Warum KI radikale Veränderung bedeutet

ALISON BEARD: Ich bin Alison Beard und das ist die HBR IdeaCast.

Harvard Business Review veranstaltete kürzlich den HBR Strategy Summit 2026, einen Tag voller Expertenratschläge und Anleitungen von Führungskräften und Akademikern, und wir teilen die Höhepunkte der Veranstaltung in dieser speziellen IdeaCast-Serie.

Heute hören Sie einen Meisterkurs, eine interaktive Vorlesung, von HBS-Professorin Tsedal Neeley darüber, wie Organisationen eine erfolgreiche KI-Transformation vorantreiben können. Sie werden hören, wie sie die 30%-Regel erklärt, die minimale organisatorische Veränderung und das grundlegende Verständnis der KI-Technologie, die erforderlich sind, um echte Ergebnisse zu erzielen. Sie wird Beispiele von Moderna, Domino's Pizza und Rakuten durchgehen und von HBR-Chefredakteurin Amy Bernstein moderierte Publikumsfragen beantworten. Genießen Sie die Folge.

TSEDAL NEELEY: Hallo zusammen. Ich freue mich, heute hier zu sein, um darüber zu sprechen, warum KI radikale Veränderung bedeutet. Und was ich in der Zeit, die wir gemeinsam haben, tun möchte, ist darüber zu sprechen, was es braucht, um KI in dem Tempo einzuführen, das für Sie, für Ihre Organisation und für Ihre Branche sinnvoll ist.

KI ist überall. Die Leute reden über KI, KI, KI, und sogar über agentische KI, agentische KI, agentische KI. Einiges davon ist Hype. Einiges ist real. Die Aufgabe, die wir in all unseren Organisationen haben, ist herauszufinden, wie wir über den Hype hinauskommen und anfangen, uns in dem Tempo zu bewegen, das für uns sinnvoll ist.

Nun, zunächst möchte ich über die 30%-Regel sprechen, um uns zu orientieren, wie wir über KI denken sollten und wie viel wir als Einzelpersonen, als Führungskräfte, aber auch als gesamte Belegschaft verstehen müssen, um Fortschritte in der KI zu erzielen.

Die 30%-Regel ist eigentlich eine Verhältnismäßigkeit, die besagt, dass wir alle eine minimale Technologie- und Veränderungskompetenzschwelle benötigen werden, um zu einer Zukunft beizutragen, die Daten, Algorithmen und KI als Teil davon hat. Und die 30%-Regel besagt, dass Sie kein Programmierer sein müssen. Sie müssen kein Datenwissenschaftler sein. Sie brauchen nichts davon, aber Sie brauchen ein grundlegendes Verständnis, wie die 30% der englischen Sprache, die die meisten globalen Mitarbeiter beherrschen müssen, wenn Englisch nicht ihre Muttersprache ist.

Eine der Möglichkeiten, über den Hype hinauszukommen, ist ein grundlegendes Verständnis davon zu haben, was KI ist und was KI nicht ist. Die Realität ist, dass KI nicht neu ist. Es gibt sie schon seit sehr, sehr langer Zeit. Und tatsächlich hat Flagship Pioneering für uns vier Innovationen oder vier Wellen von Innovationen in der KI festgehalten. Die erste begann tatsächlich in den 1950er Jahren. Sie wird als Kybernetik-Ära bezeichnet. Und in der Kybernetik-Ära, das ist die Zeit, in der Wissenschaftler am MIT, in Stanford, beim Militär versuchten, Biologie oder Ingenieurwesen zu nutzen, um zu sagen: Können wir tatsächlich Maschinen haben, die sich auf eine Weise verhalten, die menschliche Elemente hat? Und können wir tatsächlich Maschinen haben, die sehr regelbasiert, feedbackbasiert waren, sich ein bisschen wie Maschinen verhalten? Dies sind die frühen Perioden der Robotik, tatsächlich.

