Bottlenecks statt Booster: Warum KI anders produktiv macht

Jochen G. Fuchs: Hallo, herzlich willkommen zu einer neuen Folge deines neuen KI-Lieblingspodcasts. Hallo Barbara!

Barbara Lampl: Hallo Jochen!

Jochen G. Fuchs: Gigantisch, unsere Hardware spielt mit, macht das nicht Spaß?

Barbara Lampl: Ein Traum, aber du musst näher an dein Mikrofon ran.

Jochen G. Fuchs: Näher an mein Mikrofon ran. Das werde ich hinkriegen. Ich kriege das hin.

Barbara Lampl: Ja, davon bin ich überzeugt. Solange schaffen wir das auch. Das kriegen wir auch rausgeschnitten, glaube ich. Diesen Move kriegen wir sogar noch hin.

Jochen G. Fuchs: Schneiden? Wie? Wir schneiden? Nein, wir schneiden nichts. Bei uns ist alles... Genau, genau. Bei uns kriegt ihr alles mit. Ja, das ist unheimlich produktiv hier gerade. Ich bin jetzt gerade so eine ganze Reihe von Hardware durch.

Barbara Lampl: Bei uns ist alles ungefiltert und ungeschnitten, das darf gar nicht anders vorkommen.

Jochen G. Fuchs: Und jetzt haben wir tatsächlich eine Konfiguration gefunden, die funktioniert. Aber apropos produktiv sein, liebe Barbara, war das jetzt nicht eine tolle Überleitung?

Barbara Lampl: Das war eine total tolle Überleitung. Das war wirklich... unter den journalistischen Top-Notch-Überleitungen war die wirklich in den Top 10. Garantiert in den Top 10.

Jochen G. Fuchs: Ja, gigantisch, oder? Ich spule sie zurück und höre sie mir noch mal an. Ja, also wir wollen uns heute über Produktivität unterhalten. Ich habe da neulich auch im Netz irgendwo, ich finde es bloß nicht mehr, eine Diskussion verfolgt, wo es darum ging, dass die IT uns allen das Leben erleichtert, aber anscheinend null Produktivität bringt. Und dann zogen sie Solow aus dem Zylinder, also das Solowsche Produktivitätsparadoxon. Der gute Mann ist, glaube ich, ich hätte beinahe gesagt Oscarpreisträger, Nobelpreisträger. Das wäre doch mal was, gibt es das? Gibt es jemanden, der gleichzeitig einen Oscar und einen Nobelpreis hat? Ich glaube nicht.

Barbara Lampl: Ich glaube, es gibt ja diese GOAT-Preise, also Emmy, Tony, Oscar zusammen, aber ja, das wäre mir neu.

Jochen G. Fuchs: Hat Oppenheimer einen Oscar bekommen, der Hauptdarsteller? Dann hätte ein Nobel...

Barbara Lampl: Zumindest eine Kunstfigur meinst du? Also okay, wir klären das demnächst in einer anderen Folge. Jetzt habt ihr endlich mal die Chance, ihr könnt uns also quasi jetzt rummeckern, wie wir uns wieder mal abgedriftet sind und könnt uns klugscheißen unten drunter, wer denn welche Auszeichnungen hat.

Jochen G. Fuchs: Ja, genau. Wer ist Nobelpreisträger? Und vielleicht findet ihr jemanden, der gleichzeitig einen Oscar und einen Nobelpreis hat. Und falls nicht, vielleicht gibt es ja einen Nobelpreisträger, der die Challenge annehmen möchte. Ja, Solow. Solow hat das Paradoxon in die Welt gesetzt, dass wir jetzt eine IT haben. Nein? Jetzt wird's hart. Ja, bitte, bitte.

Barbara Lampl: Solow! Achtung, Moment, das stimmt nicht ganz. Jetzt wird's... Darf ich einmal klugscheißen? Solow hatte das Zitat gemacht, aber die Forschung ist von jemandem, den ich nie aussprechen kann und dessen Nachnamen ich immer butchere. Ich kann mich gerade noch erinnern, dass der Typ mit Vornamen Erik heißt. Aber es ist Erik Brynjolfsson oder so ähnlich, der 1993 ein Paper geschrieben hat dazu, das "Productivity Paradox of IT" heißt. Aber es ist, wie gesagt, auf ein Zitat von Solow zurückzuführen. Das da lautet: "You can see the computer age everywhere but in the productivity statistics." Kurzum, du siehst überall Computer, aber du siehst keinen Gain in den Zunahmen der Produktivität. Und der gute Herr, dessen Nachnamen ich nicht aussprechen kann, das ist ganz schlimm mit mir, der hat das Ganze dann quasi wirklich mal als Paper vertestet und nachgewiesen: Da könnte sogar vielleicht eventuell was dran sein. Warum höre ich dich denn jetzt wieder nicht mehr? Weil du gemutet bist, lieber Jochen. Hallo? Sag was!

