Search this site

Wo weicht die gelebte Praxis vom definierten Ablauf ab? Welche Ausnahmen sind entscheidend? Welche Wahrnehmungen und Einschätzungen beeinflussen Entscheidungen? Welche informellen Lösungen haben sich über Jahre entwickelt? Und welches Wissen müsste zugänglich werden, bevor KI Aufgaben innerhalb dieses Prozesses übernimmt? Damit erweitert sich die Vorbereitung auf KI um eine organisationale Perspektive. Was fehlt in Ihren Daten? Gartner berichtet, dass 63 Prozent der befragten Organisationen entweder keine geeigneten Data Management Praktiken für KI besitzen oder nicht wissen, ob ihre bestehenden Praktiken dafür geeignet sind. Die Qualität der Daten ist eine zentrale Voraussetzung für den Einsatz von KI. Doch auch eine hervorragende Datengrundlage enthält nur das Wissen, das in Daten, Dokumenten und Systemen erfasst wurde. Für Unternehmen lohnt deshalb eine zweite Frage: Was wissen die Menschen in unserer Organisation, das für unsere Prozesse und Entscheidungen wesentlich ist und in unseren Daten bisher nicht vorkommt? Dieses implizite Wissen zugänglich zu machen, erweitert die Grundlage für Entscheidungen über den Einsatz von KI. Denn bevor wir einen Prozess automatisieren, sollten wir wissen, was Menschen heute wissen müssen, damit dieser Prozess überhaupt funktioniert. Die Grenze der Daten Die Vorbereitung auf KI beginnt bei einer guten Datengrundlage und reicht darüber hinaus. Sie umfasst auch das Wissen einer Organisation, das bisher schwer zugänglich ist. Vielleicht lautet deshalb eine der wichtigsten Fragen vor dem nächsten KI Projekt: Was weiß unsere Organisation, das KI noch nicht wissen kann? Quelle Gartner: „Lack of AI-Ready Data Puts AI Projects at Risk“, 26. Februar 2025. Gartner prognostiziert, dass bis einschließlich 2026 60 Prozent der KI Projekte ohne KI taugliche Datengrundlage aufgegeben werden. Laut Gartner verfügen 63 Prozent der befragten Organisationen entweder nicht über geeignete Data Management Praktiken für KI oder wissen nicht, ob ihre bestehenden Praktiken dafür geeignet sind.

Warum Unternehmen beim Automatisieren nicht nur Prozesse, sondern auch die Entstehung von Erfahrung betrachten sollten. Eine Diskussion auf LinkedIn hat mich in den vergangenen Tagen beschäftigt. Ausgangspunkt war ein Beitrag von Angelika Kindt über Verantwortung im Umgang mit Künstlicher Intelligenz. Ihre zentrale Frage: Wer entscheidet eigentlich, welche Handlungsmacht wir KI übertragen? In der Diskussion entstand daraus für mich eine weitere Frage: Welches Wissen müssen wir erschließen, bevor wir Prozesse und Entscheidungen an KI übergeben? Denn ein dokumentierter Prozess und ein tatsächlich gelebter Prozess sind selten vollkommen identisch. Was zwischen den Prozessschritten geschieht Ein Prozess kann detailliert beschrieben sein. Zuständigkeiten sind definiert, Abläufe dokumentiert, Kennzahlen vorhanden und Daten über Jahre gesammelt. Und trotzdem wissen erfahrene Mitarbeitende mehr über diesen Prozess, als darin festgehalten ist. Sie hören am Tonfall eines Kunden, dass hinter seiner Frage ein anderes Problem steckt. Sie erkennen bei einer Maschine eine minimale Veränderung und reagieren, bevor eine Störung entsteht. Sie wissen, dass ein bestimmter Vorgang formal korrekt aussieht und trotzdem überprüft werden sollte. Im Alltag sind es oft unscheinbare Handlungen: eine Rückfrage, ein zusätzlicher Kontrollblick, eine andere Reihenfolge, eine Ausnahme von der üblichen Regel. Diese Entscheidungen entstehen aus Erfahrung. Menschen haben