Chris Perry, Gründer und CEO von Andus Labs – Interviewreihe

Chris Perry, Gründer und CEO von Andus Labs, ist ein Kommunikations-, Digitalstrategie- und Innovationsmanager mit fast drei Jahrzehnten Erfahrung, Unternehmen dabei zu helfen, große technologische und geschäftliche Wandel zu bewältigen. Vor der Gründung von Andus Labs im Jahr 2025 verbrachte Perry mehr als 22 Jahre bei Weber Shandwick, wo er eine Reihe von Führungspositionen innehatte, darunter Vorsitzender der Futures, Chief Innovation Officer, Präsident für Digitale Kommunikation, EVP für Digitale Strategie und Betrieb sowie SVP. Früher in seiner Laufbahn arbeitete er in der Technologiekommunikation bei General Motors und war Vizepräsident bei Edelman. Seine Karriere konzentrierte sich auf digitale Transformation, aufkommende Technologien, organisatorischen Wandel und das sich entwickelnde Verhältnis zwischen Technologie und den Menschen, die sie einsetzen.

Andus Labs unterstützt Unternehmen dabei, KI-Fähigkeiten in praktische organisatorische Ergebnisse zu übersetzen, indem es sich auf die menschlichen Systeme rund um die Technologie konzentriert. Das Unternehmen beschreibt seine Mission als den Aufbau des “Human OS for AI” – einer Betriebsschicht, die die Arbeit zwischen Menschen und KI‑Agenten orchestrieren soll – basierend auf der Annahme, dass KI‑Investitionen häufig scheitern, wenn die organisatorische Bereitschaft, Arbeitsabläufe und die Akzeptanz hinter der Technologie zurückbleiben. Seine Arbeit umfasst Programme zur KI‑Arbeitsorchestrierung, Produkte, die darauf abzielen, organisationales Lernen zu verstärken und zu erweitern, sowie ein breiteres Netzwerk von Praktikern, Künstlern und Humanisten, die erforschen, wie Menschen und KI effektiv zusammenarbeiten können.

Sie verbrachten mehr als zwei Jahrzehnte bei Weber Shandwick, begannen in leitenden Digitalpositionen und wurden schließlich Chief Innovation Officer und Chairman, Futures, bevor Sie 2025 Andus Labs gründeten. Was haben Sie in großen Unternehmen in diesem Zeitraum beobachtet, das Sie davon überzeugte, dass die größte Hürde für die KI‑Transformation das menschliche und organisatorische System rund um die Technologie und nicht die Technologie selbst sei?

Ich lernte es zuerst in der Grafikstudio meines Vaters in Detroit, wo ich anfing, bevor ich zu Weber Shandwick kam. Desktop‑Publishing verlegte die Arbeit seiner Satzsetzer und Illustratoren, die sie von Hand erledigten, in Software. Das zerstörte sein Geschäftsmodell, und er erkannte die Veränderung erst, als es bereits zu spät war.

Bei Weber Shandwick arbeitete ich mit einigen der größten Unternehmen der Welt durch neue Technologiewellen: soziale Medien, Blogs, Video, Mobile und Daten. Jedes Mal war das Muster dasselbe. Die Technologie kam. Die Menschen spürten die Veränderung und begannen, sie eigenständig zu nutzen. Führungskräfte und die Unternehmensstruktur reagierten zuletzt.

In diesen früheren Wellen bezahlten Unternehmen den Rückstand, indem sie Marktanteile verloren, doch die Menschen erledigten weiterhin die Arbeit. KI bewirkt bei Wissensarbeit das Gleiche, was Desktop‑Publishing für das Studio meines Vaters tat. Die Art und Weise, wie Menschen die Arbeit ausführen, wird in die Software eingebettet.

Wirtschaftsschulen lehren nicht, wie man ein Unternehmen führt, in dem Menschen und Agenten die Arbeit teilen. Die meisten Unternehmen hängen KI an und erledigen die alte Arbeit schneller. Der eigentliche Nutzen entsteht, wenn Führungskräfte ihre Mitarbeitenden befähigen, die Arbeit mit KI neu zu gestalten. Die Arbeit verändert ihre Form, anstatt nur schneller zu werden.

Wir nannten es Andus Labs, also “and us”, weil wir darauf wetteten, dass die Rendite letztlich von den Menschen abhängt.