Jochen G. Fuchs: Ja, wir sind beim Thema Produktivität und meine Aufnahmesoftware ist unglaublich produktiv, sie produziert gerade seltsame Effekte. Mein Mikrofonknopf ist verschwunden, also er bietet mir immer nur an, ich kann per Leertaste parallel einschalten, kurzfristig, aber ja, sehr schön. Also wir sind sehr produktiv heute. Also lass uns zurück zu Solow kommen und zu dem Kollegen. Es geht hier um volkswirtschaftliche Effekte. Die haben jetzt nicht irgendwie postuliert, dass es überhaupt keinen Produktivitätsgewinn bringt, sondern sie sagen, es zeichnet sich nicht in den volkswirtschaftlichen Statistiken ab. Also ich nehme an, es geht um Bruttoinlandsprodukt oder wovon spricht man da?

Barbara Lampl: Ja, also der Punkt war, es geht um das Verhältnis von Investitionen in IT zu dem Anstieg in Produktivität, und das Ganze statistisch. Und das hat eben so auf das erste Mal in den 70er, 80er Jahren eben quasi aufgesetzt. Und dann gibt es eben, also darauf führt sich das dann eben alles irgendwie so ein bisschen zurück, dass du eben halt hohe Investitionskosten in der Technologie hast, aber den Productivity Gain nicht siehst. Und das ist halt immer irgendwie das, was halt immer wieder zurückkommt. Und wie gesagt, da kommt dann eben auch dieses ominöse Paper zurück. Das wird dann ein bisschen seltener quasi zitiert, weil es halt immer alles wieder auf Solow und die 70er und 80er Jahre zurückgeht. Und deswegen ist es so ein bisschen so diese Kombination, die dahinter steht.

Jochen G. Fuchs: Okay, und dieses Paradoxon, das finden wir bis heute wieder? Also das hat sich jetzt auch nicht geändert zwischendurch oder kann man das so nicht sagen?

Barbara Lampl: Ja, das ist halt immer so ein bisschen, das wird heiß diskutiert, ehrlicherweise. Denn du hast halt so eine bestimmte Variante: In den 90er Jahren sah es so aus, als würde ein Produktivitätszugewinn stattfinden. Dann hat man in den 2000er bis 2020er Jahren wieder gesehen, dass die Produktivität wieder nach unten geht. Dann kamen weitere Hypothesen hinzu, warum das so ist, beziehungsweise ob man das überhaupt so messen kann, weil du ja teilweise quasi... Ist das jetzt irgendwie messbar, wenn du IT-Infrastruktur mit einrechnest und gleichzeitig trotzdem mehr oder minder Arbeit? Also das ist halt immer so ein bisschen, da ist schon sehr viel Wahres dran, weil das dauert immer alles so lange, wie es dauert. Aber, und das sehen wir halt jetzt auch wieder in der aktuellen Diskussion: Es ist halt wissenschaftlich auch irgendwo bis zu einem bestimmten Grad so ein bisschen eine Vereinfachung von dem, was immer stattfindet. Weil wie wäre denn die Produktivität, wenn wir die Investitionen nicht getätigt hätten? Das wird halt im Prinzip nicht untersucht. Das ist ja ein bisschen schwierig.

Jochen G. Fuchs: Es fand sich leider keine Kontrollgruppe für eine Doppelblindstudie, die in der Steinzeit verbleiben wollte.

Barbara Lampl: Ja, die wollten einfach nicht, deswegen ist das so ein bisschen so...

Jochen G. Fuchs: Schade, also falls sich Freiwillige finden für eine Langzeitstudie, bitte melden. Ich versuche das für mich gerade so ein kleines bisschen irgendwie in meinem Hirn umzusetzen, weil es ist für einen IT-Anwender und für einen Tech-Nerd schon so ein bisschen schwer fassbar. Wenn ich jetzt in einem Elektronikmarkt stehe und muss die Rechnungen von Hand schreiben, weiß ich, dass das extrem lange dauert, bis ich die Rechnungen geschrieben habe. Die Rechnungen aus dem Drucker rauszulassen geht einfach zehnmal so schnell. Aber unterm Strich kommen halt, keine Ahnung, zehn Leute in so einen Elektronikmarkt, die zehn Leute kaufen sich einen Computer. Und ob ich den zehn Leuten die Rechnung jetzt 15 Minuten schneller in die Hand drücke oder nicht, sind nachher trotzdem die gleichen zehn Leute durch die Kasse gelaufen. Also so vereinfache ich mir das jetzt gerade im Hinterkopf.

