Sarah Philipp, Globaler Leiter von AI-Enablement und -Adoption bei Altimetrik – Interview-Serie

Sarah Philipp, Globaler Leiter von AI-Enablement und -Adoption bei Altimetrik, konzentriert sich darauf, Organisationen dabei zu helfen, die Lücke zwischen schneller AI-Innovation und realer Arbeitsplatzadoption zu überbrücken. Ihre Arbeit konzentriert sich auf den Aufbau von AI-Literaturprogrammen, Workflow-Enablement-Strategien und rollenbasierten Schulungsinitiativen, die Mitarbeitern und Managern helfen, generative AI in den täglichen Betrieb zu integrieren. Bei Altimetrik hat sie dazu beigetragen, Unternehmensadoptionprogramme für Technologien wie ChatGPT Enterprise, die OpenAI Agents SDK und unternehmensweite AI-Workflows zu gestalten, während sie auch gemeinsam mit “LAByrinth” ein projektbasiertes GenAI-Simulationsplattform für Ingenieure und technische Programmmanager entwickelt hat. Bevor sie zu Altimetrik kam, verbrachte sie Jahre damit, Kundenbildung und Implementierungsinitiativen bei SaaS-Plattformen wie Nudge Coach zu leiten, was ihr eine starke Grundlage in Lernsystemen, Verhaltensaktivierung und digitaler Transformation gab. Ihre Karriere spiegelt einen wachsenden Trend in der Unternehmens-AI wider, bei dem der Erfolg immer mehr nicht nur von der Bereitstellung von Modellen abhängt, sondern auch davon, dass Mitarbeiter zuversichtlich, fähig und produktiv mit AI-Tools in ihrer täglichen Arbeit sind.

Altimetrik ist ein AI-erstes digitales Ingenieur- und Datenlösungsunternehmen, das sich darauf konzentriert, Unternehmen dabei zu helfen, veraltete Systeme zu modernisieren und generative AI über Geschäftsbetriebe hinweg zu skalieren. Das Unternehmen arbeitet in Branchen wie Finanzdienstleistungen, Gesundheitswesen, Fertigung, Einzelhandel und Lebenswissenschaften und kombiniert Produktentwicklung, Cloud-Modernisierung, Dateninfrastruktur und AI-Einrichtungsdienste. Altimetrik hat sich als wichtiger Partner für die Unternehmens-AI-Implementierung positioniert, insbesondere durch Zusammenarbeit mit OpenAI, mit einem starken Fokus auf agente AI, Workflow-Orchestrierung, Governance und produktionsreife AI-Systeme. Sein ALTI AI Lab dient als interner Innovationshub, in dem das Unternehmen Unternehmens-AI-Anwendungen von intelligenten Assistenten bis hin zu multimodalen Workflows und AI-nativen Geschäftsbetrieben prototypisch entwickelt. In den letzten Jahren hat Altimetrik aggressiv durch Partnerschaften und Übernahmen expandiert, um seinen globalen Ingenieursfußabdruck und die Unternehmens-AI-Lieferfähigkeiten zu stärken.

Sie haben Ihre Karriere an der Schnittstelle von UnternehmensTransformation, Lernkonzeption und aufkommender Technologie aufgebaut – was war die entscheidende Erfahrung, die Sie davon überzeugt hat, dass verantwortungsvolle AI-Adoption ebenso sehr von menschlicher Ermächtigung wie von technischer Fähigkeit abhängt?

Ich bin normalerweise ein ziemlich später Adoptierer von Dingen. Ich neige dazu, skeptisch gegenüber Hype zu sein und hartnäckig daran festzuhalten, Dinge auf meine Art und Weise zu tun. Das war auch bei AI der Fall. Ich war ein später Adoptierer und bewegte mich sehr langsam am Anfang.

Was sich für mich änderte, war, als ich hörte, wie andere Menschen AI in ihrem täglichen Leben und in der Arbeit verwendeten, in sehr menschlicher und nicht-technischer Sprache. Als ich es mit realen und persönlichen Reibungspunkten verbinden konnte, folgte die Neugier.

Diese Erfahrung bestätigte etwas, das ich bei jedem Transformationsbemühung, an dem ich beteiligt war, gesehen habe: Adoption beginnt selten mit Fähigkeit allein. Es beginnt mit Relevanz, Vertrauen und Bedeutung. Menschen müssen zuerst sich selbst in der Veränderung sehen, und deshalb hängt verantwortungsvolle AI-Adoption ebenso sehr von menschlicher Ermächtigung wie von technischer Bereitschaft ab.

In Ihrer Rolle als Leiterin der globalen AI-Ermächtigung bei Altimetrik, wie definieren Sie erfolgreiche Unternehmens-AI-Adoption jenseits von Pilotprojekten und Proof-of-Concept-Experimenten?