über Jahre Situationen erlebt, Unterschiede wahrgenommen, Folgen beobachtet und daraus ihre eigenen Beurteilungsmuster entwickelt. Was bekommt die KI eigentlich übergeben? Wenn Unternehmen Prozesse automatisieren, stellt sich deshalb eine Frage, die über Datenqualität und technische Integration hinausgeht: Welchen Prozess automatisieren wir eigentlich? Den dokumentierten Prozess? Oder den Prozess, wie er tatsächlich funktioniert? Solange Menschen beteiligt sind, können sie Lücken zwischen beiden ausgleichen. Sie korrigieren, interpretieren und reagieren auf Situationen, die in der formalen Beschreibung kaum vorkommen. Eine KI kennt diese zusätzlichen Schritte nur, wenn sie in den für sie verfügbaren Informationen enthalten oder anderweitig für sie zugänglich gemacht worden sind. Damit entsteht ein erhebliches Risiko: Ein unvollständig abgebildeter Prozess kann durch KI schneller, konsequenter und in größerem Umfang ausgeführt werden. Effizienz und Wirksamkeit sind jedoch zwei unterschiedliche Fragen. Ein Prozess kann effizienter werden und trotzdem an entscheidenden Stellen das verlieren, was ihn bisher wirksam gemacht hat. Und dann kam in der Diskussion eine zweite Frage Angelika Kindt führte meinen Gedanken einen Schritt weiter: Was geschieht mit unserer Urteilskraft, wenn genau diese kleinen Entscheidungen zunehmend an KI übergehen? Diese Frage verändert die Perspektive. Denn Erfahrungswissen ist kein statischer Vorrat, den Menschen irgendwann besitzen und anschließend beliebig abrufen. Erfahrung entsteht im Tun. Menschen nehmen Situationen wahr. Sie vergleichen sie mit früheren Erfahrungen. Sie entscheiden. Sie erleben die Folgen ihrer Entscheidung. Manchmal liegen sie richtig, manchmal irren sie sich. Und aus diesen wiederkehrenden Erfahrungen entwickeln sich mit der Zeit immer feinere Unterscheidungen. Genau daraus entsteht professionelle Urteilskraft. Was geschieht, wenn diese Erfahrungsschleife unterbrochen wird? Wenn KI immer mehr dieser kleinen Entscheidungen übernimmt, verändert sich auch die Rolle des Menschen im Prozess. Wer eine Situation nicht mehr selbst beurteilen muss, sammelt in dieser Situation weniger eigene Entscheidungserfahrung. Das muss kein Argument gegen Automatisierung sein. Es ist vielmehr eine Gestaltungsfrage. Unternehmen müssen entscheiden, welche Aufgaben sinnvoll an KI übergehen können und an welchen Stellen menschliche Wahrnehmung, Beurteilung und Entscheidung weiterhin notwendig sind. Denn es geht um zwei Wissensbewegungen gleichzeitig: Das vorhandene Erfahrungswissen muss für die Organisation zugänglich werden, bevor wesentliche Teile eines Prozesses automatisiert werden. Und: Menschen brauchen weiterhin Situationen, in denen neue Erfahrung und damit neue Urteilskraft entstehen können. KI verändert damit auch die Wissensbasis einer Organisation Die zentrale Frage lautet deshalb aus meiner Sicht nicht allein: Was kann KI übernehmen? Mindestens ebenso wichtig sind zwei weitere Fragen: Was wissen unsere Mitarbeitenden heute über diesen Prozess, das in keinem System steht? Und: Was müssen Menschen auch künftig selbst wahrnehmen, beurteilen und entscheiden, damit dieses Wissen weiter entstehen kann? Im Zeitalter der KI wird die Fähigkeit einer Organisation, ihr eigenes Erfahrungswissen zu erkennen und weiterzuentwickeln, zu einer wesentlichen Ressource. Denn Automatisierung verändert nicht nur Prozesse. Sie verändert auch, wie Organisationen Erfahrung sammeln – und was sie morgen noch aus eigener Erfahrung wissen können.

