Haben Sie jemals über den Unterschied zwischen einem Werkzeug und einem System nachgedacht?
Werkzeuge sind Dinge, die wir bei der Arbeit verwenden. Systeme machen die Arbeit ebenfalls effizienter.
Manche mögen die Vorstellung haben, dass ein System lediglich ein komplexeres Werkzeug ist.
Wenn wir jedoch die Arbeit in zwei Arten unterteilen – iterative Arbeit und Flow-basierte Arbeit – wird der Unterschied zwischen einem Werkzeug und einem System bemerkenswert klar.
Iteration und Flow
Iterative Arbeit ist der Prozess, bei dem ein Arbeitsergebnis durch Versuch und Irrtum schrittweise erstellt und dabei flexibel angepasst wird.
Für iterative Arbeit ist ein Toolkit nützlich, das es Ihnen ermöglicht, das richtige Werkzeug für spezifische Aufgaben auszuwählen.
Flow-basierte Arbeit hingegen beinhaltet das Fortschreiten durch verschiedene Stufen, wobei das Arbeitsergebnis in der letzten Stufe produziert wird.
Bei Flow-basierter Arbeit verbessert ein System, das die Arbeit entlang des Flows leitet, die Produktivität und Qualität erheblich.
Transformation in Flow-basierte Arbeit und Systematisierung
Ein Großteil der von Menschen ausgeführten Arbeit ist entweder iterative Arbeit oder eine Komponente eines systematisierten, Flow-basierten Prozesses.
Die Transformation iterativer Arbeit in Flow-basierte Arbeit und deren anschließende Systematisierung trägt maßgeblich zur Verbesserung von Produktivität und Qualität bei.
Die Industrielle Revolution und die IT-Revolution
Die Industrielle Revolution und die IT-Revolution sind Paradebeispiele für eine signifikante Steigerung von Produktivität und Qualität durch die Transformation iterativer Arbeit in Flow-basierte Arbeit und deren anschließende Systematisierung.
Vor der Industriellen Revolution wurde die Fertigung als iterative Arbeit ausgeführt, bei der Menschen geschickt Werkzeuge einsetzten und Anordnungen sowie Verfahren jedes Mal frei änderten.
Auch die Informationsverarbeitung vor der IT-Revolution war iterative Arbeit, bei der Menschen Werkzeuge nutzten und nicht standardisiert vorgingen.
Durch die Systematisierung dieser Prozesse, ähnlich wie bei Fabrikproduktionslinien und IT-Systemen in Unternehmen, wurden Produktivität und Qualität gesteigert.
Doch nicht nur die Systematisierung, sondern die Flow-basierte Transformation dieser iterativen Arbeit ist äußerst entscheidend. Gerade weil die Flow-basierte Transformation erreicht wurde, konnte die Systematisierung erfolgen.
Die Revolution der generativen KI
Wenn man im Geschäftsleben die Produktivität und Qualität durch den Einsatz generativer KI verbessern möchte, wird die bloße Verwendung von KI als Werkzeug keinen wahren Wert liefern.
Das Hauptziel ist die Transformation iterativer Arbeit in Flow-basierte Arbeit und anschließend die Systematisierung dieser Flow-basierten Arbeit.
Generative KI, die zu flexibler Anpassung fähig ist, kann iterative Aufgaben bewältigen. Doch ob von Menschen oder generativer KI ausgeführt, gibt es Grenzen für die Produktivität und Qualität iterativer Arbeit.
Deshalb ist es entscheidend, eine Flow-basierte Transformation und Systematisierung anzustreben.
Man könnte argumentieren, dass, wenn eine Flow-basierte Transformation die Produktivität und Qualität bereits mit menschlichen Arbeitskräften verbessern könnte, solche Initiativen auch schon vor dem Aufkommen generativer KI hätten unternommen werden können.
Allerdings ist eine Flow-basierte Transformation, die auf menschliche Arbeitskräfte abzielt, tatsächlich ein sehr schwieriges Problem. Menschliche Arbeitskräfte können sich nicht sofort an Änderungen von Aufgaben oder Inhalten anpassen.
Wenn der Akteur hingegen generative KI ist, ist es einfach, Aufgaben und Inhalte durch Versuch und Irrtum neu zu konfigurieren.
Im Gegensatz zu Menschen kann generative KI frühere Schritte vergessen, neue Prozeduren sofort lesen und verstehen und darauf basierend arbeiten.
