Mehr KI, weniger Umsetzung? Wie Führungskräfte die Execution Gap im Zeitalter agentischer KI schließen

Eine Frage beschäftigt fast jede Organisation:

Warum verlieren Teams so viel Leistung – und was können Führungskräfte dagegen tun?

Die Antwort passt in einen Satz:

Ein erheblicher Teil der Performance geht durch Konflikte und Reibungsverluste verloren, die aus fehlender Klarheit entstehen – auf drei Ebenen zugleich:

• der Systemarchitektur,
• den Kommunikationsschleifen,
• der Psychologie der Beteiligten.

Dieses Zusammenspiel lässt sich als Execution Gap beschreiben: die Lücke zwischen dem, was eine Organisation strategisch erreichen will, und dem, was sie operativ tatsächlich umsetzt.

Mit agentischer KI kommt eine neue Frage hinzu:

Was passiert mit dieser Lücke, wenn ein Teil der Ausführung nicht mehr von Menschen, sondern von KI-Agenten übernommen wird, die selbstständig planen, entscheiden und handeln?

Die kurze Antwort:

Sie wird nicht kleiner. Sie wird größer, schneller – und sie trifft alle drei Ebenen gleichzeitig.

Wenn die Maschine mitentscheidet

Gartner prognostiziert, dass mehr als 40 Prozent der agentischen KI-Projekte bis Ende 2027 eingestellt werden könnten. Als mögliche Gründe nennt Gartner steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrolle. Das ist eine Prognose, kein empirischer Ist-Wert.

Eine neuere Gartner-Analyse präzisiert den letzten Punkt: Organisationen verwechseln häufig die Fähigkeit eines Agenten zu handeln mit seiner Berechtigung dazu. Eine binäre Governance – entweder vollständige Kontrolle oder vollständiges Vertrauen – kann zum Scheitern von Agentensystemen beitragen.

Zu strenge Regeln bremsen einfache Agenten aus und fördern möglicherweise Schattenlösungen. Zu lockere Kontrollen erhöhen dagegen operative und sicherheitsbezogene Risiken.

Das ist, in anderen Worten, exakt die Systemarchitektur-Ebene der Execution Gap:

Unklare Rollen und Prozesse machen jede Entscheidung zum Kraftakt – nur handelt jetzt ein Akteur in Millisekunden, statt in Meetings zu zögern.

Die 10-20-70-Regel: Wohin das Budget fließt – und wohin es gehört

Dass KI-Vorhaben selten an der Technik scheitern, zeigt auch eine Empfehlung der Boston Consulting Group. BCG verteilt den Aufwand in KI-Transformationen nach der sogenannten 10-20-70-Regel:

• 10 % Algorithmen und Modelle,
• 20 % Technologie und Daten,
• 70 % Menschen und Prozesse.

BCG-CEO Christoph Schweizer fasst die 70 % noch etwas weiter: Menschen, Prozesse, Anreize, Führung und Kultur. Die Unternehmen, die BCG zu den KI-Vorreitern zählt, erzielen laut BCG mehr als die doppelte Rendite auf ihre KI-Investitionen – und folgen genau diesem Prinzip. Die Prozentwerte sind eine Faustregel, kein Naturgesetz. Die Richtung stimmt trotzdem.

In der Praxis läuft es meist umgekehrt. Technik lässt sich ausschreiben, budgetieren und vorzeigen. Eine neue Plattform ist ein sichtbares Ergebnis. Geklärte Verantwortlichkeiten oder ein sauberer Prozess sind es nicht. Also landet das Geld dort, wo es sich leicht rechtfertigen lässt – und nicht dort, wo der Nutzen entsteht.

Was BCG unter den 70 % zusammenfasst, deckt sich weitgehend mit den drei Ebenen der Execution Gap. Konkret bedeutet das:

• Prozesse klären, bevor automatisiert wird. Meine Reihenfolge: erst eliminieren, dann optimieren, dann standardisieren, dann automatisieren.
• Entscheidungslogik explizit machen: Was die KI vorbereitet, muss jemand verantworten.
• Rollen neu schneiden: Wer prüft, wer entscheidet, wer eskaliert?
• Kompetenz im Arbeitsalltag aufbauen, nicht nur im Schulungsraum.
• Führung, die KI selbst nutzt, statt sie nur zu beauftragen.

