Die Persönlichkeit Ihres KI-Systems ist ebenso wichtig wie dessen IQ — und entscheidet über die erfolgreiche Implementierung in Unternehmen

Die meisten Unternehmen wählen noch immer KI-Modelle auf der Grundlage von Benchmarks aus. In der Praxis ist das jedoch selten der entscheidende Faktor, der darüber bestimmt, ob diese Systeme tatsächlich funktionieren.

Bisher haben die meisten Diskussionen über große Sprachmodelle in Unternehmensumgebungen vor allem von Benchmarks gehandelt. Teams neigen dazu, messbare Leistungen wie die Intelligenz, die Kodierstärke, die Summarisierungsfähigkeit oder die mathematische Argumentationsfähigkeit eines Modells zu bevorzugen.

Als Teams jedoch beginnen, über die Experimentierphase hinauszugehen und tatsächlich große Mengen an Daten zu verarbeiten, werden andere wichtige Faktoren, die von den meisten CEOs stark vernachlässigt werden, sich als ebenso entscheidend für den Erfolg eines Unternehmens erweisen.

Die Einsetzbarkeit von KI

Die rohe Intelligenz und analytische Fähigkeit sind offensichtlich wichtig, aber die am meisten unterschätzte Variable bei der Implementierung von KI in Unternehmen ist die Persönlichkeit. Persönlichkeit bezieht sich im Kontext großer Sprachmodelle auf die konsistente Stimme, den Ton und das Verhalten, das ein Modell in Interaktionen vermittelt. Es ist das, was ein KI-System kohärent und verlässlich macht.

Bei der Implementierung von KI sollten Unternehmen den gleichen Ansatz wie bei der Einstellung eines menschlichen Mitarbeiters verfolgen: Sie sollten nicht nur beurteilen, wie gut ein Modell eine Aufgabe erledigen kann, sondern auch seine Einstellung zur Arbeit, seine Kommunikationsfähigkeit und wie es in den größeren Arbeitsablauf passt.

Die Fähigkeit eines Modells, Konsistenz zu wahren, angemessen zu reagieren und Nuancen in verschiedenen Kontexten zu handhaben, kann einen erheblichen Einfluss auf Geschäftsergebnisse haben. Ein technisch brillantes KI-System, das langsam reagiert, den Ton wechselt oder Nuancen in der Interaktion nicht richtig handhabt, kann von Unternehmen falsch eingesetzt werden, was zu frustrierten Nutzern, geringerer Engagement und letztendlich geringerem Erfolg des Unternehmens führen kann.

Dies ist besonders wichtig in Branchen wie Kundensupport, politischer Ansprache oder internen Kommunikation, da subtile Veränderungen im Ton oder in der Formulierung zwischen Antworten Verwirrung stiften, Vertrauen untergraben und das Engagement verringern können. Wie bei Menschen gibt es kein einzelnes Traummodell, das in jeder Kategorie die Konkurrenz übertrifft. Einige Modelle sind besser darin, analytische Aufgaben wie Kodieren oder Mathematik zu erledigen, während andere bei konversationalem Schreiben und Zusammenfassungen von Meetings besser abschneiden.

Aber eine Herausforderung für Teams, die auf diesen Systemen aufbauen, ist, dass diese Eigenschaften nicht festgelegt sind.

Ein sich bewegendes Ziel

Die KI-Landschaft entwickelt sich schneller, als die meisten Organisationen mithalten können. Neue Versionen werden häufig veröffentlicht, und die Leistungsmerkmale können von einem Update zum nächsten wechseln. Google’s Gemini-Modellreihe ist ein aktuelles Beispiel.

Gemini 2.0 Pro wurde im Februar 2025 veröffentlicht und sofort als Flaggschiff-Modell für Entwickler und Unternehmen, die es für Kodieren und komplexe Anfragen weltweit nutzen, gefeiert.

Es kam mit dem, was zu diesem Zeitpunkt der größte Kontextfenster war, den Google je angeboten hatte, mit zwei Millionen Token, was es ermöglichte, große Mengen an Informationen auf einmal umfassend zu analysieren und zu verstehen, während es gleichzeitig in der Lage war, Tools wie Google Search zu nutzen und sogar Code zu schreiben.

Für Teams, die Systeme aufbauten, die große Mengen an Daten schnell und genau verarbeiten mussten, schien es die klare Wahl. Aber innerhalb weniger Wochen veröffentlichte Google Gemini 2.5 Pro, das sofort die Bestenliste anführte und seinen Vorgänger übertraf mit Verbesserungen bei Kodieren, Mathematik und Naturwissenschaften.

