microsoft, einem legendären Unternehmen, mit ihrer globalen Vertriebsmannschaft angewendet wird. Das ist also kein kleines Unterfangen. Warum steigen wir nicht einfach direkt ein. Shunyuan, ich fange mit dir an und frage: Was sind die zentralen Themen des Falls? Und ich frage mich, warum du, Rafaella und Iav dachten, dass dies ein interessanter Fall zum Schreiben sei.

SHUNYUAN ZHANG: Was uns an diesem Fall wirklich gereizt hat, ist, dass er die übliche KI-Debatte genau auf den Kopf stellt. Und damit meine ich: Wenn man sich die aktuellen KI-Diskussionen anhört, dreht sich das meiste darum, ob die Technologie funktioniert. Hier hingegen funktioniert die Technologie, das KI-Modell, in einem Unternehmen, das KI mit einer hochqualifizierten Belegschaft entwickelt. Und doch, wenn man sich die Ergebnisse ansieht, ist die Akzeptanz nach anfänglicher Begeisterung von 22 % auf 5 % eingebrochen, und zwar sehr schnell innerhalb eines Monats. Und was wir herausgefunden haben, ist, dass das tiefere Problem nicht die Technologie betraf. Es ging um die menschlichen, organisatorischen und verhaltensbezogenen Ebenen darunter. Und darum, was von den Menschen verlangt wird, sich zu ändern, wofür sie Anreize bekommen und was sie lernen sollen, was ihre Rollen für sie bedeuten und wie man die KI-Einführung wirklich plant. Und das Interessante ist, dass Microsoft nichts Ungewöhnliches getan hat. Sie haben ihr Standardrezept angewandt, und genau das macht diesen, ich denke, Stolperer so interessant.

IAV BOJINOV: Und um dem noch hinzuzufügen, ich finde, was an diesem Fall faszinierend ist, ist, dass es um Microsoft geht, die Leute, die das Werkzeug bauen.

BRIAN KENNY: Richtig.

IAV BOJINOV: Und das ist das Verkaufsteam, das dieses Tool tatsächlich verkauft. Wenn also genau diese Leute versuchen, Sie von Copilot zu überzeugen, es aber selbst nicht nutzen, dann passiert hier etwas Interessantes. Also mussten wir tiefer graben und versuchen, wirklich zu verstehen, was hier los ist, und herauszufinden, was die Herausforderungen sind und wie man sie tatsächlich überwinden kann. Denn ehrlich gesagt: Wenn diese Leute es nicht schaffen, welche Hoffnung hat dann eine andere Organisation?

BRIAN KENNY: Ja. Ja. Ich bin alt genug, um mich daran zu erinnern, als Microsoft Clippy einführte, was meiner Meinung nach ein früher erster Versuch war, etwas KI-bezogenes zu machen. Ich konnte nicht anders, als daran zu denken, als Copilot herauskam. Aber zum Nutzen unserer Zuhörer, die vielleicht dort sind, wo ich auf der Lernkurve in Bezug auf KI bin – es ist so viel passiert. Es hat sich so schnell entwickelt und wir hören viele neue Begriffe, wie Vibe Coding und In the Flow. Und dieser Fall dreht sich sehr stark um KI im Arbeitsfluss. Iav, vielleicht kannst du uns einfach erklären, was das in diesem Zusammenhang bedeutet.

IAV BOJINOV: Ja, absolut. Und um das noch zu untermauern: Ich denke, KI wächst exponentiell. Die Modelle werden immer intelligenter. Ich habe tatsächlich eine lustige Berechnung angestellt – vom Start meines MBA-Pflichtkurses „Data Science und KI für Führungskräfte“ Ende Januar/Anfang Februar bis zu dessen Ende vor etwa zwei Wochen im April. Man kann sehen, wie viel intelligenter die Modelle von Anfang bis Ende geworden sind. Und wenn man das über verschiedene Benchmarks hinweg berechnet, ergibt sich eine wöchentliche Verbesserung der Intelligenz von etwa 2 %, die sich aufsummiert.

