Insights
Warum generative AI Innovationsengpässe vertieft
Die meisten Organisationen kaufen sich Geschwindigkeit in einer Phase ein, die ohnehin nie langsam war.
Ich beschäftige mich diesen Sommer intensiv mit einem Framework der Harvard Business School – einem Working Paper von Forschern, das eine sogenannte „Human Bottleneck“-Perspektive auf Innovation vorschlägt (HBS WP 26-094, 2026). Deren Prämisse ist auf leise Art radikal. Die Faktoren, die den Innovationsprozess bremsen, sind selten technischer Natur. Sie sind kognitiver und sozialer Natur. Sie liegen darin, wie Menschen Ideen generieren, wie sie Neuheit beurteilen und wie Ideen durch soziale Systeme wandern. Und generative AI wirkt nicht gleichmäßig auf diese Engpässe. In jeder Phase entlastet sie einige und vertieft andere.
Dieser letzte Satz ist der, zu dem ich immer wieder zurückkehre. Wir sprechen über AI, als ob sie eine Flut wäre, die alles anhebt. Sie ist eher ein Hebel. Wo man ihn ansetzt, bestimmt, ob sich etwas bewegt oder bricht.
Die Phasen
Betrachten wir die Phasen. Die Ideengenerierung war echte Mühsal – eine kleine Gruppe von Menschen, eine endliche Anzahl von Stunden, die Grenzen der eigenen Lektüre. AI entlastet diesen Engpass fast vollständig. Organisationen können mittlerweile an einem Nachmittag mehr plausible Ideen produzieren als zuvor in einem ganzen Quartal.
Aber auch die Prüfung war eng bemessen, und AI entlastet sie nicht auf dieselbe Weise. Um Neuheit zu beurteilen, muss man wissen, was bereits ausprobiert wurde, was gescheitert ist und was die Organisation tatsächlich verkraften kann. Dieses Urteil beruht auf implizitem Wissen, das nur wenigen Personen zur Verfügung steht. Wenn sich also der Output at Ideen vervielfacht und die Prüfungskapazität konstant bleibt, verschwindet der Engpass nicht. Er verlagert sich – und trifft genau die Menschen, die ohnehin schon der Engpass waren.
Ich vermute, das ist der Grund, warum sich so viele AI-Programme von innen heraus so seltsam enttäuschend anfühlen. Der Output steigt. Die Entscheidungsgeschwindigkeit tut es nicht. Führungskräfte halten das für ein Akzeptanzproblem und kaufen weitere Tools für die Phase, die ohnehin schon schnell war.
Eine zweite Literatur schärft den Punkt
Eine zweite Literatur schärft diesen Punkt. Eine in diesem Jahr in Frontiers in Psychology veröffentlichte Arbeit unterscheidet zwei Arten, wie Menschen das Denken an eine Maschine abgeben. Bei der abhängigen Auslagerung delegiert die Person das Urteil selbst und akzeptiert das Ergebnis. Bei der autonomen Auslagerung delegiert die Person die Produktion und behält das Urteil – indem sie den Output als Material zum Hinterfragen nutzt. Das Verhalten sieht von außen identisch aus. Dasselbe Tool, derselbe Prompt, dasselbe Dokument, das pünktlich eintrifft. Was sich unterscheidet, ist, wo der menschliche Geist im Prozess verblieben ist.
Organisationen messen das Artefakt. Also können sie die beiden nicht voneinander unterscheiden. Und wenn im Laufe der Zeit nur das Artefakt gemessen wird, gewinnt die billigere der beiden Gewohnheiten.
Welchen Engpass entlasten wir eigentlich?
Was folgt, ist keine Technologiestrategie. Es ist eine Designfrage, und sie lässt sich in einer Stunde stellen:
Welchen Engpass entlasten wir eigentlich? Benennen Sie die Phase. Wenn es die Generierung ist, erwarten Sie Volumen, keine besseren Entscheidungen.
Welchen Engpass haben wir gerade vertieft? Wenn sich die Generierung vervielfacht hat, wer muss das jetzt alles beurteilen – und haben wir diesen Leuten irgendetwas an die Hand gegeben?
Wo wird das Urteil noch von zu wenigen Menschen gehalten? Genau dort ist der Beitrag knapp und die Organisation am anfälligsten.
Belohnen wir autonome oder abhängige Auslagerung? Fragen Sie die Leute nicht, was sie produziert haben, sondern was sie abgelehnt haben und warum. Die Begründung für eine Ablehnung ist das aussagekräftigste Signal des Denkens, das wir haben, und fast niemand sammelt es.
Woran es unserem speziellen System eigentlich mangelte
Es liegt etwas Klärendes in dieser Engpass-Betrachtung. Sie lehnt die Illusion ab, dass ein Tool eine Organisation gleichmäßig verbessert. Sie stellt die Frage dorthin zurück, wo sie hingehört: nicht was die Technologie leisten kann, sondern woran es unserem speziellen System eigentlich mangelte.
Die meisten Organisationen – so glaube ich – hatten nie einen Mangel an Ideen. Ihnen fehlte der Mut und die Kapazität, diese zu beurteilen. Kein Modell löst dieses Problem. Es macht den Mangel nur sichtbarer – und vielleicht teurer, ihn weiterhin zu ignorieren.