Vier Fragen, die jeder COO stellen sollte, bevor er AI einsetzt

Die Ära der Künstlichen Intelligenz (KI) ist voll von Versprechungen, jedes Unternehmen berichtet, wie sehr es seine Effizienz gesteigert hat und wie viel KI dabei hilft. Als jemand, der Operationen in mehreren KI-Startups geleitet hat und jetzt einen KI-VC-Fonds mit über 120 Portfolio-Unternehmen leitet, sehe ich ein anderes Bild. Viele nützliche KI-Tools und Automatisierungen werden gekauft, integriert und eingeführt, aber haben wenig oder keinen Effekt. Laut einem aktuellen McKinsey-Bericht über das Potenzial der KI scheitern fast 70 Prozent der KI-Transformationen. Das Problem ist, dass wenn man auch das beste KI-Tool in einen chaotischen, von Menschen gesteuerten Prozess einführt, man nur einen chaotischen Prozess erhält, der jetzt auch halluziniert und den Kontext verliert.

Einer unserer Investoren teilte kürzlich mit, dass sein Unternehmen KI-Agenten in einen seiner Betriebe eingeführt hat und dann eine Studie durchgeführt hat, um zu sehen, wie viel Effizienz sie gewonnen haben. Die Ergebnisse waren schockierend – ihre Mitarbeiter sparten viel Zeit bei etwas, das sie vorher manuell getan hatten, aber sie verbrachten die gleiche Menge an Zeit damit, Fehler zu korrigieren, die die KI gemacht hatte. Es ist offensichtlich, dass die Automatisierung von der IT eingeführt wurde und das Operationsteam außen vor gelassen wurde. Lassen Sie uns darüber sprechen, wie COOs KI nutzen können, um tatsächlich die Operationen zu verbessern.

Bei DVC investieren wir nicht nur in KI-Startups, sondern sind auch frühe Anwender fast jeder neuen Technologie, die wir sehen. Wir bauen unsere eigenen Agenten und verwenden die Produkte unserer Portfolio-Unternehmen in jedem Aspekt der VC-Arbeit – von der Quellen- und Bewertung von Deals, der Unterstützung von Portfolio-Gründern oder dem Bau von Tools, die unsere LPs verwenden, um sich Angel-Investment-Gelegenheiten anzusehen. Unser Erfolg dabei kommt von der Anwendung eines sehr langweiligen, aber sehr nützlichen Rahmens.

Bevor wir eine KI-Einrichtung vornehmen, stellen wir uns diese vier Fragen:

1. Gibt es klare Regeln?

Kann der Prozess durch spezifische Richtlinien definiert werden? Wenn ja, ist es ein großartiger Kandidat für die Automatisierung. Rechtliche Workflows, Rechnungsregeln, strukturierte Onboarding? Perfekt. Diese sind Systeme, bei denen die Ausgaben den Regeln folgen. KI gedeiht hier.

Aber wenn Ihr Prozess von Natur aus kreativ ist – sagen wir, Brand-Storytelling oder strategisches Design – funktioniert die vollständige Autonomie nicht, und der Prozess muss so gestaltet werden, dass Menschen mit Copiloten arbeiten. Bei der Markenwerbung kann das Brechen von Regeln oft Wert hinzufügen. Verlagern Sie das nicht an einen Agenten.

2. Hat dieser Prozess eine einzige Wahrheitsquelle?

Wenn Ihr CRM eine Sache sagt, Ihr Bestelltracker eine andere und die tatsächliche Aktualisierung in der persönlichen Tabelle eines Mitarbeiters lebt – pausieren Sie. KI-Systeme sind nur so gut wie die Daten, die Sie ihnen geben.

Die Erstellung einer einzigen Wahrheitsquelle und die Beseitigung von Daten- oder Wissenssilos ist ein Goldstandard für die effiziente Prozessgestaltung, und für agentenbasierte KI ist es wichtiger denn je.

