19. Mai 2026
Deutsch / English
Euer CFO stellt die Frage immer öfter: Wir geben ernsthaft Geld für KI aus — warum sieht man die Ergebnisse nicht?
Das ist eine berechtigte Frage. Und die Antwort ist wahrscheinlich nicht das, was man von jemandem erwartet, der KI-Tooling baut.
Das Problem sind nicht die Modelle. Nicht das Tooling. Nicht die Entwickler. Das Problem ist eine Frage, die fast niemand stellt.
Wenn eine Organisation beschließt, KI zur Beschleunigung der Softwareentwicklung einzusetzen, verläuft das Gespräch meistens so: Was können wir automatisieren? Wo kann KI Code schneller schreiben als ein Mensch?
Das ist die falsche Frage. Oder zumindest die zweite Frage. Die erste lautet:
Wo braucht dieses Projekt tatsächlich menschliches Urteilsvermögen — und wo können Entscheidungen verifiziert und damit automatisiert werden?
Das ist nicht dasselbe. Und wer beides vermischt, erklärt damit, warum so viele KI-Initiativen viel Aktivität und wenig Wert produzieren.
KI-Agents sind außerordentlich gut darin, klar spezifizierte Aufgaben auszuführen. Bei einem klaren Spec, definiertem Scope und eindeutigen Erfolgskriterien arbeiten sie schneller und zuverlässiger als jedes Menschenteam. Aber sie sind nicht gut darin zu wissen, ob das Spec stimmt. Sie können nicht sagen, ob ihr das richtige Problem löst. Sie haben keine Möglichkeit zu spüren, dass die beschriebene Architektur zwar clever klingt, aber den Kontakt mit euren echten Nutzern nicht überleben wird.
Das ist menschliches Urteilsvermögen. Es lässt sich nicht automatisieren, verifizieren oder wegskalieren.
So sieht es aus, wenn man diese Frage überspringt. Teams nutzen KI, um schneller zu liefern. Sie produzieren mehr Output — mehr Features, mehr Code, mehr Dokumentation, mehr Specs. Die Durchsatz-Metriken sehen toll aus. Aber der Output bewegt die Nadel nicht bei dem, was wirklich zählt, weil niemand gefragt hat, ob es überhaupt gebaut werden sollte — oder so.
Am Ende steht ein Truckload von Dingen, die technisch korrekt und strategisch falsch sind.
Der CFO sieht die Rechnungen der KI-Tools. Er sieht nicht das Rework, die Pivots, die Features, die geliefert wurden und drei Monate später still deprecated wurden. Er weiß nur, dass der Return nicht zur Investition passt.
Das ist kein Technologieproblem. Es ist ein Workflow-Problem. Konkret: menschliches Urteilsvermögen wird nicht systematisch zum richtigen Zeitpunkt eingeholt — bevor die KI-Agents loslegen.
Wenn über den Markt für KI-Entwicklungstools gesprochen wird, meinen die meisten Produktivität. Schneller liefern. Weniger Boilerplate schreiben. Mehr Tickets schließen.
Das ist ein echter Markt. Aber nicht der wichtigste.
Der wichtigere Markt sind Organisationen, die wollen, dass KI an den richtigen Dingen arbeitet. Nicht nur effizient, sondern effektiv. Teams, die verstehen, dass der Flaschenhals nicht die Code-Generierungsgeschwindigkeit ist — sondern die Entscheidungsqualität vor der Code-Generierung.
Das ist ein anderes Produkt. Es sitzt früher im Workflow, bevor die Agents starten. Es geht darum sicherzustellen, dass das Spec stimmt, die Architektur einer kritischen Prüfung standhält und der Ansatz für die Menschen Sinn ergibt, die den Kontext verstehen, auf den die KI keinen Zugriff hat.
Der Name ist keine Metapher. Ritual Dissent ist eine echte Moderationstechnik — entwickelt von Andrew Cameron und Sonja Blignaut, seit Jahrzehnten in der Organisationsentwicklung eingesetzt.
So läuft eine Live-Session ab. Jemand präsentiert einer Gruppe einen Plan oder Vorschlag. Sobald er fertig ist, dreht er seinen Stuhl um — buchstäblich, physisch — sodass er mit dem Rücken zum Raum sitzt. Die Gruppe verbringt dann mehrere Minuten damit, alles zu benennen, was schiefgehen könnte, jede Annahme, die falsch sein könnte, jede Sorge. Der Präsentator hört zu, kann aber nicht antworten, nicht verteidigen, nicht erklären. Er macht nur Notizen.
Wenn die Gruppe fertig ist, dreht er sich wieder um. Er hat gerade ungefilterte Kritik erhalten — ohne sozialen Druck, sie abzumildern.
