Situational Awareness
Summary:
KI ist kein weiteres Tool, sondern ein Stresstest für Organisationen. In den nächsten fünf Jahren entscheidet sich, ob Unternehmen Arbeit konsequent neu organisieren – oder unter Komplexität, Koordination und veralteten Strukturen zusammenbrechen.
Situational Awareness bedeutet: die eigene Lage realistisch zu sehen, Entwicklungen nicht zu verdrängen und heute Entscheidungen zu treffen, die in 24–60 Monaten noch tragen.
Ausgangslage
Viele Führungskräfte spüren, dass sich gerade etwas verschiebt. Nicht nur technologisch. Sondern strukturell. Meetings fühlen sich zäher an. Abstimmungen werden mehr, nicht weniger. Entscheidungen dauern länger. Gleichzeitig wird das Grundrauschen rund um Künstliche Intelligenz lauter und aufdringlicher:
Pilotprojekt hier, KI‑Arbeitsgruppe dort – oder es soll ein externer Berater „richten“. Und da ist dieser leise Verdacht, dass hier etwas Größeres im Gange ist. Kein weiterer Managementtrend, wie viele noch hoffen.
Das Paper „Situational Awareness – The Decade Ahead“ von Leopold Aschenbrenner ist in diesem Kontext so relevant, weil es diese diffuse Wahrnehmung in eine klare Logik übersetzt. Nicht, weil KI „immer schlauer“ wird – sondern weil sich kognitive Arbeit erstmals grundlegend anders organisieren lässt.
Das ist kein Zukunftsszenario. Das ist ein Lagebericht.
Situational Awareness
Situational Awareness bezeichnet die Fähigkeit, die eigene Lage realistisch zu erfassen, zu verstehen, was gerade tatsächlich passiert – und daraus bessere Entscheidungen abzuleiten.
Nicht abstrakt. Nicht theoretisch. Sondern konkret, im Moment, unter Unsicherheit. Der Begriff stammt ursprünglich aus dem Militär. Dort bedeutet er schlicht: Wer die Lage falsch einschätzt, entscheidet falsch – egal wie gut die eingesetzte Technik ist.
In der klassischen Definition (dem sogenannten Endsley‑Modell) unterscheidet man drei Ebenen:
Wahrnehmen: Was passiert gerade wirklich?
Verstehen: Was bedeutet das für mich, mein System oder meine Organisation?
Antizipieren: Was passiert als Nächstes, wenn ich nichts ändere?
Leopold Aschenbrenner ist auffallend jung ( 23 Jahre) für die Tragweite seiner Analyse. Er war bei OpenAI tätig und verbindet technische Tiefe mit einem ungewöhnlich strategischen Blick auf die nächsten Entwicklungsstufen von KI.
Gerade diese Kombination – jung, nah an den führenden Modellentwicklern und gleichzeitig mit klarem Macht- und Organisationsverständnis – erklärt, warum sein Paper im Silicon Valley so ernst genommen wird. Es wirkt weniger wie eine akademische Arbeit, sondern wie ein Frühwarnsystem für Entscheider.
Zeitlinien: Was realistisch auf Unternehmen zukommt
Phase 1 (2024 - 2026 ): Vom KI‑Experiment zur operativen Realität
Auch wenn wir uns kalendarisch im Jahr 2026 bewegen, befinden sich viele Organisationen organisatorisch noch immer in der ersten Phase der KI‑Adoption. Die Technologie ist weiter – die Strukturen sind es oft nicht.
KI ist heute stabiler, günstiger und verlässlicher als noch vor zwei Jahren. Der Fokus hat sich von einzelnen Modellen hin zu Workflows, Integrationen und klar abgegrenzten Agenten verschoben. Erste Systeme erledigen Aufgaben selbstständig, zuverlässig und rund um die Uhr.
Und doch bleibt der große Durchbruch in vielen Unternehmen aus.
Was technologisch längst Realität ist:
KI arbeitet stabil, skalierbar und kostengünstig.
Der Fokus liegt auf Workflows statt auf Einzeltools.
Agenten übernehmen klar umrissene Aufgaben selbstständig.
Was viele Unternehmen weiterhin erleben:
Eine Vielzahl an Pilotprojekten, die oft scheitern (90% laut mit Studie),
Kaum messbare Produktivitätsgewinne.
Überlastete Teams, weil KI zusätzlich zur bestehenden Arbeit kommt.
Der typische Reflex lautet noch immer: „Wir müssen unsere Mitarbeitenden besser schulen.“ Doch das greift zu kurz. Das eigentliche Problem ist selten mangelnde Kompetenz – sondern zu komplexe, fragmentierte und politisierte Prozesse. KI beschleunigt diese Prozesse, macht sie aber nicht automatisch besser.