Und dann geht es weiter zu den 1980er, 1990er Jahren. Diese Ära wird als Ära der trainierten Experten bezeichnet, und hier versuchten Maschinen, menschliche Entscheidungsfindung in bestimmten Bereichen wie Medizin, wie Ingenieurwesen, zu replizieren und verließen sich wirklich auf regelbasierte Programmierung und Datenbanken, um Fachwissen in diesen Bereichen zu simulieren. Dies war eine effektive Periode, keine breite Akzeptanz, aber wir sahen einen großen Sprung in der KI-Innovation.

Und dann springen Sie in die 2000er Jahre. Dies ist eine Zeit, in der maschinelles Lernen entstand. Wir begannen, aus den reichlich vorhandenen Daten zu lernen, die hereinkamen, und die Rechenleistung war vorhanden, und Maschinen begannen zu lernen und sich anzupassen. Und dies war eine Art frühe Periode des Computer-Sehens, der natürlichen Sprachverarbeitung, all der Dinge, die uns zu heute geführt haben.

Die 2020er Jahre, generative KI mit, natürlich, der Veröffentlichung von ChatGPT im Jahr 2022 und zunehmend agentische Systeme. Dies ist, wo die neue Technologie namens Transformer es uns ermöglicht, neue Inhalte zu erstellen, Text, Sprache, Video, Audio, eine große Welle, die das Tempo, wie sich KI entwickelt, dramatisch verändert hat. Aber KI ist nicht neu. Das ist wirklich wichtig zu verstehen.

Nun biete ich zwei Definitionen von KI an, über die wir nachdenken müssen. Eine davon existiert noch nicht. Eine davon ist sehr in unserer Welt. Die, die existiert, ist spezifische KI. Allgemeine KI existiert noch nicht ganz, aber ich werde sie für Sie definieren, weil Informatiker und Philosophen der KI tatsächlich immer über diese beiden Elemente sprechen.

Die allgemeine KI, die es noch nicht gibt, kann man sich wie den Terminator vorstellen, also Systeme, die menschenähnlich sind. Sie verhalten sich wie Menschen, handeln wie Menschen, treffen Entscheidungen wie Menschen – existiert aber noch nicht. Ein Teil von mir hofft, dass sie nie existieren wird. Was tatsächlich existiert, nennt man spezifische KI oder schwache KI. Dabei führt KI bestimmte Aufgaben aus, wie große Sprachmodelle, Gesichtserkennung oder Spracherkennung. Okay?

Was wissen wir also? Viele der Unternehmen der 2000er Jahre wie Meta – früher Facebook –, Apple, Amazon, Google und Netflix setzen seit den letzten 15 bis 20 Jahren gezielt KI im großen Maßstab ein. Wir waren also tatsächlich schon sehr stark dieser spezifischen KI in unserer Welt ausgesetzt. Heute ermöglicht KI Skalierung: Wir können Millionen und sogar Milliarden von Menschen sehr schnell bedienen, Entscheidungen und Abläufe beschleunigen und unser Handlungsspektrum erweitern. Mit den vorhandenen Daten können wir jetzt viel mehr erreichen und kreativ bei der Lösungsfindung sein. Ich werde Ihnen gleich einige Beispiele dafür nennen.

Ein wenig Vorarbeit, bevor ich loslege, betrifft das, was ich gerade in Bezug auf Umfang, Geschwindigkeit und Reichweite beschrieben habe. Auf welche Weise wirken diese? Nun, es gibt die drei Ps: Vorhersagen, Mustererkennung – das ist das Beispiel der Gesichtserkennung, das ich Ihnen genannt habe – und Automatisierung. Ein viertes P, das sich nun immer mehr durchsetzt, ist die Produktion mit Agenten, und ich werde das gleich für uns definieren.

Nun gibt es drei Wertevektoren, die wir im Zusammenhang mit KI bedenken müssen, und deshalb sagen wir, dass KI Wandel und radikalen Wandel bedeutet. Der erste ist, dass wir sicherstellen müssen, Produkte zu haben, die die Menschen nutzen möchten, mit Funktionen und Merkmalen, die für unsere heutige Welt sinnvoll sind. Der zweite Wertevektor ist der Netzwerkwert. Wir möchten, dass so viele Menschen wie möglich unsere Produkte und Dienstleistungen nutzen, um nicht nur diejenigen zu erweitern, die von unserem Angebot profitieren, sondern auch, um Innovationen voranzutreiben. Und der letzte Wertevektor sind Daten, Daten, Daten – sowohl interne Daten unserer Organisation als auch externe Daten.