Das Ritual löst ein Problem, das jedes Engineering-Team kennt, aber selten benennt: Gruppendynamiken korrumpieren Feedback. In einem normalen Meeting spricht die ranghöchste Person zuerst und verankert den Raum. Menschen formulieren ihre Bedenken zurückhaltend, um Konflikte zu vermeiden. Kritik wird in so viel diplomatisches Polster gewickelt, dass das Signal verloren geht. Die Person, deren Idee es ist, verwendet ihre Energie auf Verteidigung statt auf Zuhören.
Entfernt man diese Dynamiken, entsteht etwas Seltenes: ehrliche, unabhängige Einschätzung von Menschen, die die Domäne kennen.
Das Problem: Ritual-Dissent-Sessions in Präsenz erfordern Koordination, Verfügbarkeit und einen Moderator, der weiß, was er tut. Das skaliert nicht für asynchrone Teams. Und es produziert keinen strukturierten Output, auf den ein KI-Agent direkt reagieren kann.
Das war die Lücke, die ich schließen wollte.
Ich arbeite täglich mit Claude Code. Ich nutze es zum Schreiben von Specs, zum Entwerfen von Systemen, zum Ausarbeiten von Architekturdokumenten und Plänen. Es ist schnell und gut. Aber ich stieß immer wieder auf dasselbe Problem: Claude produzierte etwas Wohlbegründetes und intern Konsistentes, ich teilte es mit Kollegen und stellte fest, dass drei Personen drei verschiedene Bedenken hatten, die wir alle nicht artikuliert hatten — Bedenken, die den Ansatz grundlegend verändert hätten, wenn wir sie vor dem Start der Agents hätten.
Die Kosten dieser Entdeckung spät im Prozess sind hoch. Die Kosten, sie zu entdecken bevor eine einzige Zeile Implementierungscode geschrieben wird, liegen nahe null.
Ich brauchte einen Weg, Ritual Dissent asynchron durchzuführen — in der Geschwindigkeit eines KI-gestützten Workflows — und den Output in einer Form zurückzubekommen, auf die Claude direkt reagieren kann. Kein Scheduling, kein Moderationsaufwand, kein Meeting. Nur: Hier ist, was wir planen zu bauen — sag mir, was daran falsch ist.
Ritual Dissent ist eine Feedback-Schicht für KI-generierte Dokumente. Du führst /ritualdissent in Claude Code aus. Es durchsucht dein Projekt nach Markdown- und HTML-Dateien — Specs, Pläne, Architekturdokumente, alles Textbasierte — lädt sie in eine geteilte Lesesession hoch und gibt dir einen Link.
Du sendest diesen Link an alle, die ihn sehen müssen. Sie öffnen ihn im Browser, lesen die Dokumente und können jede Passage, zu der sie etwas sagen wollen, markieren und kommentieren oder direkt eine Änderung vorschlagen. Kein Account erforderlich.
Entscheidend: Reviewer können die Antworten der anderen nicht sehen, während sie schreiben. Das ist der Dissent-Teil — jedes Feedback ist unabhängig, nicht verankert durch das, was jemand anderes zuerst gesagt hat. Man bekommt echtes Signal statt Konsens, der durch die erste Meinung geformt wurde.
Wenn die Feedback-Runde endet, führst du /ritualdissent feedback in Claude Code aus. Claude liest alle Antworten, synthetisiert sie zu nummerierten Action Items und geht sie mit dir durch. Du entscheidest, was du umsetzt. Akzeptierte Vorschläge werden direkt in deine Dateien übernommen.
Der gesamte Loop — vom Teilen eines Specs bis zum Handeln des KI-Agents auf das menschliche Feedback — dauert weniger als ein Meeting.
Es geht nicht darum, KI zu verlangsamen. Es geht darum, sie richtig zu steuern.
Ein KI-Agent, der auf einem schlechten Spec arbeitet, produziert schlechten Output sehr effizient. Ein KI-Agent, der auf einem Spec arbeitet, der eine ordentliche menschliche Feedback-Runde durchlaufen hat, produziert guten Output sehr effizient. Der Unterschied in der Output-Qualität ist enorm. Die Kosten der Feedback-Runde sind gering.
Jeder Engineering Lead, mit dem ich darüber gesprochen habe, hatte dieselbe Reaktion: Sie kennen das Problem. Sie haben den teuren Pivot erlebt, das Feature, das niemand wollte, die Architektur, die auf dem Papier Sinn ergab und in der Produktion auseinanderfiel. Sie hatten nur keinen leichtgewichtigen Weg, das systematisch zu verhindern.
Das ist die Wette hinter Ritual Dissent: dass menschliches Urteilsvermögen, zum richtigen Zeitpunkt angewendet, der Hebel mit der höchsten Wirkung ist, um KI in der Praxis zum Funktionieren zu bringen. Nicht leistungsfähigere Modelle. Nicht bessere Prompts. Nur: Haben die richtigen Menschen das angeschaut, bevor die Agents losgelegt haben?
Ritual Dissent ist für die erste Session kostenlos. Hier ausprobieren.
Gedanken dazu? Findet mich auf Bluesky.