Daraus folgt eine unbequeme Konsequenz: Wenn das beste Modell auf einen ungeklärten Prozess trifft, gewinnt der Prozess. Der Business Case für agentische KI muss die 70 % deshalb von Tag eins an enthalten – mit eigenem Budget, eigener Verantwortung und eigenen Kennzahlen.

Kommunikationsschleifen werden unsichtbarer

Die zweite Ebene verschärft sich auf eine andere Art: die Kommunikationsschleifen.

Zwischen Menschen entstehen Erwartungen im Gespräch – auch unausgesprochene. Sie können im weiteren Verlauf geklärt, korrigiert oder neu verhandelt werden.

Ein KI-Agent kann ebenfalls Rückfragen stellen, Unsicherheit markieren oder eine Freigabe einholen. Aber nur, wenn diese Möglichkeiten in seinem Prozess ausdrücklich vorgesehen sind.

Was nicht als Kontext, Regel, Ausnahme oder Eskalationsweg gestaltet wurde, wird möglicherweise nicht berücksichtigt.

Die Kommunikationsschleife verschwindet also nicht. Sie wird in Prompts, Workflows, Berechtigungen und Systemlogik verlagert.

Die psychologische Ebene

Die dritte und tieferliegende Ebene ist die Psychologie der Beteiligten.

Hier geht es nicht um Strukturen und Zuständigkeiten, sondern um das, was Menschen in sich tragen: Motivation, Haltung, Selbstführung und die Fähigkeit, auch unter Druck klar zu denken und offen zu kommunizieren. Verhalten lässt sich vereinfacht als Produkt beschreiben – aus Gesundheit, Fähigkeiten, Motivation, Absicht und Mindset. Weil es ein Produkt ist, genügt ein Faktor nahe null, und das Ergebnis kippt. Dann hilft auch die beste Systemarchitektur wenig.

Agentische KI wirkt auf mehrere dieser Faktoren zugleich:

• Motivation: Intrinsische Motivation speist sich aus dem Erleben, etwas zu können und etwas Bedeutsames beizutragen. Übernimmt ein Agent genau die Aufgaben, an denen Menschen ihre Kompetenz erleben, kann diese Quelle versiegen.
• Mindset: Wer überzeugt ist, dass sich Fähigkeiten entwickeln lassen – Carol Dweck spricht vom Growth Mindset –, erlebt KI eher als Lernfeld. Wer Fähigkeiten für festgelegt hält, erlebt sie eher als Bedrohung.
• Selbstführung: Mit KI zu arbeiten verlangt, die eigene Aufmerksamkeit, die eigenen Gedanken und Emotionen zu steuern – gerade dann, wenn die Maschine schneller und scheinbar sicherer wirkt als man selbst.
• Kommunikationsfähigkeit: Je mehr Arbeit zwischen Mensch und Maschine verteilt ist, desto wichtiger wird es, Zweifel, Nichtwissen und Widerspruch offen auszusprechen.

Hinzu kommt: Unter Stress sinkt die Fähigkeit, neue Informationen aufzunehmen und kreativ zu entscheiden. Menschen greifen dann auf eingeübte Muster zurück, statt die Lage neu zu bewerten. Die Unsicherheit, die KI auslöst, ist genau ein solcher Stressor.

In meiner Arbeit mit Unternehmen erlebe ich die Einführung von KI derzeit oft als zögerlich. Häufig wird eine Mitarbeiterin oder ein Mitarbeiter auserkoren, die Sache „mal in die Hand zu nehmen“. Chefsache ist KI selten. Manche Führungskräfte – gerade erfahrene – halten bewusst Abstand zur Technik. Veränderungswille, permanentes Lernen und dienende Führung im Sinne von Servant Leadership sind noch immer die Ausnahme.

Die Gründe sind selten technisch. Es sind die Faktoren dieser Ebene: die Angst, den eigenen Arbeitsplatz zu verlieren, die Sorge, dass Kompetenzlücken sichtbar werden, und die Scheu, Herrschaftswissen abzugeben, das bislang Status und Sicherheit gesichert hat.

Dass das kein Einzelbild ist, zeigen zwei aktuelle Erhebungen aus Deutschland: der Gallup Engagement Index 2025 und eine Studie der Goethe-Universität Frankfurt. Beide machen auch deutlich, wie sehr es auf die direkte Führungskraft ankommt.