IAV BOJINOV: Und so bewegen sich die Dinge wirklich sehr, sehr schnell. Und es geht nicht nur um eine Art von Modell. Wir sind von großen Sprachmodellen, die das nächste Wort vorhersagen, zu Reasoning-Modellen übergegangen, die tatsächlich nachdenken, bevor sie sprechen. Und jetzt sind wir wirklich bei den agentischen Systemen angelangt, die denken, aber auch tatsächlich handeln und Ziele erreichen können. Und in diesem Fall beginnt der Fall und baut sich sozusagen auf, es gibt Fall A, B und C. Es beginnt in den frühen Tagen von Copilot, wo es nur ein Assistent ist, auf den Sie über Teams, Outlook, Microsoft, Docs und Excel usw. zugreifen können. Und dort bestand die Hoffnung, dass die Leute anfangen würden, es zu nutzen und in ihre Arbeit zu integrieren. Und das, Brian, was Sie sagen, nämlich im Fluss der Dinge, die Idee ist, dass es nicht nur am Rand sitzt wie Clippy, sondern tatsächlich in die Arbeit integriert wird. Und wenn sie das veröffentlichen, besteht die Hoffnung, dass es eine wirklich schnelle, rasche Verbesserung der Produktivität und Arbeitsqualität geben wird, und genau das ist nicht passiert.

BRIAN KENNY: Ja, Shunyuan hat das vorhin schon angedeutet. Microsoft hat solche Dinge, wie ich mir vorstelle, im Laufe der Jahre schon oft eingeführt. Sie sind darin gut, doch aus irgendeinem Grund hat dieses eine Mal beim traditionellen Modell nicht funktioniert. Warum, glauben Sie, hat das das traditionelle Modell durchbrochen?

IAV BOJINOV: Ja. Ich denke, das ist der größte Fehler, den die meisten Organisationen machen: Sie behandeln generative KI wie jede andere technologische Einführung. Der Grund, warum sie anders ist, liegt darin, dass diese Technologie ein allgemeines KI-Werkzeug ist. Sie kann sehr, sehr viele Dinge tun, aber das Problem ist, dass sie viele Dinge tun kann, aber niemand sagt dir, was du damit machen sollst. Bei früheren technologischen Wellen war es sehr klar, was man mit SAP machen soll, wenn man es einführt. Und es ist auch sehr klar, wenn man von einem analogen zu einem digitalen System wechselt – man bildet einfach Dinge ab. Die Leute wissen also, was sie tun. Aber bei dieser Technologie haben wir gelernt, dass man Raum schaffen muss, damit die Leute tatsächlich experimentieren können. Es gibt also eine ganze Experimentierphase, in der die Leute einfach mit dieser Technologie herumspielen müssen, um herauszufinden, welche Muster entstehen, die tatsächlich einen Mehrwert für die Organisation schaffen können. Und es stellt sich heraus, dass nicht jeder gut in diesem Experimentieren ist. Nicht jeder hat diese Denkweise. Viele Leute wollen einfach nur ihre Arbeit erledigen. Und deshalb war es nicht überraschend, dass viele Leute es ausprobiert haben. Sie fanden keine wertvollen Anwendungsfälle und hörten dann auf, es zu nutzen. Aber eine kleine Handvoll Leute muss durchhalten und weiter experimentieren. Und so ist der erste Schritt bei der Einführung jetzt, Raum für die Leute zu schaffen, um zu experimentieren und diese hochwertigen Anwendungsfälle zu finden.

BRIAN KENNY: Aber um auf Ihren Punkt zurückzukommen: Ich denke, das wirft eine interessante Frage auf, insbesondere in Bezug auf Vertriebsmitarbeiter – ihre Zeit ist wirklich wertvoll. Sie müssen ständig fokussiert sein, haben Ziele, die sie erreichen müssen, und ihre Vorgesetzten setzen sie unter Druck, diese Ziele zu erfüllen. Die Vorstellung, Zeit damit zu verbringen, mit etwas herumzuspielen, ist für diese Leute wahrscheinlich ein Gräuel. Können Sie, Shunyuan, etwas über die Kluft sagen, die möglicherweise zwischen der Wahrnehmung des Potenzials dieser KI-Tools und ihrer Bedeutung im Arbeitsalltag besteht?

