Im Verlauf unserer AI Governance @ Work Serie haben sich verschiedenen Fragen aufgetan, die über die reine Governance-Thematik hinausgehen: Wer trägt Verantwortung für KI-Outputs? Wie entsteht eine Organisation, die mit KI-Ergebnissen kritisch umgeht? Wer schafft die Bedingungen, unter denen Mitarbeitende Urteilsfähigkeit entwickeln? 

Hierbei geht es um Leitfragen der Führung und der Organisation, die auch bereits in verschiedenen Beiträgen vergangener Shift/Work Veranstaltungen diskutiert wurden. So brachte Cerys Hearsey (Postshift) erst bei letzten Digital Work FORUM im Februar 2026 in ihrem Beitrag «Collaborative Approaches as the Missing Link in AI Adoption Strategies» den Begriff Transformational Debt auf: das Defizit, das entsteht wenn Organisationen in KI-Tools investieren, aber nicht in die kollaborativen Voraussetzungen dafür vorbereiten. Teams sind die zentrale Einheit der Wertschöpfung. Für das optimale Zusammenspiel im Team reicht eine individuelle Prompt-Optiimierung nicht aus. Nadine Soyez forderte hierzu in ihrem Beitrag «Rethink. Reconnect. Redesign», dass es bei risikobehafteten KI-Entscheidungen vor allem auf die Führung drauf ankommt. Alexander Kluge und Sabine Kluge definieren daher in «Führung in Zeiten der KI - Wer hat das letzte Wort?» auch die Rolle der Führung neu: Führung verschiebt sich von traditionellen Entscheidern hin zu Orchestrierenden, die die Zusammenarbeit zwischen Mensch und KI gestalten.

Damit wird Führung im KI-Zeitalter nicht völlig neu erfunden. Viele Anforderungen sind aus moderner Führungsarbeit bekannt: Rahmensetzung, Befähigung, Verantwortungsklarheit und die Entwicklung von Urteilsfähigkeit. KI macht diese Anforderungen jedoch dringlicher und sichtbarer. Wo KI in Prozesse eingreift, reichen implizite Erwartungen nicht mehr aus. Aus den Governance-Anforderungen lassen sich vier zentrale Führungsthemen ableiten: Accountability, Verifikation, Transparenz und Befähigung.

Accountability endet nicht am Tool

W. Edwards Deming hat für Qualitätsmanagementsysteme eine Logik beschrieben, die heute wieder relevant wird: Qualität entsteht durch Systeme, nicht durch die nachträgliche Kontrolle einzelner Ergebnisse. Wenn ein Prozess regelmäßig fehlerhafte Resultate erzeugt, liegt das Problem selten nur bei der ausführenden Person. Es geht um Prozessdesign, Zuständigkeiten, Rückkopplung und Führung. Genau diese Logik lässt sich auf KI-gestützte Arbeit übertragen.

Wer in einer Organisation für KI-Outputs verantwortlich ist, entscheidet Führung. Das kann explizit geschehen, mit klaren Rollen, Prüfpflichten und Eskalationswegen. Oder es geschieht implizit, diffus und damit riskant. Dann entstehen Ergebnisse, die niemand hinterfragt, weil niemand eindeutig zuständig ist. Dass KI ein Ergebnis geliefert hat, entbindet keine Person von Verantwortung. Diese Verantwortung muss im Arbeitsalltag sichtbar werden, nicht nur in einem Policy-Dokument.

Für Führung bedeutet das: Accountability darf nicht an das Tool delegiert werden. Entscheidend ist, wer den Kontext versteht, wer die Auswirkungen bewertet und wer entscheidet, ob ein KI-Ergebnis in einen Prozess, eine Kommunikation oder eine Entscheidung eingeht. Damit wird Verantwortung nicht enger, sondern präziser. Führung muss klären, an welchen Stellen KI unterstützt, wo Menschen prüfen und wo Entscheidungen bewusst nicht automatisiert werden.

Verifikation braucht institutionalisierten Raum

Menschen, die KI-generierte Ergebnisse ungeprüft weiterverwenden, tun das selten aus Bequemlichkeit. Forschung zu KI-gestützter Wissensarbeit beschreibt ein spezifisches Risiko: Automation Bias, also die Tendenz, maschinell erzeugte Outputs als verlässlicher zu bewerten als menschliches Urteil. Wir haben dieses Risiko in Teil 3 der Serie ausführlicher behandelt. Für Führung ist daraus eine klare Konsequenz ableitbar: Prüfung darf nicht als individuelle Zusatzleistung nebenbei erwartet werden.

Eng damit verbunden ist Cognitive Offloading. Das Gehirn delegiert kognitive Aufgaben aktiv an externe Systeme. Bei gut formulierten KI-Outputs passiert das besonders schnell, weil die sprachliche Flüssigkeit Verlässlichkeit signalisiert. Der Text wirkt sauber, vollständig und plausibel. Genau darin liegt das Risiko. Die kognitive Entlastung ist ein natürlicher Mechanismus. In KI-Kontexten kann sie aber zu einem strukturellen Problem werden, wenn Organisationen keine Prüf- und Reflexionsroutinen einbauen.

