Organisationales Lernen

Unsere Position. Wir behandeln Adoption als Thema der Organisation, denn Agents verändern die Organisation rund um den Code stärker als den Code selbst (öffnet in einem neuen Tab).

Die Tools machen Einzelne schneller und erschweren die Zusammenarbeit. Ein Team hat seine eigene Adoption untersucht und musste gezielt für mehr Abstimmung sorgen: mehr Co-Working-Sessions, geteilte Artefakte aus Experimenten und eigens dafür gebaute interne Tools (Rotational Labs - What We’ve Learned From 3 Months Living with AI Coding Tools (öffnet in einem neuen Tab)).

Nutzungszahlen verbergen, ob überhaupt etwas gelernt wurde. Die nützliche Frage wechselt von “are people using AI?” zu “what changed because we spent those tokens?” (When everyone has AI and the company still learns nothing (öffnet in einem neuen Tab)). Jede reine Nutzungszahl der KI lädt zum Schönen der Zahlen ein. Trennt deshalb tiefe Nutzung von oberflächlichem Theater (Videoessay über den KI-nativen Talentmarkt (öffnet in einem neuen Tab)).

Der Bottleneck liegt selten in den Fähigkeiten des Modells und meist in der Bereitschaft der Institution. Ein Pilot gelingt technisch in einer Woche und kann dann monatelang stocken, weil ungeklärt ist, wer für die Risikoakzeptanz bei KI-generiertem Output verantwortlich ist (A Country Full of Geniuses (öffnet in einem neuen Tab)). Der zu selten erkannte Widerstand gilt der eigenen Stellung, nicht dem Jobverlust: Zählt die eigene Expertise künftig noch? Er zeigt sich in vagen Einwänden gegen Tools oder Qualität. Führungskräfte müssen ihn direkt benennen, bevor er sich zu aktivem Widerstand verhärtet (The Drag Problem in AI Adoption (öffnet in einem neuen Tab)).

Einstieg

• Adoptionslücken und Widerstand: Warum technisch erfolgreiche KI-Piloten stocken, wenn sich Institutionen, Anreize und Vertrauen nicht mitverändern.

Verwandte Seiten

• Einstieg und Lernen: wie die Praxis Einzelner beginnt, bevor sie zur Fähigkeit des Teams wird.
• Was KI-Adoption voranbringt: die Praktiken mit dem stärksten gemessenen Effekt auf dauerhafte Nutzung.
• Leadership: das Umfeld, in dem Teams selbst gut entscheiden.
• State of AI-Native Engineering Report: wie wenige Führungskräfte neben den Tools auch Review, Rollen oder Onboarding geändert haben.
• Abschied von Agile: McKinseys Studie zum KI-Operating-Model: warum Gewinne auf Unternehmensebene ein geändertes Operating Model brauchen.

Quellen

Artikel

• A Country Full of Geniuses (öffnet in einem neuen Tab) - LinkedIn-Artikel. Er sieht den Bottleneck der KI in der Bereitschaft der Institutionen, weshalb technisch erfolgreiche Piloten an der Frage stocken, wer das Risiko abnimmt.
• The Drag Problem in AI Adoption (öffnet in einem neuen Tab) - LinkedIn-Artikel über organisatorische Trägheit bei der KI-Adoption und die zu selten erkannte Angst um die eigene Position statt um den Jobverlust.
• What We’ve Learned From 3 Months Living with AI Coding Tools (öffnet in einem neuen Tab) - Interne Studie von Rotational Labs: Coding-Tools machen Einzelne schneller, erschweren aber die Zusammenarbeit und verlangen gezielte Abstimmung.
• When everyone has AI and the company still learns nothing (öffnet in einem neuen Tab) - Blog-Essay. Er verschiebt die Frage der Adoption davon, ob Leute KI nutzen, hin zu dem, was sich durch die verbrauchten Token geändert hat.

Posts

• Agents change the organization around the code more than the code itself (öffnet in einem neuen Tab) - LinkedIn-Post, der KI-Adoption als Thema der Organisation behandelt, weil Agents die Organisation stärker umbauen als den Code.

Talks und Videos

• The Red Queen Trap: Who Survives 2026 (öffnet in einem neuen Tab) - Videoessay über den KI-nativen Talentmarkt. Es warnt, dass reine Nutzungszahlen der KI zum Schönen der Zahlen einladen und oberflächliches Theater verbergen.