Haben Sie jemals über den Unterschied zwischen einem Werkzeug und einem System nachgedacht?
Werkzeuge sind das, was wir zur Erledigung von Aufgaben verwenden. Systeme rationalisieren Aufgaben in ähnlicher Weise.
Manche stellen sich ein System vielleicht einfach als ein komplexeres Werkzeug vor.
Wenn Aufgaben jedoch in zwei Typen unterteilt werden – Iterationsarbeit und Flow-Arbeit – wird der Unterschied zwischen Werkzeugen und Systemen deutlich.
Iteration und Flow
Iterationsarbeit ist der Prozess, bei dem Arbeitsergebnisse durch flexibles Ausprobieren schrittweise erstellt werden.
Bei der Iterationsarbeit ist ein Toolkit nützlich, das je nach spezifischer Aufgabe austauschbar verwendet werden kann.
Umgekehrt ist Flow-Arbeit ein Prozess, der inkrementell voranschreitet und in der Endphase ein Arbeitsergebnis liefert.
Bei der Flow-Arbeit verbessert ein System, das den Arbeitsablauf steuert, die Produktivität und Qualität erheblich.
Flow-Arbeitsumwandlung und Systematisierung
Viele von Menschen ausgeführte Aufgaben sind entweder Iterationsarbeit oder ein Teil systematisierter Flow-Arbeit.
Durch die Umwandlung von Iterationsarbeit in Flow-Arbeit und deren anschließende Systematisierung können Produktivität und Qualität erheblich gesteigert werden.
Die Industrielle Revolution und die IT-Revolution
Die Industrielle Revolution und die IT-Revolution sind Paradebeispiele dafür, wie die Umwandlung von Iterationsarbeit in Flow-Arbeit und deren Systematisierung Produktivität und Qualität dramatisch verbesserte.
Vor der Industriellen Revolution wurde die Fertigung als Iterationsarbeit ausgeführt, wobei Menschen geschickt Werkzeuge einsetzten und Anordnungen und Verfahren jedes Mal frei änderten.
Ähnlich verhielt es sich vor der IT-Revolution: Die Informationsverarbeitung erfolgte durch Menschen, die Werkzeuge auf unstrukturierte, iterative Weise nutzten.
Durch die Systematisierung dieser Prozesse, ähnlich wie bei Fabrikproduktionslinien oder IT-Systemen in Unternehmen, wurden Produktivität und Qualität erheblich gesteigert.
Doch nicht nur die Systematisierung, sondern auch die Flow-Arbeitsumwandlung iterativer Aufgaben ist von größter Bedeutung. Erst die Möglichkeit, zur Flow-Arbeit überzugehen, machte die Systematisierung überhaupt erst möglich.
Die Revolution der generativen KI
Wenn das Ziel ist, die Produktivität und Qualität durch den Einsatz generativer KI in Geschäftsabläufen zu verbessern, wird die bloße Verwendung von KI als Werkzeug ihren wahren Wert nicht erschließen.
Das Kernziel ist die Flow-Arbeitsumwandlung der Iterationsarbeit, gefolgt von der Systematisierung dieser Flow-Arbeit.
Generative KI kann aufgrund ihrer Anpassungsfähigkeit Iterationsarbeit übernehmen. Ob von Menschen oder generativer KI ausgeführt, gibt es jedoch Grenzen für die Produktivität und Qualität der Iterationsarbeit.
Daher ist es entscheidend, die Flow-Arbeitsumwandlung und Systematisierung anzustreben.
Man könnte argumentieren, dass, wenn die Flow-Arbeitsumwandlung die Produktivität und Qualität für menschliche Arbeitskräfte verbessern könnte, solche Initiativen auch schon vor dem Aufkommen generativer KI hätten unternommen werden können.
Die Flow-Arbeitsumwandlung, wenn sie auf menschliche Arbeitskräfte abzielt, ist jedoch tatsächlich ein sehr schwieriges Problem. Menschliche Arbeitskräfte können sich nicht sofort an Änderungen der Aufgabenverteilung oder des Inhalts anpassen.
Umgekehrt ist es einfach, Rollen und Aufgabeninhalte iterativ neu zu konfigurieren, wenn der Ausführende eine generative KI ist.
Im Gegensatz zu Menschen kann generative KI frühere Schritte vergessen, neue Verfahren sofort lesen und verstehen und Aufgaben auf dieser Grundlage ausführen.
