Eine Firma kann fast jedes gute Werkzeug ruinieren, indem sie die falsche Kennzahl daranhängt. Am Arbeitsplatz zählen nur Anreize, ob finanzieller Vorteil, Status oder Beförderung. Mitarbeiter arbeiten für Anreize. Du und ich auch. Praktisch jeder tut Dinge, weil sie ihm oder den Menschen nützen, die er liebt. Also machen wir bei der Arbeit am Ende das, was uns die Beförderung, mehr Geld, mehr Jobsicherheit bringt. Uns gehört die Firma nicht, wir sind Angestellte. Wir schauen auf uns selbst. Das ist okay.
KI-Nutzung in Tech-Firmen
Sobald das Management anfängt, Token-Verbrauch, Prompt-Volumen, Agent-Anzahl oder die tägliche KI-Nutzung zu feiern, optimieren die Leute auf Maschinen-Aktivität statt auf brauchbare Ergebnisse. Wenn dein Job in Gefahr ist, weil du als jemand markiert bist, der sich der KI verweigert, dann … nutzt du eben KI. Und zwar viel, besonders wenn Engineers dafür belohnt werden, sie immer mehr zu nutzen. Das heißt nicht, dass sie irrational handeln. Es heißt, dass sie Angestellte sind. Angestellte jagen dem hinterher, was die Führung sieht, vor allem wenn das Sichtbare Belohnungen mit sich bringt. Gerade jetzt bringt KI-Aktivität jede Menge Belohnungen.
Das ist einfach KPI-Korruption in neuem Gewand. Organisationen wissen in der Theorie, dass eine Kennzahl, sobald sie zum Ziel wird, aufhört, ein sauberes Maß zu sein, und dann vergessen sie die Regel in dem Moment, in dem die Kennzahl technisch und zukunftsgewandt aussieht. KI macht das Vergessen noch schlimmer, weil sich Maschinen-Aktivität leicht in einer Grafik darstellen und leicht damit prahlen lässt. Die KI-Adoption ist eine davon.
Das bessere Scoreboard ist schwieriger und weniger schmeichelhaft. Stell dir ein Support-Team vor, das stolz sein KI-gestütztes Antwortvolumen verdoppelt. Das klingt großartig, bis du merkst, dass auch die Eskalationen gestiegen sind, weil die ersten Antworten oberflächlich waren und die Vorgesetzten mehr Zeit damit verbrachten, sie geradezubiegen. Eine bessere Kennzahl ist nicht „Wie viele KI-Antworten haben wir erzeugt?“. Sie lautet „Hat sich die Zeit bis zur ersten Antwort verbessert, ohne dass Eskalationen, Nacharbeit oder Kundenfrust schlimmer wurden?“. Dasselbe gilt im Engineering. Mehr Token zu verbrennen ist sinnlos, wenn Review-Zeit, Fehlerquote und Rollback-Risiko alle schlechter werden. Wie viel Wirkung hatte das Engineering-Team eigentlich überhaupt?
Es gibt einen Einwand, den man ernst nehmen sollte. Am Anfang eines Rollouts können Nutzungskennzahlen durchaus zählen. Wenn niemand das Werkzeug anfasst, gibt es überhaupt keine Adoptionsgeschichte. Geschenkt. Aber vorübergehende Experiment-Kennzahlen haben die unangenehme Angewohnheit, zu dauerhaften Vanity-Metriken zu werden. Sobald sich Status und Bewertung an sichtbare KI-Aktivität hängen, fängt die Organisation an, Aktivität zu produzieren, nur um das Scoreboard zu füttern.
So werden aus brauchbaren Werkzeugen Bürokratie. Mitarbeiter fangen an zu prompten, wo sie einfach selbst entscheiden sollten. Führungskräfte verlangen Agent-Pläne, weil Agent-Pläne modern aussehen. Teams optimieren auf messbare KI-Oberfläche statt auf tatsächliche Kosten, Qualität und Lieferung. Die Institution hat schlicht einen neuen Weg gefunden, Geld zu verschwenden, während sie sich selbst beglückwünscht.
Das war eigentlich mal ein gelöstes Problem. Das Management belohnte Engineers früher dafür, mehr Code zu schreiben. Also wuchsen Codebasen dramatisch und wurden brüchig und aufgebläht. Die simplifizierte Kennzahl hat schon damals gezeigt, dass man keine simplen Performance-Kennzahlen einführen und dabei gute Ergebnisse erwarten kann. Kaum führst du sie ein, optimieren die Leute auf sie. Und das ist okay, ich mache es genauso.