Erfolgreiche Unternehmens-AI-Adoption lebt nicht in Silos. Eines der häufigsten Muster, die wir sehen, ist kompartimentalisierte Adoption. Ein Team wird sehr fortschrittlich in seiner AI-Reife, während ein anderes Team in der gleichen Organisation keine klare Strategie hat und möglicherweise sogar fragmentierte Tools oder persönliche Konten verwendet. Diese Art von ungleicher Adoption schafft Inkonsistenz und Risiko.

Wahrer Erfolg kommt, wenn eine Organisation gemeinsame Gewohnheiten, gemeinsame Standards und vernetzte Arbeitsweisen aufbaut. Es erfordert sowohl Top-down- als auch Bottom-up-Change-Management. Top-down muss die Führung Richtung vorgeben, Governance etablieren und Klarheit über verantwortungsvolle, wertvolle Adoption schaffen. Bottom-up müssen Mitarbeiter verstehen, wie AI in ihre tägliche Arbeit passt, wo es reale Probleme löst und wie man es zuversichtlich innerhalb ihrer Rolle verwendet.

Das wahre Zeichen von Reife ist, wenn Workflows reibungslos von Ende zu Ende und über Teams hinweg laufen, nicht nur in isolierten Taschen.

Viele Organisationen investieren in generative AI-Tools, aber kämpfen darum, sie zu operationalisieren. Welche sind die häufigsten Ausführungslücken, die Sie zwischen Ambition und messbarem Geschäftseinfluss sehen?

Die Eigentümerschaft der Governance ist oft unklar. Wer ist verantwortlich für die Dokumentation dessen, was verwendet wird, Versionierung von Prompts oder Workflows, Überwachung der Qualität und Nachverfolgung, wo AI tatsächlich im Geschäft auftaucht? Ohne diese Klarheit enden Organisationen mit verstreuter Nutzung und sehr wenig operativer Disziplin.

Viele Organisationen haben nicht entschieden, welche Art von AI-Nutzung sie tatsächlich fördern möchten. Zielen sie auf rollenspezifische Prompting-Gewohnheiten, individuelle Produktivitätsanwendungen wie Brainstorming und Entwurf oder zweckgebundene Agenten, die an definierte Workflows gebunden sind? Wenn das nicht klar ist, bleibt die Ermächtigung vage und der Einfluss wird schwer zu messen.

Es gibt auch oft eine Diskrepanz zwischen Rollout und realer Arbeit. Unternehmen investieren in Tools, bevor sie die Momente identifiziert haben, in denen AI Reibung entfernen, Qualität verbessern oder Ausführung beschleunigen kann. Ambition ist leicht, aber Operationalisierung erfordert Spezifität.

Sie arbeiten eng mit Führungsteams zusammen – was sieht effektive AI-Fluency auf C-Level aus, und wie beeinflusst Führungsverhalten die Adoption im gesamten Unternehmen?

Es sieht wie Vorbild, Neugier und eine Anfängermentalität aus. Es sieht aus, als ob Führungskräfte verletzlich in einem Raum mit Leuten sind, die ihnen Bericht erstatten.

Die Führungskräfte, die den größten Unterschied machen, sind diejenigen, die eine Anfängermentalität demonstrieren. Sie sind bereit, öffentlich zu lernen. Sie sind komfortabel damit, “Ich bin noch dabei, es herauszufinden” zu sagen. Diese Art von Verletzlichkeit ist wichtiger, als die Leute realisieren, denn sie gibt jedem anderen die Erlaubnis, sich ohne Angst zu beteiligen.

Führungsverhalten setzt den Ton. Wenn Führungskräfte AI wie ein Seitenexperiment behandeln, wird das Unternehmen es auch tun. Wenn sie sorgfältige Nutzung modellieren, praktische Fragen stellen und sichtbar in Lernen investieren, wird die Adoption kulturell sicherer. Zuversicht ist ebenso wichtig wie Fähigkeit, wenn es darum geht, AI im Unternehmen zu skalieren.

Was sieht ein strukturierter Experimentier-Rahmen für generative AI in der Praxis aus, und wie können Unternehmen Innovation fördern, ohne Fragmentierung oder Risikoexposition zu schaffen?

Wir möchten mit realen Workflow-Schmerzpunkten beginnen, nicht mit zufälligen Vorschlägen. Teams sollten ermutigt werden, wiederkehrende Aufgaben, Entscheidungsengpässe oder bestehende Wissenslücken zu identifizieren. Von dort aus können Organisationen Experimente priorisieren, basierend auf Geschäftliche Relevanz, Machbarkeit und Risiko.

Die gesündesten Umgebungen sind diejenigen, in denen Menschen Dinge sicher ausprobieren, teilen, was funktioniert, und vermeiden, das Rad in Isolation neu zu erfinden.

Sie haben LAByrinth mitentwickelt, eine generative AI-Projekt-Simulationsplattform, die Ingenieuren und technischen Programmmanagern eine hands-on-Erfahrung mit AI-Tools in einer sicheren, geführten Umgebung bietet. Was inspirierte ihre Schaffung, und wie beschleunigt simulationsbasiertes Lernen die realen AI-Fähigkeiten?

