Michael Majster, Partner bei Arthur D. Little – Interview-Serie

Michael Majster, Partner bei Arthur D. Little, ist ein erfahrener Strategie- und Technologieberater mit tiefgreifender Expertise in digitaler Transformation, IT-Strategie und innovationsgetriebenen Wachstum. Mit Sitz in Brüssel und Arbeit in der Benelux-Region bringt er mehr als zwei Jahrzehnte Erfahrung im Beraten von CIOs und leitenden Angestellten bei der Durchführung großer Veränderungen und der Erzielung messbarer Geschäftsergebnisse. Bevor er zu Arthur D. Little kam, verbrachte er 16 Jahre bei Accenture, wo er leitende Positionen innehatte, darunter Managing Director für Technology Resources in Frankreich und der Benelux-Region, und starke Branchenkenntnisse in den Bereichen Energie, Versorgung, Chemie und natürliche Ressourcen entwickelte.

Arthur D. Little ist eines der ältesten Management-Beratungsunternehmen der Welt, gegründet vor über 135 Jahren und weithin anerkannt für seinen Fokus auf Innovation, Strategie und technologiegetriebene Transformation. Das Unternehmen arbeitet mit globalen Organisationen zusammen, um komplexe Geschäftsprobleme zu lösen, indem es strategische Erkenntnisse mit tiefgreifender Branchenkenntnis kombiniert, um Bereiche wie digitale Transformation, Innovationsmanagement und betriebliche Verbesserung zu unterstützen. Mit einem starken Fokus auf die Verbindung von Strategie, Technologie und Ausführung hat Arthur D. Little einen Ruf für die Unterstützung von Kunden bei der Entwicklung von Durchbruchsinnovationen und der Anpassung an sich schnell verändernde Marktdynamiken aufgebaut.

Sie haben über 16 Jahre bei Accenture verbracht, letztendlich die Technologie und Ressourcen in BeNeLux und Frankreich geleitet, bevor Sie Partner bei Arthur D. Little wurden. Wie hat diese Reise Ihre Perspektive auf das geprägt, was es wirklich braucht, damit Organisationen von der AI-Experimentierung zu einer großen operativen Transformation gelangen?

Während meiner Zeit bei Accenture sah ich, wie das Unternehmen von 30.000 auf über 500.000 Mitarbeiter wuchs. Ich erlebte hautnah, wie die IT-Lieferung industrialisiert werden kann, um große Transformationen für CIOs zu unterstützen.

Im Laufe der Jahre ist die IT jedoch zunehmend zu einem Kernbestandteil des Geschäfts geworden, was den Bedarf an Organisationen erhöht, die IT nicht mehr als Ware behandeln.

Als ich zu Arthur D. Little wechselte, wollte ich erforschen, wie diese strategischen Transformationen des Kerngeschäfts von innen heraus angegangen werden könnten, wie maßgeschneiderte Lösungen anstelle von standardisierten Plattformen eine bessere Differenzierung ermöglichen könnten und wie die gemeinsame Verantwortung des gesamten ExCo den Unternehmen helfen könnte, einen Schritt in der Wertsteigerung zu machen.

In Ihrem aktuellen Standpunkt Es geht nicht um die Agenten, sondern um das System argumentieren Sie, dass Multi-Agenten-KI weniger eine Technologie- als eine Betriebsmodell-Änderung ist. Warum denken Sie, dass so viele Organisationen AI immer noch hauptsächlich als ein Tooling-Problem betrachten?

Organisationen betrachten AI als ein Tooling-Problem, weil es sich nahtlos in bestehende Strukturen, Budgets und Eigentumsverhältnisse einfügt und die Komplexität des cross-funktionalen Wandels vermeidet. Dies ermöglicht schnelle Pilotprojekte und sichtbare Fortschritte, führt aber oft zu Initiativen, die nicht skaliert werden können oder keinen messbaren ROI liefern. Viele Führungskräfte verlassen sich auch auf veraltete Software-Mental-Modelle, indem sie annehmen, dass AI wie herkömmliche IT-Systeme bereitgestellt werden kann, anstatt eine Neugestaltung von Workflows und Entscheidungen zu erfordern. Gleichzeitig ist die Verantwortung für die Änderung des Betriebsmodells diffus und schwerer zu verwalten, was technologiegetriebene Initiativen attraktiver macht. Als Ergebnis greifen Unternehmen auf Tools zurück, weil es einfacher und sicherer ist, als die tiefere Transformation in Angriff zu nehmen, die erforderlich ist, um den vollen Wert von AI zu entfalten.