Barbara Lampl: Ja, ist halt auch genau, wie gesagt, deswegen ist es halt immer so ein bisschen tricky, weil das ist genau der Punkt. Du hast halt einen Investmentpunkt, und das ist ja auch der eine Grund, warum IT-Investments gerne so gebashed werden oder nicht getätigt werden, weil du eben weißt, das IT-Investment kostet dich X. Dann kommt eben immer die Frage: Bietet das jetzt den Return on Investment an oder den Productivity Gain, den es haben soll? Nur die andere Seite: Was tust du, wenn du es nicht tust? Das steht ja eigentlich nicht zur Diskussion, weil dann wirst du ja noch langsamer. Und das ist halt so ein bisschen der Krampf, der hinter diesen Compounding Effects auch steht. Weil natürlich kannst du quasi, wenn du halt nur die Regression testest, quasi IT-Investment gegen Produktivität, dann guckst du immer ein bisschen dümmer aus der Wäsche. Und das ist halt, wenn du halt, das ist immer so ein klassisches, auch so ein klassisches: Ha, hast du da ein Regressionsproblem? Das reflektiert halt einfach auch irgendwelche Realitäten nicht, wenn du nur zwei Messpunkte miteinander in Beziehung setzt. Und da geht es halt immer am Ende des Tages auch um diese Gesamtvariante: Wie viel Wert ist die eigentliche Innovation? Wie viel Wert ist die menschliche Arbeitszeit und so weiter? Das wird in diesen Fällen alles nicht A untersucht, B auch nicht in Relation gesetzt. Klar, es wird noch mal der Lohn reingeschmissen oder sonst irgendwas, aber jetzt mal: Wer will denn bitte zurück in die Steinzeit? Genau das, also wo soll die Doppelblindstudie herkommen und sagen, wo ist denn jetzt derjenige, der den Federkiel eintunkt und unsere Rechnung schreibt? Ja, das ist immer so ein bisschen schwierig an der Stelle.

Jochen G. Fuchs: Ja, jetzt ist das natürlich im Bereich KI immer eine große Diskussion gerade, weil immer mal wieder das Thema auftaucht: Naja, bringt keinen Produktivitätsgewinn. Dann sind wir wieder bei dieser Grätsche zwischen persönlichem Produktivitätsgewinn und, wie soll ich sagen, Qualitätsgewinn an der Arbeit, in Anführungszeichen, und am Arbeitsalltag. Aber natürlich sind wir dann auch wieder bei dem Thema, dass man als Unternehmen ja auch den Produktivitätsgewinn irgendwo in Zahlen sehen will. Die Investments in KI sind ja auch nicht gerade billig, wenn man sie professionell einsetzt. Anthropic hat sich da gerade die Geschichte ein bisschen genauer angeguckt. Was ist denn da rausgekommen? Was ist denn da passiert? Was haben die gemacht?

Barbara Lampl: Das ist eigentlich ganz spannend. Wir haben ja schon mal diskutiert, dass OpenAI Nutzungsstatistiken ausgewertet hat. So was Ähnliches hat jetzt, also nicht ähnlich, aber unter ähnlicher Variante... 100.000 anonymisierte Chats wurden ausgewertet von Anthropic mit der Idee: Okay, und das ist die große Überschrift dahinter, wie sieht denn das eigentlich aus, wenn wir sagen, können wir abschätzen, ob wir einen Gewinn an Produktivität haben, wenn wir uns einfach mal die Claude Conversations anschauen? Also was, wenn wir uns einfach die Chats von Claude mal angucken, können wir dann so was wie einen Productivity Gain nachweisen, abschätzen und Ähnliches? Und das ist die große... also eine andere Nutzungsauswertung als OpenAI gemacht hat, die wir ja quasi veröffentlicht haben für was nutzen die Leute es, auf einem sehr Top-Level, hin zu einem: Was, wenn wir uns das bei Claude eigentlich mal überlegen? Wie sieht denn das aus? Können wir da einen Produktivitätsgewinn nachweisen? Ja oder nein? Und das Spannende ist: Sie haben es nachgewiesen. Wenn auch, und das mag ich ja an den Sachen, die Anthropic veröffentlicht, sehr gerne, mit den sprechenden Side-Notes, wie klein eigentlich die Testgruppe auch nur ist, wenn du da 100.000 Chats hernimmst oder sonst irgendwas. Aber sie haben das sehr, sehr solide aufgebaut. Und da kommen eben halt genau das, was wir ehrlicherweise auch im täglichen, und da ist ein Beispiel, glaube ich, Jochen, auch ganz gut dabei: Hast du als Nutzer da eigentlich einen IT-Productivity Gain? Ja, halt die Schwede, ich wüsste gar nicht, wie ich meinen Job ohne Rechner machen soll. Also das ist halt genau dieser Kontrast immer auch wieder: IT-Investments oder Investitionsverticals für eine Company versus Personal Productivity Gains. Und das sehen wir halt in der AI momentan extrem krass. AI enabled wirklich sauber Personal Productivity. Aber ob es Org-Productivity enabled, ist noch mal eine andere Diskussion. Und das ist eigentlich der spannende Teil daran, auch was sie da aufgesetzt haben. Nämlich, auch das sehen wir im täglichen Einsatz, wenn wir in Unternehmen unterwegs sind, schon ganz klar: Und das haben sie aufgeteilt in Accelerated Tasks and Jobs hin zu Bottlenecks. Und auch das ist etwas, was wir momentan schon sehr hart adressieren. Und das fand ich eben ganz spannend. Wo man eben sieht: Okay, wir haben schon jetzt ganz viele Möglichkeiten, wo Gen AI großartig supporten kann. Und dann gibt's eben die anderen Tätigkeiten, die immer mehr zu den Bottleneck-Tätigkeiten werden. Und dann wird sich eben daraus dann langfristig oder mittelfristig sogar eher ablesen: Okay, Moment mal, wer das am besten im Griff hat, der wird ziemlich auch sicher auf Org-Ebene den Productivity Gain reinholen. Übrigens, das ist auch Teil des Paradox, des Productivity Paradox, ist immer wieder... Wenn du mehr Effekte reinnimmst wie Learning Curves, gute Implementierung, dann hat auch das hohe IT-Investment, Spoiler Alert, in einem Unternehmen sehr wohl die positiven Auswirkungen, nur nicht unbedingt gesamtwirtschaftlich. Aber wenn du natürlich 30 Leute hast, die Scheiße machen, bei nur zwei, die es gut machen, dann... die Diskussion können wir gerade zu Ende führen. Kann sich jetzt jeder zu Ende denken.