Andus Labs argumentiert, dass Unternehmen über fortschrittliche KI‑Fähigkeiten verfügen können, aber dennoch die erforderliche “human readiness” fehlt, um daraus Wert zu schöpfen. Was unterscheidet ein Unternehmen, das KI erfolgreich eingeführt hat, von einem, das die Arbeitsweise tatsächlich transformiert hat?

Ich saß mit einem Unternehmen zusammen, das 80 % KI‑Adoption meldete, aber nur etwa 5 % Veränderung darin, wie die Arbeit erledigt wurde. Nur die Adoptionszahl fand Platz in der Vorstandspräsentation. Die zweite Zahl wurde nicht verborgen; das Dashboard bot einfach keinen Platz dafür.

Die Implementierung lässt sich leicht messen: zugewiesene Lizenzen, bereitgestellte Agenten, Logins. Das ist Aktivität, nicht Wirkung. Wir fragen die Kunden, was das Unternehmen jetzt tun kann, was es vorher nicht konnte. Meist lautet die ehrliche Antwort, dass es dieselben Berichte, Präsentationen und Analysen gibt – nur schneller.

Unternehmen, die transformieren, messen etwas anderes. Hat der Pilot genug Mehrwert geschaffen, um eine Skalierung zu rechtfertigen? Können wir dem Vorstand etwas präsentieren, das wir vor einem Jahr noch nicht hätten produzieren können? Entlastet KI unsere wertvollsten Mitarbeitenden, sodass sie die Arbeit übernehmen können, die nur sie ausführen können? Keine dieser Kennzahlen lässt sich so einfach zählen wie Sitzplätze, aber sie zeigen, ob sich etwas bewegt hat.

Diese Fragen benötigen ebenfalls einen Verantwortlichen. Fragt man in den meisten Unternehmen, wer dafür zuständig ist, erhält man eine Liste. Der CIO ist für die Plattformen verantwortlich. Ein Center of Excellence leitet die Pilotprojekte. HR ist für die Schulungen zuständig. Die Auswirkung auf das Geschäft hat jedoch niemand auf seiner Aufgabenliste.

Ein Unternehmen kann Ihnen sagen, wie viele Personen Zugriff haben. Das andere kann Ihnen sagen, was sich geändert hat und wer dafür verantwortlich ist.

Der Ground-Truth-Index greift nun auf eine Bibliothek mit 300 dokumentierten Mustern zurück, die bei der Zusammenarbeit und in Gesprächen mit Führungskräften aus 595 Organisationen beobachtet wurden. Fünf unabhängige Analysten-Agenten bewerten jedes Muster, bevor Forscher die endgültigen Ranglisten prüfen und festlegen. Wie hat sich diese Methodik entwickelt, an welchen Stellen fließt menschliches Urteilsvermögen in den Prozess ein und wie verhindern Sie, dass der Index lediglich Annahmen bekräftigt, die bereits in Ihren Feldbeobachtungen enthalten sind?

Die Methode hat sich geändert, während die Bibliothek gewachsen ist. Jedes Muster beginnt mit dem, was wir in Gesprächen mit Unternehmensführern hören und sehen. Wir prüfen jedes neue Signal gegen die Bibliothek, testen es anhand von Feldbeobachtungen und externer Forschung und entscheiden, ob es wirklich neu ist, ein bereits von uns verfolgtes Muster stärkt oder woanders hingehört.

KI hilft uns, die gesamte Bibliothek jedes Quartal zu bewerten, was ein Forschungsteam nicht von Hand leisten könnte. Agenten lesen jedes Muster durch eine unterschiedliche fachliche Brille und bewerten es anhand derselben fünf Dimensionen. Sie arbeiten blind, sodass kein Agent einen anderen beeinflussen kann. Wir nehmen den Median, damit ein einzelner Ausreißer die Bewertung nicht verzerrt, und die besten 50 gehen in die menschliche Prüfung.

Menschliches Urteil durchdringt das Ganze. Unser Forschungsteam genehmigt jedes Muster, das in die Bibliothek aufgenommen wird, prüft die Ranglisten und entscheidet über die endgültigen 25. Wir konzentrieren uns besonders dort, wo die Agenten uneinig sind und wo mediale Aufmerksamkeit im Widerspruch zu dem steht, was wir im Feld hören. Wir können eine Bewertung ändern, jedoch nur aufgrund dokumentierter Beobachtungen: wer sie eingebracht hat, wie oft wir sie gehört haben und ob sie in verschiedenen Organisationen Bestand hat. Eine Eingebung ändert keine Bewertung.

