AI Daily Brief – How to Build an AI Native Team with Mike Cannon-Brookes

AI-native Teams entstehen nicht durch mehr ChatGPT – sondern durch besseren Kontext

Viele KMU haben inzwischen KI-Tools im Einsatz. Trotzdem bleibt der echte Produktivitätssprung oft aus. Warum? Weil zwischen „Wir haben Zugriff auf KI“ und „Wir arbeiten AI-native“ ein großer Unterschied liegt.

Die spannende Kernidee: Der Nutzen von KI entsteht nicht nur durch bessere Modelle, sondern durch die Kombination aus Intelligenz, Kontext und Workflow-Einbettung. Anders gesagt: Ein starkes Modell ohne Unternehmenskontext ist wie ein sehr kluger externer Berater ohne Zugang zu Ihren Unterlagen, Prozessen und Zuständigkeiten. Hilfreich? Ja. Transformativ? Meist nicht.

Die Kernidee in 3 Sätzen

AI-native Teams nutzen KI nicht nur als Chatfenster, sondern als eingebetteten Teil ihrer täglichen Arbeit. Der entscheidende Hebel ist dabei Kontext: Wer macht was, welche Informationen sind relevant, welche Systeme sind führend, welche Regeln gelten? Erst wenn KI in diesen Kontext eingebunden ist, entstehen belastbare Ergebnisse statt netter Demos.

1. Kontext schlägt Prompting

In vielen Unternehmen wird KI noch wie eine bessere Suchmaschine behandelt: Man stellt Fragen und hofft auf gute Antworten. Das funktioniert für allgemeine Aufgaben erstaunlich gut, stößt aber schnell an Grenzen, sobald es um interne Abläufe geht.

Was heißt das praktisch?

• KI braucht Zugriff auf die richtigen Informationen, nicht auf möglichst viele.
• Relevante Kontexte sind z. B.:
  • Rollen und Zuständigkeiten
  • Prozessschritte und Freigaben
  • Dokumente, Tickets, CRM-Daten, Projektstände
  • Berechtigungen und Datenschutzregeln
• Die Qualität der Antwort hängt oft stärker von der Kontextbasis ab als vom nächsten Modell-Upgrade.

Für KMU heißt das: Bevor Sie den nächsten Assistenten einkaufen, prüfen Sie lieber, ob Ihre Wissensbasis, Ihre Prozessdokumentation und Ihre Zuständigkeiten überhaupt KI-tauglich sind.

2. Der nächste Schritt ist „AI in the flow of work“

Viele Teams nutzen KI heute zusätzlich zu ihrer eigentlichen Arbeit. Sie wechseln in ein Chattool, kopieren Inhalte hinein, holen sich einen Entwurf zurück und übertragen das Ergebnis wieder in ihr Kernsystem. Das spart punktuell Zeit, ist aber kein neues Betriebsmodell.

Der größere Hebel entsteht, wenn KI direkt dort arbeitet, wo Arbeit ohnehin stattfindet:

• im Ticketsystem
• im CRM
• in der Wissensdatenbank
• im Angebotsprozess
• in Projekt- und Service-Workflows

Was heißt das praktisch?

Statt „Schreibe mir eine Antwort auf diese Kundenanfrage“ wird aus KI ein eingebetteter Helfer, der:

• die Anfrage klassifiziert,
• fehlende Informationen erkennt,
• einen Antwortentwurf erstellt,
• den passenden Prozess anstößt,
• und nur dort eskaliert, wo ein Mensch entscheiden muss.

Das ist ein fundamentaler Unterschied. KI wird dann nicht mehr als Tool benutzt, sondern als Teil des Arbeitsablaufs.

3. AI-native Teams messen Output, nicht Aktivität

Ein häufiger Fehler in KI-Projekten: Es wird gemessen, wie viele Mitarbeitende ein Tool nutzen. Das ist verständlich, aber zu kurz gedacht. Hohe Nutzung ist kein Geschäftsergebnis.

Besser sind Fragen wie:

• Sinkt die Bearbeitungszeit?
• Steigt die Erstlösungsquote?
• Werden Angebote schneller erstellt?
• Nimmt die Fehlerquote ab?
• Verbessert sich die Durchlaufzeit im Projekt?

Was heißt das praktisch?