Daher wird der primäre Ansatz für den Einsatz generativer KI im Geschäftsleben die Transformation iterativer Arbeit in Flow-basierte Arbeit und deren anschließende Systematisierung sein.
Verbesserung der Geschäftseffizienz durch generative KI
Betrachten wir ein Beispiel für die Verbesserung der Geschäftseffizienz durch den Einsatz generativer KI.
Nehmen wir als Beispiel die Aufgabe, Anfragen von Mitarbeitern zu Unternehmensregeln zu beantworten.
Durch den Einsatz generativer KI kann man Unternehmensregeln durchsuchen und Entwürfe für Antworten erstellen.
Es besteht jedoch die Möglichkeit, dass die generative KI auf veraltete Regeln verweist oder fälschlicherweise Antworten erfindet und liefert, die nicht explizit in den Regeln aufgeführt sind.
Darüber hinaus gehen Anfragen in verschiedenen Formen ein, wie z.B. per E-Mail, Messenger-Tools, Telefonanrufe oder mündliche Kommunikation.
Daher müssen Mitarbeiter, die Anfragen bearbeiten, diese weiterhin wie gewohnt entgegennehmen.
Es ist denkbar, dass die Effizienz verbessert werden könnte, indem Fragen, die sofort beantwortet werden können, direkt beantwortet werden, und bei solchen, die eine Regelprüfung erfordern, der Inhalt der Anfrage in die generative KI eingegeben wird, um Entwürfe für Antworten zu generieren.
Zusätzlich ist es für häufig gestellte Fragen notwendig, diese als FAQs auf der internen Homepage des Unternehmens zu veröffentlichen.
Generative KI kann auch verwendet werden, um typische Fragen und Antworten einzugeben und Entwürfe in Stichpunkten für die Veröffentlichung auf der Website zu erstellen.
Des Weiteren kann generative KI bei erforderlichen Regelrevisionen für die Ausarbeitung von Vorschlägen genutzt werden.
Solche Anwendungen könnten einen bestimmten Prozentsatz der Aufgaben zur Bearbeitung von Anfragen effizienter gestalten.
Dies belässt die Anfragebearbeitung jedoch lediglich als iterative Arbeit und nutzt generative KI als Werkzeug.
Folglich sind die Effizienzgewinne sehr begrenzt.
Transformation in Flow-basierte Arbeit
Um die Effizienz der beispielhaft genannten Aufgabe der Anfragenbearbeitung zu maximieren, muss diese Aufgabe in einen Flow umgewandelt werden.
Dazu müssen die von der zuständigen Person bei der Bearbeitung von Anfragen durchgeführten Aufgaben detailliert und formalisiert werden:
- Anfragen über verschiedene Kanäle entgegennehmen.
- Wenn die Anfrage mit einer bereits beantworteten übereinstimmt und keine Änderungen an den zugehörigen Regeln vorgenommen wurden, dieselbe Antwort geben.
- Bei neuen Anfragen oder Anfragen, die Regeländerungen betreffen, die Regeln bestätigen und einen Antwortentwurf erstellen.
- Prüfen, ob der Antwortentwurf keine veralteten Regeln referenziert oder Informationen enthält, die nicht in den Regeln aufgeführt sind.
- Prüfen, ob vor der Beantwortung eine Genehmigung erforderlich ist, und diese gegebenenfalls einholen.
- Über den Kanal antworten, über den die Anfrage empfangen wurde.
- Den Inhalt der Anfrage, das Genehmigungsergebnis und das Antwort-Ergebnis in den Anfragen-Verlaufsdaten registrieren.
- Regelmäßig die Anfragen-Verlaufsdaten überprüfen und Entwürfe für die Aktualisierung häufig gestellter Fragen und Antworten erstellen.
- Die interne Unternehmenshomepage nach Genehmigung aktualisieren.
- Die referenzierten Regeldaten aktualisieren, wenn Regeln aktualisiert werden.
- Gleichzeitig in den vergangenen Anfragen-Verlaufsdaten festhalten, dass zugehörige Antworten und Regelaktualisierungen stattgefunden haben.
- Bestätigen, ob häufig gestellte Fragen und Antworten aufgrund von Regeländerungen überprüft werden müssen, und diese gegebenenfalls aktualisieren.
Durch die klare Definition der Details der ausgeführten Aufgaben, wie oben beschrieben, können diese Aufgaben miteinander verbunden werden, wodurch flexible, iterative Arbeit in einen klareren, Flow-basierten Prozess umgewandelt wird.
