Es gibt ein Szenario, das sich in Unternehmen täglich abspielt. Ein Vertriebsmitarbeiter steht kurz vor dem Abschluss eines wichtigen Geschäfts. Er möchte wissen, wie hoch seine Provision sein wird. Er gibt die Frage in ChatGPT oder seinen bevorzugten KI-Assistenten ein. Was zurückkommt, ist eine durchdachte, gut formulierte Erklärung darüber, wie Softwareunternehmen typischerweise ihre Verkaufsvergütung strukturieren.
Das Einzige, was ihm nicht gesagt wird, ist, wie hoch seine tatsächliche Provision ausfallen wird, wenn er diesen spezifischen Deal abschließt. Diese Lücke zwischen dem, worüber KI nachdenken kann, und dem, was sie über Ihr Unternehmen weiß, ist momentan die entscheidende Herausforderung für die Einführung von KI in Unternehmen.
Ich nenne das die Logik-Schicht. Und ohne sie liefert die KI zwar beeindruckend klingende Ergebnisse, die aber oft nichts mit der tatsächlichen Funktionsweise Ihres Unternehmens zu tun haben.
Warum die Geschäftslogik bei Data Analysts angesiedelt ist
Einer der hartnäckigsten Mythen in Sachen KI ist, dass Data Analysts bald überflüssig werden könnten.
Das Gegenteil ist der Fall – und die Logik-Schicht ist genau der Grund dafür.
In einem KI-gestützten Unternehmen werden Data Analysts sogar wichtiger, weil sie am nächsten an der Logik und dem Kontext sind, die das Unternehmen steuern. Sie wissen, welche Definition von Pipeline relevant ist und welche Sonderfälle in Audit, Merchandising, Finanzwesen oder Marketing entscheidend sind.
Ich glaube, dass Unternehmen, die im KI-Zeitalter erfolgreich sind, nicht dadurch definiert werden, wie viel KI sie einsetzen, sondern ob die Menschen, die das Unternehmen verstehen, die Intelligenz besitzen und kontrollieren, die es antreibt.
Wenn diese Verantwortung vollständig bei der IT oder der „Blackbox“ eines Anbieters liegt, riskieren Unternehmen, Systeme zu skalieren, die sie nicht vollständig anpassen oder prüfen können. Wenn Sie Geschäftsteams die Tools und den Auftrag geben, ihre Logik selbst zu verwalten, wird das KI-System vertrauenswürdig und reagiert flexibel auf die Abläufe in Ihrem Unternehmen.
Deshalb sehe ich Data Analysts als die Architekt:innen dieser nächsten Phase.
Wie die Logik-Schicht in der Praxis aussieht
Ich möchte auf das Beispiel der Provision zurückkommen, denn es veranschaulicht das Konzept genau. Aktuell funktioniert es so: Wenn ein Vertriebsmitarbeiter wissen will, wie hoch seine Provision bei einem Deal ist, schreibt er eine Nachricht an den zuständigen Data Analyst. Dieser Analyst hat seine eigene Tabelle – denn Vergütungspläne ändern sich jedes Quartal, inklusive Sonderboni und spezieller Programme. Er führt die Berechnungen manuell durch und sendet eine Antwort zurück.
Was wäre, wenn derselbe Analyst einen einfachen, klar definierten Rechner erstellen würde, der seine Provisionslogik — die tatsächlichen Regeln für Ihr Unternehmen, Ihre Pläne und Programme — kodiert und mit den KI-Systemen verbindet, die Ihre Vertriebsmitarbeiter:innen bereits verwenden? Wenn ein Vertriebsmitarbeiter nun fragt, wie hoch seine Provision für ein bestimmtes Geschäft sein wird, erhält er die richtige Antwort. Keine allgemeine Erklärung, wie Provisionen funktionieren.
Und der zusätzliche, verstärkende Effekt: Dieselbe Logik kann dann vom Planungsagenten verwendet werden, um die Auswirkungen verschiedener Vergütungspläne auf die Betriebskosten zu modellieren. Sie kann in Szenarioplanungsmodelle einfließen, die Hunderte von Simulationen für die Finanzplanung ausführen. Der Analyst, der sie entwickelt hat, ermöglicht es einem ganzen Netzwerk von KI-Systemen, auf der Grundlage einer genauen, unternehmensspezifischen Logik zu agieren.