SHUNYUAN ZHANG: Es gibt definitiv eine Lücke. Anfangs war die Akzeptanz hoch und die Begeisterung war nicht gespielt, weil die Leute wirklich erwarteten, dass die KI die Teile ihrer Arbeit übernimmt, die sie hassen. Aber das Problem ist genau das, was Iav erklärt hat: Man braucht Experimentierfreude. Und als umsatzorientierter Verkäufer habe ich keine Zeit, einfach 14 oder 15 verschiedene Prompts auszuprobieren, nur um ein brauchbares Ergebnis zu bekommen. Ich denke, die Lücke liegt wirklich zwischen einer großartigen Demo und einem echten Arbeitstag. In einer Demo, im Labor, wirkt KI magisch, aber im Alltag eines Verkäufers, während seiner Arbeit, stellen sie einfach die Frage: „Hilft mir das jetzt gerade in meinem Arbeitsablauf?“ Wenn die Antwort nur lautet: „Naja, manchmal kommt es darauf an“, dann fallen die Leute schnell in ihre alten Gewohnheiten zurück. Das ist der Rückgang, den wir gesehen haben, aber ich würde nicht sagen, dass die Leute KI ablehnen. Es bedeutet nur, dass der frühe Nutzen ungleichmäßig ist und für die Leute wirklich schwer einzuschätzen ist.

BRIAN KENNY: Ja. Und ich denke, Veränderung ist generell schwierig, oder? Also jede Änderung im Arbeitsablauf ist schwer. Iav, du wolltest etwas sagen.

IAV BOJINOV: Ja, ich wollte nur ergänzen: Aus 20 Jahren Forschung zur Technologieeinführung wissen wir, dass es bei neuen Technologien – das ist die Arbeit von Erik Brynjolfsson – eine Produktivitäts-J-Kurve gibt. Das bedeutet, dass man zu Beginn der Nutzung tatsächlich an Produktivität verliert. Wenn Sie an Copilot oder jedes andere KI-Tool denken – und ich bin sicher, alle unsere Zuhörer können das nachvollziehen –, waren Sie beim ersten Mal, als Sie dieses Tool verwendet haben, sicherlich nicht produktiver. Tatsächlich waren Sie wahrscheinlich viel langsamer. Und vielleicht zwei Tage später waren Sie sogar noch langsamer, aber nach ein paar Wochen Arbeit haben Sie möglicherweise endlich wieder Ihr ursprüngliches Produktivitätsniveau erreicht, und einige Wochen später waren Sie vielleicht sogar besser. Was wir aus diesem Fall gelernt haben, ist, dass hier tatsächlich drei Dinge gleichzeitig passieren. Erstens: Sie haben das Produkt.

Das Produkt zeigt Ihnen, wie gut Sie mit dieser Technologie tatsächlich werden können. Wie hoch kann Ihre Produktivität sein? Der zweite Punkt ist der Prozess, also wie schnell Sie von unten nach oben lernen können. Das heißt: Haben wir Schulungen? Haben wir Handbücher, damit Sie wirklich diese wertvollen Anwendungsfälle finden können? Das bestimmt, wie schnell Sie aus dem Produktivitätstief herauskommen. Und der dritte Punkt sind die Menschen. Und das ist, was Shunyuan gesagt hat: Nicht jeder investiert die gleiche Mühe. Was wir gesehen haben, ist, dass diejenigen, die wenig Mühe investieren, keinen Einbruch erleben, aber auch keinen Nutzen daraus ziehen. Und diejenigen, die viel Mühe investieren, haben einen großen Einbruch, kommen aber irgendwann wieder heraus. Aber worüber weniger gesprochen wird, ist die Kompetenzfalle: Menschen, die wirklich, wirklich gut sind, sind mit diesem Werkzeug möglicherweise nicht besser dran.

BRIAN KENNY: Interessant.

IAV BOJINOV: Weil sie vielleicht alle Abkürzungen kennen, alles wissen, jedes System perfekt nutzen können. Und wenn man ihnen dieses neue System gibt, das zwar leistungsstark ist, aber damals – es war die Anfangszeit von Copilot – noch sehr neu und experimentell, können sie mit diesem Tool möglicherweise sogar schlechter zurechtkommen. Es ist also nicht überraschend, dass Leute es ausprobiert haben, keinen Nutzen darin sahen, einen Produktivitätsrückgang feststellten und dann einfach zu dem zurückkehrten, was sie zuvor getan haben.

BRIAN KENNY: Ja, ich weiß, dass Leute wie Sie, die KI erforschen, uns schnell sagen, dass wir KI schon seit Jahren nutzen. Sie wussten es nicht, aber Sie haben sie für dies und das und jenes andere verwendet. Und ich bin sicher, das stimmt alles, und vielleicht hat es die Nutzung auch einfacher gemacht, weil es wie eine einmalige Sache war. Es hatte eine ganz bestimmte Aufgabe für mich. Diese hier sind aber allgemeine Werkzeuge, oder? Man kann alles Mögliche mit ihnen machen, oder vielleicht nicht alles, aber eine ganze Menge. Wie muss man anders denken, wenn man ein allgemeines Werkzeug einsetzt, im Vergleich zu etwas, das für eine bestimmte Aufgabe entwickelt wurde?