https://kulturwandel.org/gespraech/otto-group/ Tobias Krüger, Bereichsleiter „Kulturwandel 4.0“ bei der Otto Group, im Interview mit Sebastian Purps-Pardigol – ein äußerst bemerkenswertes Gespräch! „Mittlerweile ist es ein bedeutsamer Erfolgsfaktor, es selbst gemacht zu haben. Denn das Thema Veränderung lässt sich nicht outsourcen.“ Dies deckt sich mit unserer Erfahrung: Wenn es um Veränderung geht, ist das Wissen der Mitarbeitenden entscheidend und richtungweisend. Wenn mit diesem gearbeitet wird, kommen alle Veränderungsimpulse aus dem Herzen der Organisation und können direkt in die Unternehmenssteuerung integriert werden. Diese Chance eröffnet Ihnen CoreFinding. Multiperspektivität für eine sichere Entscheidungbasis Wir fügen die Gesamtintelligenz Ihrer Organisation zu einem aussagekräftigen Gesamtbild zusammen. Jetzt betrachten Sie Ihre Organisation aus allen vorhandenen Perspektiven und schöpfen aus einem satt gefüllten Pool von Ideen – das ist die Macht des impliziten Wissens. Veränderung sicher navigieren Wie weit sind Sie bereits gekommen? Wie denken die Mitarbeitenden darüber? Welche neuen Ideen können Ihren weiteren Fortschritt begünstigen? Entscheidende Fragen entlang der Zeitachse Ihres Wandlungsprozesses. Wir forschen regelmäßig nach und präsentieren Ihnen alle relevanten Handlungsoptionen, die direkt von Ihren Mitarbeitenden stammen – das stärkt Ihren Prozess andauernd. Photocopy by Coworking Loft #kulturwandel #veränderungvoninnen

So hypnotisiert die Schlange Kaa aus Walt Disneys Dschungelbuch ihre Opfer. Gelingt das Banken bei Ihren Kund:innen auch – noch? Vertrauen ist ein Geschenk, das Kund:innen einem Anbieter entgegenbringen. Um dieses Vertrauen zu festigen wird vieles versucht. Vertrauen ist ein weicher Faktor, dem persönliche Einstellungen (implizites Wissen) zugrunde liegen. Diese sind meist unbewusst und uns über Sprache nicht zugänglich. Daher wirken Marktforschungen hier nicht. Um die Kriterien herauszuarbeiten, die sich hinter Vertrauen verbergen sind Methoden notwendig, die in der Lage sind auch die unbewussten Kriterien zu erheben. Entwicklung eines hybriden (qualitativ & quantitativ) Ansatzes Ziel der CoreFinding-Forschung war es, implizites Wissen (Erfahrungswissen, pers. Einstellungen) in Organisationen und deren Umfeld möglichst valide zu erfassen (d. h. ohne bereits getroffene Vorannahmen oder nachfolgende Interpretation) und Handlungsoptionen für die Organisationsentwicklung nutzbar zu machen. Erhebungsritual und Bewertungsskala Das CoreFinding-Erhebungsritual ist ein tiefgehender Reflexionsprozess, bei dem Thema und Kontext aus unterschiedlichen Perspektiven betrachtet und neue Erkenntnisse generiert werden. Aussagen werden in ihrer Wortbedeutung so lange zerlegt, bis ihre Verwendung klar erfasst werden kann. Somit entsteht eine Art „ideographische Kartographie“, eine geistige Landkarte (vgl. Lukesch R.). Hintergrund und Wurzeln Die eigenständige Methodenentwicklung des psychometrischen Verfahrens basiert auf Ansätzen, die bereits für Individuen im therapeutischen Kontext in der klinisch-psychologischen Einzelfall-Diagnostik oder in Coachingprozessen erfolgreich eingesetzt wurden. Der innovative Erhebungsansatz ermöglicht es unbewusstes, implizites Wissen bewusst, aussprechbar und erfassbar zu machen. Die Weiterentwicklung des Auswertungsalgorithmus liefert dieses Wissen in Form konkret umsetzbarer Handlungsoptionen zur Steuerung von Organisationen und Evaluierung von Veränderungsprozessen. Gerne mehr Informationen: Gabriela Pesch, + 4369918803322