Führungsaufgabe dieser Phase: Nicht „KI einführen“, sondern Arbeit neu schneiden. Erst vereinfachen. Dann automatisieren.
Phase 2 (2026–2027): Vom Tool zum digitalen Kollegen
Aschenbrenners Kernthese für diese Phase ist klar:
Zwischen heute und 2027 steht ein qualitativer Sprung bevor – vergleichbar mit dem Übergang von GPT‑2 zu GPT‑4, nur diesmal auf Organisationsebene.
KI wird nicht nur schneller oder genauer, sondern arbeitsfähig.
KI erreicht in vielen Bereichen Expertenniveau.
Agenten können planen, Alternativen vergleichen, Fehler erkennen und Ergebnisse iterativ verbessern.
KI arbeitet nicht mehr nur reaktiv, sondern zielorientiert.
Analyse, Vorbereitung und Standardentscheidungen werden maschinell. Der Mensch rückt näher an Entscheidung, Abwägung und Verantwortung.
Arbeit verschiebt sich spürbar. Wissensarbeit wird radikal beschleunigt, Koordination schrumpft, historisch gewachsene Strukturen verlieren ihre Funktion.
Phase 3 (2028–2030): Organisation als Entscheidungssystem
In dieser Phase ist KI keine Anwendung mehr, sondern Infrastruktur. Nicht sichtbar, nicht spektakulär – aber überall wirksam.
KI arbeitet über Tage oder Wochen an komplexen Problemen.
Systeme optimieren Prozesse kontinuierlich.
Produktivität entsteht systemisch, nicht individuell.
Dabei entsteht eine klare Spreizung:
Einfache, klare Organisationen gewinnen. Komplexe, politisierte Organisationen verlieren. Organisationen werden zu Entscheidungssystemen. Nicht, weil Maschinen entscheiden – sondern weil Entscheidungen besser vorbereitet, schneller getroffen und klarer verantwortet werden.
Führungsaufgabe dieser Phase: Sinn, Verantwortung und Richtung geben. Das kann keine Maschine ersetzen.
Von Superintelligenz zur Unternehmensrealität
Aschenbrenner geht bewusst einen Schritt weiter als viele KI‑Debatten. Ihn interessiert nicht primär, was KI heute kann, sondern was passiert, wenn Systeme beginnen, ihre eigenen Fähigkeiten systematisch zu verbessern.
Der kritische Punkt ist dabei kein mystischer Moment namens „AGI“, sondern ein sehr konkreter Übergang:
Wenn KI Forschung, Softwareentwicklung, Analyse und Optimierung zunehmend selbst übernimmt, entsteht ein Beschleunigungseffekt, der sich kaum mehr intuitiv erfassen lässt. Fortschritt wird dann nicht mehr geplant – er kaskadiert.
Führungsteams müssen lernen, nicht in Status‑quo‑Kategorien zu denken, sondern in Zeithorizonten von 24 bis 60 Monaten. Wer fragt, ob KI „schon reif“ ist, stellt die falsche Frage. Entscheidend ist, wie schnell sich Fähigkeitsniveaus verschieben – und wie wenig Zeit Organisationen haben, darauf strukturell zu reagieren.
Was passiert mit White‑Collar‑Arbeit?
In vielen Gespräche mit Unternehmen spüre ich ganz viel Angst, viele Unternehmen kündigen MitarbeiterInnen und viele Knowledgeworker diskutieren, inwieweit White‑Collar‑Arbeit verschwindet oder nicht. Man kann spekulieren und Angst schüren, aber spanned ist einfach mal die Zahlen anzusehen.
Seit Ende 2022 sind in den USA Millionen neue Wissensarbeitsplätze entstanden. Löhne sind gestiegen, besonders gefragt sind Rollen, die technische Kompetenz mit Koordination, Urteilskraft und Verantwortung verbinden.
KI ersetzt keine Berufe im Ganzen, sondern automatisiert Teilaufgaben: Routine, Dokumentation, Analyse, Standardentscheidungen.
Das ist kein Widerspruch, sondern zwei Seiten derselben Medaille.
Je leistungsfähiger KI wird, desto weniger Wert liegt in Ausführung – und desto mehr in Einordnung, Priorisierung und Verantwortung.
Historisch folgt das einem bekannten Muster: Computer haben Büroarbeit nicht zerstört, sondern aufgewertet. KI beschleunigt diesen Effekt – und macht ihn gleichzeitig schmerzhafter für Organisationen, die zu langsam reagieren.
