Rob Collie, CEO und Gründer von P3 Adaptive und Autor von Fair Game – Interviewserie

Rob Collie ist Gründer und CEO von P3 Adaptive, einem Microsoft Solutions Partner für Daten und KI, der Hunderte von Mid‑Market‑ und Fortune‑1000‑Kunden bedient. Als ehemaliger technischer Leiter bei Microsoft in den Teams für Excel, Bing und Power BI leitete Rob nach dem Verlassen von Microsoft die Power‑BI‑Welle und hat drei vorherige Business‑Technology‑Bücher geschrieben (über 92 000 verkaufte Exemplare). Er moderiert außerdem den Podcast Raw Data with Rob Collie. Sein viertes Buch, Fair Game: Customizing AI to Your Business Is Easier Than You Think (August 2026), bringt diese Praxis‑Glaubwürdigkeit in den KI‑Moment.

Sie haben mehr als ein Jahrzehnt bei Microsoft verbracht und dabei Business‑Intelligence‑Funktionen in Excel und Power BI entwickelt, bevor Sie 2013 P3 Adaptive gründeten. Wie hat dieser Wechsel vom Software‑Bau bei Microsoft zur Lösung von Datenproblemen für Kunden Ihre aktuelle Sicht auf Enterprise‑KI geprägt?

Als ich Produktteams bei Microsoft leitete, bauten wir Software, die für die gesamte Welt funktionieren musste und nicht auf die Bedürfnisse eines einzelnen Kunden zugeschnitten werden konnte. Wir nannten das „eine Pizza zu bestellen, deren Belag für 300 Millionen Menschen akzeptabel ist.“ Es gibt zwangsläufig einen Low‑Common‑Denominator‑Charakter bei dieser Arbeit sowie eine gewisse Distanz zu einzelnen Kunden.

Es gab einen gewissen Prestige, auf dieser großen Bühne zu arbeiten, aber es war bei weitem nicht so befriedigend wie das Unterstützen einzelner Kunden bei der Verwirklichung ihrer einzigartigen Ziele. Wenn man eng mit einem Kunden zusammenarbeitet, hat man die Chance, in dessen Erfolg investiert zu sein und kreative Lösungen zu erkunden, die niemals in das Einheits‑Geschäftsmodell von Big Software passen würden. Das ist in vielerlei Hinsicht intellektuell anregender, und die direkte Verbindung zu unseren Kunden macht die Erfolge umso erfüllender.

Aber es gibt auch mehr Verantwortung. Bei Microsoft war ein einzelner unzufriedener Kunde nur eine Statistik, und ich wischte Beschwerden täglich beiseite, weil sie einfach zu meinem Job gehörten. Bei P3 Adaptive bedeutet ein einzelner unzufriedener Kunde jedoch, dass wir versagt haben. Es gibt keine Statistiken. Wir tragen Verantwortung für jede einzelne Beziehung.

Ich habe bei Microsoft viele wertvolle Dinge gelernt und würde diese Erfahrung nicht gegen die Welt eintauschen, aber ich bezeichne mich oft als „genesender Software‑Ingenieur“, weil Erfolg heute bedeutet, ganz anders zu arbeiten.

Und genau diese Perspektive bringe ich in die Enterprise‑KI ein. Standard‑KI ist die ultimative 300‑Millionen‑Personen‑Pizza – ein echtes Wunder, das so konzipiert ist, dass es jedem individuell nützlich ist, aber niemandem speziell angepasst ist. Doch der Erfolg von organisatorischer KI entsteht durch die Anpassung – indem man einem konkreten Unternehmen nahe kommt und die KI an seine Daten, seine Prozesse, seine Definitionen anpasst. Ich durfte meine Karriere auf beiden Seiten dieser Kluft verbringen, und das hat mich völlig überzeugt, dass genau dort, wo die KI individuell zugeschnitten wird, der Enterprise‑KI‑Erfolg liegt.

In Fair Game argumentieren Sie, dass viele Unternehmen Künstliche Intelligenz rückwärts angegangen sind, indem sie allgemeine Chatbot‑Lizenzen verteilt haben, anstatt Systeme zu bauen, die ihre Abläufe verstehen. Wo stoßen Standard‑KI‑Assistenten an ihre Grenzen und welche Anzeichen zeigen, dass ein Unternehmen etwas Maßgeschneidertes benötigt?