Jochen G. Fuchs: Ja, ich habe da eine These, und zwar: Ich war heute mit Björn Agnihotri in einem Workshop. Der macht so eine Retail-Workshop-Reihe in Zusammenarbeit mit der UC Davis, und ich war bei seinen letzten zwei Workshops jetzt mit dabei und hab heute mal so ein bisschen diskutiert, wie die Leute eben so mit bestimmten Innovationen umgehen, besonders die, die aus China kommen. Eine Vorstellung dabei ist ganz interessant gewesen, die passt jetzt auch zu uns ganz gut, und zwar: Wenn die Leute irgendeine Innovation nehmen und einfach versuchen, ihren bestehenden Prozess damit quasi abzuwickeln, dann hast du halt unterm Strich keine riesengroße Innovation. Also du machst den Prozess dann besonders innovativ, aber es verändert sich ja nichts. Also bei dem Beispiel zu bleiben: Wenn ich zehn Rechnungen am Tag schreibe im Elektronikladen und die zehn Rechnungen kommen jetzt wesentlich schneller raus, sind es halt nach wie vor nur zehn Rechnungen gekommen und ich brauche nach wie vor einen Mitarbeiter, der die zehn Rechnungen ausdruckt. Ich brauche vorne den Mitarbeiter, der die Kunden abkassiert. Erst wenn ich hergehe und nicht versuche, meine Prozesse zu optimieren und mit KI irgendwie schneller zu machen und effizienter zu machen, sondern wenn ich mich, ich ziehe mich da immer wieder auf den Design-Thinking-Ansatz zurück, immer überlege: Okay, was will ich denn eigentlich überhaupt erreichen und brauche ich den Prozess dazu? Also wenn ich anstatt Rechnungen zu schreiben die verkaufte Hardware einfach am Beratungstresen abscannen würde, der Kunde zahlt auf meinem Handy, kriegt seine Rechnung per E-Mail zugeschickt und läuft zur Tür raus, dann habe ich die Kasse wegrationalisiert. Dann hat mir die Innovation tatsächlich was gebracht. Also wenn ich halt mit der IT und jetzt in dem Fall mit der KI nur loslaufe und meine bestehenden Prozesse effizienter machen will... Ja, Entschuldigung, ich muss eigentlich nicht meine bestehenden Prozesse effizienter machen, um mehr Geld zu verdienen. Weil diese Prozesse, die schaufeln immer den gleichen Kies durch. Ob die den Kies jetzt schneller durchschaufeln oder nicht, da hab ich nichts davon. Ich muss ja, also im Retail denke ich zu bleiben, ich muss ja eigentlich nicht überlegen, wie ich den bestehenden Scheiß schneller und effizienter mache, sondern wie ich mehr Umsatz erwirtschafte. Wie kann ich die KI benutzen, um mehr Umsatz... Also tatsächlich... Wie? Nein! Warum nein? Jetzt bin ich so stolz auf meine These und du machst ja einfach nein.

Barbara Lampl: Ja, es ist ja noch viel schlimmer. Es ist ja noch viel schlimmer. Ja ja und nein. Nein. Moment. Moment, Moment. Moment, Moment. Ja und nein. Natürlich, also du hast drei Verticals, wenn du überlegst, wenn du AI als strategischen Moment implementierst. Typisch deutsch, und da bin ich völlig bei dir, ist: Wir wollen effizient Produktivitätsgewinne haben. Also Effizienz steigern, Produktivitätsgewinne und gerne auch noch Kosten senken. Das ist der klassische deutsche überlegende Punkt, wo man AI einsetzt. Achtung, dafür kann und ist Gen AI und generell Data-driven AI ein extrem sinnvoller Case. Und jetzt kommt die Nebennote: Aber nur, wenn alle sich hart in die Augen gucken und wissen genau das, was du gerade schon gesagt hast, und deswegen geht's da dann ein bisschen differenzierter auseinander. Natürlich muss der Prozess, wenn ich mit Daten und AI arbeite, komplett Workflow-redesigned werden. Genau das ist das, was meistens nicht passiert. Sondern du schmeißt irgendeine Agentenkonstruktion, am liebsten noch mit menschlicher Arbeitsakte, auf einen Prozess, den der Mensch abbildet und bildest ihn per Agent ab. Gute Nacht. Gute Nacht. Genau.

Jochen G. Fuchs: Genau, der KI-Agent nimmt die Excel-Tabelle für die Reisekosten, füllt die Excel-Tabelle aus und schickt die Excel-Tabelle an...