Über Nacht war das Modell, das gerade noch die beste Option auf dem Markt war, bereits weniger als zwei Monate nach dem Launch veraltet. Aber frühe Anwender bemerkten sofort, dass die Änderungen nicht nur inkrementell oder analytisch waren — Gemini’s gesamte Persönlichkeit war über Nacht geändert worden. Mehrere Entwickler gingen so weit, zu sagen, das KI-System sei nach seinem Update “lobotomisiert” worden.

Sie beschwerten sich, dass das KI-System buchstäblich “dümmer” wurde — es produzierte konsistent langsamere Antworten, weniger kohärente Ausgaben und zeigte Inkonsistenzen in der Handhabung von Anfragen, mit denen es zuvor keine Probleme hatte, und Aufgaben, die einst flüssig waren, wurden plötzlich starr.

Und hier beginnt die Strategie eines Unternehmens um die KI-Implementierung grundlegend zu ändern.

Jenseits der Benchmarks

Auf dem Papier sollte Gemini 2.5 Pro der klare Sieger mit seinen umfassenden Verbesserungen bei Fähigkeit und Sicherheit sein.

In der Praxis jedoch änderten diese Änderungen vollständig, wie zuverlässig das Modell war, wie es sich verhielt, auf Anfragen reagierte und letztendlich Teams, die gerade viel Geld und unzählige Stunden in die Entwicklung dieser Systeme investiert hatten, zurück auf den Ausgangspunkt setzten, wenn die neuen Fähigkeiten des Modells nicht mit ihrer bestehenden Pipeline übereinstimmten.

Even kleine Veränderungen im Verhalten können Systeme, die auf Konsistenz und Vorhersehbarkeit aufbauen, stören. Dies schafft ein reales operatives Risiko, wenn ein Unternehmen eng an ein einzelnes Modell gekoppelt ist, da jedes Update sofortige Instabilität in Teams verursachen kann, die auf diese Systeme angewiesen sind.

Um dies zu bekämpfen, haben viele fortschrittliche Unternehmen begonnen, eine Multi-Modell-Strategie umzusetzen, bei der sie verschiedene Aufgaben an die Modelle weiterleiten, die am besten dafür geeignet sind, anstatt auf ein einzelnes Modell zu setzen, um alles zu erledigen.

Dieser Ansatz verbessert nicht nur die Leistung, die für jede Aufgabe maßgeschneidert ist, sondern reduziert auch das Risiko, das mit der KI-Implementierung verbunden ist, da, wenn ein Modell nach einem Update verschlechtert wird, es das gesamte System, das auf ihm basiert, nicht mit sich reißt, da es Backup-Optionen gibt.

Einfach ausgedrückt sind die Persönlichkeit und Zuverlässigkeit eines KI-Systems ebenso wichtig wie seine rohe Intelligenz, wenn es darum geht, das Modell in einer Arbeitsumgebung zum Erledigen verschiedener Aufgaben anzuwenden. Diese Veränderung im Denken stellt eine grundlegende Veränderung dar, wie Unternehmen nicht länger nur ein “intelligentes Werkzeug” kaufen, sondern ein ganzes digitales Infrastruktursystem aufbauen und verwalten.

Um nicht nur zu überleben, sondern in der heutigen Geschäftswelt zu gedeihen, müssen Teams Pipelines aufbauen, die unterschiedliche Modelle je nach Aufgabe einsetzen und ständig überwachen können, wie Updates die Leistung und die Interaktionsqualität beeinflussen.

Letztendlich werden die Modelle selbst weiterhin mit einem Tempo evolvieren, das schwer zu erreichen ist. Aber Unternehmen, die sich auf Veränderungen vorbereiten, Redundanz aufbauen und KI als Werkzeug und Teammitglied behandeln, werden diejenigen sein, die diese schnellen Veränderungen in einen Wettbewerbsvorteil umwandeln. Updates beeinflussen sowohl die Leistung als auch die Interaktionsqualität. Letztendlich werden die Modelle selbst weiterhin mit einem Tempo evolvieren, das schwer zu erreichen ist. Aber Unternehmen, die sich auf Veränderungen vorbereiten, Redundanz aufbauen und KI als Werkzeug und Teammitglied behandeln, werden diejenigen sein, die diese schnellen Veränderungen in einen Wettbewerbsvorteil umwandeln.