Standard‑KI hat einen Doktortitel in allem außer Ihrem Unternehmen. Sie hat das gesamte Internet gelesen, aber das Internet enthält nicht die Definition Ihres Unternehmens von „aktivem Kunden“, Ihre Preislogik, Ihre operativen Prozesse und welches Ihrer beiden Systeme zu vertrauen ist, wenn sie widersprüchliche Daten liefern. Dieses Wissen wird niemals öffentlich sein. Daher reicht die generische KI, die im privaten Gebrauch Weltklasse ist, für den geschäftlichen Einsatz nicht aus, und die Kluft zwischen beiden Erfahrungen ist sowohl entmutigend als auch verwirrend.

Heute lautet die Antwort auf die Frage „Was tun mit KI?“ für fast jeden: „Abonnements kaufen und es herausfinden.“ Ich halte das für einen natürlichen ersten Schritt, daher kritisiere ich niemanden, der das getan hat. Stattdessen habe ich Verständnis – niemand nimmt sich wirklich die Zeit zu erklären, dass die Standard‑Abonnements nicht ausreichen, noch warum. Deshalb denke ich, dass Unternehmen im Grunde genau dort stehen, wo wir sie erwarten – sie probieren das Verfügbare aus und beginnen zu erkennen, dass es unzureichend ist.

Die Lösung liegt nicht darin, das KI‑Modell selbst zu verändern – Sie müssen kein LLM‑Forscher werden. Es geht um alles, was Sie um das Modell herum bereitstellen: Ihre Daten, Ihre in einfachem Englisch formulierten Anweisungen und gängige Software. Wenn Sie diese Woche zum fünften Mal denselben Kontext in einen Chatbot tippen, ist das das Zeichen. Alles, was Sie immer wieder neu erklären müssen, ist genau das, was ein maßgeschneidertes System bereits wissen sollte – jedes Mal, wenn es „aufwacht“.

Sie verwenden den Begriff „Crafters“, um datenaffine Fachleute zu beschreiben, die wertvolle maßgeschneiderte KI‑Systeme bauen können, ohne traditionelle Software‑Entwickler zu sein. Welche Merkmale unterscheiden einen Crafter und wie können Führungskräfte diese Personen im bestehenden Team erkennen?

Ein Crafter ist jemand, dem das Verlangen nach Problemlösung mit Werkzeugen im Blut liegt. Nach meiner Erfahrung hat etwa einer von 16 Wissensarbeitern dieses Talent. Sie waren die Excel‑Power‑User, dann die Power‑BI‑Generation und schließlich die Personen, die die IT als „Shadow‑IT“ bezeichnete. Sie sind Ihre Analysten, Ihre Finanz‑Modellierer, Ihre Ops‑Leiter – Menschen, die im Unternehmen aufgewachsen sind und ein Händchen für Werkzeuge entdeckt haben.

Zwei Eigenschaften machen sie für KI‑Arbeit ideal. Erstens Systemdenken: Sie zerlegen instinktiv einen unübersichtlichen Prozess in Eingaben, Regeln und Ausgaben, ähnlich wie professionelle Software‑Entwickler. Zweitens ein tiefes Geschäftsverständnis: Sie wissen, welche Zahlen der CFO tatsächlich beobachtet und was die Person, die eine Frage stellt, wirklich meint. Keines davon lässt sich in einem Bootcamp vermitteln.

So finden Sie Ihre Crafters: Folgen Sie den Tabellenkalkulationen. In Ihrem Unternehmen gibt es derzeit Tabellen, Dashboards und Automatisierungen im Kern kritischer Arbeitsabläufe. Keines davon wurde von der IT gebaut, und jedes hat einen Autor. Beginnen Sie dort. Und dann prüfen Sie, wie sie ihr Talent auf maßgeschneiderte KI‑Lösungen ausrichten könnten.