Für österreichische Mittelständler liegt hier der entscheidende Punkt. Die Frage ist nicht, ob KI Jobs kostet oder neue schafft. Die eigentliche Frage lautet:
Sind unsere Organisationen darauf ausgelegt, Arbeit neu zu organisieren?
Können wir Routine konsequent herauslösen und Entscheidungswege verkürzen?
Setzen wir Menschen dort ein, wo Urteilskraft, Kundenverständnis und Verantwortung zählen?
Was Unternehmen konkret tun müssen, um reale KI-Business-Cases zu erzeugen
Erfolgreiche KI-Business-Cases entstehen nicht durch Technologieauswahl, sondern durch drei vorgezogene Führungsentscheidungen:
1. Prozesse radikal zuschneiden – nicht digitalisieren
Unternehmen müssen zuerst entscheiden, welche klar abgegrenzten Arbeitseinheiten vollständig neu gedacht werden (z. B. Angebotsvorbereitung, Wartungsplanung, Kundenanfragen, Reporting).
Nicht der gesamte Prozess wird automatisiert – sondern ein klarer, messbarer Abschnitt.
2. Ergebnisverantwortung neu vergeben
Jeder KI-Use-Case braucht einen menschlichen Owner, der für Ergebnis, Qualität und Eskalation verantwortlich bleibt.
KI liefert Vorschläge, Vorarbeit und Geschwindigkeit – Verantwortung bleibt explizit beim Menschen.
3. KI als dauerhafte Arbeitskraft einplanen
KI wird nicht als Projekt eingeführt, sondern als permanente Ressource behandelt:
mit klaren Aufgaben, Rechten, Budgets und Performance-Kennzahlen.
Erst wenn KI „mitläuft“, entstehen nachhaltige Produktivitätsgewinne.
4. Daten als Organisationsfrage – nicht als IT-Thema
In erfolgreichen KI-Business-Cases werden Daten nicht als Infrastrukturproblem behandelt, sondern als Produktionsfaktor mit klarer Verantwortung.
Drei Muster zeigen sich konsistent:
Datenzugang folgt Entscheidungskompetenz
KI kann nur dort Wirkung entfalten, wo Menschen tatsächlich entscheiden dürfen – und gleichzeitig Zugriff auf die relevanten Daten haben.
Daten, die zwar existieren, aber organisatorisch blockiert sind, erzeugen keinen Business Value.„Good enough“-Daten schlagen perfekte Daten
KI-native Unternehmen warten nicht auf perfekte Datenqualität.
Sie starten mit ausreichend guten Daten, messen Wirkung und verbessern Qualität entlang realer Entscheidungen, nicht entlang theoretischer Datenmodelle.Daten werden am Ergebnis gemessen, nicht an Vollständigkeit
Relevante Daten sind jene, di Entscheidungen beschleunigen, Fehler reduzieren oder Durchlaufzeiten verkürzen oder Kosten oder Risiken senken
Dann sind Produktivitätsgewinne von 20–40 % sind realistisch – aber nur bei klar abgegrenzten, wissensintensiven Tätigkeiten.
Beispiele: KI-Use-Cases mit echtem Business-Hebel
Hoher ROI entsteht dort, wo Entscheidungen häufig, teuer oder langsam sind.
Angebots- & Projektkalkulation: 30–50 % schneller, höhere Trefferquote, weniger Fehlkalkulationen.
Produktions- & Wartungsplanung: Weniger Stillstände, bessere Auslastung, planbare Kosten.
Ersatzteil- & Bestandsmanagement: 15–30 % weniger Lagerbindung, höhere Lieferfähigkeit.
Technischer Kundenservice / After Sales: Schnellere Lösungen, Entlastung von Experten, zufriedenere Kunden.
Qualitäts- & Fehleranalyse: Schnellere Ursachenfindung, weniger Ausschuss, direkte Kostensenkung.
Merksatz:
KI lohnt sich dort, wo sie Entscheidungen beschleunigt – nicht dort, wo sie nur Arbeit automatisiert.
Beispiel - Was KI‑native (AI‑first) Unternehmen anders machen
KI‑native Unternehmen verstehen Künstliche Intelligenz nicht als Zusatztool, sondern als selbstverständlichen Teil ihrer Arbeits‑ und Entscheidungslogik. KI wird nicht „eingeführt“, sondern von Beginn an in Prozesse, Rollen und Verantwortlichkeiten integriert.
Sechs Muster zeigen sich immer wieder:
Arbeitseinheiten statt Jobs – Fokus auf Tätigkeiten, Reibung und Durchlaufzeiten.