Vor 28 Jahren stellte mir ein CEO eine Frage, die mich bis heute begleitet: „Wie kann ich sehen, was die Fusion unserer beiden Unternehmen blockiert?“ Seine Dashboards zeigten: Alles im grünen Bereich. Doch die Realität sah anders aus. Kundenanträge dauerten plötzlich sechs Monate statt zwei. Führungskräfte kündigten. Der Umsatz ging zurück. Kundenzufriedenheit und Image verschlechterten sich. Die Kennzahlen zeigten die Folgen. Aber nicht das, was darunter wirkte. Heute weiß ich: In Organisationen gibt es eine Ebene, die in keinem Dashboard erscheint. Menschen wissen, wie Entscheidungen tatsächlich getroffen werden. Wem man vertraut. Was man besser nicht anspricht. Welche Abkürzungen funktionieren. Wo Risiken gesehen werden. Und wann man besser wartet. Dieses implizite Wissen entsteht über Jahre – durch Erfahrung, gemeinsames Handeln und Beobachtung. Es wird selten dokumentiert und ist den Beteiligten häufig selbst nicht vollständig bewusst. Gerade bei Veränderungen, Fusionen oder Automatisierungen kann diese unsichtbare Ebene entscheidend werden. Denn wenn unterschiedliche Erfahrungen, Annahmen und ungeschriebene Regeln aufeinandertreffen, entstehen Blockaden, die in klassischen Kennzahlen oft erst sichtbar werden, wenn die Folgen bereits eingetreten sind. Aus dieser Erkenntnis entstand das Z-Modell. X und Y beschreiben die sichtbare Fläche einer Organisation: Kennzahlen, Prozesse, Projekte, Umsatz, Kundenzufriedenheit und Daten. Z steht für die Dimension darunter. Für Erfahrungen, Annahmen, ungeschriebene Regeln, Gewohnheiten, Bedenken und Handlungsmuster, die mitbestimmen, ob das, was oben geplant wird, tatsächlich funktioniert. Im Zeitalter der KI gewinnt diese Dimension zusätzlich an Bedeutung. KI kann Daten analysieren, Muster erkennen und Prozesse optimieren. Sie kann jedoch nicht automatisch auf das Wissen zugreifen, das nicht dokumentiert ist und erst im Denken und Handeln der Menschen sichtbar wird. Mehr Daten lösen deshalb nicht jedes Organisationsproblem. Manchmal fehlt nicht die nächste Analyse. Manchmal fehlt die Dimension darunter. Das Z-Modell macht diese Ebene sichtbar – und damit bearbeitbar. So verändert sich auch die Frage: Nicht nur: Was passiert? Sondern: Was wirkt darunter? Nicht nur: Warum funktioniert die Veränderung nicht? Sondern: Welche unsichtbaren Annahmen, Erfahrungen oder Regeln beeinflussen sie? Nicht nur: Was sagen die Kundendaten? Sondern: Was denken Kunden, ohne es aussprechen zu können? Die Zahlen zeigen, was passiert. Z zeigt was darunter liegt.

Der Elefant im Raum ist nicht der Widerstand der Belegschaft. Es ist der Unglaube des Managements an echte Veränderung. Es geht meist nicht darum, dass Führungskräfte zu wenig wissen. Es geht darum, dass ihnen der Glaube an die Möglichkeit der Transformation fehlt. Das hat eine direkte Konsequenz: Wenn die Führung nicht daran glaubt, dass Veränderung möglich ist, übersieht sie die Signale, die genau diese Veränderung ankündigen. Der Elefant steht längst im Raum – aber er wird ignoriert. Transformation beginnt nicht mit einer Strategie. Sie beginnt mit der Haltung. Wenn Führungskräfte diesen Glauben nicht haben, interpretieren sie alles Neue mit ihren alten Denkmustern: Neue Ideen der Mitarbeiter gelten als unrealistisch. Neue Methoden werden abgewehrt: „Bei uns funktioniert das nicht.“ Widerstand wird einfach „den Leuten“ zugeschrieben. Man erkennt, dass etwas scheitert – und macht trotzdem mehr vom Selben. Chris Argyris beschrieb dieses Phänomen schon 1991 als typische Lernblockade hochqualifizierter Akteure. Das größte Potenzial einer Transformation steht meist schon mitten im Raum: In den Menschen. In ihren Erfahrungen. In ihren ungenutzten Beobachtungen. Wird dieser Glaubenssatz der Unveränderbarkeit nicht aufgebrochen, hilft auch KI nicht weiter. Die beste KI liefert neue Erkenntnisse – aber wer nur nach Bestätigung für das sucht, was er ohnehin schon glaubt, ordnet auch KI-Insights wieder im alten Raster ein. Wo steht dieser Elefant in Ihrem Unternehmen?