Warum glauben Sie, dass Crafters und nicht allein Entwickler am besten geeignet sind, viele interne KI‑Projekte zu leiten, und wie sollten die Verantwortlichkeiten zwischen Business‑Experten, Daten‑Teams, Software‑Ingenieuren, IT‑Abteilungen und Sicherheitsteams aufgeteilt werden?

Weil das Schwierige bei maßgeschneiderter KI nicht der Code ist – sondern der Kontext. Die mit dem größten Hebel versehene Tätigkeit in einem KI‑Projekt ist die Entscheidung, was das System über Ihr Unternehmen wissen muss, und Crafters besitzen dieses Wissen von Natur aus. Ein brillanter Ingenieur, der aus drei Hierarchieebenen entfernt eintrifft, muss Monate von Interviews führen, um das zu lernen, was Ihr Ops‑Leiter bereits reflexartig kennt.

Aber das ist nachdrücklich keine Geschichte, dass Entwickler überflüssig sind. Die von mir empfohlene Arbeitsteilung hat drei Faktoren, und keiner davon ist Seniorität oder Persönlichkeit: Arbeit gravitiert zu professionellen Entwicklern, wenn Wiederverwendbarkeit, Komplexität und Sensitivität zunehmen. Alles, was kunden­nah ist, alles, was sensible Daten berührt, alles, was autonome Entscheidungen trifft – das ist das Gebiet der Entwickler, und je mehr Agenten multiplizieren, desto wertvoller werden diese knappen Engineering‑Fähigkeiten, nicht weniger. Arbeit gravitiert zu Crafters, wo geschäftsprozessuale Nuancen dominieren.

Es gibt zudem ein unterschätztes Mittelfeld: Der Crafter baut, der Entwickler prüft. IT und Sicherheit sollten nicht Gatekeeper sein, die Projekte erst genehmigen – sie sollten die gepflasterte Straße besitzen. Stellen Sie die genehmigten Plattformen, Datenzugriffsregeln, Prüf‑Checkpoints bereit und lassen Sie die Menschen, die den Problemen am nächsten stehen, bauen. Betrachten Sie das Ganze als Reife‑Modell, nicht als Zaun.

Maßgeschneiderte KI benötigt Zugriff auf unternehmensspezifische Terminologie, Kennzahlen, Prozesse und institutionelles Wissen. Welche Rolle spielen semantische Modelle und die bestehende Business‑Intelligence‑Infrastruktur, um einer KI ein genaues Verständnis eines Unternehmens zu vermitteln?

Sie sind das Entschlüsselungsrad. Aktuell leben die Definitionen Ihres Unternehmens – was als aktiver Kunde gilt, welche Kosten in den Bruttogewinn einfließen – in den Köpfen der Menschen und in tausend leicht inkonsistenten Tabellen. Ein KI‑Agent kann nicht zuverlässig über Ihre Daten nachdenken, bevor diese Definitionen in einer Form festgehalten sind, der eine Maschine vertrauen kann. Die Branche nennt diese Disziplin inzwischen „Context Engineering“, und ich würde den Begriff so übersetzen: es ist die Arbeit, das Wissen Ihres Unternehmens zu strukturieren, damit eine KI es tatsächlich nutzen kann. Die Analysten haben es neu benannt. BI‑Praktiker machen das seit fünfzehn Jahren.

Das ist die gute Nachricht, die im Klaren liegt: Wenn Sie in die BI‑Ära investiert haben (und insbesondere in Power BI), besitzen Sie möglicherweise bereits einen Vorsprung. Ein gut gebautes semantisches Modell ist exakt die maschinenlesbare Erfassung von Geschäfts­bedeutungen, die Agenten benötigen. Unternehmen, die ihre semantische Schicht als nachträglichen Gedankengang behandelten, entdecken jetzt, dass die „langweilige“ definitorische Arbeit, die sie übersprungen haben, die Mautstelle auf dem Weg zur KI ist. Und entscheidend: Diese Arbeit ist tiefgehend spezifisch für Ihr Geschäft – genau deshalb ist sie ein langlebiger Wettbewerbsvorteil. Jeder Anbieter kann Ihnen dasselbe Modell verkaufen. Niemand kann Ihnen Ihre eigenen Definitionen verkaufen.