Und so wird eine KI-Schwungmasse, wenn man darüber nachdenkt, was das für uns bedeutet und wie wir uns dafür verändern müssen, dass je mehr Daten wir nutzen können, um unsere Kunden, unsere Stakeholder zu bedienen oder sogar außergewöhnlich zu bedienen, desto besser können die Algorithmen oder die Modelle, die wir verwenden, und die Dienstleistungen werden. Wir wissen also, wie wir anpassen und personalisieren können. Und je besser die Dienstleistungen sind, desto mehr nutzen die Menschen unsere Dienste, und das führt zu mehr Daten, mehr Daten, besseren Algorithmen, besseren Dienstleistungen, mehr Nutzung, mehr Daten.

Das ist wirklich das Schwungrad. Und hier zeigt sich echte Innovation, oft spezifisch für unsere Stakeholder – wie wir sie bestmöglich bedienen können. Die Auswirkungen von KI sind recht geteilt. Einerseits wissen wir, dass einige mit KI in der einen oder anderen Form wirklich führend sind, andererseits wissen wir auch, dass die Adoption eine Herausforderung war – und darüber werde ich ebenfalls sprechen.

Die Auswirkungen von KI innerhalb von Organisationen sind enorm, und es gibt heute zahlreiche Daten, die belegen, dass Menschen, die KI – insbesondere generative KI – in Unternehmen einsetzen, eine Steigerung ihrer Produktivität erfahren. Wenn man sich die vielen Studien ansieht, die an der Harvard Business School und weit darüber hinaus an vielen anderen Orten durchgeführt wurden, zeigt sich: Eine Aufgabe, die mit KI eine Stunde dauert, nahm ohne KI früher drei bis vier Stunden in Anspruch. KI beschleunigt also erheblich, was Menschen tun können und wie sie es tun, einschließlich der Nutzung von Werkzeugen, die zuvor manuell erledigt wurden.

Wenn wir über Vertrieb und Marketing nachdenken, ist Marketing ein Bereich, der durch KI stark unter Druck geraten ist und sich verändert, weil all die Videos, Audios, Bilder und die gesamte Inhaltserstellung jetzt viel schneller möglich sind. Im Finanzwesen oder sogar im Fintech-Bereich, im rechtlichen Umfeld, in der Personalabteilung, im Ingenieurwesen und im Kundenservice – all diese Bereiche fördern, wenn sie gut umgesetzt werden, die Kreativität und definieren die Art des Wettbewerbs neu. Das bedeutet: Wenn ein Unternehmen KI einsetzt und ein anderes nicht, wird das offensichtlich.

Auf der externen Seite haben wir viele Beispiele, oder? Einige Beispiele sind Unternehmen wie Moderna in der Anfangsphase. Und dieser notwendige Mindset-Wandel wird in diesem Zitat von Stephane Bancel, dem CEO von Moderna, eingefangen: „Wir sind ein Technologieunternehmen, das zufällig Biologie betreibt.“ Und was wir von Moderna in der Anfangszeit der COVID-Pandemie wissen: Sie hatten nur 800 Mitarbeiter. Pfizer hatte 100.000 Mitarbeiter. Beide Unternehmen waren entscheidend für die Produktion und Lieferung des COVID-Impfstoffs um 2021 herum. Man sieht die Unterschiede im Maßstab.

Domino’s, wir sind ein Technologieunternehmen, das zufällig auch Pizza macht. Domino’s hat über viele Jahre hinweg eine bemerkenswerte Erfolgsgeschichte in Bezug auf seine Leistung hingelegt, weil sie Technologie und jetzt KI in den Mittelpunkt all ihrer Aktivitäten gestellt haben.