Die entscheidende Frage ist nicht, ob sie das können. Sondern: Welche Prozesse geben wir ihnen eigentlich? Denn Unternehmen übergeben einer KI nicht die Realität. Sie übergeben ihr das, was sie über ihre Realität wissen – beschrieben in Prozessen, Regeln und Daten. Und genau dort kann etwas Entscheidendes fehlen. Nicht weil Informationen fehlen. Sondern weil Wissen vorhanden ist, das niemand aufgeschrieben hat. Ein Mitarbeiter weiß beispielsweise, wann er bei einem Kunden besser noch einmal nachfragt. Ein Vertriebsmitarbeiter spürt, dass ein Abschluss noch nicht reif ist. Eine Führungskraft erkennt, dass eine scheinbar kleine Abweichung auf ein größeres Problem hindeutet. Dieses Wissen steht selten im Prozess. Aber es steuert ihn. Wenn KI-Agenten künftig immer mehr davon übernehmen, wird genau diese unsichtbare Ebene entscheidend. Vielleicht ist deshalb die wichtigste Frage vor der Automatisierung nicht: „Was kann die KI übernehmen?“ Sondern: „Was muss die KI wissen, bevor sie es übernehmen kann?“ #KI #KITransformation #KI Erst die Verbindung von KI und implizitem Wissen lässt Automatisierung gelingen

Jedes Jahr investieren Unternehmen Millionen in Marktforschung – mit dem Anspruch, die verborgenen Entscheidungsgründe ihrer Kunden zu verstehen. Sie erhalten Insights. Hidden Needs. Customer Journeys. Unbewusste Kaufmotive. Und trotzdem werden dieselben Märkte, dieselben Zielgruppen und dieselben Fragestellungen immer wieder untersucht. Warum? Wenn Hidden Needs tatsächlich sichtbar geworden wären – warum müssen wir sie immer wieder neu suchen? Die Marktforschung verspricht seit Jahren, verborgene Entscheidungsgründe sichtbar zu machen. Zum Einsatz kommen Eye Tracking, Neurotests, Reaktionszeitmessungen, implizite Assoziationstests, KI-gestützte Analysen oder immer ausgefeiltere Befragungen. Oft hört man auch: „Man muss nur die richtigen Fragen stellen.“ Diese Verfahren haben ihre Berechtigung. Sie liefern wertvolle Erkenntnisse über Verhalten, Aufmerksamkeit und Präferenzen. Doch sie beantworten nicht zwangsläufig die entscheidende Frage: Wie entstehen Entscheidungen? Der Wissenschaftsphilosoph Michael Polanyi formulierte bereits 1966 einen Satz, der bis heute als Grundlage der Forschung zum impliziten Wissen gilt: „We know more than we can tell.“ Wir wissen mehr, als wir in Worte fassen können. Genau darin liegt die Herausforderung. Das Problem ist nicht, dass die Marktforschung zu wenig weiß. Das Problem ist die Annahme, implizites Wissen ließe sich mit klassischen Erhebungsinstrumenten vollständig sichtbar machen. Implizites Wissen ist keine Antwort, die Menschen in sich tragen und nur noch aussprechen müssen. Es besteht aus Bedeutungsstrukturen, Erfahrungen und Orientierungsmustern, die unser Denken und Entscheiden prägen – ohne dass sie uns selbst vollständig bewusst sind. Auch der Nobelpreisträger Daniel Kahneman hat gezeigt, dass ein großer Teil unserer Entscheidungen intuitiv und unbewusst entsteht. Die eigentlichen Entscheidungslogiken lassen sich deshalb nicht ohne Weiteres durch Selbstauskünfte oder klassische Befragungen erschließen. Deshalb lässt sich implizites Wissen weder durch bessere Fragen noch durch immer präzisere Messinstrumente einfach „heben“. Dass dies eine wissenschaftliche Herausforderung ist, bestätigt auch Univ.