Sie haben einen maßgeschneiderten KI‑Editor namens Eddie entwickelt, um Fair Game zu erstellen. Was hat das System während des Schreibprozesses tatsächlich getan und was haben seine Erfolge und Misserfolge Ihnen über das Design von KI rund um einen stark persönlichen Arbeitsablauf gelehrt?

Um klar zu sein: Ich habe jeden Absatz des Buches von Grund auf geschrieben, während Eddie größtenteils nur saß und wartete. Manchmal verbrachte ich Stunden damit, einen gesamten Abschnitt eines Kapitels zu bearbeiten, bevor ich „ihm“ zum Lesen gab. Andere Male ließ ich mich alle paar Minuten von ihm inspirieren. Entscheidend war, dass Eddie rund um die Uhr erreichbar war. Ich konnte um drei Uhr morgens genauso leicht Feedback erhalten wie um ein Uhr nachmittags, und er lieferte es innerhalb einer Minute oder weniger zurück. Insgesamt schätze ich, dass Eddie das Manuskript mindestens dreißig Mal gelesen hat. Kein Mensch könnte diese Aufgabe übernehmen, weil kein Mensch das wollen würde.

Er verfolgte Versprechen, die ich in Kapitel Drei gemacht hatte, und wies mich darauf hin, wenn Kapitel Zwölf sie vergaß. Er lernte meinen Schreibstil und setzte ihn durch – er hielt mich an die beste Version meiner eigenen Stimme, anstatt mich in den Modus eines humorlosen Business‑Autors abdriften zu lassen. Er sagte mir, wann ich faul war und wann ich ein totes Pferd schlug. Wir hatten echte Meinungsverschiedenheiten, und manchmal gewann er.

Die wichtigste Design‑Erkenntnis: Eddies „Gehirn“ ist in Englisch geschrieben und liegt in einem Ordner. Jedes Mal, wenn er Feedback gab, das verfehlte – zu allgemein, falscher Register, eine bereits genannte Regel vergessen – bestand die Lösung darin, die Korrektur niederzuschreiben und sie zu seinem permanenten Kontext hinzuzufügen. Die Misserfolge waren keine KI‑Fehler; sie waren Lücken in dem, was ich ihm beigebracht hatte. Dieser Kreislauf – den Fehler bemerken, die Lektion kodieren, beobachten, dass sie haften bleibt – ist das gesamte Handwerk von maßgeschneiderter KI im Miniaturformat. Und deshalb habe ich spezialisierte Eddies für Öffentlichkeitsarbeit, Wettbewerbsforschung und Website‑Botschaften gebaut. Derselbe LLM darunter, aber unterschiedliche Spezialisten.

Viele Organisationen glauben, dass sie ihre Daten vollständig bereinigen und zentralisieren müssen, bevor sie maßgeschneiderte KI versuchen. Wie viel Daten‑Readiness ist tatsächlich erforderlich, um zu beginnen, und wie können Unternehmen Wert schaffen, ohne auf eine perfekte Basis zu warten?

Datenperfektion ist keine Voraussetzung, und das ist eine gute Nachricht, weil Perfektion nie eintrifft. Wenn Sie, wie viele Beratungsfirmen raten, zuerst ein perfektes Daten‑Estate aufbauen wollen, bauen Sie das, was ich „Sanitäranlagen um ihrer selbst willen“ nenne – teure Leitungen überall, aber wenn Sie schließlich einen Wasserhahn installieren wollen, stellen Sie fest, dass dort, wo Sie ihn benötigen, keine Leitung vorhanden ist.

Unser Unternehmen befürwortet stattdessen einen „Wasserhähne‑zuerst“-Ansatz. Wählen Sie einen konkreten Anwendungsfall und arbeiten Sie vom Geschäftseffekt rückwärts, anstatt von der Infrastruktur vorwärts. Erstellen Sie ein MVP basierend auf diesem Anwendungsfall und tun Sie dies mit minimaler neuer Infrastruktur. Iterieren Sie das MVP, bis es produktionsreif ist, und gehen Sie dann zurück, um zu prüfen, wie Sie Ihre Infrastruktur stärken können, um es zu unterstützen. Das liefert schneller geschäftlichen Nutzen, minimiert Kosten und liefert Erkenntnisse für zukünftige Projekte – sowohl auf Wasserhahn‑ als auch auf Leitungs‑Ebene.

