GitHubs internes Playbook für den Aufbau einer AI-powered Workforce

• GitHub treibt die Einführung von AI mit einem menschenzentrierten Ansatz voran und baut unternehmensweite AI-Kompetenzen auf
• AI-Einführung ist kein Technologieproblem, sondern ein Change-Management-Problem: Es geht nicht einfach darum, Tools auszurollen, sondern die Arbeitsweise der Organisation neu zu gestalten
• Für den Erfolg hat GitHub ein Betriebsmodell auf Basis von acht Säulen entwickelt (AI Advocates, klare Richtlinien, Lernangebote, datengestützte Messung, benannte Verantwortliche, Unterstützung durch das Management, passende Tools, Communities of Practice)
• Außerdem wurden eine aktive Vision-Kommunikation durch das Management, klare Nutzungsrichtlinien, ein freiwilliges Netzwerk von Advocates, Communities of Practice (CoP), systematische Lernpfade, dedizierte Führung, sowie ein Messsystem aufgebaut, das den ROI belegen kann
• Diese Strategie zeigt einen strukturellen Ansatz, der über reine Einführung hinausgeht und Arbeitsinnovation, höhere Produktivität und Talententwicklung vorantreibt

---

Einleitung: Chance und zentrale Herausforderung

• Generative AI ist eine enorme Chance, die Unternehmensleistung zu beschleunigen, und es läuft ein wettbewerbsintensives Rennen, um diesen Wert zu erschließen
• Die Herausforderung liegt nicht darin, das Potenzial von AI zu erkennen, sondern in der Aktivierung im großen Maßstab – hier entscheidet sich der Erfolg
• Viele Organisationen investieren übermäßig in AI-Tools, doch die Nutzung bleibt auf eine kleine Gruppe enthusiastischer Anwender beschränkt und wird nicht in unternehmensweite Produktivität übersetzt
• Der Unterschied zwischen Hochleistungsorganisationen und stagnierenden Organisationen liegt darin, ob sie über eine bewusste und systematische Aktivierungsstrategie verfügen

Ein verbreitetes Missverständnis, das zum Scheitern führt: kein Technologie-Rollout, sondern Change Management

• Unternehmen behandeln die Einführung von AI oft wie die Installation von Software, tatsächlich ist sie jedoch eine Change-Management-Aufgabe zur Neuverdrahtung der Arbeitsweise
• Über Erfolg oder Misserfolg entscheidet nicht der Kauf von Lizenzen, sondern der Aufbau einer menschlichen Infrastruktur, die skeptische Mitarbeitende in Power-User verwandelt

Charakter des Dokuments: GitHubs internes Playbook

• Dieses Dokument ist das interne Playbook, das GitHub entwickelt und betrieben hat, um AI-Kompetenz in seiner globalen Belegschaft aufzubauen
• Es ist ein Ergebnis der Initiative AI for Everyone und bietet keine Theorie, sondern eine in der Praxis erprobte Umsetzungs-Blaupause
• Ziel ist es, ein System zu schaffen, das AI in die Arbeitsweise einbettet und sich auch von anderen Organisationen replizieren lässt

Überblick über das Betriebsmodell: ein sich ergänzendes System

• Erfolgreiche AI-Aktivierung ist nicht als einzelne Initiative konzipiert, sondern als Summe sich gegenseitig ergänzender Komponenten
• Durch die präzise Mischung aus Top-down-Strategie und Grassroots-Dynamik entsteht ein Ökosystem, in dem AI-Kompetenz gedeihen kann
• Das Fundament dieses Ökosystems sind sichtbare Unterstützung durch das Management und klare Richtlinien und Guardrails
  • Führungssponsoren schaffen mit Vision und Investitionen den Ausgangspunkt
  • Richtlinien und Guardrails bieten Mitarbeitenden einen Rahmen, in dem sie sicher experimentieren und innovieren können