Rakuten ist ein weiteres Beispiel für ein Unternehmen. Ich bin zufällig im Vorstand von Rakuten und kann Ihnen sagen: Als Rakuten seine KI-Strategie ankündigte, die AInization heißt – stellen Sie sich den Begriff vor, nicht der einfachste Begriff, AInization auszusprechen, aber Sie können sich vorstellen, was das bedeutet.

Um dies noch konkreter zu formulieren: Die AInization-Strategie bei Rakuten bestand darin, ein Triple-20-Geschäftswachstum zu erreichen. Das bedeutete eine 20-prozentige Steigerung der Marketingproduktivität, eine 20-prozentige Steigerung der Betriebsproduktivität und eine 20-prozentige Steigerung der Kundenproduktivität bzw. des Umsatzes. Dies war ein Auftrag für die gesamte Organisation, diesen je nach den Dienstleistungen, die für die verschiedenen Geschäftsbereiche von Rakuten erbracht wurden, richtig zu interpretieren und umzusetzen. Rakuten verfügt über ein Ökosystem. Und innerhalb weniger Monate waren die Ergebnisse verblüffend, insbesondere da es sich um einen organisationsweiten Auftrag handelte, kombiniert mit der 30-Prozent-Regel für alle. Hier sind einige der Ergebnisse, die das Unternehmen verzeichnen konnte.

Ein Rückgang der Marketingkosten um 77 % in etwa vier Monaten. Bei denjenigen, die Mobiltelefone besaßen, Rakuten-Mobiltelefone, verzeichneten wir einen Anstieg von 50 % im E-Commerce-Bereich. Und die Einführung von KI war ziemlich massiv. Insbesondere aufgrund dieser Vorgabe und einer 30-Prozent-Regel wurden intern im Unternehmen über 25.000 benutzerdefinierte Bots auf sehr dezentrale Weise erstellt, die Menschen befähigen, ausstatten und dann beginnen, ihre Arbeitsabläufe zu verwalten. Zudem weitere 800 Agenten.

Ein weiteres Beispiel, das ich Ihnen nennen kann, ist die sogenannte KI-gestützte semantische Suche. Wenn Sie auf einer beliebigen E-Commerce-Website einen Kauf tätigen möchten, denken Sie typischerweise an Amazon. Sie gehen in ein Dialogfeld und geben ein: „Hm, vielleicht Sneaker, ich möchte Sneaker, Damen-Sneaker.“ Vielleicht füge ich noch eine Größe hinzu, vielleicht auch nicht. Vielleicht ergänze ich eine Farbe oder nicht. Ich drücke die Eingabetaste und sehe, was angezeigt wird.

Wenn Sie KI integrieren, insbesondere eine KI-gestützte semantische Suche wie Rakuten, geben Sie ein: „Ich gehe zu einem Musikfestival. Es ist ein geschäftliches Event. Es ist ein Familientreffen. Es ist ein Date, was auch immer es sein mag. Vielleicht ist es ein regnerischer Tag. Du weißt, meine Lieblingsfarbe ist Rot. Was empfiehlst du?“ Und das System würde ein komplettes Outfit vorschlagen. Diese einfache Innovation hat zu einem Anstieg des Bruttowarenumsatzes um 6,5 % geführt. Bruttowarenumsatz. Wenn Ihr Bruttowarenumsatz in Milliardenhöhe liegt, stellen Sie sich vor, was diese Zahl bewirken kann.

Das ist also die Art von Sache, die uns zu der Aussage führt, dass es hier um Wandel geht und um die Neudefinition des Wettbewerbs. Ich nenne Ihnen ein weiteres großes Beispiel, das die US-amerikanische Schönheitsindustrie überrascht und im Sturm erobert hat. Die drittgrößte Verkaufsplattform für Schönheitsprodukte in den Vereinigten Staaten ist TikTok, und so funktioniert das. TikTok hat über drei Millionen Influencer, und das ist ein Beispiel dafür, wie Dinge ablaufen können und auch tatsächlich ablaufen.