IAV BOJINOV: Ja, ich denke, es kommt auf diese Experimentierfreude an. Und nachdem man experimentiert hat, muss man herausfinden, wie man das Ganze tatsächlich skaliert und mit anderen teilt. Was wirklich interessant war, als wir uns diese Fallstudie angesehen haben, ist, dass die Leute, die sehr gut im Experimentieren sind, nicht diejenigen sind, die sehr gut darin sind, alle anderen dazu zu bringen, das Tool zu nutzen. Normalerweise, wenn man die Experimentierfreudigen beschreiben würde, sind sie tendenziell viel jünger, sie sind in der Regel sehr technikaffin, aber das sind nicht die Leute, die alle anderen davon überzeugen werden, die Nutzung voranzutreiben. Die Leute, die tatsächlich viel eher andere dazu bringen, diese Tools zu nutzen, sind diejenigen, die seit 20 oder 30 Jahren dabei sind.

Und eines der faszinierenden Dinge, die wir in dieser Fallstudie gesehen haben, war: Als wir mit verschiedenen Führungskräften sprachen, erwähnte eine davon, dass sie ihre erfahrenste, dienstälteste, am stärksten gegen KI und Technologie eingestellte Person zum Adoption Champion ernannten und sie mit einem der jungen Leute zusammenbrachten, der bereit war, zu experimentieren und all diese verrückten Dinge auszuprobieren. Der Grund dafür war: Okay, diese eine Person experimentiert und findet etwas Neues. Wenn sie diese Person, die seit 15, 20 Jahren im Unternehmen ist, die Organisation und das Geschäftsmodell wirklich kennt, davon überzeugen kann, dass dies einen Mehrwert bietet, dann wechseln alle anderen, sobald diese Person umschwenkt.

BRIAN KENNY: Ja, weil es auf diese Weise sofort eine gewisse Glaubwürdigkeit hat, schätze ich.

IAV BOJINOV: Genau.

BRIAN KENNY: Sie haben beide darüber gesprochen, dass es sich hier um eine technikaffine Belegschaft handelt, für die dieses System eingeführt wird. Als Vertriebsorganisation hat sie zudem alle ihre Prozesse etabliert, ich bin sicher, dass sie prozessseitig sehr gut aufgestellt sind. Und dies ist eine Abweichung vom Prozess, was schwierig ist. Wir haben darüber gesprochen, dass Veränderungen schwerfallen. Was glauben Sie, Shunyuan, welche Hebel waren am wichtigsten, die sie aktiviert haben, um die Menschen zur Veränderung zu bewegen?

SHUNYUAN ZHANG: Ich denke, was wir aus diesem Fall gelernt haben und was Microsoft letztendlich getan hat, es gibt verschiedene, mehrere Hebel, und Iav hat die meisten davon bereits abgedeckt. Es gibt den Hebel der Schulung – man braucht grundlegende Fähigkeiten, die Leute müssen verstehen, was KI kann und wie man sie einsetzt. Und dann gibt es den Hebel des Managements – wenn man diese J-Kurve erlebt, diesen Abfall, leiden die Menschen am Tiefpunkt. Sie übernehmen heute zusätzliche Arbeit für eine unsichere Belohnung morgen. Wenn sie nun das Monatsziel nicht erreichen, was bedeutet das für sie? Wer übernimmt die Verantwortung? Das Management muss aufstehen und sagen: „Hey, das ist ein Lernprozess, ihr werdet nicht bestraft wegen der Lernkurve.“

BRIAN KENNY: Haben sie das getan? Sind sie so in die Verantwortung gegangen?