Der neue Ground Truth Index stuft „Empty Chairs“ als das wichtigste Hindernis für Unternehmens‑KI ein und beschreibt Organisationen, die KI‑Systemen Einfluss auf Entscheidungen wie Einstellung, Preisgestaltung und Risikobewertung geben, ohne klar zu benennen, wer dafür verantwortlich ist oder die Befugnis hat, diese Entscheidungen rückgängig zu machen. Während KI von der Empfehlung von Maßnahmen zu einer tatsächlichen Gestaltung von Geschäftsergebnissen übergeht, wie sollte sinnvolle menschliche Verantwortlichkeit in der Praxis aussehen?

Je mehr Funktionen KI berührt, desto mehr Entscheidungen trifft sie im Auftrag des Unternehmens. Verantwortlichkeit wird eher zu einer Management‑Frage als zu einer Technologie‑Frage.

Verantwortung liegt in der Regel irgendwo zwischen dem Käufer des KI‑Systems und dem Nutzer, und keiner von beiden besitzt sie. Die Lücke bleibt unsichtbar, bis eine Entscheidung infrage gestellt wird. Das ist der leere Stuhl.

Verantwortlichkeit bedeutet einen benannten Führungskraft, die sieht, was das System erzeugt, das Ergebnis erklären, korrigieren oder das System stoppen kann. Das erfordert Autorität über einen Prozess, der in der Regel mehrere Abteilungen überschreitet.

Wir bitten Führungskräfte, eine bedeutende Entscheidung auszuwählen, bei der ihre KI in diesem Quartal geholfen hat, und uns mitzuteilen, wer dafür verantwortlich ist. Wenn die Antwort nicht eindeutig ist, hat das Unternehmen die Art und Weise, wie Entscheidungen getroffen werden, geändert, ohne festzulegen, wer dafür zur Rechenschaft gezogen wird.

„Learning While Drowning“ belegt den zweiten Platz im neuen Index und hebt Unternehmen hervor, die KI‑Schulungen vorschreiben, während die bestehenden Arbeitsbelastungen der Mitarbeitenden unverändert bleiben. Gleichzeitig zeigt „Optimization Temptation“, wie leicht Unternehmen Kopfzahl‑Einsparungen quantifizieren können im Vergleich zum schwerer messbaren Wert, Menschen in höherwertige Aufgaben zu verlagern. Unterschätzen Unternehmen grundlegend die organisatorischen Investitionen, die nötig sind, um ihre Belegschaft mit KI produktiver zu machen, anstatt KI lediglich zur Kostensenkung zu nutzen?

Ja. Die Einsparungen durch die Abschaffung einer Rolle lassen sich leicht in einer Tabelle erfassen. Der Wert des Wissens, der Beziehungen und des Urteils dieser Person ist deutlich schwieriger zu quantifizieren. Die Einsparungen zeigen sich in diesem Quartal. Die Verluste können sich über Jahre hinweg ansammeln.

Die Annahme hinter dem Einschnitt ist häufig ebenfalls falsch. KI macht die heutige Arbeit effizienter und bringt gleichzeitig neue Aufgaben hervor, die erledigt werden müssen. Wir beobachten, dass Teams neu ausbalancieren, wobei Mitarbeitende in andere Rollen wechseln, anstatt ganze Funktionen zu streichen.

Ein Schulungsmandat ist eine Entscheidung über die Arbeitsbelastung. Unternehmen stapeln KI‑Schulungen auf die bestehende Arbeit und interpretieren niedrige Abschlussquoten dann als Motivationsproblem. Die Investition, die sie auslassen, ist die, die nie ins Budget kommt. Es gilt zu entscheiden, welche Arbeit eingestellt, reduziert oder verlagert wird, um Platz zu schaffen, und zu benennen, wer die Genehmigung erteilt hat. Lernen braucht Zeit. Die Anwendung erfordert noch mehr, weil die Mitarbeitenden ungewohnte Werkzeuge testen, die Ergebnisse prüfen und ihre gewohnte Arbeitsweise ändern müssen.

Die Antwort ist kein weiterer Punkt auf der Liste. Setzt man ein Team in ein laufendes Projekt ein, erfolgt das Lernen direkt im Arbeitsprozess.