Die acht Säulen: Definition und Rolle

• AI Advocates: ein internes Netzwerk freiwilliger Champions, das durch Peer-Einfluss und Feedback aus der Praxis die Einführung vorantreibt
• Clear policies and guardrails: einfache Regeln und Richtlinien, die für alle verständlich sind und verantwortungsvolle Nutzung unterstützen
• Learning and development opportunities: ein niedrigschwelliges Lernökosystem, das hochwertige externe Inhalte kuratiert
• Data-driven metrics: ein mehrstufiges Mess-Framework, das Einführung, Aktivität und Business Impact nachverfolgt
• Dedicated responsible individual (DRI): eine zentrale verantwortliche Person, die das Programm orchestriert, andere befähigt und die Gesamtstrategie vorantreibt
• Executive support: sichtbares Commitment der Führung, das Vision, Investitionen und transparente Kommunikation liefert
• Right-fit tooling: ein Portfolio validierter Erst- und Drittanbieter-Tools, zugeschnitten auf unterschiedliche Rollen und Use Cases
• Communities of practice (CoPs): dedizierte Foren für Peer-Learning, Wissensaustausch und Problemlösung

Umsetzungsfokus: drei verbindende Elemente

• 1) Teams ausstatten + menschliche Unterstützungsstruktur aufbauen: Bereitstellung validierter AI-Tools, Aufbau interner Champions über das Advocates-Programm und Verstetigung von Peer-Learning über CoPs
• 2) Verstärkung durch strukturiertes L&D: Standardisierte Lernpfade und kuratierte Inhalte steigern technische und fachliche Kompetenzen systematisch
• 3) Steuerung über DRI und Daten: Die DRI steuert Investitionsentscheidungen und misst sowie verbessert den Impact mit datengestützten Kennzahlen, sodass sich das Programm kontinuierlich weiterentwickelt

Das Framework in die Praxis umsetzen

• Ein AI-Nutzungs-Framework endet nicht beim Verständnis der Kernelemente, sondern erfordert einen strategischen Ansatz für die tatsächliche Umsetzung
• GitHub präsentiert eine Umsetzungs-Roadmap rund um die acht Säulen, wobei der erste Ausgangspunkt die Unterstützung durch das Management (Executive support) ist
• Wenn die Führung eine klare Vision und Begründung vermittelt und konkret erklärt, welchen Mehrwert AI für die Arbeit der Mitarbeitenden schafft, lässt sich die anfängliche Dynamik aufbauen

Executive support: den Ton setzen

• Der Erfolg der AI-Einführung beginnt bei der Rolle des Managements
• Es reicht nicht, nur Tools bereitzustellen; vielmehr muss das „Warum“ der AI-Strategie des Unternehmens kontinuierlich betont werden
• Statt Ziele abstrakt zu formulieren, sollten sie als konkrete Vorteile mit direktem Bezug zum Arbeitsalltag der Mitarbeitenden erklärt werden, um die Beteiligung zu erhöhen
• Beispielbotschaft für Engineers:
  „Mit AI beseitigen wir repetitive und langweilige Aufgaben. Copilot übernimmt das Schreiben von Boilerplate-Code, das Erstellen von Unit-Tests und das Zusammenfassen komplexer PRs, damit ihr euch auf kreative Problemlösung konzentrieren könnt.“
• Beispielbotschaft für das gesamte Unternehmen:
  „Ziel unserer AI-Strategie ist es, unseren Kund:innen schneller bessere Produkte zu liefern. Mit AI verstärken wir unsere Fähigkeiten, beschleunigen das Innovationstempo und können uns auf kreative Arbeit mit hohem Mehrwert konzentrieren.“

Realistischer und transparenter Ansatz

• Die Einführung von AI geht zwangsläufig mit Automatisierung von Arbeit und Veränderungen von Rollen einher
• Wird das ignoriert, entstehen Unsicherheit und Widerstand, die die Einführung behindern
• Deshalb sollten Führungskräfte statt bloßer Beschwichtigungen konkret darlegen, wie sich Rollen verändern und welche Upskilling-Strategie es dafür gibt

• Was man nicht sagen sollte: „Eure Jobs sind sicher.“
• Was man sagen sollte: „So wird sich unsere Arbeit künftig verändern, und so unterstützen wir euch dabei, die dafür nötigen neuen Fähigkeiten zu erwerben.“