SHUNYUAN ZHANG: Nun, ich bin mir sicher, dass es im Unternehmen einige Gespräche gegeben hat, sonst wäre es nicht möglich, die Leute dazu zu bringen, sich mit Experimenten wohlzufühlen und das Tal der Lernkurve zu durchschreiten. Und es gibt einen sozialen Hebel unter Gleichgesinnten, der so genannt wird: die "Coolen Kids" finden – das sind die hoch angesehenen Personen, die KI bereits nutzen, und man möchte sicherstellen, dass sie sichtbar erfolgreich sind, damit die Leute sehen, wie sie mit KI gewinnen. Also Training, soziale Management-Hebel – ich denke, der soziale Aspekt ist vielleicht der wichtigste und nicht der offensichtlichste, denn wenn man mit etwas so Neuem konfrontiert ist, einer universellen KI, die in eine bestimmte Rolle in einem Arbeitsablauf eingebettet werden soll, und man die Leute bittet, die Lernkosten für etwas Ungewisses von morgen zu tragen, dann schauen sie erst zur Seite, bevor sie nach oben schauen, um zu sehen, wie ihre Kollegen es nutzen und welche Ergebnisse sie erzielen. Und das wäre das Offensichtlichste, um sie von der Nutzung zu überzeugen.

BRIAN KENNY: Aus meiner Erfahrung an der Harvard Business School – Iav, du hast an etwas teilgenommen, das wir die KI-Akademie nennen, die wir gerade in der gesamten Schule ausrollen. Es ist fantastisch. Wir schicken 2.000 Mitarbeiter durch dieses Programm, damit jeder zumindest erkennt, wie er KI nutzen könnte. Das ist sozusagen mein Bezugspunkt dafür, aber es wurde für mich real, als du uns Übungen machen ließest, die sich fast wie ein Spiel anfühlten, als ob wir in einem Spiel konkurrieren würden. Diese Idee der Gamification, die auch im Fall vorkommt, ist vielleicht ein weiterer Hebel, den sie zu nutzen versuchten.

IAV BOJINOV: Ja, absolut. Und ich denke, das ist ein weiterer Fehlerpunkt: Viele Organisationen – und Microsoft hat das auch gemacht, als sie anfingen – wollten, dass sich die Leute auf den Wert konzentrieren. Aber wenn man über Experimentieren und Lernen nachdenkt, muss man das in einer sicheren Umgebung tun, in der man für eine kurze Zeit aus der Arbeit herausgeholt wird, wie in der KI-Akademie. Und ich habe diese Woche tatsächlich darin unterrichtet, am Montag und Dienstag hatten wir zwei Sitzungen dazu, aber es erlaubt uns, unsere Mitarbeiter herauszuholen. Übrigens durchlaufen auch die Dozenten eine Version davon. Es gibt uns die Chance, sie herauszuholen, ihnen zu erklären, was KI ist, und dann einen sicheren Raum zu schaffen, in dem sie lernen und die Fähigkeiten erkunden können. Am Ende können sie dann herausfinden: „Okay, wir haben diese neun verschiedenen Anwendungsfälle von KI gesehen. Welche davon treffen auf meine tägliche Arbeit zu und wie kann ich morgen und nächste Woche beginnen, diese Fähigkeiten in meiner Arbeit einzusetzen?“ Und wir haben Fälle über andere Unternehmen geschrieben. Wir haben einen Fall über Moderna, und eines der Dinge, an denen die Studenten in diesem Fall immer hängen bleiben, ist, dass jemand etwas namens CatGPT gebaut hat. Sie generieren im Grunde Bilder von Katzen. Und alle unsere MBA-Studenten sagen immer: „Da ist keine Produktivität. Warum sollte man das tun? Das klingt so albern.“ Aber wenn man ein wenig tiefer gräbt, dann hat es tatsächlich Raum geschaffen –

BRIAN KENNY: Kein Wortspiel beabsichtigt.

IAV BOJINOV: Ja. Es hat Raum geschaffen, damit die Leute herumspielen konnten, und es machte es sicher, es machte Spaß, es nahm die Angst, es zeigte ihnen eine andere Arbeitsweise. Und für mich ist das ein so entscheidender Teil, den viele einfach übersehen und sich nur auf Produktivität, Produktivität, Produktivität konzentrieren, ohne zu erkennen, dass das nur Angst und Besorgnis erzeugt und nicht diese Begeisterung schafft, die wir um diese neue Technologie haben sollten. Sie ist so erstaunlich. Sie kann so viele Dinge tun, aber ich denke, wenn wir uns nur auf Produktivität versteifen, scheitern wir bereits an der ersten Hürde.