Der Index identifiziert zudem „Devaluation Anxiety“, was Bedenken darüber widerspiegelt, was mit Mitarbeitenden geschieht, wenn KI zunehmend wertvolle Teile ihrer Aufgaben übernehmen kann. Wie viel von dem, was Führungskräfte als Widerstand gegen KI bezeichnen, ist tatsächlich rationale Angst um den eigenen Karrierewert, und was sollten Führungskräfte bei der Einführung dieser Systeme anders machen?

Der größte Teil davon ist rational. Mitarbeitende hören in einer Ankündigung von KI‑Effizienz und in der nächsten von Stellenabbau. Sie ziehen daraus ihre eigenen Schlüsse.

Die Führung behandelt diese als separate Botschaften. Die Teams nicht. Sie schließen die Schulung ab und halten die Experimente zurück, die sie nützlich gemacht hätten.

Beruhigung wird das nicht lösen. Führungskräfte müssen mitteilen, was bezüglich der Stellen entschieden wurde, was noch unklar ist und welche Unterstützung die Mitarbeitenden erwarten können.

Das Gleiche gilt für die Gegenleistung. Unternehmen formulieren, was das Unternehmen von KI erwartet, lassen jedoch die Seite der Mitarbeitenden leer. Wenn jemand schneller wird, was hat er davon? Raum für bessere Arbeit, ein Aufstiegspfad, zurückgewonnene Zeit? Das muss im Einführungsplan stehen.

Führungskräfte fordern ihre Teams auf, mit KI anders zu arbeiten. Die Teams warten darauf, dass die Führungskräfte es zuerst tun.

Ein weiteres Muster, das Sie identifizieren, ist „Active Inertia“, bei dem Organisationen KI einsetzen, um bestehende Prozesse zu beschleunigen, ohne sie grundlegend zu verändern. Wie sieht ein echter KI‑native Workflow‑Redesign aus, und können Sie ein Beispiel für den Unterschied geben zwischen dem Beschleunigen eines alten Prozesses und dem Neuaufbau des Prozesses rund um das, was KI jetzt ermöglicht?

Die meisten Unternehmen richten KI auf das, was am einfachsten zu automatisieren ist, was oft Arbeit ist, die eigentlich gar nicht existieren sollte. Berichte werden schneller erstellt. Genehmigungen laufen im gewohnten Tempo. Das ist Active Inertia.

Redesign legt von vornherein fest, was die KI‑Modelle tun und was das Team übernimmt, und baut dann darauf auf, anstatt die alte Form zu übernehmen.

Nehmen Sie einen wöchentlichen Bericht. Die schnellere Version lässt die KI ihn entwerfen, und dieselben Personen prüfen dasselbe Dokument nach demselben Zeitplan. Die neu gestaltete Version fragt, wofür der Bericht gedacht war. Wenn er existiert, damit jemand Probleme frühzeitig erkennen kann, kann das System ein Problem sofort markieren, sobald es auftritt, und der Bericht verschwindet.

Sie haben geschrieben, dass „Wert gleich Fähigkeit mal Aufnahme“ ist und für Systeme statt nur für Software argumentiert. Da Frontier‑Modelle zunehmend commodifiziert und für alle verfügbar werden, könnte die Fähigkeit einer Organisation, sich um KI herum zu absorbieren und neu zu organisieren, ein beständigerer Wettbewerbsvorteil sein als der Zugang zu den Modellen selbst?

Ja. Das Bereitstellen von Modellen ist einfach im Vergleich dazu, die Arbeit um sie herum zu ändern. Sie kommen mit außergewöhnlicher Leistung, werden jedes Quartal günstiger. dieselben Modelle stehen jedem zur Verfügung. Was man nicht kaufen kann, ist der einzigartige Kontext im Unternehmen und Teams, die bereit sind, sie ihr volles Potenzial auszuschöpfen.

Was wir „Aufnahmekapazität“ nennen, ist eine alte Idee. Es ist die Fähigkeit eines Teams, etwas Neues aufzunehmen und zu nutzen, und sie besteht aus Entscheidungsrechten, Anreizen, Arbeitsabläufen, Jobdesign und genug Vertrauen, dass die Leute Ihnen sagen, was schiefgelaufen ist. Nichts davon kann gemietet werden.

Ich beschreibe den Wert als Fähigkeit mal Aufnahme, weil die beiden multiplizieren. Sie addieren sich nicht. Ein brillantes Modell, das in eine Organisation eingeführt wird, die es nicht aufnehmen kann, ist ein makelloses Teil, das an einer fehlgeschlagenen Dichtung befestigt ist. Die Fähigkeit ist real. Die Rendite bleibt trotzdem null.