Ein Prototyp für maßgeschneiderte KI kann in einer Demonstration beeindruckend wirken, aber unzuverlässig werden, wenn er echten Mitarbeitenden, wechselnden Daten und Randfällen ausgesetzt wird. Welche Evaluierung, Überwachung und menschliche Aufsicht sollten etabliert werden, bevor ein internes KI‑System betriebsbereit wird?

Mit einigen bemerkenswerten Ausnahmen halte ich Demos im KI‑Zeitalter für weniger wertvoll als in der Software‑Ära. Software‑Demos haben immer zu viel versprochen, und das wussten wir alle. KI‑Demos werden jedoch noch weiter von Ihrer Realität entfernt sein.

KI dreht sich um Arbeitsabläufe. Und es gibt nichts individuellerer als die tausenden von Workflows, die die Abläufe einer bestimmten Organisation antreiben. Kehren Sie zurück zur Metapher des „Neuen Mitarbeiters mit einem Doktortitel in allem“. Wie viel Schulung – und praktische Erfahrung im Unternehmen – braucht ein neuer Mitarbeiter, bevor er im Unternehmen effektiv ist? Wie kann eine Demo das überhaupt berücksichtigen?

Deshalb nutzen wir Demos, um Menschen zum Nachdenken zu bringen. Um ihnen die Kunst des Möglichen zu zeigen. Nicht, um ihnen ein Produkt zu verkaufen. Die echte Demo beginnt mit dem Prototyp der maßgeschneiderten Lösung – dem MVP. Und dann iterieren wir und verbessern – schnell.

Irgendwann ist es bereit für einen Soft‑Launch oder ein Pilotprogramm. Und erneut lernen wir – gemeinsam – und verbessern schnell basierend auf diesem Lernen. Das ist oft die Phase, in der Überwachung, Bewertung und Aufsicht in den Vordergrund rücken. Die Dinge, die Sie schließlich benötigen, unterscheiden sich häufig stark von dem, was Sie zu Beginn vermutet hätten.

Wie können Unternehmen Crafters befähigen zu experimentieren, ohne eine neue Generation von Shadow‑KI‑Systemen, duplizierten Workflows, Sicherheitslücken und Tools zu schaffen, für die niemand verantwortlich ist?

Erinnern Sie sich daran, wo Shadow‑IT herkam: es war nicht aus Bosheit, sondern aus der notwendigen Erfüllung unerfüllter Nachfrage. Crafters bauen, weil sie Probleme stören – das ist das Gen. Wenn der genehmigte Weg ein Jahr Wartezeit bedeutet, füllt Shadow‑KI die Lücke – und das unter dem Radar, wo es am gefährlichsten ist.

Machen Sie also den genehmigten Weg zum einfachen Weg. Geben Sie Crafters eine genehmigte Plattform mit bereits integrierten Sicherheits­schranken – Identität, Datenzugriff, Protokollierung – sodass die konforme Wahl zugleich die bequeme ist. Führen Sie ein leichtgewichtiges Register: Alles, was von einem persönlichen Experiment zu etwas wird, auf das eine zweite Person angewiesen ist, wird dokumentiert, mit einem benannten Eigentümer. Diese eine Regel beseitigt die meisten Probleme verwaister Werkzeuge, weil Werkzeuge mit zugeordneten Namen nicht stillschweigend aufgegeben werden.

Anschließend wenden Sie das Eskalationsmodell an: Experimente laufen frei, aber sobald etwas mission‑kritisch wird – mehr Nutzer, höhere Sensitivität, mehr Autonomie – erhält es zunehmend mehr Engineering‑Review. Der Crafter behält das Eigentum an der Geschäftslogik; ein Entwickler härtet das, was gehärtet werden muss. Das Ziel ist eine Reife‑Pipeline, kein Genehmigungsprozess. Unternehmen haben genau dieses Szenario bereits mit Tabellenkalkulationen durchlaufen, und die Gewinner waren nicht die, die Excel verboten haben.