BRIAN KENNY: Ja. Und ein weiterer Vorteil, der im Fall auch deutlich wird, besonders in einer Vertriebsorganisation, in der viele Tätigkeiten im Verkauf eher routinemäßig sind und man sich nicht so sehr wie ein Berater fühlt, sondern eher Transaktionen mit Menschen durchführt, oder? Einer der Vorteile, die im Fall deutlich werden, ist, dass dies die Vertriebsmitarbeiter freisetzt, um eher wie Berater und weniger transaktionsorientiert zu sein. Hast du das gesehen, als du mit ihnen gesprochen hast?

SHUNYUAN ZHANG: Ja, absolut. Und ich denke, das passiert nicht nur Microsoft in diesem speziellen Fall, sondern auch in einigen anderen Unternehmen, mit denen ich gearbeitet habe, wie diesem B2B-Verkaufsunternehmen in der Türkei, das große Maschinen verkauft. In dem Moment, in dem KI die Vertriebsmitarbeiter unterstützt – weil 70 % ihrer Zeit für Verwaltungskram draufgehen, nicht für den Kundenkontakt, obwohl Vertriebsmitarbeiter eigentlich kundenorientiert sein sollten –, wenn KI also wirklich ihre Zeit freisetzt und datengestützte Einblicke darüber liefert, was der Kunde braucht und will, und nicht nur verlangt, dass Vertriebsmitarbeiter sich vielleicht merken, was Kunden wirklich mögen, dann verändert man – oder das Wort, das ich mag, ist: Man führt eine Neudefinition der Rolle durch, man hebt die Rolle vom transaktionalen Verkauf auf eine Ebene des Beziehungsaufbaus mit dem Kunden und einer beratenden Rolle. Man hilft den Kunden, das zu bekommen, was sie wirklich wollen und wovon sie profitieren könnten, auch wenn sie vielleicht noch nicht damit in Berührung gekommen sind, aber wirklich davon profitieren könnten.

BRIAN KENNY: Ja. Es gibt einem die Chance, vielleicht einen Schritt zurückzutreten und anders über die Beziehung nachzudenken, die man hat. Iav, du warst schon früher hier, um mit mir über den Fall Pernod zu sprechen, wie sie KI in ihrer Organisation eingeführt haben. Und wir haben viel über die Mentalität von Vertriebsmitarbeitern gesprochen, oder? Und Vertriebsmitarbeiter sind sehr beziehungsorientiert. Sie schätzen diese Beziehungen. Sie halten sie sehr eng und fest, oder? Ich möchte ein wenig über den Wandel hin zu agentischer KI sprechen, der bei Microsoft stattfand, und wie das vielleicht einige der Ängste und Bedenken eines Vertriebsmitarbeiters beeinflussen könnte, wenn er sieht, wie dies in seinen Bereich vordringt.

IAV BOJINOV: Ja, absolut. Und nur um das zu ergänzen: Wir haben die Einführungsgeschichte nicht abgeschlossen. Nachdem sie neu definiert hatten, wie sie das angehen, und Raum für Experimente geschaffen hatten, konnten sie die Organisation auf etwa 80–90 % täglich aktive Nutzer bringen. Es hat ein wenig Zeit gebraucht. Es hat eine große Frage aufgeworfen, nämlich: Was macht man nach zwei Jahren mit den Nachzüglern? Das ist ein wirklich interessantes Gespräch. Aber gleichzeitig, wo wir im C-Fall aufgehört haben, geht es um das Konzept des autonomen Vertriebsagenten. Das sind KI-Systeme, die im Grunde die gesamte Vertriebspipeline von ersten Gesprächen mit Kunden über Empfehlungen, mögliche Verhandlungen, die Ausführung des Handels – sorry, des Verkaufs – und dann die Überwachung, wie dieser Verkauf läuft, abwickeln können. Im Fall sprechen wir darüber, wie sie ein Experiment durchgeführt haben, bei dem sie diese Vertriebsagenten im KMU-Bereich eingesetzt haben, und man muss wissen, dass Microsoft eine unternehmensorientierte Denkweise hat, bei der sie wirklich nur mit großen Organisationen zusammenarbeiten. Wenn Sie also ein Zwei- oder Drei-Personen-Unternehmen sind, sprechen Sie nicht mit einem Vertriebsmitarbeiter.

BRIAN KENNY: Richtig.

IAV BOJINOV: Es ist Self-Service. Und so war die Idee, dass dies im Grunde in diesen weißen Raum gehen könnte, einen Bereich, den sie nicht abdecken –

BRIAN KENNY: Also sind sie nicht bedrohlich.