Laut Gallup nutzen 48 Prozent der Beschäftigten KI regelmäßig – 2023 waren es 14 Prozent. Aber nur 21 Prozent der Beschäftigten in Unternehmen, die KI einsetzen, stimmen voll zu, dass ihre Führungskraft diesen Einsatz aktiv unterstützt. Nur 20 Prozent sehen gute Möglichkeiten, sich für die neuen technologischen Anforderungen weiterzubilden. Gleichzeitig halten 16 Prozent es für wahrscheinlich, dass KI ihren Arbeitsplatz innerhalb der nächsten fünf Jahre gefährdet. 2018 waren es 7 Prozent.

Die Frankfurter Studie, gemeinsam mit dem DFKI, der F.A.Z. und Groß & Cie. unter mehr als 1.000 Beschäftigten durchgeführt, zeigt, warum das zählt: Wer die eigene Führungskraft als digital kompetent und als identitätsstiftend erlebt, steht KI offener gegenüber. Entscheidet die KI dagegen allein, sinkt die Akzeptanz – sogar bei positiven Entscheidungen wie einer Bonuserhöhung. Und Führungskräfte bewerten KI durchweg positiver als ihre Mitarbeitenden.

Diese Lücke zwischen Führungs- und Mitarbeiterperspektive schließt kein Tool. Sie schließt sich – oder eben nicht – im Alltag zwischen Führungskraft und Team.

Genau hier beginnt die eigentliche Führungsfrage dieses Jahrzehnts:

Wie schaffen Führungskräfte eine Umgebung, in der Menschen die Fähigkeiten von KI nutzen, ohne ihr eigenes Urteil an sie abzugeben?

Wenn die KI zur Mehrheitsmeinung wird

Die Antwort beginnt mit einem nüchternen Blick auf unser Gehirn. Es ist kein neutraler Rechner, sondern ein zutiefst soziales Organ. Zwei seiner Grundmuster werden im Umgang mit KI zur Falle.

Erstens vertrauen wir Werkzeugen reflexhaft. Den Tacho oder den Taschenrechner hinterfragen wir kaum – zu Recht, denn sie rechnen deterministisch. Ein Sprachmodell arbeitet dagegen mit Wahrscheinlichkeiten. Es kann irren und dabei völlig überzeugt klingen.

Zweitens orientieren wir uns an der Mehrheit. In den klassischen Konformitätsexperimenten von Solomon Asch schlossen sich die Versuchspersonen in rund einem Drittel der Antworten einem offensichtlich falschen Gruppenurteil an. Abzuweichen fühlt sich unsicher an. Das Gehirn bewertet drohende Ausgrenzung als Bedrohung, und unter dieser Anspannung wird klares Denken schwerer.

Im Meeting übernimmt die KI zunehmend die Rolle dieser Mehrheit. Der Gedanke lautet dann nicht mehr „Die anderen sehen das anders“, sondern „Wenn das System zu diesem Ergebnis kommt, liegt mein Einwand vermutlich falsch“. Auch Erklärungen helfen nur bedingt: Der Psychologe Markus Langer weist darauf hin, dass plausibel klingende KI-Erklärungen auch blindes Vertrauen erzeugen können, statt die kritische Prüfung zu erleichtern.

Widerspruch gegen eine KI-Empfehlung ist deshalb keine Frage einer Governance-Regel. Er ist eine Frage der psychologischen Sicherheit – und die stellt in erster Linie die direkte Führungskraft her. Konkret heißt das:

• Erst die eigene Einschätzung, dann das KI-Ergebnis. Wer zuerst die Empfehlung sieht, denkt in ihr weiter.
• Begründeten Widerspruch ausdrücklich würdigen – auch dann, wenn sich die KI am Ende als richtig erweist.
• Unterschiedliche Perspektiven bewusst an den Tisch holen. Ein vielfältiges Team ist das beste Korrektiv gegen gemeinsame blinde Flecken, menschliche wie maschinelle.
• Eine Meinungsänderung als Stärke behandeln, nicht als Gesichtsverlust.

