Vordenker

Die Persönlichkeit Ihrer KI ist ebenso wichtig wie ihre Intelligenz für den Unternehmenserfolg

Andrew Missey
Unite.AI zu deinen bevorzugten Quellen auf Google hinzufügen
A woman and a man standing on a high-rise balcony looking at a glowing data visualization that blends sharp blue geometric lines with soft amber waves, symbolizing the balance between AI benchmarks and personality.
Wichtige PunkteEine konsistente Persönlichkeit einer KI ist für den Unternehmenserfolg genauso…
Mehr anzeigen
  • Eine konsistente Persönlichkeit einer KI ist für den Unternehmenserfolg genauso entscheidend wie ihre Intelligenz.
  • Das Gemini 2.5 Pro-Update von Google hat die Zuverlässigkeit trotz verbesserter Benchmark-Ergebnisse verschlechtert.
  • Eine Multi-Modell-Strategie reduziert das operationelle Risiko durch unvorhersehbare KI-Updates.

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.

Wenn Teams jedoch beginnen, über die Experimentierphase hinauszugehen und zur tatsächlichen Einführung im großen Maßstab überzugehen, 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. Dadurch wirkt ein KI-System kohärent und verlässlich.

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, geringerem Engagement und letztlich geringerer Wirksamkeit der KI sowie geringerem Unternehmenserfolg führen kann.

Dies ist besonders wichtig in Branchen wie Kundensupport, politischer Ansprache oder interner 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. Googles 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 das größte Kontextfenster war, das 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 — Geminis gesamte Persönlichkeit war über Nacht geändert worden. Mehrere Entwickler gingen so weit, zu sagen, das KI-System verhalte sich nach seinem Update, als sei es “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 sich die Strategie eines Unternehmens zur KI-Einführung 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 veränderten diese Neuerungen jedoch grundlegend, wie zuverlässig das Modell war, wie es sich verhielt und wie es auf Prompts reagierte. Wenn die neuen Fähigkeiten nicht zur bestehenden Pipeline passten, standen Teams, die gerade enorme Summen und unzählige Stunden in den Aufbau dieser Systeme investiert hatten, wieder ganz am Anfang.

Selbst 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 je nach Aufgabe unterschiedliche Modelle ein- und auswechseln können. Zugleich müssen die Teams ständig überwachen, wie Updates sowohl die Leistung als auch die Interaktionsqualität beeinflussen.

Letztendlich werden sich die Modelle selbst in einem Tempo weiterentwickeln, mit dem nur schwer Schritt zu halten 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.

Andrew Missey ist der Mitbegründer von Convos, früher PubSent, einer bidirektionalen KI-gestützten Textnachrichtenplattform, die politischen Strategen, Kampagnen, Non-Profit-Organisationen und Interessengruppen hilft, personalisierte, faktenbasierte Wählergespräche im nationalen Maßstab zu führen, wo er das Produkt und die Technik leitet. Vor Convos arbeitete Andrew als Software-Ingenieur für mehrere Unternehmen, einschließlich eines in Seattle ansässigen, venture-backed AI-Startups, das nationalen Lebensmittel- und Einzelhandelsmarken wie Starbucks, Crumbl und Mod Pizza dient. Zusätzlich beherrscht Andrew Javascript, Python und Typescript.