Agentische KI fügt eine weitere Komplexitätsebene hinzu, weil Systeme zunehmend Aktionen ausführen, Werkzeuge nutzen und Ziele verfolgen können, anstatt nur Antworten zu generieren. Wo sollten Unternehmen die Grenze zwischen Agenten‑Autonomie und menschlicher Entscheidungsfindung ziehen, und welche neuen Governance‑Strukturen werden erforderlich sein, wenn Agenten mehr Autorität erhalten?

Beginnen Sie mit einer Frage: Wer antwortet, wenn der Agent einen Fehler macht?

Ziehen Sie die Grenze zwischen dem, was der Agent entscheidet, und dem, was eine Person entscheidet, bevor etwas live geht. Die meisten Unternehmen finden diese Grenze erst, nachdem bereits etwas kaputt gegangen ist.

Wo ein Fehler billig zu beheben ist und schnell sichtbar wird, lässt man den Agenten laufen. Wenn die Entscheidung beeinflusst, was jemand verdient, ob er seinen Job behält oder wo er rechtlich steht, trifft eine Person die Entscheidung und der Agent bereitet sie vor.

Der Instinkt ist, zu zentralisieren. Ein Komitee aufstellen, einen Rahmen schreiben, warten, bis es handhabbar erscheint. Bis die Vorgaben von oben die Arbeit erreichen, sind sie veraltet, und Menschen, die keine Antwort bekommen, beginnen, Werkzeuge zu nutzen, die das Unternehmen nie genehmigt hat.

Governance muss nah an der Arbeit sitzen. Teams müssen wissen, was jeder Agent entscheiden kann, wer dafür verantwortlich ist und wie man ihn stoppt. Und sie benötigen ein Protokoll darüber, was er getan hat.

Der Organisationsplan wurde nie für Agenten gebaut, die funktionsübergreifend arbeiten, daher besitzt keine einzelne Funktion das Scheitern. Klären Sie das vor der Bereitstellung, nicht danach.

Wenn die größten Beschränkungen für Unternehmens‑KI zunehmend organisatorischer statt technischer Natur werden, wie erwarten Sie, dass sich die Unternehmen selbst verändern? Welche Teile des heutigen Organisationsplans, der Managementstruktur, des Jobdesigns und der Entscheidungsprozesse werden am wenigsten überleben, wenn Unternehmen zu Organisationen werden, die aus Menschen und KI‑Agenten gemeinsam arbeiten?

Der funktionale Organisationsplan ist am wenigsten wahrscheinlich zu überleben. Die meisten Unternehmen arbeiten noch nach Funktionen, wobei Arbeit von einer Abteilung zur nächsten weitergereicht wird und bei jeder Übergabe ein Freigabeprozess stattfindet. KI erzeugt Arbeit in Minuten, während die Genehmigungen darum Wochen benötigen. Führungskräfte werden aufgefordert, schneller zu handeln in Systemen, die darauf ausgelegt sind, Dinge zu verlangsamen.

Dieser Plan wurde für Menschen gebaut, die Arbeit an Menschen weitergeben, nicht für Entscheidungen, die zwischen Menschen und Agenten geteilt werden.
Ein Komitee wird das nicht lösen.

Was den Plan ersetzt, sieht aus wie kleine Teams, die um ein Problem herum organisiert sind. Ein Leiter benennt ein lösungswürdiges Problem, entscheidet, was wahr sein muss, um es zu lösen, und stellt ein Team aus Menschen und Agenten zusammen. Dieses Team erhält eigene Finanzierung und Schutz, weil es nicht so funktionieren kann wie der Rest des Unternehmens. Die Menschen darin treffen die Urteilsentscheidungen und besitzen, was die Agenten produzieren.

Elektromotoren erreichten amerikanische Fabriken in den 1880er‑Jahren, aber die Produktivitätsgewinne zeigten sich erst in den 1920er‑Jahren. Zunächst setzten die Werke einen großen Motor dort ein, wo die Dampfmaschine gewesen war, betrieben dieselben Riemenwellen und ließen jede Maschine an ihrem Platz. Die Gewinne kamen, als sie jeder Maschine ihren eigenen Motor gaben und den Fabrikboden um die Arbeit herum gestalteten.

Die Umstrukturierung war die Revolution.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Andus Labs besuchen oder sich beim Ground-Truth-Index weiter informieren.