-Prof. Dr. Andrea Gröppel-Klein, Akademische Direktorin des Instituts für Konsum- und Verhaltensforschung der Universität des Saarlandes. Über impliZ sagte sie: „Trotz Low-Involvement-Produkt hat impliZ die Einstellungen der Stromkund der Mainova AG sichtbar machen können … Alle, die sich mit der Erforschung von implizitem Wissen beschäftigt haben, wissen, dass das eine Herkules-Aufgabe ist …“ Genau dieser Herkulesaufgabe widmen wir uns seit über 30 Jahren. Aus dieser Forschung entstand impliZ – ein wissenschaftlich fundiertes psychometrisches Erhebungs- und Analyseverfahren, das entwickelt wurde, um implizite Wissens- und Bedeutungsstrukturen zu rekonstruieren – dort, wo klassische Marktforschung an ihre Grenzen stößt. Nicht als Ersatz für Marktforschung. Sondern als wissenschaftliche Ergänzung für Fragestellungen, bei denen nicht nur sichtbar werden soll, was Menschen tun, sondern warum sie so entscheiden. Vielleicht brauchen Unternehmen heute nicht noch mehr Daten. Vielleicht brauchen sie einen wissenschaftlichen Zugang zu dem, was Entscheidungen tatsächlich steuert. www.impliZ.com

Künstliche Intelligenz verändert gerade nahezu alles – Prozesse, Entscheidungen und ganze Geschäftsmodelle. Doch je leistungsfähiger KI wird, desto wichtiger wird eine Frage: Wofür setzen wir sie eigentlich ein? Genau deshalb erlebt das Thema Purpose eine Renaissance. Denn KI kann das Wie optimieren – aber nicht das Wofür beantworten. Wer seinen Daseinszweck kennt, schafft Orientierung in einer Zeit rasanter technologischer Veränderungen. Purpose wird zum Kompass für Entscheidungen und zum Maßstab dafür, wo und wie KI echten Mehrwert schaffen soll. Gleichzeitig rückt die Frage nach dem zutiefst Menschlichen in den Mittelpunkt: Was bleibt unersetzbar? Sinn stiften, Verantwortung übernehmen, Beziehungen gestalten und eine lebenswerte Zukunft entwerfen – all das kann KI unterstützen, aber nicht ersetzen. Organisationen mit einem klaren Purpose werden KI nicht nur effizienter, sondern vor allem wirksamer und bewusster einsetzen. Denn Technologie entfaltet ihren größten Nutzen erst dann, wenn sie einem sinnvollen Ziel dient. KI macht Purpose nicht überflüssig – sie macht ihn wichtiger denn je.

ERP-Projekte werden bis ins Detail geplant. Scope, Budget, Meilensteine, Risiken und der Go-live-Termin sind klar definiert. Technisch scheint alles unter Kontrolle. Und trotzdem geraten viele Projekte genau beim Go-live ins Wanken. Nicht, weil die Software nicht funktioniert. Sondern weil Menschen plötzlich mit einem System arbeiten sollen, das ihre tägliche Arbeitsrealität verändert. Sie verlieren ihre gewohnte Handlungssicherheit. Während der Planung liegt der Fokus fast ausschließlich auf der Technik. Prozesse werden modelliert, Daten migriert und Risiken bewertet. Die Organisationsveränderung läuft parallel – häufig unter dem Stichwort Change Management. Als müsste sie sich später nur noch an das neue System anpassen. Doch genau hier entsteht der teuerste Fehler. Ein ERP-System verändert nicht nur Prozesse. Es verändert Gewohnheiten, Verantwortlichkeiten, Entscheidungswege und eingespielte Zusammenarbeit. Es greift in das Erfahrungswissen ein, das Menschen über Jahre aufgebaut haben und das den Alltag überhaupt erst funktionieren lässt. Dieses Wissen steht in keinem Prozesshandbuch. Es taucht in keiner Systemanalyse auf. Und genau deshalb wird es in vielen Projekten nicht berücksichtigt. Der Widerstand beginnt deshalb nicht am Go-live. Er entsteht Monate früher – in der Planungsphase. Der Go-live macht lediglich sichtbar, dass über die Organisation hinweg geplant wurde, anstatt sie wirklich zu verstehen. Wer nur das System einführt, verändert noch keine Organisation.