Dieser spezielle algorithmische KI-Prozess, den ich Ihnen als Beispiel nennen werde, betrifft diesen Influencer. Sein Name ist Li Jiaqi. Sie nennen ihn den Lippenstiftkönig. Und er ist ein ehemaliger L'Oréal-Mitarbeiter, der jetzt ein Influencer mit über hundert Millionen Followern auf vielen Plattformen ist. Sie sehen ihn mit einem Produkt. Er zeigt das Produkt. Während er das Produkt zeigt, laufen im Hintergrund mehrere Algorithmen, eine Engagement-Wärmekarte. Stellen Sie sich vor, Sie könnten das für sich selbst tun, und eine Produkt-Wärmekarte, die bestimmen, wie engagiert die Leute sind und ob sich dieses Produkt verkaufen wird.

现在，当李佳琦说出他的口头禅“哦买噶，姐妹，买它”时，人们会疯狂购买。你看到的销售额类型是，比如一天30亿美元。

Denken Sie nun an unsere Schönheitspflegeindustrie. Sie haben das nie kommen sehen. Bei solchen Verkaufszahlen müssen Sie liefern können, und deshalb wird der Wandel so wichtig. Wie liefern Sie das? Sobald Sie solche Verkaufszahlen haben, können Sie nur dann liefern, wenn Sie richtig strukturiert sind.

Erstens, Datenintegration. Alle Systeme sind in einer Plattform vereint, einer einzigen Quelle der Wahrheit, sodass Marketing und Lieferkette auf die Kampagne dieses Influencers abgestimmt werden können. Das ist der erste Punkt. Zweitens, Bestandsverwaltung. Sie benötigen eine einheitliche Plattform, die sicherstellt, dass das System bei einer effektiven Influencer-Kampagne und einem Nachfrageanstieg automatisch die Bestands- und Lieferkettenprozesse aktualisiert. Und dann das Verbraucherverhalten. Das Verbraucherverhalten, wie ich Ihnen gezeigt habe, die Interaktion und die Produkt-Hitze-Karte – die Heatmaps beispielsweise – basieren auf einem geometrischen Algorithmus, der die Videos, Likes, Wischbewegungen und alles dazwischen analysiert, um den Grad der Interaktion zu bestimmen. Und die Produktinteraktion ist tatsächlich ein maschinelles Lernmodell, das historische und aktuelle Daten nutzt, um vorherzusagen, ob ein Produkt gut verkauft wird oder nicht.

Und all dies zusammen stellt sicher, dass der Influencer nicht nur verkauft, sondern dass Sie diese Verkäufe auch erfüllen müssen und dafür auf eine bestimmte Weise organisiert sein müssen. Und ich werde Ihnen zeigen, wie das aussieht. Aber zuerst: KI-Agenten. Ich wäre nachlässig, wenn ich mir nicht die Zeit nähme, bevor wir übergehen, über KI-Agenten zu sprechen. Und worauf ich hinweisen möchte, ist, dass dies definitiv im Kommen ist. Es sind definitiv die Anfänge, und es ist definitiv etwas, das wir in den nächsten Jahren immer häufiger sehen und hören werden.

Und im Wesentlichen, was ein KI-Agent ist – wenn man darüber nachdenkt, und das ist Microsofts Definition, die ich sehr mag, viele der anderen Mag 7 haben ihre eigenen Definitionen, aber ich finde diese klar und sauber. Microsoft definiert KI-Agenten als „Systeme, die planen und handeln können, um Aufgaben oder ganze Arbeitsabläufe autonom mit entscheidenden Momenten menschlicher Aufsicht zu erledigen.“

Microsoft hat im letzten April veröffentlicht, und Sie möchten dies vielleicht heranziehen, es ist sehr leicht zu bekommen, was sie "Das Jahr, in dem die Grenzfirma geboren wird" nennen. Und sie haben ehrgeizig drei Arbeitsmuster definiert, die Menschen mit Unterstützung, Menschen mit digitalen Kollegen und vielleicht sogar menschengeführte Agenten umfassen. All dies ist interessant zu betrachten, um darüber nachzudenken, was das für uns und unsere Arbeitsabläufe bedeutet, und um zu verstehen, was es bedeutet, Agenten und diese autonom gesteuerten Arbeitsabläufe mit menschlicher Aufsicht zu entwickeln.