Warum reine Fachexpertise nicht mehr ausreicht

Ein KI-Agent wird nicht automatisch in einer gesamten Domäne besser sein als ein Fachspezialist. Bei klar abgegrenzten, wiederholbaren und gut messbaren Aufgaben kann er jedoch schon heute schneller und konsistenter arbeiten als viele Menschen.

Gartner prognostiziert, dass bis 2028 mindestens 15 Prozent der alltäglichen Arbeitsentscheidungen autonom durch agentische KI getroffen werden könnten. Gemeint sind vor allem standardisierbare Entscheidungen innerhalb klar abgegrenzter Prozesse – nicht automatisch strategische oder personalbezogene Entscheidungen.

Damit wird Fachwissen nicht wertlos. Aber sein Schwerpunkt verschiebt sich:

Nicht mehr die reine Routinelösung steht im Mittelpunkt, sondern Kontextverständnis, Urteilskraft und Verantwortung.

Die entscheidende Frage lautet dann nicht mehr nur:

Wer weiß am meisten in seinem Fach?

Sondern:

Wer erkennt, wie IT, Recht, Ethik, Prozess und Mensch in diesem konkreten Fall zusammenhängen, bevor ein Agent handelt?

Die stille Erosion: Urteilskraft und Nachwuchs

Hier liegt eine Herausforderung, die in vielen KI-Strategien fehlt. Urteilskraft entsteht durch Übung. Genau diese Übung nimmt uns KI zunehmend ab.

Subramanya, Krishnan und Azad beschreiben in einer Studie mit 143 Wissensarbeitenden aus fünf Ländern ein „Complementarity Paradox“: Intensive Nutzung generativer KI ging mit stärkerer Abhängigkeit einher, und diese wiederum mit einem wahrgenommenen Verlust beruflicher Fähigkeiten. Die Autoren sagen ausdrücklich nicht, dass KI zwangsläufig Kompetenz kostet. Aber aus einer hilfreichen Ergänzung kann schleichend eine einseitige Abhängigkeit werden.

Das hat eine unbequeme Konsequenz: Wer KI-Ergebnisse prüfen soll, braucht Fachwissen. Dieses Fachwissen verkümmert aber, wenn die KI genau die Arbeit übernimmt, an der es entsteht.

Dasselbe gilt für Intuition. Was erfahrene Führungskräfte als Bauchgefühl erleben, ist verdichtete Erfahrung: Muster, die sich über Jahre eingeprägt haben und in Sekunden abgerufen werden. Daniel Kahneman und Gary Klein haben gemeinsam herausgearbeitet, wann solche Intuition verlässlich ist: in einem Umfeld mit wiederkehrenden Mustern und nach langer Übung mit unmittelbarer Rückmeldung. Übernimmt die KI genau diese Übung, fehlt später die Erfahrung, aus der Intuition entsteht.

Für den Mittelstand stellt sich diese Frage besonders scharf beim Nachwuchs. Annabelle Hofer weist darauf hin, dass Unternehmen klären müssen, wie sie Menschen ausbilden, wenn Einstiegsaufgaben von KI übernommen werden. Wo sollen künftige Fach- und Führungskräfte ihre ersten Berufsjahre sammeln – und ihr Urteil schärfen?

Führung muss deshalb neben der Frage „Was können wir automatisieren?“ eine zweite stellen: Welche Aufgaben behalten wir bewusst beim Menschen, weil dort Urteilskraft entsteht? Das ist kein Bremsen. Es ist die Voraussetzung dafür, dass auch in zehn Jahren noch jemand im Unternehmen ist, der einer KI begründet widersprechen kann.

Das heißt übrigens nicht, dass Fachwissen in der Führung zweitrangig wird. Forschung von Amanda Goodall und Kollegen zeigt, dass Beschäftigte zufriedener sind, wenn ihre Führungskraft die Arbeit des Teams fachlich versteht. Goodall betont zugleich, dass Fachexpertise allein noch keine gute Führung macht. Fachwissen reicht nicht. Ohne Fachwissen geht es aber auch nicht.