Barbara Lampl: Ja, genau. Also das macht natürlich gar keinen Sinn. So, jetzt kommt der zweite Moment. Das heißt also, Workflow Redesign steht immer an, ist auch völlig legitim, dass man das unter Productivity Gains und Effektivität und Effizienz und sonst was sieht. Alles super. Jetzt kommen aber zwei weitere strategische Ziele, die AI und generell Digitalisierung oder Disruption haben sollte. Und zwar das Überarbeiten des Geschäftsmodells. Da sind wir bei genau diesen Sachen: Wir machen mehr. Das Überarbeiten des Geschäftsmodells bedeutet in dem Fall sogar nicht nur mehr Umsatz zu generieren, sondern auch wirklich das Geschäftsmodell wirklich weiterzuentwickeln. Also quasi aus dem Workflow Redesign neue Business Opportunities zu generieren. Das wäre Redesign von Geschäftsmodellen, neue Felder zu erschließen und so weiter. Und dann hast du den dritten Punkt, und da merkst du halt dann auch definitiv: Da wird in Deutschland nicht drüber geredet oder komplett im deutschsprachigen Raum nicht. Und zwar die strategische Innovationshebel. Das heißt, dass wir quasi alle Digitalisierung und Tech, die wir haben, für uns als strategischen Innovator einsetzen und komplett eventuell neu denken, komplett eventuell auch über strategische Repositionierung, ganz andere Märkte denken und so weiter. Aber am Ende des Tages, und das ist, wieso ich dein Retail-Beispiel zwar richtig, aber auch nicht ganz sauber finde: Denn wenn wir es zusammenpressen in diese Verkürzung von, okay, wir designen ein Workflow neu und dann machen wir uns Gedanken über neue Umsatzfelder... Dann heißt es noch lange nicht... Der neue Umsatz kann sowohl in der Produktivität entstehen, der neue Umsatz kann im neuen Business-Modell stecken oder in der strategischen Innovation. Das greift dann wiederum zu kurz, weil ich dann wiederum zu schnell quasi auf die Schlussfolgerung springe. Und das ist halt auch das, was wir gerade sehen: Okay, vielleicht gehen alle noch einen Schritt weiter. Wir müssen uns überlegen, wo wir neue Umsatzfelder haben. Fair Game? Ja, aber unter welchem Aspekt denn bitte? Also aus was soll unser neuer Umsatz generiert werden? Eins, zwei oder drei oder alles drei zusammen? Also wie denn jetzt?

Jochen G. Fuchs: Also bei mir ist jetzt vor allen Dingen hängen geblieben, dass ich nicht ganz sauber bin.

Barbara Lampl: Das hab ich gar nicht gesagt. Deine Idee ist ja völlig richtig. Sie war mir nur nicht differenziert genug. Du kennst mich doch schon. Ich mag differenzierte Antworten. Du bist fürs Vereinfachen zuständig. Okay.

Jochen G. Fuchs: So, dann differenzieren wir mal weiter. Die Brüder bei Anthropic sind also hergegangen und haben sich Sachen angeguckt. Aber wie haben sie sich denn das angeguckt? Also wenn ich mir jetzt überlege, ich weiß, ich brauche für einen Artikel so anderthalb bis zwei Stunden, wenn ich meinen Recherchebauch nehme und den von Hand herunterkoche, herunterbreche und in geschriebenes Wort verwandele. Ich weiß, dass wenn ich diesen Recherchebauch in mein hocheffizient gestyltes Claude-Projekt hineinkippe, er in 1,5 Minuten raus ist. Ich vielleicht noch ein paar Anpassungen mache und demnach bei 15 Minuten nachher zum Schluss bin statt bei 90. Aber also das wissen die doch nicht.

Barbara Lampl: Genau. Und das wird jetzt eben ganz spannend, weil jetzt haben die sich nämlich gefragt, also haben die zwei Sachen gemacht. Einmal haben sie sich Daten geholt von Software-Engineers und ihrer Zeitschätzung, wie lange sie für Tasks brauchen. Es gibt relativ gute Datensätze dazu, Jira-Tickets. Und parallel haben sie quasi ein Prompt aufgesetzt, dass die AI mal selber schätzen soll, wie lange der Mensch braucht. Und die andere Task konntest du natürlich messen, weil du hattest ja die Chatverläufe. Und das ist eben Time Estimated Without AI und Time Estimated With AI, und das ist deren Baseline. Das sagen sie auch selber: Das ist nicht perfekt. Aber es hat sich eben gezeigt, weil sie haben halt quasi ihren AI-driven Time Estimator gegen diese Datenbank mit den Software-Engineer-Tickets festgehalten und festgestellt: Naja, also der Mensch ist auch schon ziemlich schlecht im Schätzen. Die AI ist sogar besser im Schätzen als der Mensch. Wir können das als valide genug annehmen. Also das haben sie ganz cute gemacht. Im Prinzip zeigen sie halt: Wir sind ja auch schlecht. Also ich weiß, ich habe ja, also... Macht ihr auch manchmal so DIY-Handwerkerprojekte? Ich schon. Das dauert alles garantiert... Entweder nur 30 Minuten oder drei Stunden. Realistisch bin ich alles zwischen drei Tagen, drei Wochen oder nur drei Minuten beschäftigt.