• Dieser offene Ansatz schafft Vertrauen, weil Mitarbeitende als Partner des Wandels behandelt werden

Strategie für zielgruppenspezifische Botschaften

AI-Kommunikation muss auf die jeweilige Zielgruppe zugeschnitten sein

• Manager:
  Es geht nicht nur um die persönliche Nutzung, sondern darum, sie darauf vorzubereiten, das gesamte Team zu führen. Manager sollten Team-Workflows neu gestalten, Aufgaben identifizieren, die sich automatisieren lassen, und Aufgaben mit hohem Mehrwert neu definieren. Sie sollten ermutigt werden, die Einführung von AI direkt mit besserer Teamleistung und höherer Innovationskraft zu verknüpfen.
• Senior Individual Contributors (Senior ICs):
  Sie sollten nicht nur ihre eigene Leistung steigern, sondern dazu herausgefordert werden, zu internen Architekten der AI-Nutzung zu werden. Da ihr Einfluss innerhalb der Organisation groß ist, spielen sie eine wichtige Rolle dabei, neue Arten der AI-Nutzung einzuführen und zu standardisieren. Sie sollten mit AI ihre eigene Leistung maximieren und zugleich als interne Mentor:innen AI-Kompetenzen verbreiten. Dadurch vergrößert sich der Einfluss von Schlüsselkräften exponentiell.

Policies and tooling: Klarheit und Zugang schaffen

• Für die Einführung von AI in der gesamten Organisation sind klare Guardrails unverzichtbar.
• Wenn Mitarbeitende unsicher sind, was erlaubt ist, experimentieren sie gar nicht erst. Deshalb ist eine klare und leicht zugängliche Acceptable Use Policy eine Grundvoraussetzung für den Erfolg.
• Es geht dabei nicht nur um Compliance, sondern um die Grundlage dafür, dass Mitarbeitende AI sicher und selbstbewusst nutzen können.

• Grundsätze für die Ausarbeitung von Richtlinien

  • Richtlinien sollten in Zusammenarbeit mit wichtigen Stakeholdern wie IT, HR, Security und Legal erstellt werden.
  • So wird ein umfassender Ansatz für das Risikomanagement möglich.
  • Die endgültige Richtlinie sollte als zentralisiertes Einzeldokument bereitgestellt werden, in dem alle genehmigten AI-Tools und die für jedes Tool geeigneten Datentypen klar aufgeführt sind.

• Modell mit abgestuften Tools

  • Ein erfolgreiches Modell für AI-Nutzungsrichtlinien folgt einem abgestuften Ansatz.
  • Statt nur eine Liste von Verboten aufzuführen, wird klar unterschieden, was genehmigt ist, damit Mitarbeitende Entscheidungen leicht treffen können.

• Tier 1: Vollständig geprüfte und genehmigte Tools

  • Tools, die interne Security- und Legal-Prüfungen umfassend durchlaufen haben
  • Sicher für den Umgang mit vertraulichen Unternehmens- und Kundendaten
  • Dazu gehören eigene 1st-party-Produkte des Unternehmens (z. B. GitHub Copilot) sowie vertraglich gebundene und genehmigte Enterprise-3rd-party-Tools.
  • Mitarbeitende können Tools dieser Kategorie als sichere Standardwahl betrachten.

• Tier 2: Nicht geprüfte öffentliche und Consumer-Tools

  • Umfasst sämtliche öffentlichen AI-Tools, die das Unternehmen weder offiziell vertraglich gebunden noch validiert hat
  • Die Richtlinie ist einfach und universell: Diese Tools dürfen nur für öffentliche und nicht sensible Daten verwendet werden.
  • So können Mitarbeitende frei mit neuen AI-Technologien experimentieren, ohne Unternehmensdaten zu gefährden.

• Wirkung und Botschaft

  • Dieses abgestufte Modell vermittelt Mitarbeitenden eine einfache und klare Denkweise:
    • „Wenn ein Tool nicht auf der Liste der vollständig geprüften Tools steht, verwende nur öffentliche Daten.“
  • Eine so klare Standardregel beseitigt Unsicherheit und ist der Schlüssel dazu, verantwortungsvolle AI-Nutzung im großen Maßstab zu verbreiten.