Gegen diesen Bias helfen Richtlinien allein nicht. Verifikationskultur entsteht, wenn Führung sie sichtbar macht: wenn klar ist, dass Outputs geprüft werden sollen, dass Fehler früh benannt werden dürfen und dass kritisches Hinterfragen kein Misstrauen gegenüber dem Tool ist, sondern professionelle Sorgfalt. Dafür braucht es Zeit, Raum und Vorbilder. Wer KI einführt, ohne Prüfung einzuplanen, macht Verifikation zur privaten Mehrarbeit der Mitarbeitenden.

Transparenz als Führungsentscheidung

Wo KI in Prozessen eingesetzt wird, wofür sie genutzt wird und welche Grenzen der Einsatz hat, muss kommuniziert sein. Diese Klarheit entsteht nicht automatisch durch Software. Sie entsteht durch Führungsentscheidungen. Führung muss festlegen, welche KI-Nutzung dokumentiert wird, welche Annahmen offengelegt werden und welche Entscheidungsspuren erhalten bleiben. Ohne diese Klarheit wird KI-Nutzung schnell unsichtbar, obwohl sie Entscheidungen und Ergebnisse mitprägt.

Cerys Hearsey hat auf dem Shift/Work Forum das Konzept Decision Provenance Mapping beschrieben. Gemeint ist die explizite Dokumentation von Entscheidungsprozessen, damit nachvollziehbar bleibt, wer auf welcher Grundlage was entschieden hat. In KI-unterstützten Prozessen verliert diese Spur schnell an Kontur. Der Output liegt vor. Wer oder was ihn erzeugt hat, auf welchen Daten er basiert und welche menschliche Bewertung eingeflossen ist, bleibt oft unklar. Genau hier beginnt Führungsarbeit.

Auch Human in the Loop ist keine reine Systemkonfiguration. Nadine Soyez hat auf dem Digital Work Forum deutlich gemacht, dass Führung festlegen muss, wer bei risikobehafteten KI-Entscheidungen das letzte Wort hat. Diese Entscheidung braucht Kriterien. Und diese Kriterien müssen kommuniziert werden. Transparenz bedeutet deshalb nicht nur, KI-Einsatz offenzulegen. Transparenz bedeutet, Entscheidungslogiken nachvollziehbar zu machen.

Befähigung als Urteilskompetenz

Peter Drucker hat Wissensarbeit nicht als reine Ausführung verstanden, sondern als Arbeit, die Kontext, Selbststeuerung und Urteilsfähigkeit braucht. Wer Wissensarbeit nur über Regeln steuert, bekommt Konformität, aber nicht automatisch Qualität. Diese Unterscheidung wird durch KI wichtiger. Denn KI kann Arbeit beschleunigen, vereinfachen und strukturieren. Sie kann aber nicht die Verantwortung dafür übernehmen, ob ein Ergebnis sinnvoll, angemessen und belastbar ist.

Das betrifft KI-Literacy direkt. Schulungen, die Tools erklären, erzeugen Anwendungswissen. Befähigung geht weiter. Mitarbeitende müssen verstehen, wann KI-Unterstützung sinnvoll ist, wann sie Grenzen hat und wann menschliche Erfahrung, Kontextwissen oder Verantwortung wichtiger sind. McKinsey beschreibt in den State-of-AI-Auswertungen immer wieder eine ähnliche Lücke: KI-Adoption wächst schneller als die organisationale Fähigkeit, mit den Ergebnissen produktiv und verantwortungsvoll umzugehen.

Mehr Tool-Trainings schließen diese Lücke nicht allein. Wirksamer ist eine Führungsinvestition in Urteilsfähigkeit. Diese braucht Zeit, Übung und eine Diskussionskultur, in der Fehler nicht verdeckt, sondern ausgewertet werden. Cerys Hearsey hat dafür vier Führungskompetenzen beschrieben: World Building, also den Rahmen setzen, in dem KI-Arbeit sinnvoll stattfindet; Context Engineering, also die Qualität der Eingaben und Arbeitskontexte gestalten; Judgement Legibility, also eigene Urteile sichtbar und übertragbar machen; und Compounding Learning, also Lernen in wiederholten Schleifen organisieren. Das sind keine abstrakten Fähigkeiten. Es sind praktische Führungskompetenzen für KI-gestützte Teams.

Nadine Soyez: KI-Urteilsfähigkeit zeigt sich an den Fragen

Um diese Führungsperspektive zu konkretisieren, haben wir Nadine Soyez drei Fragen gestellt. Dabei stellt sie klar, dass es entscheidend ist, wie Führungskräfte Fragen stellen, Entscheidungen rahmen und Verantwortung übernehmen. Damit verschiebt sich der Fokus von kurzfristiger Tool-Sicherheit zu einer stabileren Fähigkeit: die Wirkung von KI im jeweiligen Arbeitskontext einschätzen zu können.

