Warum wir genauer prüfen müssen, welche Ideen eine Lösung verdienen
Noch vor wenigen Jahren war bei vielen digitalen Ideen die erste Frage ziemlich eindeutig: Können wir das überhaupt bauen?
Brauchen wir dafür Entwickler? Eine Agentur? Ein größeres Budget? Wie lange dauert die Umsetzung?
Generative KI verändert diese Ausgangslage gerade erheblich. Mit Vibe Coding, No-Code-Plattformen und KI-Assistenten können heute auch Menschen ohne klassische Softwareentwicklung relativ schnell kleine Anwendungen, Assistenten und Automatisierungen erstellen. Ein erster Prototyp, für den früher vielleicht ein kleines Entwicklungsprojekt notwendig gewesen wäre, kann unter Umständen innerhalb weniger Stunden entstehen.
Das ist zunächst einmal praktisch.
Es schafft aber auch ein neues Problem: Wenn wir fast alles ausprobieren können, müssen wir sehr viel besser darin werden zu entscheiden, was wir überhaupt ausprobieren sollten.
Vom „Können wir das?“ zum „Sollten wir das?“
Ich merke diese Verschiebung bei mir selbst.
Eine Idee für einen kleinen Audithelfer? Könnte man bauen. Ein Tool zur Bewertung von Abweichungen? Ebenfalls. Eine Anwendung, die Informationen strukturiert, Dokumente vorbereitet oder bei einer Entscheidung unterstützt? Technisch zumindest als Prototyp häufig kein großes Hindernis mehr.
Und genau das ist die Falle.
Denn ein funktionierender Prototyp beantwortet zunächst nur eine einzige Frage:
Kann man es bauen?
Er beantwortet noch nicht:
Braucht es jemand?
Und schon gar nicht:
Ist eine eigene Anwendung tatsächlich die sinnvollste Lösung für dieses Problem?
Vielleicht reicht eine Excel-Tabelle. Vielleicht ein gut aufgebauter SharePoint. Vielleicht ein standardisierter Prompt. Vielleicht muss der Prozess selbst überarbeitet werden. Und manchmal ist das Problem schlicht nicht groß genug, um überhaupt eine zusätzliche Lösung zu rechtfertigen.
Das klingt selbstverständlich. In der Praxis wird es durch KI aber schwieriger, nicht einfacher. Denn je geringer die Hürde zum Bauen wird, desto geringer wird auch die Hürde, eine mittelmäßige Idee tatsächlich umzusetzen.
Das ist eigentlich eine klassische Qualitätsfrage
Aus Sicht des Qualitätsmanagements ist diese Entwicklung erstaunlich vertraut.
Wir würden schließlich auch bei einem neuen Prozess nicht ausschließlich fragen, ob wir ihn technisch einführen können. Wir würden uns mit Anforderungen beschäftigen, mit dem vorgesehenen Zweck, mit Anwendern, Risiken, Schnittstellen und der Frage, woran wir später erkennen, ob der Prozess tatsächlich funktioniert.
Bei KI-Anwendungen sollten wir nicht anders vorgehen.
Damit verschiebt sich ein Teil der Aufmerksamkeit von der technischen Umsetzung auf die Qualität der Entscheidung vor der Umsetzung.
Nicht:
Wie schnell bekomme ich einen Prototyp gebaut?
Sondern:
Welches Problem versuche ich eigentlich zu lösen, und rechtfertigt dieses Problem eine eigene Lösung?
Das ist ein erheblicher Unterschied.
Der Prototyp ist noch kein Nutzen
Gerade KI-generierte Anwendungen können diesen Unterschied leicht verdecken.
Etwas funktioniert. Der Button reagiert. Daten werden verarbeitet. Eine hübsche Oberfläche ist vorhanden. Das Ergebnis sieht beeindruckend aus.
Damit entsteht schnell das Gefühl: Wir haben etwas geschaffen.
Aus QM-Sicht wäre an dieser Stelle allerdings erst ein Teil der Arbeit erledigt. Die technische Funktion ist lediglich eine Anforderung unter mehreren.
Interessanter sind Fragen wie:
Wer soll die Anwendung regelmäßig nutzen?