IAV BOJINOV: Sie bedrohen sie nicht.

BRIAN KENNY: Die Unternehmensvertriebsmitarbeiter, ja.

IAV BOJINOV: Wo wir den Fall verlassen, ist diese wirklich interessante Frage: „Nun, das war in der frühen Pilotphase und beim Experimentieren sehr erfolgreich.“ Was macht man jetzt mit diesen Agenten? Beginnt man, ihren Umfang und ihre Breite zu erweitern und ihnen echte Kunden, echte Unternehmenskunden zur Interaktion zu geben? Wer verwaltet sie? Bleiben sie zentral von einem Kern-Agenten-Management-Team verwaltet? Oder befähigt man die Vertriebsprofis, ihre eigenen persönlichen Agenten einzusetzen, um mit ihren eigenen persönlichen Kunden zu interagieren, oder?

BRIAN KENNY: Das klingt beängstigend.

IAV BOJINOV: Nun, es ist beängstigend, aber es ist auch eine riesige Chance für sie, weil sie ihre Kunden kennen und wissen, welche ihrer Kunden damit einverstanden wären, eine sofortige Antwort von einem Agenten zu erhalten, wenn eine schnelle Frage auftaucht, und welcher Kunde tatsächlich das Telefon in die Hand nehmen und mit einer echten Person sprechen muss. Und so ungefähr haben wir den Fall verlassen – mit der Frage: Agenten sind da draußen, sie können unglaubliche Dinge tun. Wie verwaltet man sie? Wer entwickelt sie? Wie überprüft man, dass sie gute Arbeit leisten? Und wie setzt man sie in großem Maßstab ein?

BRIAN KENNY: Nun, lassen Sie uns vielleicht einige dieser Punkte etwas näher untersuchen. Shunyuan: Wie denkst du über die Möglichkeiten, aber auch die Grenzen der Automatisierung, wenn es darum geht, etwas zu managen, das so beziehungsorientiert ist, mit all den Nuancen, die in Beziehungen stecken? Als Vertriebsmitarbeiter möchte ich denken: „Hey, ich kenne diesen Kunden wirklich. Ich kenne seine Familie. Ich weiß alles über diese Person.“ Kann ein automatisierter Agent das gleiche Verständnisniveau erreichen? Ich setze dich unter Druck. Das ist schließlich Cold Call.

SHUNYUAN ZHANG: Ich hätte gerne einen. Nun, wenn wir einen Schritt zurücktreten: Dieser autonome Agent … Iav hat darüber gesprochen, und wir hatten dieses Gespräch darüber, wie KI Vertriebsmitarbeiter verändert, indem sie ihnen mehr Fähigkeiten und Flexibilität gibt. Jetzt treibt ein autonomer Agent die Sache sozusagen weiter voran, oder? Aber wir müssen vorsichtig sein, denn wir sprechen hier über Vertriebsmitarbeiter. Es geht um Kundenkontakt, um Beziehungsarbeit. Und Beziehungsarbeit ist für mich das, was ich als Arbeit mit hoher Varianz bezeichnen würde, weil es eine Menge subtiler, verborgener, aber wichtiger menschlicher Urteilsfähigkeit in der Arbeit gibt.

Und meine Theorie ist: Wenn wir dies als ein Spektrum oder eine Leiter betrachten, dann wird das technische oder technologische Problem tatsächlich einfacher, je autonomer die KI wird, aber der schwierigere Teil wäre die menschliche Komponente. Und das liegt genau an dieser Grenze, die durch Beziehung definiert ist. Ich meine, wenn man an menschliche Experten denkt: Sie können die Stimmung im Raum lesen und wissen, wann sie in einem angespannten Moment Druck machen und betonen müssen, was sie nicht sagen sollten und wann sie aufhören und sich zurückziehen sollten. Aber das ist wirklich der schwierigste Teil, den man mit KI kodieren kann. Und wenn wir KI einfach alle E-Mails analysieren lassen, kann KI definitiv alle Informationen aus einer Kunden-E-Mail extrahieren, aber ein menschlicher Experte sieht sich die E-Mail an und weiß, dass ein bestimmter Satz in der E-Mail zehnmal wichtiger ist als alles andere. Es ist wirklich diese – ich denke – Beziehung, die auf Vertrauensaufbau und Markenbildung beruht, die die Sache wirklich … wir müssen wirklich vorsichtig sein. Die Einschränkung wäre also im Allgemeinen, dass KI am besten bei den strukturierteren Teilen der Arbeit funktioniert. Aber es gibt menschlichere, urteilende, unstrukturierte Teile, bei denen wir wirklich vorsichtiger sein müssen, weil sie immer Kunden, Beziehung, Markenbildung und Vertrauen berühren.