Das ist die Logik-Schicht in der Praxis: kuratierte, speziell entwickelte Datenbestände und Rechner, die die Funktionsweise Ihres Unternehmens abbilden, gepflegt von denjenigen, die es verstehen, und einsetzbar für jedes KI-System, das es benötigt.
Was die Logik-Schicht erfordert
Hier liegt aus meiner Sicht der aktuelle Engpass vieler Unternehmen. Sie haben die Infrastrukturinvestitionen getätigt. Sie verfügen über Cloud-Datenplattformen und anerkannte LLMs. Aber sie verlangen von diesen Systemen Dinge, die sie nie eigenständig zu tun entwickelt wurden.
Die Logik-Schicht benötigt drei Dinge:
Zweckorientierte Datenbestände. Ein klar abgegrenztes, sauberes Dataset, das widerspiegelt, wie ein bestimmter Geschäftsprozess tatsächlich gemessen wird.
Kodierte Geschäftslogik. Das ist der Teil, der den Menschen im Moment am Herzen liegt – die Richtlinien, die Sonderfälle, der Kontext, der den Daten Bedeutung verleiht.
Die Fähigkeit zur Aktualisierung. Niemand führt ein Unternehmen, damit es sich niemals verändert. Die Logik-Schicht muss von Fachleuten aktualisierbar sein, wenn sich das Geschäft verändert.
Ein pragmatischer Weg nach vorn
Die gute Nachricht ist, dass Sie nicht auf eine perfekte Architektur warten müssen, um mit dem Aufbau einer Logik-Schicht zu beginnen.
Starten Sie mit Ihren wertvollsten und am häufigsten wiederkehrenden Geschäftsprozessen – also mit den Prozessen, bei denen ein Data Analyst Woche für Woche die gleichen Fragen beantwortet. Dies sind die Prozesse, bei denen die Kodierung der Logik in einen kuratierten, KI-fähigen Datenbestand einen unmittelbaren und messbaren Wert liefert.
Dann übertragen Sie die Verantwortung für die Kodierung Ihren Data Analysts – nicht der IT. Geben Sie ihnen Low-Code-Tools, um die Arbeit zu erledigen, und den Auftrag, diese codierte Logik als strategisches Gut zu behandeln, das sie selbst besitzen und mit den Veränderungen des Geschäfts weiterentwickeln können.
Hier kommt es auch auf die Führungshaltung an.
Ich sage schon seit Längerem, dass dies nicht als Wahl zwischen Business und IT verstanden werden sollte. Es ist beides. Die IT sollte Standards festlegen, die Infrastruktur verwalten, Sicherheitsgrenzen definieren und genehmigte KI-Fähigkeiten im gesamten Unternehmen verfügbar machen. Aber die IT sollte nicht zum Engpass für jede Geschäftslogik werden, die das Unternehmen operationalisieren muss.
Wenn Ihnen das bekannt vorkommt, dann zurecht. Wir haben dieses Muster bereits zuvor in der Unternehmens-Technologie gesehen. Infrastruktur und Plattformen sind wichtig. Aber auf den letzten Metern – dort, wo Fähigkeiten in Geschäftswert gewandelt werden – kommt es immer auf die Personen an, die am nächsten an der Arbeit dran sind.
KI ist nicht anders.
Die Unternehmen, die am meisten von KI profitieren werden, sind diejenigen, die sie wie ein Betriebsmodell behandeln. Sie automatisieren zentrale Workflows, kuratieren die richtigen Daten und befähigen Data Analysts und Fachleute, die Logik zu definieren, die KI nützlich macht, und Antworten zu generieren, die das Unternehmen nutzen kann.
Ich hatte kürzlich Gelegenheit, diese Ideen im Talking AI-Podcast noch ausführlicher zu diskutieren Wenn Sie mehr über meine Gedanken zur sich wandelnden Rolle von Data Analysts, die Verbindung der Logik-Schicht mit agentenbasierten Workflows und darüber erfahren möchten, warum ich glaube, dass die nächsten 18 Monate entscheidend für das Gelingen dieser Entwicklung sein werden, dann sollten Sie reinhören.