Was Führung im KI-Zeitalter ausmacht

Für diese Anforderungen wird gern der Begriff der Polymathie bemüht: Breite des Wissens, Tiefe und vor allem Integration, also die Fähigkeit, Wissen aus verschiedenen Feldern zu verbinden. Der Begriff ist hilfreich, solange er nicht zum nächsten unerreichbaren Idealbild wird. Michael Araki unterscheidet deshalb zwischen der polymathen Führungskraft und polymathischer Führung: Es geht nicht um den Universalgelehrten an der Spitze, sondern darum, Breite, Tiefe und Vernetzung des Wissens im Team zu fördern. Aufschlussreich ist auch Aksinya Staars Frage, ob KI selbst ein Polymath ist. Sie zitiert Ethan Mollick, der Sprachmodelle als „vergessliche Füchse“ beschreibt: Sie wissen viele Dinge, aber unvollkommen. Breite allein ist noch keine Urteilskraft.

Jochen Trockle hat es kürzlich treffend zugespitzt: Die vollkommene Führungskraft gibt es kaum. Entscheidend ist, ob jemand die eigenen Muster kennt und steuern kann. Darauf baut auf, was Führung im KI-Zeitalter konkret ausmacht. Vier Fähigkeiten stehen im Vordergrund.

1. Integrieren statt alles selbst wissen

Die Führungskraft muss nicht jedes Fachgebiet beherrschen. Sie muss erkennen, welche Perspektiven für eine Entscheidung relevant sind, die richtigen Fachleute zusammenbringen und zwischen IT, Compliance, Fachbereich und Mensch übersetzen. Eine angemessene Governance kann sie anstoßen und moderieren. Entwerfen sollte sie sie nicht allein, sondern gemeinsam mit Fachbereichen, IT, Datenschutz, Informationssicherheit, Recht und den betroffenen Mitarbeitenden.

2. Muster erkennen – und die Abweichung

KI erkennt statistische Muster in großen Datenmengen schneller und genauer als jeder Mensch. Die menschliche Stärke liegt woanders: im Kontext, in sozialen Signalen und vor allem im Gespür dafür, dass eine Situation gerade nicht ins Muster passt. Der Kunde, der formal zufrieden ist und trotzdem abspringen wird. Die Kennzahl, die stimmt und dennoch ein falsches Bild zeichnet. Genau diese Abweichung kann ein Modell, das aus der Vergangenheit gelernt hat, leicht übersehen.

3. Die eigenen Muster kennen und steuern

Unter Druck übernimmt der Autopilot. Jede Führungskraft hat Muster, die sich einmal bewährt haben und heute automatisch ablaufen. Agentische KI verstärkt sie, oft unbemerkt:

• Wer dazu neigt, alles selbst zu retten, prüft jedes KI-Ergebnis persönlich nach und wird zum Engpass.
• Wer dazu neigt, alles abzusichern, lässt sich noch eine Analyse erstellen und dann noch eine. Mit KI wird Absichern fast kostenlos – entschieden wird trotzdem nicht.
• Wer Konflikte meidet, versteckt sich hinter der Maschine: „Das System hat so entschieden.“

Diese Muster fühlen sich meist nicht wie ein Problem an, sondern wie Verantwortung, Gründlichkeit oder Fürsorge. Deshalb ist Selbstkenntnis keine weiche Zusatzqualifikation. Sie ist die Voraussetzung dafür, Entscheidungsspielräume tatsächlich abzugeben, statt sie nur formal zu delegieren und im Zweifel wieder an sich zu ziehen. Wer die eigenen Muster kennt, sieht in einem leistungsfähigen Agenten keine Konkurrenz, sondern ein Werkzeug, das sich in den richtigen Kontext einordnen lässt.

4. Intuition und Analyse verbinden

Intuition ist nicht unfehlbar. Sie beruht auf Abkürzungen und unterliegt Verzerrungen. Analyse allein greift aber ebenfalls zu kurz, gerade bei unvollständiger Information. Bewährt hat sich ein Dreischritt: den ersten intuitiven Impuls wahrnehmen, die Fakten analysieren und das Ergebnis am Ende noch einmal mit der Intuition abgleichen. Die Analyse kann zunehmend die Maschine übernehmen. Der erste und der letzte Schritt bleiben beim Menschen – und genau dort entsteht Urteilskraft.

Keine dieser vier Fähigkeiten ist eine Frage von Talent oder Biografie. Alle lassen sich trainieren – aber nur, wenn man sie bewusst trainiert.