Aus diesem Grund wird der Mainstream-Ansatz zur Nutzung generativer KI in Unternehmen die Flow-Arbeitsumwandlung der Iterationsarbeit und deren anschließende Systematisierung sein.
Geschäftseffizienz durch generative KI
Betrachten wir ein Beispiel für die durch generative KI erzielte Geschäftseffizienz.
Als Beispiel sei die Aufgabe genannt, Mitarbeiteranfragen zu internen Unternehmensregeln zu beantworten.
Generative KI kann verwendet werden, um interne Regeln zu durchsuchen und Antwortentwürfe zu erstellen.
Es besteht jedoch die Möglichkeit, dass die generative KI auf veraltete Regeln zurückgreift oder fälschlicherweise Antworten generiert, die auf nicht in den Regeln enthaltenen, vorgestellten Informationen basieren.
Darüber hinaus können Anfragen über verschiedene Kanäle eingehen, wie E-Mail, Messenger-Tools, Telefon oder persönlich.
Daher muss der Mitarbeiter, der Anfragen bearbeitet, diese weiterhin wie gewohnt entgegennehmen.
Es ist denkbar, dass die Effizienz verbessert werden könnte, indem Mitarbeiter Anfragen, wenn möglich, direkt beantworten, und für jene, die eine Regelüberprüfung erfordern, den Inhalt der Anfrage in die generative KI eingeben, um Antwortentwürfe zu generieren.
Zusätzlich ist es für häufig gestellte Fragen notwendig, diese auf der internen Unternehmenswebsite als FAQs zu veröffentlichen.
Generative KI kann auch verwendet werden, um repräsentative Fragen und Antworten einzugeben und Entwürfe in Aufzählungsform für die Veröffentlichung auf der Website zu generieren.
Darüber hinaus kann generative KI genutzt werden, um Entwürfe zu überprüfen, wenn Regeländerungen erforderlich sind.
Solche Anwendungen könnten einen bestimmten Prozentsatz der Aufgaben zur Bearbeitung von Anfragen rationalisieren.
Dies behandelt die Anfragebearbeitung jedoch lediglich als Iterationsarbeit und nutzt generative KI als Werkzeug.
Folglich sind die Effizienzgewinne aus diesem Ansatz sehr begrenzt.
Flow-Arbeitsumwandlung
Um die Effizienz der beispielhaft genannten Anfragebearbeitung zu maximieren, muss diese Aufgabe in Flow-Arbeit umgewandelt werden.
Dies erfordert die detaillierte Beschreibung und Dokumentation der Schritte, die die zuständige Person bei der Bearbeitung von Anfragen unternimmt:
- Anfragen über verschiedene Kanäle entgegennehmen.
- Wenn die Anfrage dieselbe ist wie eine zuvor beantwortete und es keine Änderungen an den relevanten Regeln gibt, die gleiche Antwort wie zuvor geben.
- Für eine neue Anfrage oder eine, die eine Regeländerung beinhaltet, die Regeln überprüfen und einen Antwortentwurf erstellen.
- Prüfen, ob der Antwortentwurf auf alte Regeln verweist oder Informationen enthält, die nicht in den Regeln aufgeführt sind.
- Prüfen, ob vor der Beantwortung eine Genehmigung erforderlich ist, und diese bei Bedarf einholen.
- Über den Kanal antworten, über den die Anfrage eingegangen ist.
- Den Inhalt der Anfrage, das Genehmigungsergebnis und das Antwort-Ergebnis in den Anfrageverlaufsdaten registrieren.
- Die Anfrageverlaufsdaten regelmäßig überprüfen, um vorgeschlagene Aktualisierungen für häufig gestellte Fragen und Antworten zu erstellen.
- Nach Erhalt der Genehmigung die interne Unternehmenswebsite aktualisieren.
- Wenn Regeln aktualisiert werden, die referenzierten Regeldaten aktualisieren.
- Gleichzeitig in den vergangenen Anfrageverlaufsdaten festhalten, dass verwandte Antworten und Regelaktualisierungen stattgefunden haben.
- Prüfen, ob häufig gestellte Fragen und Antworten aufgrund von Regeländerungen überarbeitet werden müssen, und diese bei Bedarf aktualisieren.
Durch die Klärung der Details dieser Aufgaben und deren Verknüpfung kann die flexible Iterationsarbeit in eine klare Flow-Arbeit umgewandelt werden.