Eine Seite, die ich mag und die dir einen Eindruck davon vermitteln kann, wie das funktioniert, ist n8n.io. Schau sie dir an. Sobald du eine halbe Stunde auf dieser Seite verbringst, wird dir klar, was das alles bedeutet. Aber ich erwähne das, weil es jetzt wichtige Gründe gibt, herauszufinden, wie wir organisiert sein müssen, was als Nächstes für uns ansteht und warum dies eine radikale Veränderung ist.

Eine Studie unseres Kollegen Marco Iansiti untersuchte die Vorreiter und Nachzügler im Bereich KI. Er stellt fest, dass der größte Erfolgsfaktor darin besteht, dass Sie mit jeder technologischen Architektur, die Sie einführen – wie der von mir erwähnten einheitlichen Plattform – auch Ihre Prozesse ändern müssen. Sie müssen Ihre Prozesse innovieren. Sie können Ihre alten Prozesse nicht einfach auf die neue Plattform, den neuen Ansatz oder die neue, KI-gesteuerte Strategie in den bisher beschriebenen Formen übertragen.

Der zweite Punkt ist, dass KI-orientierte Unternehmen nach Daten, Algorithmen und einheitlichen Plattformen organisiert sind – nicht nur nach Abteilungen. KI-Plattformen oder KI-Organisationen sehen so aus. Das ist das Ziel. Sie haben mehrere Datenquellen, einschließlich Geschäftsbereichen, die ihre Eigenständigkeit bewahren können, aber ihre Daten teilen können. Sie sehen diesen mittleren Teil, wo „KI-Fabrik“ steht, Daten mit Tresoren teilen. Es geht nicht darum, dass Sie einfach alle Ihre Daten in ein beliebiges System werfen. Es gibt all diese Kontrollen, die Sie einrichten müssen. Aber wenn Sie diese KI-Fabrik haben, direkt darüber, sitzen die verschiedenen Einheiten wie Rakuten auf dieser Datenplattform wie Apps auf Ihrem iPhone.

So sehen nicht KI-orientierte Unternehmen aus, wie viele unserer Unternehmen – abgeschottet, das Spaghettichaos, das Sie sehen: IT-Projekte, Meetings, Meetings, Meetings, Meetings. „Oh nein, Sie müssen zur Rechtsabteilung. Oh nein, Sie müssen dahin. Oh, ich weiß nicht. Nein, das sind meine Daten. Nein, das sind Ihre Daten. Nein, ich teile meine Daten nicht.“ All diese Dinge, oder? Alles organisatorisch. Aber das ist Teil der großen Veränderung, die wir durchmachen müssen.

Amy, ich möchte noch eine letzte Sache mit dir teilen, und vielleicht können wir beide darüber sprechen. Das Letzte, was ich teilen möchte, ist Folgendes: existenzielle Bedrohungen, und dann können wir das Thema wechseln. Ich möchte dir also diese Liste mit fünf Punkten zu existenziellen Bedrohungen hinterlassen, die dir zeigen können, in welchem Ausmaß und wie du dich verändern musst. Erstens: Wird KI deine Kernkompetenzen stören? Zweitens: Investieren deine Investoren und Wettbewerber in KI und kommen damit voran? Drittens: Kundenerwartungen – verändern sie sich? Und ja, sie verändern sich massiv. Wir sehen das ganz deutlich in unserer Welt. Viertens: Die aktuelle Technologie schränkt deine Innovation ein – denk an technische Schulden. Und schließlich: Friert deine Unternehmenskultur dein Unternehmen in veralteten Modellen ein?

Damit, Amy, lass uns reden.

AMY BERNSTEIN: Oh mein Gott. Meine Brust ist eng von diesen Fragen, Tsedal. Danke.

