Refactoring Orgs

Einer unserer größten Kunden für Agentic Voice hat gerade in einen niedrigeren Tarif gewechselt. Auf die Frage warum sagte uns die verantwortliche Person, sie wolle wieder mehr Anrufe von menschlichen Mitarbeitenden annehmen lassen. Das ist ein Kunde, der unser vollautonomes KI-Agent-Produkt liebt. Er ist früh eingestiegen. Er war richtig begeistert. Wir haben alles gebaut, was er brauchte. Und trotzdem hat er gerade entschieden, unser Produkt deutlich weniger zu nutzen.

So etwas passiert, besonders weil Agentic Voice noch früh in der Adoptionskurve steht. Aber nachdem ich eine Weile darüber nachgedacht habe, glaube ich, dass mehr dahintersteckt. Hier ist, was ich meine:

Aus Kundensicht ist der Wechsel vom Callcenter zu KI-Agenten, die alles autonom handhaben, kein einfacher Übergang. Wenn jemand die Hotline anruft und eine KI antwortet, kann das unübersichtlich werden. Es ist schwer zu verifizieren, dass das für jeden Anruf besser funktioniert als ein menschliches Callcenter. Verifizierbarkeit scheint ein Problem zu sein.

Formulieren wir das als allgemeinere These: KI-Fähigkeiten werden wahrscheinlich zuerst in Domänen beschleunigen, in denen Fortschritt günstig verifizierbar ist - Code, Mathematik, Closed-Loop-Optimierung. In Domänen, in denen Verifizierung teuer ist - Geschmack, Urteilskraft, unübersichtliche menschliche Systeme, Anrufe - wird sie hinterherhinken. Die beiden Kurven werden eine Weile scharf auseinanderlaufen.

Diese Divergenz solltet ihr im Kopf behalten, wenn ihr strategische Entscheidungen zu neuen KI-Produkten trefft:

• Wenn das Produkt in einer Verifiable-Output-Industrie sitzt, werden sich die Produktivitätszahlen bald schnell bewegen - genauso wie Entlassungen und eure Margen. Ein kleines Team aus Generalisten kann hier Berge versetzen. Ihr werdet viele neue Kunden sehen, und Churn wird niedrig sein. Euer Produkt wird schnell klebrig, und es wird so aussehen, als würde es sich fast von selbst verkaufen.
• Wenn es in einer Messy-Output-Industrie sitzt, werden die Tools beeindruckend - und schnell sehr komplex. Ihr müsst viel Kapital investieren, um minimalen Fortschritt zu erzielen. Wir reden von größeren Teams, mehr Forschung, sehr teuren Domain-Experten. Dazu braucht ihr Vertrieb und Customer Success, um die Leute zur Nutzung zu bewegen. Das wird sehr kapitalintensiv. Aber die Zahlen bewegen sich vielleicht nicht. Oder zumindest dauert es lange, bis sie sich bewegen. Ihr seht vielleicht viel Interesse am Markt und einige neue Kunden, aber auch sehr hohe Churn-Raten (50-70% YoY) und relativ geringen Umsatz.

Produkte in einer Messy-Output-Industrie können trotzdem C-Level-Support bekommen. Jemand wird die Investition rechtfertigen - entweder weil er die Alternative nicht sieht, weil er nichts anderes kennt als die Messy-Output-Industrie, oder weil er argumentiert, ihr werdet gerade deshalb gewinnen, weil ihr mehr investiert als die Konkurrenz.

Ich mag Herausforderungen, aber wenn es um strategische KI-Produktentscheidungen geht, ist es besser, neue KI-Produkte in einer Messy-Output-Industrie zu vermeiden. Es kann auch helfen, die Augen für neue KI-Produktideen in einer Verifiable-Output-Industrie offen zu halten. Zumindest solltet ihr sehr klar darüber sein, in welchem Industrietyp ihr steckt, bevor ihr die Entscheidung trefft.

Verifizierbarkeit ist vielleicht auch der Grund, warum viele KI-Change-Initiativen stecken bleiben. Es gibt Verifiable-Output-Jobs und -Aufgaben, aber es gibt auch Messy-Output-Jobs und -Aufgaben. Der Fehler ist die Annahme, dass jeder Job uniform das eine oder das andere ist. Die meisten Jobs enthalten beides. Zum Beispiel sitzen Engineering und Sales Operations klar auf verschiedenen Seiten der Kurve. Der Grund, warum KI-Adoption innerhalb von Firmen fleckig ist, ist vielleicht nicht die Kultur allein. Ich glaube, öfter als man denkt ist es Verifizierbarkeit. Fragt euch, welche Teile eures Prozesses eine Maschine benoten kann, und ihr habt eure Antwort.

Verifizierbarkeit wird noch eine Weile ein Problem bleiben.