Vier Fragen, die sich jeder COO vor dem Einsatz von KI stellen sollte

Das KI-Zeitalter ist voller VersprechenJedes Unternehmen berichtet, wie stark es seine Effizienz gesteigert hat und wie sehr KI dabei hilft. Als jemand, der in mehreren KI-Startups tätig war und nun einen KI-VC-Fonds mit über 120 Portfoliounternehmen leitet, sehe ich ein anderes Bild. Viele nützliche KI-Tools und Automatisierungen werden gekauft, integriert und eingeführt – ohne oder mit geringer Wirkung. Laut aktueller McKinsey-Bericht zum KI-Potenzial, scheitern fast 70 Prozent der KI-Transformationen. Das Problem ist, dass selbst das beste KI-Tool in einen chaotischen, von Menschen gesteuerten Prozess einfließt, der dann auch Halluzinationen und Verlust Kontext.

Einer unserer Investoren berichtete kürzlich, dass sein Unternehmen KI-Agenten in einem seiner Betriebe eingeführt und anschließend eine Studie durchgeführt hat, um die Effizienzsteigerung zu ermitteln. Die Ergebnisse waren schockierend: Die Mitarbeiter sparten viel Zeit bei Aufgaben, die sie zuvor manuell erledigt hatten, verbrachten aber genau die gleiche Zeit versuchen, Fehler zu beheben, die die KI gemacht hat. Es versteht sich von selbst, dass die Automatisierung von der IT-Abteilung übernommen wurde und das Betriebsteam außen vor blieb. Lassen Sie uns darüber sprechen, wie COOs KI nutzen können, um den Betrieb tatsächlich zu verbessern.

Bei DVC investieren wir nicht nur in KI-Startups, sondern sind auch Early Adopter praktisch jeder neuen Technologie, die wir sehen. Wir bauen unsere eigenen Agenten auf und nutzen die Produkte unserer Portfoliounternehmen in allen Bereichen der VC-Arbeit – von der Beschaffung und Einholung von Deals über die Unterstützung von Portfoliogründern bis hin zur Entwicklung von Tools, mit denen unsere LPs nach Angel-Investmentmöglichkeiten suchen. Unser Erfolg beruht auf der Anwendung eines zwar langweiligen, aber äußerst nützlichen Frameworks.

Vor jedem KI-Einsatz stellen wir diese vier Fragen:

1. Gibt es klare Regeln?

Kann der Prozess durch spezifische Richtlinien definiert werden? Wenn ja, eignet er sich hervorragend für die Automatisierung. Rechtliche Workflows, Buchhaltungsregeln, strukturiertes Onboarding? Perfekt. Dies sind Systeme, in denen die Ergebnisse Regeln folgen. KI gedeiht hier.

Wenn Ihr Prozess jedoch von Natur aus kreativ ist – beispielsweise beim Brand Storytelling oder beim strategischen Design –, funktioniert völlige Autonomie nicht, und der Prozess muss mit Menschen als Copiloten gestaltet werden. Im Markenmarketing bedeutet das Brechen der Regeln oft fügt Wert. Lagern Sie das nicht an einen Agenten aus.

2. Verfügt dieser Prozess über eine einzige Quelle der Wahrheit?

Wenn Ihr CRM das eine anzeigt, Ihr Auftragstracker das andere und das eigentliche Update in einer persönlichen Tabelle gespeichert ist, dann ist das ein Moment. KI-Systeme sind nur so gut wie die Daten, die Sie ihnen zuführen.

Erstellen eine einzige Quelle der Wahrheit und die Beseitigung von Daten- oder Wissenssilos ist ein Goldstandard für effizientes Prozessdesign und für die agentenbasierte KI wichtiger denn je.

Wenn alle Kundenkontaktpunkte und -historien in einer einheitlichen Datenbank erfasst werden, kann KI Nachverfolgungen automatisieren, Folgemaßnahmen empfehlen und präzise Berichte erstellen. Darüber hinaus bietet sie sogar telefonischen Kundensupport oder die Planung von Kundenterminen. Startups sind oft erfolgreich, wenn sie eine Lösung mit integrierter Datenquelle verkaufen, insbesondere an kleine Unternehmen wie Avoca AI, ein Telefonassistent für Elektriker, integriert mit einem integrierten CRM, der sicherstellt, dass alle Kundendaten und Interaktionen zentralisiert und aktuell sind.

3. Gibt es einen umfangreichen Datenverlauf?

Wird jede Aktion mit Beispielen für die Entscheidungsfindung protokolliert? KI lernt aus Mustern in Ihren historischen Daten. Keine Protokolle, keine Erkenntnisse. Wenn Ihr System nicht aufzeichnet, was passiert ist und warum, es kann keine Muster erzeugen. Es kann sich nicht verbessern. Sie werden Geld verschwenden.

Aber selbst wenn Sie jeden Kundenanruf aufzeichnen, mithilfe von KI transkribieren und in einem Ordner speichern, wird das wahrscheinlich nicht ausreichen. Agenten, die damit arbeiten, sollten so konfiguriert sein, dass sie diese unstrukturierten Daten in zusammengefasste und strukturierte Daten umwandeln, vielleicht sogar in Diagramme, um Zusammenhänge besser zu verstehen, sonst würde dies ihre Aufmerksamkeitsspanne schnell überschreiten. Stellen Sie sich vor, Sie sind ein Mitarbeiter, dessen Gedächtnis jedes Mal gelöscht wird, wenn er zur Arbeit kommt. Sie können mit übermenschlicher Geschwindigkeit lesen und schreiben, müssen aber Megabyte an Gesprächsprotokollen und Chatverläufen durchforsten, um herauszufinden, was das Unternehmen überhaupt macht und wie Sie die Anweisungen des Managers umsetzen können. So „fühlt“ sich ein KI-Agent ohne eine gute Datenbank.

