Es gibt ein psychologisches Profil, das nie von KI profitieren wird.
Es ist nicht die Person, die „nicht technisch“ ist. Es ist auch nicht der grundsätzliche Skeptiker, für den früher alles besser war. Es ist subtiler, und man begegnet ihm in vielen Marketingteams.
Um es zu erklären, erzähle ich Ihnen die Geschichte von Tiphaine.
Tiphaine, Kevin und ihr Unternehmen sind erfunden. Den Vornamen habe ich zufällig gewählt: Tiphaine, Typhon, Martin oder Abdel Kader, das spielt keine Rolle. Die Situationen dagegen werden viele wiedererkennen.
Das Wichtigste
Generative KI ist ein probabilistisches Werkzeug: Sie liefert einen Entwurf, kein Urteil.
Das größte Hindernis bei der Einführung ist nicht das technische Niveau, sondern der Umgang mit Fehlern.
Wer nie profitieren wird, ist derjenige, der beim ersten Versuch recht haben muss.
Gründliches Prüfen ist die Fähigkeit, die KI-Nutzern am meisten fehlt. Skeptiker haben sie bereits.
Tiphaine, ultrarationale Head of Marketing
Tiphaine ist Head of Marketing. Ein „ultrarationales“ Profil.
Zuerst hat sie einen Master in Finanzwesen gemacht. Dann kam die Krise von 2008, und sie wechselte zu einem Master in E-Commerce. Was sie anzieht, sind Zahlen, Berechnungen, Greifbares, harte Wissenschaften.
Sie wollte Data Scientist werden. Aber da war zu viel „Informatik“. Also landete sie im Marketing.
Heute liebt sie es, Tabellen zu zerlegen, die Schwachstelle zu finden und ihrer Geschäftsleitung Korrelationen zu verkaufen. Etwa so:
„Der Umsatzrückgang von 20 % erklärt sich zu zwei Dritteln durch den Rückgang des Direkt-Traffics, korreliert mit dem Ende der TV-Kampagne im März, und zu einem Drittel durch die Erosion des Non-Brand-SEO bei generischen Suchanfragen nach dem letzten Core Update, mit einer teilweisen Kannibalisierung von Brand durch Paid.“
Die Geschäftsleitung ist begeistert. Es ist präzise, es ist beziffert, es beruhigt.
In Tiphaines Welt liefert dieselbe Formel auf denselben Zellen immer dasselbe Ergebnis. Genau das macht Excel vertrauenswürdig. Und genau das wird ihr gleich zum Verhängnis.
Der Tag, an dem der Vorstand „eine KI-Strategie“ wollte
Dann kommt ChatGPT. Der Vorstand will eine KI-Strategie für das nächste Quartal. Tiphaine tut, was sie kann: Sie testet.
Erster Prompt: „Berechne den ROAS unserer März-Kampagnen.“ Sie fügt einen Export ein. Die KI liefert eine Zahl. Die Zahl ist falsch: Das Modell hat eine Spalte falsch gelesen.
Screenshot an das Team: „Da habt ihr’s. Es erfindet Dinge.“
Zweiter Versuch, um fair zu sein. Sie stellt dreimal dieselbe Frage. Sie bekommt drei verschiedene Antworten.
Für sie ist das der endgültige Beweis. Ein Werkzeug, das nicht zweimal dasselbe Ergebnis liefert, ist kein Werkzeug. Es ist ein Rauschgenerator.
Tab geschlossen. Thema erledigt.
Währenddessen stellt Kevin dumme Fragen
Im selben Team gibt es Kevin. Kevin hat keinen Master in Finanzwesen.
Kevin stellt der KI dumme Fragen. Er irrt sich, fängt von vorne an, formuliert um, fragt „warum?“ und fängt wieder an. Wenn eine Antwort falsch ist, macht er keinen Screenshot: Er korrigiert und fragt erneut.
In drei Wochen hat Kevin:
ein Python-Skript geschrieben, das Daten aus der Search Console abruft, ohne programmieren zu können;
das wöchentliche Reporting automatisiert, das Tiphaine einen halben Tag kostete;
Umsätze, SEO-Traffic und Wetterdaten verknüpft, um die Saisonalität besser zu verstehen.
Kurz gesagt: Kevin macht Data Science.
Den Beruf, den Tiphaine ausüben wollte. Den sie wegen der „Informatik“ aufgegeben hat.
Die Hürde, die sie aufgehalten hat, fällt gerade. Und sie sieht es nicht, weil sie den Tab geschlossen hat.