Wie erkennst du, ob Führungskräfte tatsächlich KI-Urteilsfähigkeit entwickeln, oder ob sie es nur vorgeben? Welche Signale sind für dich aussagekräftig?

KI-Urteilsfähigkeit zeigt sich für mich nicht daran, wie viel jemand über KI weiß, sondern welche Fragen gestellt werden.
Führungskräfte mit echter KI-Urteilsfähigkeit hinterfragen Ergebnisse, erkennen Unsicherheiten und reflektieren, wann KI hilfreich ist und wann menschliche Erfahrung, Kontextwissen oder Verantwortung wichtiger sind.

Ein deutliches Signal ist, dass sie nicht mehr fragen: „Kann KI das?“, sondern „Sollten wir das überhaupt mit KI machen?“

Bevor KI eingesetzt wird, sollten die folgenden Fragen beantwortet werden:

• Welches Problem lösen wir mit KI konkret?
• Was passiert, wenn wir nichts mit KI tun?
• Wie schaut der Erfolg des KI-Einsatzes mit konkreten Zahlen aus?
• Wo ist der Mensch in Kontrolle?

Was funktioniert in der Praxis für KI-Führungskompetenz nachweislich nicht? Und was hast du als wirksamer erlebt?

Was selten funktioniert, sind einmalige Tool-Schulungen oder reine Prompting-Trainings.

Führungskräfte verlassen solche Trainings oft mit mehr Wissen über Funktionen, aber nicht mit mehr Sicherheit bei Entscheidungen.

Wirksamer sind Formate, die direkt an realen Führungsaufgaben und direkten Use Cases ansetzen: Entscheidungen vorbereiten, Informationen bewerten, Prioritäten setzen, Risiken einschätzen oder Kommunikation verbessern.

KI-Tools entwickeln sich schneller als L&D-Zyklen. Welche Kompetenzen in deinem Trainingsansatz sind stabil, und was muss kontinuierlich aktualisiert werden?

Die Tools verändern sich ständig. Die zugrunde liegenden Kompetenzen deutlich weniger.

Stabil bleiben Fähigkeiten wie kritisches Denken, Urteilsvermögen, Problemlösung, Entscheidungsfindung, Risikobewusstsein, Datenverständnis und die Fähigkeit, gute Fragen zu stellen.

Auch das Verständnis dafür, wie Menschen und KI sinnvoll zusammenarbeiten, wird langfristig relevant bleiben.

Kontinuierlich aktualisiert werden müssen dagegen die konkreten Tools, Funktionen, Best Practices und Anwendungsfälle. Was heute mit ChatGPT, Copilot oder Agenten möglich ist, sieht in sechs Monaten oft schon anders aus. Deshalb versuche ich, Menschen nicht primär auf ein bestimmtes Tool zu trainieren, sondern auf ein Denkmodell. Wer das Denkmodell verstanden hat, kann sich deutlich schneller an neue Technologien anpassen.

Was das im Arbeitsalltag bedeutet

Aus den vier Prinzipien entsteht ein praktischer Prüfrahmen für Führung. Drei Fragen helfen, KI-Projekte und KI-gestützte Arbeit im Alltag konkreter zu führen: Wer prüft KI-Output, bevor er in Entscheidungen eingeht, und hat diese Person dafür Zeit und Mandat? Wie erkenne ich, ob mein Team KI übervertraut oder KI systematisch unternutzt? Was investieren wir in Urteilsfähigkeit, nicht nur in Tool-Einführung?

Diese Fragen sind Führungsfragen. Sie zeigen sich täglich in kleinen Entscheidungen: ob ein Team-Meeting KI-Output hinterfragt oder nur weiterreicht, ob Fehler als Signal oder als Peinlichkeit behandelt werden, ob Befähigung im Projektbudget steht oder erst nachgelagert passiert. Gute Führung in KI-Zeiten bedeutet deshalb nicht, selbst jedes Tool im Detail zu beherrschen. Sie bedeutet, die Bedingungen zu schaffen, unter denen KI verantwortungsvoll, nachvollziehbar und wirksam genutzt wird.

Damit wird AI Governance zu einem wichtigen Führungsthema. Accountability, Verifikation, Transparenz und Befähigung dürfen dabei aber keine zusätzlichen Kontrollschichten darstellen, sondern beschreiben, wie Organisationen mit KI arbeitsfähig bleiben. Führung muss diese Prinzipien übersetzen: in Rollen, Routinen, Entscheidungsregeln, Lernformate und Teampraktiken. Erst dann wird aus KI-Nutzung mehr als Produktivitätsversprechen. Sie wird Teil einer Organisation, die mit neuen Möglichkeiten verantwortungsvoll arbeiten kann.