Die besten Teams sammeln nicht nur Daten – sie strukturieren und versionieren sie mit Blick auf die Zukunft. So entstehen Lernschleifen. Und KI wird intelligenter, auch ohne Modelltraining.

Im Gesundheitswesen, Collectly wendet dieses Prinzip im großen Maßstab an: Mithilfe jahrelanger, kommentierter Daten zu Abrechnung, Zahlung und Patienteninteraktion optimieren sie die medizinische Abrechnung und das Umsatzzyklusmanagement. Ihre KI lernt aus historischen Ergebnissen, um Fehler zu reduzieren und die Einziehung zu beschleunigen.

4. Ist Ihr Tech-Stack KI-bereit?

Kann KI tatsächlich in Ihre Systeme und Tools integriert werden, oder bleiben Sie bei Ihrem internen Portal von 1988 hängen, das kaum lädt? Wir kennen Fälle, in denen interne Betriebstools so veraltet waren, dass sie keine strukturierten Ausgaben generieren konnten – geschweige denn eine Schnittstelle zu APIs. In solchen Situationen war es oft schneller und effektiver, das System von Grund auf neu aufzubauen, als KI in die veraltete Infrastruktur zu zwängen. Wenn KI-Agenten MCP oder eine strukturierte und dokumentierte API nutzen können, ist das immer besser (und günstiger), als Screenshots der Benutzeroberfläche zu erstellen und diese durch die Bilderkennung laufen zu lassen, um herauszufinden, welche Schaltfläche gedrückt werden muss.

KI wird zur Infrastruktur. Doch wie die Elektrizität im frühen 20. Jahrhundert erschließt sich ihr Potenzial erst, wenn man die Fabrik umgestaltet und nicht nur Glühbirnen installiert. Nicht umrüsten, sondern neu denken. Und natürlich können viele interne Tools, deren Entwicklung früher Millionen kostete, heute von einem Ihrer Ingenieure in der Mittagspause von Grund auf neu programmiert werden.

Zeit für die ersten Prinzipien.

Nun zum spannendsten Teil. Nehmen wir an, wir haben einen idealen Prozess entwickelt – er wäre regeldefiniert, hätte eine zentrale Informationsquelle und würde strukturiert Daten sammeln, um sich selbst zu verbessern. Wir haben sogar unsere Ingenieure davon überzeugt, ihre Mittagspause mit der Programmierung neuer interner Tools zu verbringen. Doch schauen wir uns diesen Prozess noch einmal genauer an. Wahrscheinlich ist er durch die Automatisierung deutlich günstiger geworden. Überlegen Sie sich nun, was mit Ihrem Unternehmen passiert, wenn die Kosten so stark sinken. Betrachten Sie das Gesamtbild: Wie würde dieser Prozess mit anderen Prozessen koexistieren, wenn diese auf die gleiche Weise verbessert würden? Vielleicht ist es an der Zeit, das Ganze mit Blick auf KI neu zu konzipieren.

Wenn man sein Geschäft von Grund auf neu betrachtet, kann das oft dazu führen, unerwartete Chancen zu erkennen. Bei DVC haben wir beispielsweise die Deal-Analyse, Due Diligence und die Erstellung von Deal-Memos automatisiert und so den Zeitaufwand von sechs Personenstunden auf drei Minuten KI reduziert. Traditionell erledigten VCs diese Arbeit erst, nachdem sie mit den Gründern gesprochen und bestätigt hatten, dass sich der Deal diesen Aufwand von sechs Personenstunden lohnte, und das Unternehmen verfügte über eine begrenzte Anzahl von Analysten. Da es für uns jetzt so günstig geworden ist, analysieren wir den Markt, erstellen ein Deal-Memo und führen sogar eine Due Diligence durch, BEVOR wir mit dem Gründer sprechen. Dadurch können wir nur mit Unternehmen telefonieren, von denen wir wissen, dass wir in sie investieren können und wollen, und sparen so Zeit für unsere Partner und Gründer.

Aber wir können noch weiter gehen. Da wir praktisch über einen unbegrenzten Analysten verfügen, können wir diese Tools an unsere Investoren und Scouts weitergeben, die uns neue Deal-Möglichkeiten vermitteln. So sparen sie Zeit, können jeden Deal mit den Augen eines professionellen VC-Analysten analysieren und müssen weniger oft einen Deal nach Prüfung ablehnen. Wir erfassen weiterhin alle Daten, da wir daraus lernen und unsere Tools verbessern können.

Dadurch waren wir etwa achtmal produktiver als eine typische VC-Firma unserer Größe. Aber das ist kein Zufall. Wir haben unsere internen Abläufe analysiert, die vier Fragen angewendet und von Grund auf neu aufgebaut.

Dieses Framework hilft Startup-Leitern und COOs, ihre Denkweise zu ändern: von der Frage „Können wir hier KI einsetzen?“ – einer Frage der technischen Möglichkeiten – hin zur Frage „Sollten wir?“. Dies erfordert eine eingehendere Betrachtung des strategischen Werts, der Datenbereitschaft und der langfristigen Wartbarkeit. Es ist der Unterschied zwischen dem Einbinden von Tools, weil sie verfügbar sind, und der Neugestaltung von Prozessen, weil es das Richtige ist.