Welche konkrete Arbeit wird dadurch besser, schneller oder sicherer?
Was passiert heute ohne diese Anwendung?
Gibt es bereits eine ausreichend gute Lösung?
Welche neuen Risiken, Pflegeaufwände oder Abhängigkeiten entstehen?
Und schließlich:
Woran würden wir nach drei Monaten erkennen, dass sich die Einführung gelohnt hat?
Spätestens bei diesen Fragen verschwinden einige vermeintlich gute Ideen ziemlich schnell wieder vom Tisch.
Das ist kein Misserfolg. Im Gegenteil.
Ein kleines Quality Gate vor dem Bauen
Vielleicht brauchen wir deshalb bei KI-Projekten häufiger ein sehr kleines Quality Gate, bevor wir mit dem eigentlichen Bauen beginnen.
Ich würde dafür fünf Fragen stellen:
| Frage | Was damit geprüft wird |
|---|---|
| Welches konkrete Problem lösen wir? | Problem statt Technologie als Ausgangspunkt |
| Für wen ist dieses Problem relevant? | tatsächliche Nutzer und Bedarf |
| Wie wird das Problem heute gelöst? | bestehende Alternativen |
| Was wird mit der neuen Lösung messbar besser? | Nutzen und Erfolgskriterien |
| Welche Folgekosten und Risiken erzeugen wir? | Betrieb, Pflege, Datenschutz, Sicherheit und Verantwortung |
Wenn sich diese Fragen nicht vernünftig beantworten lassen, muss die Idee nicht endgültig verworfen werden.
Aber vielleicht sollte man noch nicht anfangen, sie zu bauen.
Das Quality Gate ist dabei ausdrücklich kein Business Case im Kleinformat. Für ein Experiment muss ich nicht bereits den wirtschaftlichen Nutzen der nächsten drei Jahre berechnen. Es sollte aber zumindest eine plausible Annahme geben, warum sich das Experiment lohnt und was ich daraus lernen möchte.
Gerade KI macht Weglassen wichtiger
In den vergangenen Jahren haben wir viel darüber gesprochen, wie KI den Zugang zu Fähigkeiten demokratisiert. Menschen können Bilder erstellen, Daten analysieren, Texte produzieren und inzwischen auch Anwendungen bauen, ohne die jeweilige Tätigkeit vollständig selbst beherrschen zu müssen.
Das ist relevant.
Aber die zweite Seite dieser Entwicklung bekommt meines Erachtens noch zu wenig Aufmerksamkeit.
Wenn die Kosten des Produzierens sinken, steigt die Bedeutung der Auswahl.
Wir können mehr Texte produzieren. Deshalb müssen wir besser entscheiden, welche Texte überhaupt geschrieben werden sollten.
Wir können mehr Analysen erstellen. Deshalb müssen wir besser entscheiden, welche Analysen tatsächlich eine Entscheidung verbessern.
Und wir können mehr Anwendungen bauen. Deshalb müssen wir besser entscheiden, welche davon jemand wirklich braucht.
Für Unternehmen bedeutet das auch: Eine wachsende Zahl möglicher KI-Anwendungen ist noch keine KI-Strategie.
Vielleicht ist „nicht bauen“ manchmal das bessere Ergebnis
Qualitätsmanagement wird gelegentlich als Disziplin wahrgenommen, die hauptsächlich prüft, ob etwas richtig gemacht wurde.
Bei KI könnte eine andere Funktion mindestens genauso wichtig werden: früh genug zu prüfen, ob überhaupt das Richtige gemacht wird.
Das gilt besonders, wenn technische Umsetzung immer billiger und schneller wird.
Die entscheidende Fähigkeit besteht dann nicht darin, jede gute Idee möglichst schnell in einen Prototyp zu verwandeln. Sie besteht auch darin, zwischen einer interessanten Idee, einem sinnvollen Experiment und einer tatsächlich benötigten Lösung unterscheiden zu können.
Vielleicht verändert sich deshalb gerade die wichtigste Frage vor einem neuen KI-Projekt.
Nicht mehr nur:
Können wir das bauen?
Sondern:
Ist dieses Problem wichtig genug, dass wir es bauen sollten?