Jochen G. Fuchs: Also wenn du tatsächlich Handwerkerprojekte in 30 Minuten kriegst, bist du da deutlich besser als ich. Weil ich brauch schon allein 30 Minuten, bis das Werkzeug gerichtet ist, bis ich verstanden hab, was ich überhaupt tun muss. Und bevor ich den ersten Hammer geschwungen hab, hab ich mir schon dreimal auf den Finger gehauen und mir fluchend einen neuen Kaffee gemacht.

Barbara Lampl: Da bin ich, weißt du, ich bin trainiert. Ich kann Fußboden verlegen, Klicklaminat verlegen, also Fußboden fliesen, Klicklaminat. Siehst du?

Jochen G. Fuchs: Kann ich jetzt auch, kann ich jetzt auch. Ich hab zwei Kinderzimmer renoviert. Ich kann sogar Streifen an die Wand malen. Klingt jetzt unspektakulär.

Barbara Lampl: Aber es ist ein ganz gutes Beispiel, weil das ist genau jetzt ein ganz gutes Beispiel, und das haben sie nämlich auch getestet. Also erstens haben sie, um rauszufinden, wie schätzen wir Zeit, haben sie also ein System aufgesetzt und festgestellt: AI, wissen wir ja nicht genau, ob sie gut schätzen kann, wie viel Zeit sie braucht, aber bei dem Datensatz, auf den sie es getestet haben, war die AI besser als der Mensch. Also können wir das mal annehmen. Das ist nicht perfekt, aber das ist jetzt unsere Baseline. Völlig fair. Das kann man ganz gerne mal so machen. Und jetzt passiert eben was ganz Spannendes, weil sie eben bei der Auswertung der Chats nämlich genau solche Sachen, wie wir die hier gerade diskutiert haben, nämlich genau in zwei unterschiedliche Kategorien sortiert haben, nämlich in Accelerated Tasks und Bottleneck Tasks. Und ich finde, das ist so DIY oder wenn wir mal wieder hier lustige Sachen verlegen oder die Wand anmalen, das ist halt jetzt einfach so: Jetzt musst du halt... Also abkleben beim Malern dauert ja immer am längsten. Also nichts mit Accelerated Tasks. Und das siehst du nämlich jetzt zum Beispiel auch in dieser Studie, dass sie zum Beispiel, wenn du so Hausinspektionen haben, die als Beispiel drin, was wahnsinnig viel schneller geht. Und wirklich 80 Prozent schneller als davor waren die Reports zur Hausinspektion. Ja, kann ich völlig nachvollziehen. Das ist im Prinzip das Gleiche wie ein journalistischer Prozess oder du laberst nach einem Meeting schnell rein, was die Meeting-Notizen sind. Der Report ist super schnell erstellt. Der Bottleneck Task an der Stelle ist aber natürlich: Ich muss ja die Hausinspektionen durchführen. Und das ist eigentlich eine ganz spannende Geschichte. Und deswegen finde ich diese Studie, die wir natürlich für euch auch irgendwo verlinkt haben, so wahnsinnig interessant, weil sie halt unsere Realität so viel besser darstellt und dem halt auch Rechnung trägt. Und da wird, das werdet ihr auch wissen... Bleiben wir mal zum Beispiel, was ja quasi schon mal jeder von uns irgendwie mit zu tun hatte: Wir schreiben etwas. Wenn jetzt Jochen eine ausführliche journalistische Recherche macht und darauf einen Artikel schreibt, dann ist das natürlich massiv länger, als wenn ich jetzt irgendwie auf die Schnelle mal ein Paper kommentiere. Das heißt, das sind ja unterschiedlich anspruchsvolle Tasks oder so was. Wir haben sie auch im Paper drin. Also Financial Modeling: Das schnelle Financial Model kann zwei Tage dauern oder... Wer jedenfalls schon mal auf der Seite vom CFO gesessen ist, so wie ich auch, da sind wir teilweise Tage, Wochen und Monate dran gewesen, Financial Models aufzubauen. Das heißt, die Tasks haben eine ganze Kontextualisierung. Das heißt, du kannst nicht generalisieren, dass die eine Task jetzt anstatt drei Stunden fünf Minuten braucht. Aber du kannst eben schon zeigen, dass eine Beschleunigung stattfindet. Und das ist ganz spannend, dass sie eben halt A die Beschleunigung nachweisen, aber B auch definitiv eben diesen Split machen, den ich eben für Unternehmen und aber auch den persönlichen Anwendungscase super spannend finde: Wo sind die Tasks, die ich beschleunigen kann? Und wo sind meine Bottleneck Tasks? Was natürlich die realistische Einschätzung und Implementierung insbesondere im Unternehmen nochmal auf eine ganz andere Diskussionsebene setzt. Wo ich damit natürlich auch mal sage, weil im Zweifelsfall ist der Bottleneck Task vielleicht auch das, was im besten Fall vielleicht die Tasks sind, die mir vielleicht am meisten Spaß machen. Weil, ich meine, jetzt mal ganz ehrlich: Die Hausinspektion ist doch mal zehnmal witziger als den Scheiß-Report-Schreiben. Das heißt, da zeigt sich jetzt eben genau, dass die Bottleneck Tasks im Zweifelsfall sogar matchen zu dem, was Menschen gerne tun und machen. Und die Accelerators, die sind die, die wir eigentlich alle meistens nicht ganz so sexy finden und in der Abteilung boring: Oh Gott, das nervt vor allem. Superspannend.