Der Lipstick King von TikTok haut mich um. Aber du hast eine Menge Fragen, Tsedal. Lass mich eine teilen, die sehr viele Upvotes von Kinan bekommen hat, der fragt: „Wie messen wir den ROI der Effizienz, die durch KI gebracht wird?“

TSEDAL NEELEY: Ah. Die ROI-Frage ist eine riesige Frage. Wir hören sie ständig, und es gibt zwei Möglichkeiten, darüber nachzudenken. Es gibt ROI, den du nicht bekommen wirst. Zum Beispiel sagt mein lieber Freund und Kollege, den du so gut kennst, Amy, Karim Lakhani: „Gibt es einen ROI auf WLAN?“ Es gibt einige Dinge, die wir tun müssen, bei denen wir keinen direkten ROI haben werden, wie du ihn dir vorstellst.

Auf der anderen Seite steigt die Produktivität mit dem Einsatz von KI definitiv, sei es in der Softwareentwicklung oder sogar beim Erstellen von Präsentationen, Folien und Analysen usw. Es ist also schwer zu sagen, dass wir diesen ROI messen werden.

Aber das, was du messen musst, ist: Wie innovieren wir? Was sind die Ergebnisse? Wir müssen in dieser Welt sehr ergebnisorientiert sein. Und selbst bei jeder technologischen Revolution, die ich sehr genau beobachtet habe, musst du darüber nachdenken, welche Ergebnisse wir brauchen und ob wir diese Ergebnisse messen können. Dahin musst du gehen, zu den Ergebnissen. Besessen von Ergebnissen.

AMY BERNSTEIN: Ja. Ich denke, das ist immer wahr. Wir sollten von Ergebnissen besessen sein. Lass mich dir noch eine Frage stellen. Es ist schwer, eine auszuwählen, aber lass uns diese nehmen. Von Emmanuel: „Der KI-Hype erzeugt tatsächlich viel Angst in unseren Organisationen. Als Führungskräfte, welche Botschaft kann die Akzeptanz und das Engagement bei der Einführung von KI-Technologien fördern?“

TSEDAL NEELEY: Ungefähr alle 40 Jahre gibt es einen KI-Hype. Das ist nicht neu, und es lässt sich ziemlich gut alle 40 Jahre zurückverfolgen. Wir sind gerade in dieser Ära. KI wird die Menschheit retten. KI wird die Menschheit zerstören, usw.

Ich denke, der beste Ansatz ist Nummer eins: Du musst KI entmystifizieren. 30 % für alle. Und das ist Teil dessen, was wir an der Harvard Business School tun. Wenn die Leute KI verstehen, reduziert das wirklich die Angst und die Temperatur, also Training, Training, Training.

Die zweite Sache ist empirische Evidenz. Glaube nicht dem Hype. Glaube dem Beweis. Also suchen wir immer nach Beweisen, Evidenz, empirisch, empirisch, empirisch.

Drittens: Sei sehr klar über die Anwendungsfälle, die wichtig sind, und demonstriere sie und präsentiere sie in deiner Organisation, damit die Leute sich auf die Anwendungsfälle konzentrieren können, die für dich am relevantesten sind. Aber der Hype wird da sein, und er wird heftig sein.

ALISON BEARD: Das war Tsedal Neeley, die einen Meisterkurs über KI im Rahmen unseres kürzlichen HBR Strategy Summits gegeben hat. Neeley ist Co-Autorin des Buches „The Digital Mindset“.

Wenn dir diese Folge hilfreich erscheint, teile sie mit einem Kollegen und abonniere und bewerte IdeaCast unbedingt in Apple Podcasts, Spotify oder wo auch immer du hörst. Wenn du Führungskräften helfen möchtest, die Welt voranzubringen, erwäge bitte, ein Abonnement der Harvard Business Review abzuschließen. Du erhältst Zugang zur HBR-Mobil-App, dem wöchentlichen exklusiven Insider-Newsletter und unbegrenzten Zugang zu HBR online. Gehe einfach auf hbr.org/subscribe.

Danke an unser Team, Senior Producer Mary Dooe, Audio Product Manager Ian Fox und Senior Production Specialist Rob Eckhardt. Und danke an dich fürs Zuhören beim HBR IdeaCast. Wir sind am Dienstag mit unserer regulären Folge zurück. Ich bin Alison Beard.