Agenten statt Tools – KI arbeitet asynchron mit klaren Aufgaben, Rechten und Eskalationen.
Neue Verantwortungslogik – KI bereitet vor, der Mensch entscheidet und verantwortet.
Wert statt Aktivität messen – Entscheidungen, Durchlaufzeiten, Kundeneffekte.
Neues Organisationsbild – weniger Hierarchie, kleinere autonome Teams, klare Ergebnisverantwortung.
Führung als Orientierung – Priorisieren statt kontrollieren.
Ein konkreter 6‑Schritte‑Plan für Mittelständler
Die Frage ist nun, was könnten mittelständische Unternehmen ganz konkret tun können? Eigentümergeführte Unternehmen haben einen strukturellen Vorteil:
kurze Entscheidungswege
Nähe zur Wertschöpfung
hohe Verantwortungsdichte
langfristige Perspektive
Aber nur, wenn sie Situational Awareness entwickeln:
früh erkennen, wo Arbeit entwertet wird
mutig Strukturen vereinfachen
Führung neu denken
KI ist kein Produktivitäts‑Add‑on. Sie ist ein Stresstest für Organisationen.Unternehmen, die klar entscheiden, Verantwortung ernst nehmen und Komplexität abbauen, werden profitieren. Situational Awareness heißt nicht, alles zu wissen. Es heißt, die Richtung zu erkennen.
Prozesse vereinfachen: Was würden wir heute nicht mehr bauen, wenn wir neu beginnen müssten?
3–5 hochwertige Use Cases definieren: wissensintensiv, häufig, messbar, entscheidungsnah.
KI klar begrenzen: Was darf sie? Was nicht? Wo eskaliert sie?
Verantwortung festlegen: Wer entscheidet? Wer haftet? Wer lernt?
Wirkung messen: Zeit, Qualität, Kosten, Kundenzufriedenheit.
Dann skalieren: Nicht alles auf einmal – aber konsequent.
Ausblick
Die nächsten fünf Jahre entscheiden nicht, wer die beste KI hat. Sondern wer Organisationen vereinfacht, Verantwortung klärt und Menschen von sinnloser Arbeit befreit.KI beschleunigt alles. Auch schlechte Organisationen.
Situational Awareness heißt für mich nicht, alles zu wissen. Sondern früh zu erkennen, wohin sich Arbeit, Entscheidungen und Verantwortung verschieben.
Genau das erlebe ich derzeit parallel im Silicon Valley und in Europa: Die Technologie ist längst da. Der Engpass ist fast immer die Organisation.
Und genau deshalb ist KI kein IT-Projekt. Sondern eine Führungsentscheidung. Wenn wir das nicht bald realisiern, dann steht letztlich unsere Wettbwerbsfähigkeit und damit unser Wohlstand auf dem Spiel.
Wie wir mit Eigentümer:innen und Führungsteams daran arbeiten
In unseren Executive-Formaten und Learning Journeys übersetzen wir genau diese Situational Awareness in konkrete Entscheidungen:
Welche Arbeit konsequent vereinfacht und an KI-Systeme delegiert werden kann
Wie Verantwortung zwischen Menschen und Agenten verteilt wird
Wie Organisationen einfacher, klarer und entscheidungsfähiger werden
Die Silicon Valley Executive Learning Journey ist dafür unser intensivstes Format: fünf Tage, in denen wir Technologie, Organisation und Führung zusammenbringen – mit einem klaren Fokus auf mittelständische Unternehmen und europäische Eigentümer:innen.
Literaturhinweise
"The Coming Wave: Technology, Power, and the Twenty-first Century's Greatest Dilemma" von Mustafa Suleyman (Mitbegründer von DeepMind). Warum: Perfekt für das Verständnis von „Physical AI“ und der Geschwindigkeit, mit der KI in die physische Welt (Robotik, Biologie) überschwappt.
"Prediction Machines: The Simple Economics of Artificial Intelligence" von Ajay Agrawal, Joshua Gans und Avi Goldfarb. Warum: Ein Muss für Eigentümer. Es erklärt KI nicht technisch, sondern rein ökonomisch als Werkzeug, das die Kosten für Vorhersagen drastisch senkt.
Autor: Werner Sattlegger
Founder & CEO Art of Life
Experte für digitale Entwicklungsprozesse, wo er europäische mittelständische Familien- und Industrie-unternehmen von der Komfort- in die Lernzone bringt. Leidenschaftlich gerne verbindet er Menschen und Unternehmen, liebt die Unsicherheit und das Unbekannte, vor allem bewegt ihn die Lust am Gestalten und an Entwicklung.