Viele Unternehmen experimentieren derzeit mit agenter AI, aber haben Schwierigkeiten, sie zu skalieren. Was sind die häufigsten strukturellen Hindernisse, die Organisationen daran hindern, über Pilotprojekte hinauszugehen und in die Produktion zu gelangen?

Organisationen haben Schwierigkeiten, agente AI zu skalieren, weil sie sich auf isolierte Anwendungsfälle konzentrieren, anstatt End-to-End-Prozesse mit klaren Eigentumsverhältnissen neu zu gestalten. Betriebsmodelle sind oft nicht angepasst, mit unklaren Rollen, Entscheidungsrechten und unzureichender Integration von Mensch-Computer-Kollaboration in tägliche Workflows. Viele Initiativen haben auch keine starken Verbindungen zu messbaren Geschäftsergebnissen, was dazu führt, dass sie im Pilotstadium stecken bleiben, ohne ROI zu demonstrieren. Darüber hinaus limitieren fragmentierte Daten und veraltete Systeme die Fähigkeit von Agenten, reibungslos über Funktionen hinweg zu operieren. Schließlich verlangsamen schwache Change-Management und ungelöste Governance-Bedenken im Zusammenhang mit Risiko und Zuverlässigkeit die Einführung und Skalierung.

Sie betonen, dass Orchestrierung, nicht einzelne Agenten, der Ort ist, an dem der wahre Wert liegt. Wie sieht effektive Orchestrierung in einem realen Unternehmensumfeld aus?

Effektive Orchestrierung bedeutet, AI um End-to-End-Geschäftsprozesse herum zu gestalten, nicht um einzelne Tools, mit Agenten, die klare Rollen über den gesamten Workflow hinweg haben. Mehrere Agenten arbeiten wie ein Team zusammen, das Intake, Entscheidungsfindung, Ausführung und Überwachung handhabt – koordiniert durch eine zentrale Orchestrierungsschicht. Diese Agenten sind eng mit Unternehmenssystemen über APIs und Datenquellen integriert, was tatsächliche Aktionen ermöglicht, anstatt nur Erkenntnisse. Die Orchestrierungsschicht verwaltet auch Aufgaben-Sequenzierung, Ausnahmen und Eskalation an Menschen, um eine reibungslose und kontrollierte Ausführung zu gewährleisten. Schließlich sind starke Governance-Mechanismen, Validierungsmechanismen und Feedback-Schleifen eingebettet, um Zuverlässigkeit und kontinuierliche Verbesserung zu gewährleisten.

Wenn Organisationen Workflows um AI herum neu gestalten, wie sollten Entscheidungsrechte zwischen Menschen und autonomen Systemen evolvieren, um sowohl Über-Automatisierung als auch Engpässe zu vermeiden?

Entscheidungsrechte sollten in ein risikobasiertes Modell evolvieren, bei dem Entscheidungen mit geringem Risiko und hohem Volumen automatisiert werden, während Entscheidungen mit hohem Einfluss oder Unsicherheit unter menschlicher Kontrolle bleiben. Agenten sollten Wahrnehmung, Analyse und Ausführung handhaben, während Menschen sich auf Urteilsvermögen, Ausnahmen und die Definition korrekter Ergebnisse konzentrieren. Klare Eskalationspfade sind unerlässlich, damit Agenten wissen, wann sie Entscheidungen an Menschen übertragen sollten, anstatt ihre Befugnisse zu überschreiten. Um Engpässe zu vermeiden, sollte menschliche Beteiligung selektiv und auf Ausnahmen anstelle von umfassender Überwachung jedes Schritts fokussiert sein. Gleichzeitig gewährleisten starke Schutzmechanismen, Validierungsmechanismen und Überwachung Kontrolle und verhindern Über-Automatisierung.

Einer Ihrer wichtigsten Punkte ist, dass Zuverlässigkeit von Anfang an konzipiert werden muss. Welche größten Fehlerquellen sehen Sie derzeit, wenn Unternehmen Multi-Agenten-Systeme ohne ausreichende Sicherheitsvorkehrungen einsetzen?

Eine wichtige Fehlerquelle ist die Fehlerweiterleitung, bei der kleine Fehler eines Agenten durch das System weitergeleitet und verstärkt werden. Ein weiteres Problem ist die Halluzination und das falsche Vertrauen, da KI plausibel, aber falsche Ausgaben erzeugen kann, ohne Unsicherheit zu signalisieren. Organisationen haben auch Schwierigkeiten, wenn zu viel Autonomie an Agenten in wichtigen Entscheidungen ohne ordnungsgemäße Validierung oder Genehmigungsschranken gegeben wird. Schwache Ausnahmehandhabung verstärkt das Problem weiter, da Agenten versagen, unklare oder Randfälle an Menschen zu eskalieren. Insgesamt treten Fehler auf, weil Zuverlässigkeit nicht über das gesamte System von Koordination, Validierung und Überwachung hinweg konzipiert wird.