Für ein Unternehmen, das seine erste maßgeschneiderte KI‑Initiative startet, wie sollte es den ersten Anwendungsfall auswählen, messen, ob das Projekt echten geschäftlichen Mehrwert liefert, und entscheiden, ob es erweitert, neu gestaltet oder aufgegeben werden soll?

Wir haben zwei Varianten des Ausgangspunkts, die wir mit unseren Kunden verwenden.

Variante eins: Suchen Sie nach Aufgaben, die niemand erledigt – nicht nach Aufgaben, die Sie eliminieren möchten. Eine Frage, die ich gerne Managern stelle: Wo haben Sie gedacht: „Wenn ich eine Person hätte, die das ständig beobachtet und darüber nachdenkt, würden die Dinge deutlich besser werden – aber ich könnte nie eine komplette Einstellung dafür rechtfertigen?“ Das sind oft Ihre besten Ausgangspunkte. Sie sind sicher, bauen Vertrauen auf, niemand fühlt sich zum Zielscheibe gemacht, und das Gegenbeispiel ist ehrlich: Die Alternative war nicht ein Mensch, der es gut macht, sondern niemand, der es überhaupt macht (wie mein Redaktionsfreund Eddie).

Variante zwei: Ersetzen Sie Dashboards durch Daten‑Agenten. So einfach Dashboards auch scheinen, sie erfüllen in der Praxis ihr Versprechen kaum. Wenn jemand eine Geschäftsfrage hat, ist es viel Arbeit, diese Frage in die Dashboard‑Landschaft zu übersetzen. Wo befindet sich das Dashboard, das diese Frage beantwortet? Wie heißt es? Existiert ein solches Dashboard überhaupt? Und wenn Sie das „richtige“ finden, ist es klar und bequem zu benutzen? Müssen Sie es wiederholt manipulieren, mehrere Versionen notieren oder screenshotten, um das Gesamtbild zu erhalten, das Sie benötigen?

Im KI‑Zeitalter nehmen Sie einfach Ihre Geschäftsfrage – in Ihren eigenen Worten – und tippen (oder diktieren) sie einem Daten‑Agenten, der dann alles für Sie übernimmt und innerhalb einer oder zwei Minuten eine zertifizierte, gut recherchierte Antwort – inklusive Visualisierungen – zurückgibt. Haben Sie eine Anschlussfrage, beantwortet er diese ebenfalls schnell – im Meeting, während Entscheidungen noch getroffen werden können.

Der gemeinsame Nenner beider Einstiegsmöglichkeiten? Sie adressieren beide Schmerzpunkte, die Mitarbeitende annehmen statt ablehnen. Sie wollen nicht, dass Ihre frühen KI‑Initiativen Misstrauen säen. Stattdessen sollen sie Mitarbeitende an den Tisch bringen. Sie wollen, dass Mitarbeitende Verbesserungen und neue Projektideen vorschlagen. Denn erneut besteht Ihr Unternehmen aus Tausenden von Workflows, und Ihre Mitarbeitenden kennen diese besser als Sie.

Zum Thema Erweiterung, Neugestaltung oder Aufgabe – seien Sie zu sich selbst freundlich, denn die Forschung dazu ist tatsächlich beruhigend: die meisten erfolgreichen KI‑Implementierungen hatten vorherige Misserfolge. Ein erstes Projekt, das eine Lehre statt eines Nutzens liefert, ist eine Investition, nicht ein Beweis, dass KI nicht funktioniert. Meine Faustregel: wenn Menschen es nutzen, erweitern Sie es. Wenn Menschen es nicht nutzen, müssen Sie den Grund herausfinden, und das kann von „weil es nicht gut funktioniert“ über „weil ich es nicht verstehe“ bis „es ängstigt mich“ reichen. Die Antwort bestimmt, ob Sie verbessern, neu gestalten oder aufgeben. Sie müssen nicht vorhersagen, wo das alles endet. Sie müssen nur ehrlich irgendwo anfangen.

Vielen Dank für das großartige Interview, die Leser sollten außerdem Fair Game: Customizing AI to Your Business Is Easier Than You Think lesen.