In seiner aktuellen Kolumne „Wie künstliche Intelligenz die Beratungsbranche neu sortiert“ beschreibt Michael Hirt sehr treffend, warum klassische Wissensberatung an Bedeutung verliert. Wenn Analysen, Strategien und Präsentationen heute innerhalb weniger Sekunden von KI erstellt werden können, entsteht eine neue Frage: Was bleibt, wenn Wissen zur Selbstverständlichkeit wird? Unsere Antwort lautet: das Wissen, das weder Daten noch KI erkennen können. Das bleibt. Unternehmen verfügen heute über mehr Informationen als jemals zuvor. Trotzdem scheitern Transformationen, ERP-Einführungen, Strategiewechsel oder Nachfolgeprozesse nicht an fehlenden Analysen. Sie scheitern häufig daran, dass die eigentlichen Ursachen im Unternehmen unsichtbar bleiben. Nicht Zahlen entscheiden über den Erfolg einer Veränderung, sondern die kollektiven Wahrnehmungen, Erwartungen und Denkstrukturen der Menschen. Genau dort setzt CoreFinding an. CoreFinding entstand lange bevor KI zum Alltag von Unternehmen wurde. Heute zeigt sich deutlicher denn je, warum diese Perspektive so wichtig ist: Je besser Daten und KI werden, desto größer wird der Wert des Wissens, das sie nicht erkennen können. Unsere Methode macht sichtbar, was in Organisationen vorhanden ist, aber bisher nicht ausgesprochen werden konnte. Sie macht Unterschiede in Wahrnehmungen sichtbar, bevor sie zu Widerständen, Konflikten oder gescheiterten Projekten werden. KI kann Informationen analysieren. CoreFinding macht das organisationale Wissen sichtbar, das zwischen den Menschen entsteht. Gerade deshalb glauben wir, dass die Zukunft der Beratung nicht im Produzieren weiterer Analysen liegt, sondern darin, Organisationen dabei zu unterstützen, ihre eigene Realität zu erkennen und daraus tragfähige Entscheidungen zu entwickeln. Der Beitrag von Michael Hirt beschreibt diese Entwicklung aus unserer Sicht sehr treffend und bestätigt den Weg, den wir mit CoreFinding seit Jahren verfolgen. Lesetipp:Der lesenswerte Beitrag von Michael Hirt in Die Presse beschreibt sehr treffend, warum Beratung im KI-Zeitalter neu gedacht werden muss. Hier geht's zum Originalartikel: „Wie künstliche Intelligenz die Beratungsbranche neu sortiert“Michael Hirt, Die Presse, 25.06.2026 → [https://www.diepresse.com/32876158/wie-kuenstliche-intelligenz-die-beratungsbranche-neu-sortiert]

Viele Unternehmen investieren in Strategien, Technologien und Prozesse. Das ist wichtig. Doch der Erfolg von Veränderungen entscheidet sich häufig an einer anderen Stelle: an den Denkmustern der handelnden Menschen. Sie treffen Entscheidungen nicht nur auf Basis von Fakten. Sie handeln auf Grundlage dessen, was sie für selbstverständlich halten – oft, ohne es selbst zu bemerken. Genau deshalb scheitern Veränderungsprojekte so häufig nicht an der Technik, sondern an unbewussten Überzeugungen und eingeübten Mustern. Ein starkes Mindset bedeutet nicht, immer positiv zu denken. Es bedeutet, bereit zu sein, die eigene Sichtweise zu überprüfen und neue Perspektiven zuzulassen. Denn bessere Entscheidungen beginnen nicht mit mehr Daten, sondern mit einem besseren Verständnis der eigenen Organisation.