Das Problem ist nicht die Intelligenz, sondern der Umgang mit Fehlern
Tiphaine ist wahrscheinlich klüger als Kevin. Darum geht es nicht.
Ihr Problem ist ihr Verhältnis zum Fehler.
Ein Sprachmodell ist ein probabilistisches Werkzeug. Bei jeder Antwort wählt es Wörter nach Wahrscheinlichkeiten. Zweimal dieselbe Frage zu stellen und zwei verschiedene Antworten zu bekommen, ist kein Defekt: So funktioniert es normalerweise. Es liegt oft richtig, manchmal falsch, und sagt beides mit derselben Selbstsicherheit.
Wer einen Taschenrechner erwartet, wird jedes Mal enttäuscht. Wer es wie einen brillanten Praktikanten behandelt, der gelegentlich flunkert, gewinnt Wochen.
Dazu kommt eine weitere Ironie. Tiphaine, die Wissenschaftlerin des Teams, hat das schlechteste denkbare Versuchsprotokoll angewendet: ein einziger Versuch, eine einzige Aufgabe, die am schlechtesten gewählte (eine Berechnung), und eine allgemeine Schlussfolgerung. Hätte ein Praktikant eine Kampagne so getestet, hätte sie ihn zum Nacharbeiten geschickt.
Das Profil, das nie von KI profitieren wird, ist also nicht das rationale. Es ist:
wer beim ersten Versuch recht haben muss;
wer sich weigert, vor anderen Anfänger zu sein;
wer lieber beweist, dass ein Werkzeug schlecht ist, als zu lernen, es zu benutzen.
Drei Anzeichen, dass Sie (ein bisschen) Tiphaine sind
Sie beurteilen ein Werkzeug nach dem ersten Versuch. Eine schlechte Antwort reicht, um das Thema abzuhaken.
Sie teilen die Fehler der KI lieber als das, was sie Ihnen gebracht hat. Der Screenshot der Halluzination verbreitet sich schneller als die gewonnene Zeit.
Sie nutzen ein Werkzeug lieber gar nicht, als dabei gesehen zu werden, wie Sie es schlecht nutzen. Das empfundene Risiko ist nicht technisch, sondern sozial.
Die eigentliche Ironie: Ihre Gründlichkeit ist genau das, was fehlt
Tiphaines Stärke ist genau die, die vielen KI-Nutzern fehlt: prüfen.
Die falsche Zahl erkennen. Die Quelle kontrollieren. Eine wackelige Korrelation ablehnen.
Kevin ist schnell. Aber manchmal übernimmt er eine falsche Antwort, ohne sie gegenzulesen. An dem Tag, an dem diese Zahl in einer Vorstandssitzung landet, verliert das ganze Team an Glaubwürdigkeit.
Würde Tiphaine ihre Skepsis für die Prüfung statt für die Ablehnung einsetzen, wäre sie die Beste im Team. Kevin liefert schnell. Tiphaine würde richtig liefern. Zusammen wären sie unschlagbar.
Wie man den Tab wieder öffnet
Wenn Sie sich in Tiphaine wiedererkannt haben, würde ich hier anfangen.
Die Frage ändern. Nicht mehr „Ist das zuverlässig?“ fragen, sondern „Bei welchen Aufgaben ist es zuverlässig, und wie prüfe ich das?“.
Dort anfangen, wo Fehler wenig kosten. Eine Gliederung, ein Entwurf, eine Umformulierung, ein Wegwerf-Skript. Keine Zahl, die in den Vorstand geht.
Die Berechnung aus dem Modell holen. Statt nach dem ROAS zu fragen, fragen Sie nach der Formel oder dem Skript, das ihn berechnet, und führen Sie es selbst aus. Die Zahl kommt aus Ihrer Tabelle, nicht aus dem Chat.
Iterieren. Die erste Antwort ist ein Ausgangspunkt. Präzisieren, korrigieren, „warum?“ fragen. Der Wert liegt in der dritten oder vierten Antwort.
Systematisch prüfen. Zahlen, Quellen, Zitate. Genau dort wird Ihre Gründlichkeit zum Vorteil statt zur Bremse.
Und Sie?
KI belohnt nicht die Klügsten oder die Technischsten. Sie belohnt diejenigen, die akzeptieren, oft, schnell und öffentlich falsch zu liegen, und die vor der Abgabe prüfen.
Tiphaine hat alles, um das Beste daraus zu machen. Ihr fehlt nur eines: den Tab wieder zu öffnen.
Und in Ihrem Team: eher Tiphaines oder eher Kevins?