AI advocates: Ihre Grassroots-Champions

• Für den langfristigen Erfolg bei der AI-Einführung sind nicht nur Unterstützung aus dem Management und klare Richtlinien wichtig, sondern vor allem auch Peer-to-Peer-Einfluss als treibende Kraft.
• Dafür ist ein AI Advocates-Programm ein äußerst wirksamer Mechanismus: Es baut ein freiwilliges Netzwerk interner Champions auf und dient als Brücke zwischen einzelnen Teams und dem zentralen Support-Programm.
• Advocates übersetzen übergeordnete Strategien in konkrete Use Cases auf Teamebene und schaffen so auf natürliche Weise AI-Momentum in der Organisation.

• Der effektivste Weg zum Aufbau eines solchen Netzwerks ist die Suche nach Freiwilligen.
• Statt eines komplexen formalen Empfehlungsverfahrens versammelt ein unternehmensweiter Aufruf an AI-begeisterte Mitarbeitende genau die richtigen Personen: selbstmotiviert und mit echtem Interesse daran, den Erfolg ihrer Kolleginnen und Kollegen zu unterstützen.
• Das führt wiederum zu starken, vertrauenswürdigen internen Champions.

• What advocates do

  • Die Rolle der Advocates ist vielschichtig und umfasst drei Hauptfunktionen: interne Experten, Community Builder und Feedback-Kanal.
  • Rolle als interne Champions
    Als AI-Expertinnen und -Experten ihrer Teams fungieren sie als Mentorinnen und Mentoren für Kolleginnen und Kollegen, beantworten Alltagsfragen und beseitigen praktische Hürden, um die Schwelle für die AI-Einführung zu senken.
  • Förderung von Lernen unter Kolleginnen und Kollegen
    Sie machen den Wert von AI anhand konkreter und realistischer Beispiele greifbar. Durch das Teilen von Erfolgsgeschichten im Team vermitteln sie die praktische Wirkung von AI, was oft überzeugender ist als formale Schulungen.
  • Sprachrohr des Teams
    Sie schaffen eine Feedback-Schleife zwischen dem zentralen Programm und der Praxis vor Ort und kommunizieren, was gut funktioniert, was Probleme bereitet und wo Chancen liegen. So kann das Programm kontinuierlich auf Basis realer Nutzerbedürfnisse verbessert werden.
  • Planung und Zusammenarbeit bei Schulungen
    In Zusammenarbeit mit dem zentralen Programm planen und leiten sie gemeinsam maßgeschneiderte Trainingssessions, die die konkreten Anforderungen und Use Cases ihrer Teams widerspiegeln und dadurch echte Wirkung erzielen.

• Supporting your advocates

  • Damit ein Advocates-Programm erfolgreich ist, braucht es substantielle und wertvolle Unterstützung durch das zentrale Support-Team. Zu den wichtigsten Unterstützungsformen gehören die folgenden:
  • Förderung einer organisch wachsenden Advocates-Community
    Stellen Sie Kommunikationsräume wie einen dedizierten Slack-Channel bereit und unterstützen Sie regelmäßige, von Advocates geleitete Check-ins, damit sich die Community zu einem selbstorganisierten Netzwerk entwickelt, das Best Practices teilt und gemeinsam Probleme löst.
  • Direkte Verbindung zur Führungsebene
    Sorgen Sie dafür, dass Advocates direkt mit Vertretungen der Führungsebene wie dem DRI (Directly Responsible Individual) oder einem Programmsponsor verbunden sind, um eine Verbindung zwischen Management-Entscheidungen und Aktivitäten in der Praxis herzustellen.
  • Train-the-Trainer-Philosophie
    Der Fokus liegt darauf, Advocates nicht nur als Empfänger von Informationen zu betrachten, sondern sie zu Mentorinnen, Mentoren und Workshop-Leitenden weiterzuentwickeln. So werden sie zu effektiven Ausbildenden und AI-Fachexpertinnen bzw. -experten und damit zu einer erweiterten Verlängerung des zentralen Programms.
  • Durch diese Unterstützung etablieren sich Advocates als vertrauenswürdige AI-Führungspersönlichkeiten in der Organisation und verbreiten AI-Kompetenz auf natürliche Weise im gesamten Unternehmen.