Ich habe immer Formen von hands-on, erfahrungsbasiertem Lernen geliebt. Insbesondere die Art von “über die Schulter” -Mentoring, die in Kunststudio-Umgebungen existiert.

Als Martin Gaida und ich Ideen für diese Art von Trainingsstruktur austauschten, war das gesamte Projekt viel Spaß, zu erstellen. Es fühlte sich an, als ob wir ein Puzzle für die Leute lösten. Das wusste ich, dass wir auf dem richtigen Weg waren. Menschen sind eher bereit, sich mit neuem Material auseinanderzusetzen, wenn sie es interessant finden und sich unterstützt fühlen.

Simulationsbasiertes Lernen beschleunigt Fähigkeiten, weil es die Lücke zwischen Theorie und Anwendung schließt. Es gibt ihnen einen sicheren Ort, um Urteilsvermögen zu üben, nicht nur Konzepte zu memorieren. Und bei AI ist das enorm wichtig, weil reale Fähigkeit nicht nur darin besteht, zu wissen, was ein Tool kann. Es ist auch wichtig, zu wissen, wie man es sorgfältig und sicher verwendet.

Wie sollten Unternehmen die Weiterbildung ihrer Belegschaft in der Ära der generativen AI im Vergleich zu früheren Wellen der digitalen Transformation anders angehen?

Zusammen und kreativ. Mit Tools wie Notebook LM und Figma Make gibt es viele Möglichkeiten, ansprechende und frische Inhalte zu erstellen. Wir lieben eine Präsentation, aber wir lieben es auch, interaktive Arbeitshefte, animierte Videos und andere Methoden zur Lieferung des Curriculums zu erstellen.

Ich lerne persönlich am besten mit Infografiken und anderen visuellen Mitteln.

Verantwortungsvolle AI wird oft im Rahmen von Governance und Compliance diskutiert. Aus Sicht der Ermächtigung, was sieht verantwortungsvolle Adoption in täglichen Workflows aus?

Konsultieren Sie die Leute, die die Tools tatsächlich verwenden, um herauszufinden, was sie nützlich macht, und stellen Sie sicher, dass jeder, der die Tools verwendet, weiß, was die Richtlinie tatsächlich bedeutet. Wie übersetzt es sich in die Art und Weise, in der sie AI täglich verwenden?

Verantwortungsvolle Adoption bedeutet ein Menschen-am-Steuer-Modell. AI kann helfen, zu entwerfen, zusammenzufassen, zu analysieren oder zu beschleunigen, aber Menschen besitzen immer noch das Urteilsvermögen, die Qualitätskontrolle und die endgültige Entscheidung. Diese menschliche Verantwortung ist entscheidend.

Genauso wichtig ist, dass verantwortungsvolle Adoption von Zuversicht abhängt. Diskretion kommt aus Erfahrung. Deshalb benötigen Organisationen rissfreie, nicht-urteilende Räume, in denen Mitarbeiter AI üben und echte Fähigkeiten aufbauen können. Wenn Menschen genug hands-on-Erfahrung sammeln, um sorgfältige Urteile zu fällen, wird verantwortungsvolle Nutzung aufhören, abstrakt zu sein, und beginnt, zur Gewohnheit zu werden.

Wie können Organisationen Ermächtigungsprogramme entwerfen, die angesichts der schnellen Evolution der generativen AI anpassungsfähig bleiben und nicht innerhalb weniger Monate veralten?

Es ist eine Herausforderung, aber es gibt viele großartige Tools da draußen.

Der größte Fehler ist, Ermächtigung vollständig um die aktuelle Tool-Landschaft herum zu bauen.

Wir werden oft gefragt, ob wir tool-agnostische Schulungen anbieten, und die Antwort ist ja. Absolut. Wir konzentrieren uns auf dauerhafte AI-Fähigkeiten und unterrichten dann die Menschen, wie sie diese Fähigkeiten innerhalb der Tools anwenden, die die Organisation heute verwendet. Dieser Ansatz gibt Programmen ein viel längeres Haltbarkeitsdatum.

Anpassungsfähige Ermächtigung muss auch modular sein. Fraktal. Anstatt Schulung als einmaliges Ereignis zu behandeln, sollten Organisationen in Schichten denken: grundlegende Literatur, rollenbasierte Anwendung, erweiterte Experimentierung und laufende Updates, wenn Tools und Prioritäten sich ändern.

Aufblickend, welche Verschiebungen glauben Sie, werden die nächste Phase der Unternehmens-AI-Adoption in den nächsten zwei Jahren definieren?

Rollenbasiert und agente. Unternehmen haben bereits begonnen, Agenten zu verwenden. Diese Organisationen möchten sicherstellen, dass ihre technischen Teams in allen notwendigen Aspekten ausgebildet sind, um diese Art von AI-Nutzung aufzubauen und zu regieren.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Altimetrik besuchen.