Beispiel der Systematisierung
Durch die Schaffung dieses Arbeitsflusses wird der Weg zur Systematisierung deutlich.
Für die Systematisierung besteht die Möglichkeit, die Anfragekanäle zu konsolidieren, falls eine gewisse Einbuße beim Komfort der Mitarbeiter akzeptabel ist.
Umgekehrt, wenn der Mitarbeiterkomfort Priorität hat, sollte das System die Fähigkeit beibehalten, Anfragen über alle Kanäle zu empfangen.
Grundsätzlich sollte das System Anfragen direkt empfangen. Nur bei mündlichen Anfragen sollte die zuständige Person diese in das System eingeben.
Nach Eingang einer Anfrage sollten das IT-System und die generative KI so viel wie möglich von der nachfolgenden Arbeit gemäß dem Flow ausführen. Zunächst sollten menschliche Überprüfungen und Genehmigungen im gesamten System eingeflochten sein, und menschliche Bediener sollten Korrekturen vornehmen können.
Wenn das System dann zur Anfragenbearbeitung verwendet wird und die generative KI einen Fehler macht, sollten die Anweisungen an die generative KI mit Warnungen, Prüfpunkten, Beispielen für Fehler und korrekten Beispielen aktualisiert werden, um ein erneutes Auftreten zu verhindern.
Dies ermöglicht eine Reduzierung der Fehler der generativen KI. Dieser Prozess der Aktualisierung von Anweisungen für die generative KI kann noch effizienter gestaltet werden, wenn er statt einer iterativen Aufgabe in eine Flow-basierte Aufgabe umgewandelt wird.
Auf diese Weise kann durch die Systematisierung Flow-basierter Arbeit selbst Aufgaben, die scheinbar menschliches Eingreifen erfordern, durch ein System ersetzt werden, das auf generativer KI basiert.
Häufige Missverständnisse
Viele Menschen sind der Ansicht, dass die geschäftliche Anwendung generativer KI derzeit nicht sehr effektiv oder verfrüht ist.
Ein erheblicher Teil dieser Personen unterliegt jedoch oft zwei Arten von Missverständnissen.
Das erste Missverständnis entsteht dadurch, dass man sich auf die Nutzung generativer KI als Werkzeug konzentriert.
Wie hier gezeigt, steigert der Einsatz generativer KI als Werkzeug für iterative Aufgaben die Geschäftseffizienz nicht wesentlich. Das Erleben oder Hören davon führt zu diesem Missverständnis.
Das zweite Missverständnis rührt daher, dass man sich darauf konzentriert, generative KI iterative Aufgaben ausführen zu lassen.
Tatsächlich funktioniert der Versuch, die aktuelle generative KI iterative Aufgaben ausführen zu lassen, nicht gut. Folglich kann generative KI die von Menschen ausgeführten Aufgaben nicht vollständig übernehmen, und die ausschließliche Konzentration auf diesen Punkt führt zu dem Missverständnis.
Fazit
Wie hier erörtert, ist durch die Umwandlung iterativer Arbeit in Flow-basierte Arbeit und deren Systematisierung eine höhere Effizienz als mit bloßen Werkzeugen zu erwarten.
Darüber hinaus können, auch wenn iterative Arbeit selbst nicht vollständig bewältigt werden kann, viele einzelne Aufgaben innerhalb eines Flow-basierten Prozesses von der aktuellen generativen KI verwaltet werden. Selbst wenn es anfänglich viele Fehler gibt, kann durch die Aktualisierung von Anweisungen eine kontinuierliche Verbesserung erreicht werden.
Alternativ können Aufgaben bei Bedarf aufgeteilt werden, indem das Entwerfen vom Prüfen getrennt oder eine mehrstufige Prüfung implementiert wird.
Wenn die Systematisierung auf diese Weise erreicht werden kann, werden sich die Verbesserungen mit jeder Aufgabe fortsetzen und die Abläufe werden mit der Zeit effizienter werden.
Dies ist eine Arbeitsweise, die eine kontinuierliche Verbesserung des Mechanismus selbst ermöglicht, ähnlich wie bei der Fabrikproduktion und der Implementierung von IT-Systemen.
Um generative KI nutzbar zu machen, ist ein Umdenken erforderlich: Anstatt nur die eigenen iterativen Aufgaben zu verbessern, müssen Sie Ihre Arbeit objektiv in Flow-basierte Prozesse umwandeln und diese systematisieren.