Wenn alle Kundenansprechpartner und -historien in einer einheitlichen Datenbank protokolliert sind, kann KI Follow-ups automatisieren, nächste Aktionen empfehlen und genaue Berichte generieren. Und sogar Voice-Kundensupport oder Kundenverabredungen planen. Viele Male sehen wir Startups, die erfolgreich sind, wenn sie eine Lösung mit einer integrierten Wahrheitsquelle verkaufen, insbesondere wenn sie an kleine Unternehmen verkaufen, wie Avoca AI, einem Telefonassistenten für Elektriker, der in eine integrierte CRM integriert ist, um sicherzustellen, dass alle Kundeninformationen und -interaktionen zentralisiert und aktuell sind.

3. Gibt es eine reiche Datenhistorie?

Wird jede Aktion mit Beispielen protokolliert, wie Entscheidungen getroffen wurden? KI lernt aus Mustern in Ihren historischen Daten. Keine Protokolle, keine Lernkurven. Wenn Ihr System nicht aufzeichnet, was passiert ist und warum, kann es keine Muster generieren. Es kann nicht verbessern. Sie werden Geld verschwenden.

Aber selbst wenn Sie jeden Kundenanruf aufzeichnen, ihn mit KI transkribieren und in einem Ordner speichern, reicht es wahrscheinlich nicht aus. Agenten, die mit diesem arbeiten, sollten so konfiguriert werden, dass sie diese unstrukturierten Daten in zusammengefasste und strukturierte Daten umwandeln, vielleicht sogar in Grafiken, um Beziehungen besser zu verstehen, oder es würde schnell ihre Aufmerksamkeitsspanne übersteigen. Stellen Sie sich vor, Sie sind ein Mitarbeiter, der sein Gedächtnis jedes Mal, wenn er zur Arbeit kommt, löscht. Sie können mit übermenschlicher Geschwindigkeit lesen und schreiben, aber Sie müssen auf Megabytes von Konversationsprotokollen und Chat-Verlaufsdaten starren, um zu versuchen, zu verstehen, was das Unternehmen überhaupt tut und wie man das tut, was der Vorgesetzte Ihnen aufgetragen hat. So fühlt sich ein KI-Agent ohne gute Datenbank.

Die besten Teams sammeln nicht nur Daten – sie strukturieren und versionieren sie mit Blick auf die Zukunft. Das ist der Moment, in dem Lernschleifen entstehen. Das ist der Moment, in dem KI cleverer wird, auch ohne dass ein Modelltraining erforderlich ist.

Im Gesundheitswesen wendet Collectly dieses Prinzip im großen Maßstab an: Mit Hilfe von Jahren von annotierten Rechnungs-, Zahlungs- und Patienteninteraktionsdaten optimiert es die medizinische Rechnungsstellung und den Umsatzzyklus. Ihre KI lernt aus historischen Ergebnissen, um Fehler zu reduzieren und die Sammlung zu beschleunigen.

4. Ist Ihr Technologie-Stack KI-fähig?

Kann KI tatsächlich in Ihre Systeme und Tools eingebunden werden, oder sind Sie mit diesem internen Portal von 1988 feststeckt, das kaum lädt? Wir haben Fälle gesehen, in denen interne Betriebstools so veraltet waren, dass sie keine strukturierten Ausgaben generieren konnten – geschweige denn eine Schnittstelle mit APIs. In solchen Situationen war es oft schneller und effektiver, das System von Grund auf neu aufzubauen, anstatt KI in die veraltete Infrastruktur zu zwängen. Wenn KI-Agenten MCP oder eine strukturierte und dokumentierte API verwenden können, ist es immer besser (und billiger) als wenn sie Screenshots der Oberfläche machen und sie durch Bilderkennung laufen lassen müssen, um zu bestimmen, welchen Knopf sie drücken sollen.