BRIAN KENNY: Ja. Und das macht mich irgendwie optimistisch, denn während die Leute darüber nachdenken, dass alle Arbeitsplätze verschwinden werden, hören wir viele Alarmglocken über KI und ihre Auswirkungen auf die Belegschaft. Das Einzige, was ich durchgängig gehört habe, ist, dass KI nicht so urteilt wie Menschen. Das war ein großartiges Gespräch. Ich wusste, dass es das sein würde. Wir haben noch wenig Zeit. Also habe ich eine Frage an jeden von euch. Es ist eigentlich dieselbe Frage. Vielleicht fange ich mit dir an, Shunyuan: Wenn es eine Sache gibt, die die Leute aus diesem Microsoft-Fall mitnehmen sollen, was wäre das?

SHUNYUAN ZHANG: Technologie in Bezug auf KI-Einführung und Geschäftstransformation ist definitiv möglich, aber die Technologie ist der einfachere Teil. Der schwierigere Teil ist alles, was drumherum ist, und das sind Identität, Anreize, Management und menschliches Verhalten.

BRIAN KENNY: Ja. Iav, du kannst nicht sagen, dass du dem zustimmst, und das kann nicht deine Antwort sein, du musst etwas hinzufügen.

IAV BOJINOV: Das klingt großartig. Ich werde etwas hinzufügen. Ich denke, eine meiner großen Erkenntnisse aus diesem Fall ist, dass KI Stellenbeschreibungen verändert, aber nicht Arbeitsplätze. Das bedeutet, dass sich die Arbeit, die Menschen mit KI leisten, zu verändern beginnt. Es gibt bestimmte Aufgaben, die sie nicht mehr erledigen, aber das bedeutet nicht, dass sie ihren Job verlieren. Es bedeutet wirklich, dass Menschen mehr tun können. In diesem speziellen Beispiel ermöglichte die Tatsache, dass KI viele Verwaltungsaufgaben erledigte, den Vertriebsmitarbeitern, sich wirklich auf die wertschöpfende Arbeit zu konzentrieren und wirklich … es gab diese erstaunlichen Beispiele der Zusammenarbeit mit Organisationen, um großartige Umsatzbeteiligungsideen zu entwickeln, die sie in der Vergangenheit einfach nicht die Zeit hatten zu erkunden und nicht einmal die Fähigkeiten dazu hatten. Sie hätten ein internes Beratungsteam kommen lassen, um ihnen zu helfen. Aber jetzt, mit KI, waren sie befähigt, es zu tun. Und so verändert KI Stellenbeschreibungen, aber ich mache mir weniger Sorgen um Arbeitsplätze.

BRIAN KENNY: Ja. Ihr seid also beide optimistisch, was die Zukunft mit KI angeht, nehme ich an.

IAV BOJINOV: Oh, absolut.

BRIAN KENNY: Wird es einen D-Fall über Microsoft geben?

IAV BOJINOV: Wahrscheinlich, ja. Ich meine, sie haben seitdem so viel gemacht, und wir arbeiten sehr eng mit ihnen an mehreren anderen Projekten zusammen, und es ist einfach ein so faszinierender Bereich, der sich so, so schnell verändert.

BRIAN KENNY: Ja, und sie sind ein erstaunliches Unternehmen. Zu hören, wie sie mit diesem Problem gekämpft und dann einen Weg gefunden haben, finde ich wirklich interessant und ermutigend. Also, Shunyuan, Iav, danke, dass ihr dabei wart.

IAV BOJINOV: Danke.

SHUNYUAN ZHANG: Danke.

BRIAN KENNY: Wenn Ihnen Cold Call gefällt, könnten Ihnen unsere anderen Podcasts gefallen: Klimaanstieg, Coaching echter Führungskräfte, IdeaCast, Die Zukunft der Arbeit managen, Skydeckund Groß denken, klein kaufen. Finden Sie sie überall dort, wo Sie Ihre Podcasts bekommen.

Wenn Sie Vorschläge haben oder einfach nur Hallo sagen möchten, freuen wir uns über Ihre Rückmeldung. coldcall@hbs.edu.