Beispiel einer Systematisierung
Durch die Umwandlung von Aufgaben in Flow-Arbeit wird der Weg zur Systematisierung klar.
Bei der Systematisierung besteht eine Möglichkeit darin, die Anfragekanäle zu konsolidieren, wenn eine gewisse Einschränkung der Mitarbeiterfreundlichkeit akzeptabel ist.
Umgekehrt sollten alle Anfragekanäle offen bleiben, wenn die Mitarbeiterfreundlichkeit oberste Priorität hat.
Grundsätzlich sollte das System Anfragen direkt empfangen. Nur bei mündlichen Anfragen würde ein Mensch die Details in das System eingeben.
Nach Eingang einer Anfrage führen das IT-System und die generative KI so viele der nachfolgenden Aufgaben wie möglich gemäß dem Ablauf aus. Anfangs sollten menschliche Überprüfungen und Genehmigungen im gesamten System eingestreut werden, und menschliche Bediener sollten Korrekturen vornehmen können.
Wenn die generative KI dann bei der Bearbeitung von Anfragen einen Fehler macht, sollten die Anweisungen für die KI mit Warnhinweisen, zu überprüfenden Punkten, Fehlerbeispielen und korrekten Beispielen aktualisiert werden, um ein erneutes Auftreten des Fehlers zu verhindern.
Dieser Prozess kann die Fehler der generativen KI reduzieren. Die Aktualisierung dieser KI-Anweisungen selbst kann durch die Umwandlung von Iterationsarbeit in Flow-Arbeit noch effizienter gestaltet werden.
Auf diese Weise können durch die Systematisierung von in Flow-Arbeit umgewandelten Aufgaben selbst Operationen, die anfänglich menschliches Eingreifen zu erfordern schienen, durch ein generatives KI-zentriertes System ersetzt werden.
Häufige Missverständnisse
Viele Menschen glauben, dass die geschäftliche Anwendung generativer KI derzeit wenig Wirkung zeigt oder noch verfrüht ist.
Die meisten dieser Personen unterliegen jedoch häufig zwei Arten von Missverständnissen.
Das erste Missverständnis rührt daher, dass man sich darauf konzentriert, generative KI lediglich als Werkzeug zu nutzen.
Wie hier gezeigt, führt der Einsatz generativer KI als Werkzeug für Iterationsarbeit nicht zu einer signifikanten Steigerung der Geschäftseffizienz. Dieses Missverständnis entsteht durch das Erleben oder Beobachten solch begrenzter Ergebnisse.
Das zweite Missverständnis entsteht aus der Fokussierung darauf, generative KI Iterationsarbeit ausführen zu lassen.
Tatsächlich ist der Versuch, die aktuelle generative KI Iterationsarbeit ausführen zu lassen, oft erfolglos. Folglich ziehen die Menschen fälschlicherweise den Schluss, dass generative KI keine von Menschen ausgeführten Aufgaben übernehmen kann, basierend allein auf dieser Beobachtung.
Fazit
Wie besprochen, lässt sich durch die Umwandlung von Iterationsarbeit in Flow-Arbeit und deren Systematisierung eine größere Effizienz erzielen, als dies allein mit Werkzeugen möglich wäre.
Darüber hinaus kann generative KI, selbst wenn sie keine Iterationsarbeit leisten kann, viele einzelne Aufgaben innerhalb eines Flow-Arbeitsprozesses übernehmen. Auch wenn es anfänglich viele Fehler gibt, kann durch die Aktualisierung der Anweisungen eine kontinuierliche Verbesserung erreicht werden.
Alternativ können Aufgaben bei Bedarf aufgeteilt werden, indem das Entwerfen vom Prüfen getrennt oder mehrstufige Prüfungen implementiert werden.
Wenn die Systematisierung auf diese Weise erreicht werden kann, werden sich die Verbesserungen mit jeder ausgeführten Aufgabe fortsetzen, und die Abläufe werden mit der Zeit effizienter.
Dies ist eine Arbeitsmethode, die die kontinuierliche Verbesserung des Mechanismus selbst ermöglicht, ähnlich der Fabrikproduktion und der IT-Systematisierung.
Um generative KI effektiv zu nutzen, ist ein Umdenken erforderlich: Anstatt zu versuchen, die eigene Iterationsarbeit zu verbessern, muss man die eigenen Aufgaben objektiv in Flow-Arbeit umwandeln und systematisieren.