Für jeden KI-Use-Case sollten KMU vorab 2–3 Kennzahlen definieren. Sonst bleibt die Einführung im Stadium von „fühlt sich modern an“, ohne dass klar wird, ob sie wirtschaftlich trägt.

4. AI-native Teams brauchen Lernschleifen, nicht nur Lizenzen

Ein weiteres Missverständnis: Wenn das Tool da ist, kommt die Wirkung von allein. In der Praxis passiert eher das Gegenteil. Einige wenige Power-User erzielen gute Ergebnisse, der Rest schaut zu oder probiert halbherzig herum.

Deshalb brauchen Teams einfache Lernmechanismen:

• Welche Anwendungsfälle funktionieren wirklich?
• Wo scheitert die KI regelmäßig?
• Welche Eingaben, Vorlagen oder Daten verbessern die Ergebnisse?
• Welche Aufgaben bleiben bewusst menschlich?

Was heißt das praktisch?

Schon ein 30-minütiger KI-Review pro Woche kann reichen:

• 1 funktionierender Use Case
• 1 gescheiterter Versuch
• 1 neue Regel oder Vorlage
• 1 Entscheidung zur Standardisierung

So wird aus individueller Experimentierfreude kollektive Teamfähigkeit.

5. No-Code und Agenten sind Chance und Risiko zugleich

Die Hürde, kleine Tools oder Automationen zu bauen, sinkt rapide. Das ist gut, weil Fachbereiche Probleme schneller selbst lösen können. Es ist aber auch riskant, wenn plötzlich unklar ist, welche Mini-Anwendung auf welche Daten zugreift und wer dafür verantwortlich ist.

Was heißt das praktisch?

KMU sollten früh zwischen drei Kategorien unterscheiden:

1. Persönlicher Helfer – nur für eine Person, geringe Kritikalität
2. Team-Automation – wiederkehrender Nutzen im Team, dokumentationspflichtig
3. Kritischer Agent – greift in Kernprozesse ein, braucht Freigabe, Tests und Monitoring

Diese Unterscheidung ist simpel, aber enorm wirksam. Sie verhindert Wildwuchs, ohne Innovation abzuwürgen.

Umsetzung im KMU: der erste sinnvolle Schritt

Der beste Einstieg ist nicht „Wir führen jetzt KI ein“, sondern:

Wählen Sie einen konkreten Prozess mit hohem Volumen und klarer Reibung.

Zum Beispiel:

• Angebotsvorbereitung
• Kundenanfragen im Service
• interne Wissenssuche
• Projektstatusberichte
• Meeting-Nachbereitung

Dann prüfen Sie vier Dinge:

1. Welche Informationen braucht die KI dafür?
2. Wo liegen diese Informationen heute?
3. Welche Entscheidungen darf die KI vorbereiten – und welche nicht?
4. Woran messen wir den Erfolg?

Typische Stolperfallen

• Zu früher Fokus auf Tools statt auf Prozesse
• Keine saubere Daten- und Dokumentenbasis
• Keine Freigaberegeln für sensible Inhalte
• Keine Erfolgsmessung
• Keine Lernschleife im Team

Wie ich als KI-Berater konkret helfen kann

• AI-Readiness-Workshop für KMU-Teams: Wir identifizieren die 3 sinnvollsten KI-Workflows und priorisieren nach Nutzen, Risiko und Umsetzbarkeit.
• Context Readiness Sprint: Ich strukturiere mit Ihrem Team die relevanten Datenquellen, Rollen, Freigaben und Wissensbestände für einen konkreten KI-Prozess.
• Pilot zu AI-in-Workflow: Wir bauen einen ersten produktiven KI-Workflow mit klaren KPIs, Governance-Light und Team-Enablement statt nur einer Demo.

Fazit

Die nächste Stufe der KI-Nutzung im Mittelstand wird nicht durch noch mehr Chatfenster entschieden, sondern durch besseren Kontext, klarere Prozesse und eingebettete Nutzung im Arbeitsalltag. Wer das früh sauber aufsetzt, gewinnt nicht nur Effizienz, sondern organisatorische Lernfähigkeit.

Wenn Sie KI im Unternehmen nicht nur testen, sondern belastbar in die Arbeit integrieren wollen, starten Sie mit einem Prozess – nicht mit einem Hype.