KI wird zu einer Infrastruktur. Aber wie die Elektrizität im frühen 20. Jahrhundert schaltet ihr Potenzial nur dann, wenn Sie die Fabrik neu entwerfen, nicht nur Glühbirnen installieren. Bauen Sie nicht nach. Stellen Sie sich vor. Und, selbstverständlich, können viele interne Tools, die früher eine Million Dollar gekostet haben, um entwickelt zu werden, jetzt von einem Ihrer Ingenieure in seiner Mittagspause aus dem Stegreif programmiert werden.

Erste Prinzipien.

Jetzt der interessanteste Teil. Lassen Sie uns sagen, wir haben einen idealen Prozess entworfen – er wäre durch Regeln definiert, hätte eine einzige Wahrheitsquelle und würde Daten auf strukturierte Weise sammeln, um sich selbst zu verbessern. Wir haben sogar unseren Ingenieur überzeugt, seine Mittagspause zu verwenden, um einen Satz neuer interner Tools zu entwickeln. Aber lassen Sie uns diesen Prozess noch einmal ansehen. Es ist sehr wahrscheinlich, dass er aufgrund der Automatisierung viel, viel billiger geworden ist. Versuchen Sie, sich vorzustellen, was mit Ihrem Geschäft passiert, wenn diese Kosten so stark gesenkt werden. Versuchen Sie, das größere Bild zu sehen – wie würde dieser Prozess mit anderen Prozessen zusammenarbeiten, wenn sie auf die gleiche Weise verbessert werden? Vielleicht ist es Zeit, das Ganze mit KI im Sinn neu zu entwerfen.

Viele Male kann das Nachdenken über Ihr Geschäftsprozess aus erster Hand dazu führen, unerwartete Chancen zu identifizieren. Zum Beispiel haben wir bei DVC die Deal-Analyse, die Due-Diligence-Prüfung und die Deal-Memo-Erstellung automatisiert, effektiv von 6 Person Stunden auf 3 Minuten, die die KI für die Arbeit benötigt. Traditionell würden VCs all diese Arbeit nur dann durchführen, nachdem sie mit den Gründern gesprochen und bestätigt hatten, dass der Deal es wert war, 6 Person Stunden darauf zu verwenden, und das Unternehmen hätte eine begrenzte Anzahl von Analysten. Jetzt, da es für uns so billig geworden ist, analysieren wir den Markt, erstellen ein Deal-Memo und führen sogar eine Due-Diligence-Prüfung durch, bevor wir mit dem Gründer sprechen. Dies ermöglicht es uns, nur Gespräche mit Unternehmen zu führen, in die wir investieren können und wollen, und spart Zeit für unsere Partner und Gründer.

Aber wir können noch weiter gehen. Da wir effektiv einen unbegrenzten Analysten haben, können wir diese Tools upstream zu unseren Investoren und Scouts verschieben, die uns neue Deal-Gelegenheiten verweisen, damit sie ihre Zeit sparen, jeden Deal durch die Augen eines professionellen VC-Analysten analysieren und die Anzahl der Male reduzieren, die wir ablehnen müssen, nachdem wir den Deal überprüft haben. Wir sammeln immer noch alle Daten, weil wir sie verwenden können, um unsere Tools zu verbessern.

Dies ermöglichte es uns, etwa 8-mal produktiver zu sein als ein typisches VC-Unternehmen unserer Größe. Aber wir sind nicht zufällig hierhergekommen. Wir haben unsere internen Operationen kartiert, die vier Fragen angewendet und von Grund auf neu aufgebaut.

Dieser Rahmen hilft Startup-Führern und COOs, ihre Einstellung zu ändern: von “Können wir hier KI verwenden?” – einer Frage der technischen Möglichkeit – zu “Sollten wir?”, was zu einem tieferen Blick auf strategischen Wert, Datenbereitschaft und langfristige Wartbarkeit führt. Es ist der Unterschied zwischen dem Einbau von Tools, weil sie verfügbar sind, und dem Neuentwurf von Prozessen, weil es das Richtige ist.