Governance wird oft als Compliance-Schicht und nicht als Design-Prinzip behandelt. Wie sollten Unternehmen Governance neu denken, wenn sie AI-natürliche Betriebsmodelle aufbauen?

Governance sollte von einer nachträglichen Compliance-Schicht zu einem Kern-Design-Prinzip wechseln, das direkt in AI-Workflows eingebettet ist. Dies bedeutet, Schutzmechanismen, Validierungsschritte und Genehmigungsschranken an wichtigen Entscheidungspunkten zu integrieren, anstatt Kontrollen nach der Bereitstellung hinzuzufügen. Unternehmen sollten einen risikobasierten Ansatz verfolgen und die Autonomie- und menschliche Überwachungsebenen je nach Entscheidungseinfluss und Unsicherheit anpassen. Klare Verantwortung und Entscheidungsrechte müssen definiert werden, um sicherzustellen, dass Agenten wissen, wann sie handeln und wann sie eskalieren sollen. Schließlich sind kontinuierliche Überwachung, Feedback-Schleifen und konzipierte Zuverlässigkeitsmechanismen unerlässlich, um Vertrauen, Leistung und Kontrolle aufrechtzuerhalten.

Aus Ihrer Arbeit als Berater für CIOs und CDOs, was unterscheidet Organisationen, die messbare ROI von AI erzielen, von denen, die in der permanenten Experimentierphase stecken bleiben?

Organisationen, die ROI erzielen, konzentrieren sich auf die Transformation von End-to-End-Prozessen und nicht auf isolierte AI-Anwendungsfälle. Sie verbinden Initiativen mit klaren finanziellen KPIs und integrieren AI in Workflows, Rollen und Entscheidungsstrukturen. Sie investieren auch in Change-Management, Adoption und Governance, um sicherzustellen, dass Lösungen effektiv skaliert werden. Im Gegensatz dazu verbleiben Organisationen, die in der Experimentierphase stecken, bei isolierten Pilotprojekten, konzentrieren sich auf Tools anstelle von Prozessen und haben keine klare Eigentumsverhältnisse und Verantwortung. Als Ergebnis können sie AI nicht in messbaren Geschäftswert übersetzen und bleiben in der Pilotphase stecken.

Wenn Multi-Agenten-Systeme komplexer werden, wie sollten Organisationen Beobachtbarkeit, Überwachung und Eskalation angehen, um Vertrauen in AI-getriebene Entscheidungen aufrechtzuerhalten?

Organisationen sollten Beobachtbarkeit, Überwachung und Eskalation als Kern-System-Design-Elemente behandeln, nicht als Nachgedanken. Dies umfasst die Gewährleistung der vollständigen Rückverfolgbarkeit durch Protokollierung, Audit- Trails und Validierungs-Prüfungen, damit Entscheidungen verstanden und verifiziert werden können. Die Überwachung sollte sich nicht nur auf Leistung konzentrieren, sondern auch auf Ergebnisqualität, Fehler und die Art und Weise, wie Probleme über Agenten hinweg propagieren. Klare Eskalationsregeln sind erforderlich, damit Agenten in Risiko- oder unklaren Situationen an Menschen übertragen, ohne Engpässe zu schaffen. Letztendlich kommt Vertrauen von Systemen, die transparent, messbar und für menschliche Überwachung konzipiert sind.

Wenn man in die Zukunft blickt, wie sehen Sie die Entwicklung von Unternehmens-Betriebsmodellen in den nächsten 3 bis 5 Jahren, wenn Multi-Agenten-AI-Systeme tiefer in die Kernprozesse des Geschäfts eingebettet werden?

Unternehmens-Betriebsmodelle werden sich in Richtung hybrider Mensch-AI-Arbeitskräfte entwickeln, bei denen Agenten als digitale Mitarbeiter in Kernprozesse eingebettet sind. Organisationen werden von funktionalen Silos zu prozessorientierten Strukturen mit End-to-End-Eigentumsverhältnissen und Orchestrierung über Workflows hinweg wechseln. Entscheidungsfindung wird dynamischer, mit Routineaufgaben, die automatisiert werden, und Menschen, die sich auf Ausnahmen und Überwachung konzentrieren. Governance- und Zuverlässigkeitsmechanismen werden in den täglichen Betrieb integriert, anstatt als separate Schichten behandelt zu werden. Letztendlich wird der Wettbewerbsvorteil davon abhängen, wie gut Unternehmen ihre Betriebsmodelle um AI herum neu gestalten, und nicht nur von der Technologie selbst.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Arthur D. Little besuchen.