Jochen G. Fuchs: Definitiv. Es beinhaltet halt, so wenn man sich den ganzen Kontext dann drum herum anschaut, zu fragen: Bringt es mir schon allein was, wenn ich quasi mehr Ressourcen, mehr Zeit auf die Bottleneck Tasks umleite? Oder muss ich mich vielleicht fragen, welche Bottleneck Tasks sind jetzt, danke für dieses Wort, Bottleneck Tasks, Bottleneck Tasks.

Barbara Lampl: Großartig.

Jochen G. Fuchs: Und welche von denen bringen mir Umsatz? Also die Nummer ist ja beispielsweise: Wenn ich als Journalist in einem Medienhaus arbeite und ich schreibe Artikel und ich schreibe einen Artikel, und dann sitzt da eine Sales-Abteilung, die verkauft einen Bannerplatz oder sponsort irgendwas, Native Text-Ad oder so was. Und ich bin mit dem Text schneller fertig, haben die ja immer noch nicht mehr verkauft. Da ist ja immer nur, wenn ich jetzt mehr Artikel schreibe oder schneller Artikel schreibe und die verkaufen nicht mehr Banner oder mehr Ads, dann habe ich zwar mehr Text produziert, aber das Unternehmen hat nichts davon, weil sie nicht mehr verkauft haben. Also andererseits als Journalist: Wenn ich weniger Zeit mit dem, wie soll ich sagen, dem langweiligen Schluss, all meine Erkenntnisse in einen ausformulierten Text zu kippen, investiere und die Zeit dann woanders investiere, ist dann ja auch die Frage: Wo investiere ich die Zeit anders und wie wird das dann unter Umständen sichtbar? Wenn ich dann mehr auf Events rumspringe und mehr mit Menschen spreche, finde ich interessantere Themen.

Barbara Lampl: Genau.

Jochen G. Fuchs: Ich bin aber selber mein persönliches Bottleneck. Ich kann, trotz dass ich schneller mein Material produziert kriege, eben nur so und so viele Interviews führen. Die werden dann vielleicht besser, sie werden vielleicht spannender, aber auch das ist dann wieder schwieriger in einer Produktivitätsstatistik zu erfassen.

Barbara Lampl: Ja, und insbesondere Produktivitätsstatistiken, natürlich auf Globalökonomie-Ebene laufen, also auf dem kompletten produktiven Teil von Deutschland oder sonstigen Statistiken, das ist immer ein bisschen schrottig. Weil wenn du natürlich einen Breakdown siehst, dann siehst du natürlich Productivity Gains da, wo sie hingehören. Und jetzt mal ganz ernsthaft: Der Productivity Gain im Krankenhaus macht mir jeden Tag Sorgen. Warum sollten wir da über Produktivität sprechen? Also das ist ja auch immer so eine Vermischung von Instanzen, die an der Stelle nichts zu suchen hat. Und das ist halt auch das... Ich finde halt deswegen, dass diese Ausarbeitung so interessant, weil sie auch ein paar Mythen adressiert. Denn die Einschätzung ist, dass der Productivity Gain, der jetzt sich zeigt in dieser Auswertung dieser 100.000 Chats, massiv höher ist, als wir gedacht haben, mit der Annahme: Die Modelle bleiben so gut, schlecht, wie sie gerade sind. Und die Leute bilden sich nicht gut genug weiter fort, um mit AI arbeiten zu können. Und ich finde, die strategischen Schlüsse, die ich aus so einem Paper ziehe... Und das ist halt immer so ein bisschen so: Sie sagen sich vielleicht, gut, ich habe natürlich relativ viel Einblick auch, ich kriege es auch hin, ich kann theoretisch bei unseren Kunden auch easy 100.000 Chats auswerten zwischenzeitlich. Aber es ist immer so ein bisschen leichter, wenn ich auf Research von anderen Leuten als... Anderen? Bei wem warst du denn jetzt, Barbara? Das ist ein bisschen schwierig, das ist immer so mit diesem NDA, immer so ein Drama. Aber es zeigt sich genau das, was wir halt auch wirklich in den Auswertungen, wenn wir wirklich große Auswertungen fahren können bei den Kunden, genau zeigen. Und ich finde halt diese Idee von Accelerated- und Bottleneck-Tasks, und dann kann ich eben halt dieses Matching machen mit: Ich kann die Boring-Tasks mitnehmen. Und das, was sich ja auch noch zeigt, was in der Studie so ein bisschen indirekt ist, das, was wir tagtäglich erleben, was ehrlicherweise auch teilweise ein bisschen schwierig zu messen ist, ist das Senken des Cognitive Loads, wenn er richtig gemacht ist. Ich meine nicht den Cognitive Decline, den wir natürlich auch wirklich haben. Wir haben das schon paar Mal diskutiert, wo wir uns Sorgen machen: Was passiert eigentlich, wenn quasi AI zum Denken benutzt wird? Die Realität, wenn wir das mal ausblenden und wirklich sagen: Okay, wir haben eine gut geschulte Mannschaft, die jetzt Brain First macht, immer schön das Hirn vorher anmacht, also wirklich die Schulungsprogramme sitzen, die Leute sind engagiert, und dann kriege ich immer wieder das gleiche Feedback: Der Cognitive Load geht nach unten, der Mental Load und der Cognitive Load geht nach unten, insbesondere in stressigen Tasks. Und sei es eben so was: den schwierigen Brief schreiben, die Adressierung von schwierigen Themen in der Reklamation, in Beschwerden oder sonst was, diesen Stress oder auch dieser Cognitive Load. Ich muss jetzt... Ich sitze vor dem weißen Papier. Und das finde ich auch so wahnsinnig spannend, die Realität zu adressieren: Kein Terminplaner gibt drei Stunden Deep Work her. Schön wär's. Also die meisten von uns haben so 20 Minuten, und du musst Tasks so hart runterbrechen, und dann leidet dein Ergebnis darunter. Und das nochmal in diesen Sachen stärker zu sehen, wo ich sage: Okay, was kann ich eigentlich beschleunigen, was kann ich aufbrechen? Das ist halt, da siehst du halt einfach, wie weit wir auch schon... wie weit wir schon sind und wie sehr wir aber uns halt auch aus diesem... Ich nenne das jetzt mal hart, diesen Bullshit: Wir müssen eine Tools-Diskussion führen und Leute auf Tools schulen, endlich aufhören müssen und wirklich über das... Ich meine, ich weiß, dass ich wie eine kaputte Schallplatte immer klinge, egal ob auf LinkedIn oder im Podcast oder selbst in Terminen: Wir müssen halt endlich uns darüber Gedanken machen, wie wir die Workflows redesignen, dass es halt wirklich dann auch den Benefit für den Mitarbeitenden, für den Kunden und fürs Unternehmen sauber zu hebeln. Und das kann ich halt nicht, wenn ich 35.000 Tools einführe und hoffe, dass es damit schöner und besser wird. Das ist halt Schmarrn.