Empowerment und psychologische Sicherheit

Hier verbinden sich diese Fähigkeiten mit dem, was in der Führungsforschung als Empowering Leadership beschrieben wird: Sinn vermitteln, Vertrauen ausdrücken, Autonomie ermöglichen und Hürden abbauen.

Psychologisches Empowerment wird in der Forschung unter anderem über Sinn, Kompetenz, Selbstbestimmung und Einfluss beschrieben.

Wer diese Dimensionen in der Führung ernst nimmt, schafft eher eine Umgebung, in der Mitarbeitende auch einer scheinbar präzisen KI-Empfehlung widersprechen, wenn ihr eigenes Urteil etwas anderes sagt.

Nicht jeder Vorbehalt gegen KI ist mangelnde Veränderungsbereitschaft. Oft stehen konkrete, berechtigte Fragen dahinter, auf die bisher niemand eine Antwort gegeben hat: Wer haftet, wenn der Agent einen Fehler macht? Wird meine Leistung künftig an der Maschine gemessen? Mit welchen Daten arbeitet das System – auch mit meinen? Kann ich eine Entscheidung des Agenten korrigieren? Und wie arbeiten wir weiter, wenn er ausfällt?

Wer diese Fragen offen beantwortet, baut Widerstand ab. Wer sie übergeht und stattdessen fehlende Veränderungsbereitschaft beklagt, verstärkt ihn.

Ohne psychologische Sicherheit bleibt jede Steuerungsarchitektur graue Theorie. Niemand wird sie im Ernstfall nutzen, wenn Widerspruch als Störung gilt.

Erst wer, dann was und wie

Meine Erkenntnis nach 40 Jahren Berufserfahrung, Executive Search, Diagnostik, Lehre und Coaching:

Erst wer, dann was und wie – auf Basis von warum!

Agentische KI ändert an dieser Reihenfolge nichts. Sie macht sie dringlicher.

Am Anfang steht das Warum: der Purpose eines Unternehmens. Er beschreibt den übergeordneten gesellschaftlichen Sinn und die Haltung des Unternehmens gegenüber Umwelt und Gesellschaft – und damit seine Daseinsberechtigung. Zusammen mit Vision, Mission und Werten bildet er das Leitbild, an dem sich jede strategische Entscheidung messen lassen muss.

KI gehört nicht auf diese Ebene. Sie ist ein Instrument der Automatisierung: Sie verändert, was wir tun und wie wir es tun – nicht, warum. Gerade deshalb braucht sie einen Rahmen, der vor ihr steht. Ein Agent, der schneller und günstiger arbeitet, aber gegen die Werte des Unternehmens handelt, schließt keine Lücke. Er reißt eine neue auf.

Dann folgt das Wer. Performance entsteht durch Verhalten, und Verhalten speist sich in erster Linie aus Fähigkeiten und Motivation. Deshalb entscheidet zuerst die Besetzung: Wer kann das Unternehmen durch die Transformation führen und die Zusammenarbeit von Mensch und KI so gestalten, dass die Wettbewerbsfähigkeit steigt? Wer bringt die Urteilskraft, die Selbstführung und die Motivation mit, KI-gestützte Prozesse zu gestalten und zu verantworten? Kein Regelwerk gleicht eine Fehlbesetzung aus.

Erst danach kommen das Was und das Wie – und damit auch der Einsatz der KI und ihre Spielregeln:

• Was darf eine Maschine allein tun?
• Wo braucht sie eine Freigabe?
• Welche Grenzen gelten?
• Was löst einen sofortigen Stopp aus?

Diese Regeln sind wichtig. Aber sie sind nur so gut wie die Menschen, die sie entwerfen, anwenden und im Zweifel außer Kraft setzen.

Wer diese Verantwortung trägt, ist selten die engste Spezialistin oder der versierteste Techniker im Raum. Es ist die Person, die Silos auflöst und Disziplinen vereint, die eigene Unsicherheit als Antrieb zum Lernen erlebt und ihre wichtigste Aufgabe nicht darin sieht, die klügste Stimme im Raum zu sein – sondern darin, eine Bühne zu bauen, auf der Menschen und, innerhalb klarer Leitplanken, auch Maschinen ihre Stärken ausspielen.

Wer im Unternehmen konkret die Rechenschaft trägt, wenn ein Agent gehandelt hat, und welche Sorgfaltspflichten Geschäftsführung und Vorstand dabei im Blick behalten sollten, habe ich in „Wer führt die KI?“ beschrieben.