Jochen G. Fuchs: Ja, dem kann ich mich nur anschließen, dass das Schmarrn ist. Und ich finde auch das Konzept von den Bottleneck-Tasks ganz interessant. Es ist ein schönes Denkmodell. Es hilft dabei, Punkte zu identifizieren, die einen dann vielleicht auf einer anderen Stelle weiterbringen.

Barbara Lampl: Ja eben. Und deswegen fand ich das Ding so gut, weil es ist wirklich so: Wenn du mal darüber nachdenkst, was beschleunigt eigentlich... Und wie gesagt, eben so ein, vielleicht den Report schreiben, vielleicht die Meeting-Notizen, vielleicht irgendwie, keine Ahnung, das Curriculum für einen Workshop vorbereiten, ganz solche Sachen, super großartig. Und dann hast du aber den Workshop, der dauert halt zwei Stunden, und der wird jetzt nicht... Die zwei Stunden sind nicht weg. Also wenn ich mir vorstelle, wie mein Terminplaner aussieht... Dann ist da natürlich viel Zeit drin, aber ich kann natürlich trotzdem, ich kann eine andere Vorbereitung machen, ich kann eine andere Nachbereitung machen. Und darin entsteht, wenn es richtig gemacht hast, ja nicht nur Produktivitätsgewinn, sondern eben Qualität, neue Geschäftsmodelle, neue Business-Tasks, neue strategische Innovation. Das ist doch megacool. Und wie gesagt, einfach mal als Hausaufgabe: Was ist eigentlich mein Punkt von Acceleration? Wo ist mein Bottleneck Task? Und was mache ich dann eigentlich mit der Acceleration? Kümmere ich mich um meine Bottlenecks oder nehme ich die Acceleration, um neue Umsatzfelder zu finden? Oder vielleicht mal ein Loch in die Luft zu gucken oder so was? Was ist denn... Oder wer Zeit mit den Kindern zu verbringen? Das sind doch eigentlich ganz coole Fragen und eine Möglichkeit, die wir heute haben, wenn wir es richtig nutzen.

Jochen G. Fuchs: Ich finde, das klingt nach einem ganz guten Schlusswort.

Barbara Lampl: Ein Traum. Es war mal wieder eine kurze Folge, demnächst wieder länger.

Jochen G. Fuchs: Ja, machen wir. Vielleicht könnt ihr jetzt ja die gewonnenen 19 Minuten dafür benutzen, um einen Bottleneck Task zu identifizieren. Wir bedanken uns fürs Zuhören. Ihr könnt demnächst mal einen Blick auf Substack werfen und nach dem Layer 8.9 Newsletter suchen und den mal abonnieren. Dann verpasst ihr keine Folge und kriegt noch mal eine schöne Aufbereitung der jeweiligen Folge mit dazu, plus was sonst noch so an Interessantem gerade passiert. Lasst euch mal überraschen. Ja, das war's. Schaltet wieder ein, wenn euer neuer KI-Lieblingspodcast wieder läuft. Barbara, mach's gut dann, ciao!

Barbara Lampl: Richtig und... Bis dann, ciao ciao!