Ob sich die Execution Gap schließt, entscheidet nicht die KI. Das entscheidet, wer führt: Menschen, die wissen, warum sie handeln, und Verantwortung übernehmen. Menschen, die KI als Hebel für die Leistungsfähigkeit des Unternehmens mitdenken, die Transformation selbst vorleben und ihre Mitarbeitenden in diesen Prozess einbinden.

Nehmen Sie die Fragen nach Warum, Wer, Was und Wie in Ihre nächste Geschäftsführungs- oder Strategiesitzung zum Thema KI mit: Sie lassen sich direkt auf Ihr Unternehmen anwenden.

Wo liegt in Ihrer Organisation aktuell die größte Lücke – in der Systemarchitektur, der Kommunikation oder der Psychologie?

Wenn Sie das Thema für sich oder Ihr Führungsteam vertiefen möchten, schreiben Sie mir direkt: walter@fawalter.com

---

Quellen

• Araki, M. E. (2015, überarbeitet 2018): Polymathic Leadership: Theoretical Foundation and Construct Development. Masterarbeit, PUC-Rio. DOI: 10.2139/ssrn.3166622.
• Artz, B., Goodall, A. H. & Oswald, A. J. (2017): Boss Competence and Worker Well-Being. ILR Review, 70(2).
• Asch, S. E. (1956): Studies of Independence and Conformity. Psychological Monographs, 70(9).
• Boston Consulting Group: Artificial Intelligence at Scale – der 10-20-70-Ansatz. bcg.com/capabilities/artificial-intelligence.
• Dweck, C. S. (2006): Mindset: The New Psychology of Success. New York: Random House.
• Gallup (2026): Engagement Index Deutschland 2025.
• Gartner (2024): Gartner Identifies the Top 10 Strategic Technology Trends for 2025. Pressemitteilung, Oktober 2024.
• Gartner (2025): Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Pressemitteilung, 25.06.2025.
• Gartner (2026): Gartner Says Applying Uniform Governance Across AI Agents Will Lead to Enterprise AI Agent Failure. Pressemitteilung, 26.05.2026.
• Goethe-Universität Frankfurt (CLBO), DFKI, F.A.Z.-Digitalwirtschaft & Groß & Cie. (2025): KI-Entscheidungen und Vertrauen. Befragung von mehr als 1.000 Beschäftigten.
• Hofer, A. (2026): KI und die Angst um den Job – Was Beschäftigte tun können. Wirtschaftspsychologie aktuell, 26.08.2026.
• Kahneman, D. & Klein, G. (2009): Conditions for Intuitive Expertise: A Failure to Disagree. American Psychologist, 64(6).
• Langer, M. (2026): Wofür braucht es erklärbare Künstliche Intelligenz? Wirtschaftspsychologie aktuell, 01.04.2026.
• Lee, A., Willis, S. & Tian, A. W. (2018): Empowering Leadership: A Meta-Analytic Examination of Incremental Contribution, Mediation, and Moderation. Journal of Organizational Behavior, 39(3).
• Schweizer, C. (2025): What It Takes to Win with AI. BCG Weekly Brief, 22.01.2025.
• Spreitzer, G. M. (1995): Psychological Empowerment in the Workplace. Academy of Management Journal, 38(5).
• Staar, A. (2024): Future of Work: From Industrial to Polymath Mindset. Independently published.
• Samoylova (Staar), A. (2023): Why Polymaths? How Multi-Specialists Revolutionize the Way We Learn, Work and Live. Independently published.
• Subramanya, S., Krishnan, S. & Azad, N. (2026): The Complementarity Paradox: Human-AI Collaboration, Overreliance, and Skill Decline in Entrepreneurial Contexts. Information Systems Frontiers.
• Trockle, J. (2026): Die Suche nach der vollkommenen Führungskraft. LinkedIn, 10.09.2026.
• Walter, F. A. (2026): Wer führt die KI? Erst wer, dann was und wie – auf Basis von warum. LinkedIn.

Frank A. Walter – Executive Coach und Sparringspartner für Geschäftsführer, CHROs und Führungskräfte im DACH-Mittelstand. F.A. Walter Consulting, Bad Dürkheim · walter@fawalter.com · www.fawalter.com