Communities of practice: Zusammenarbeit fördern

• Wenn das Advocates-Programm einzelnen Teams eng eingebundene High-Touch-Unterstützung bietet, braucht es für die Verbreitung von AI-Kompetenz im gesamten Unternehmen einen breiteren Raum für Zusammenarbeit.
• Hier spielen Communities of Practice (CoPs) eine wichtige Rolle: Sie bieten dedizierte Räume, in denen sich Mitarbeitende frei vernetzen, Fragen stellen und Wissen austauschen können.
• CoPs fungieren als connective tissue eines erfolgreichen AI-Enabling-Programms, bauen Silos ab und stellen sicher, dass wertvolle Erkenntnisse nicht in Einzelgesprächen verloren gehen.

• Ein weiteres Ziel ist es, spontanes AI-Interesse zu strukturieren, ohne Kreativität zu unterdrücken.
• In den meisten Unternehmen gibt es bereits kleine AI-Communities in Form lose betriebener Chat-Kanäle oder E-Mail-Threads.
• Ein wirksames Programm entwickelt diese verstreuten Aktivitäten zu einem systematischen und kohärenten Netzwerk weiter. Dafür sind die folgenden zentralen Schritte nötig:

  • Aufbau dedizierter, zweckorientierter Communities

    • Statt eines einzigen riesigen AI-Channels ist es wirksamer, eigene Communities nach Zweck und Nutzergruppe aufzubauen.
    • Dadurch werden Gespräche fokussierter und relevanter.
    • Eine empfohlene anfängliche Struktur könnte zum Beispiel so aussehen:
      • Allgemeine Community: ein Channel für unternehmensweite Ankündigungen und nicht technische Fragen (z. B. #how-do-i-ai)
      • Community nur für Entwicklerinnen und Entwickler: ein Channel für das Teilen technischer Beispiele, tiefgehende Diskussionen und den Austausch fortgeschrittener Techniken (z. B. #copilot-users)
      • Abteilungsspezifische Communities: Channels für die spezifischen Use Cases einzelner Funktionen wie Marketing, Sales oder Finance (z. B. #ai-for-sales)

  • Festlegung klarer Leitlinien und Verantwortlichkeiten

    • Jede Community braucht einen klar dokumentierten Zweck sowie eine Leitung oder Leitungsgruppe, die sie betreut.
    • Die Leitung kann aus dem Kreis der Advocates kommen und sorgt dafür, dass Gespräche in die richtige Richtung laufen und die Community dauerhaft eine wertvolle Ressource bleibt.

  • Momentum aufrechterhalten

    • Mit dem Anlegen eines Channels ist es nicht getan.
    • Das zentrale Support-Programm sollte interessante AI-Use-Cases aus den Communities unternehmensweit teilen und die Communities als Plattform für neue Funktionen oder Schulungen nutzen.
    • Mit der Zeit ist es nötig, Communities weiterzuentwickeln und neu auszurichten.

• Durch die bewusste Förderung von CoPs entsteht so eine skalierbare und selbsttragende Peer-Learning-Engine.
• Sie bildet eine unverzichtbare Grundlage dafür, dass die gesamte Organisation AI sicher und kompetent nutzen kann.

Curated learning and development: Die Hürde senken

• Es reicht nicht aus, lediglich Zugang zu AI-Tools bereitzustellen; entscheidend ist ein System für Learning & Development (L&D), das Mitarbeitenden hilft, tatsächlich Kompetenz (proficiency) in der Nutzung aufzubauen
• Ziel ist, dass alle Mitarbeitenden unabhängig von ihrem technischen Hintergrund praxisnahe, rollenbezogene AI-Anwendungsfähigkeiten erwerben können
• Dafür hat GitHub eine L&D-Seite aufgebaut, die interne Erfahrungen und externe Materialien kuratiert, und stellt ein mehrschichtiges Ökosystem bereit, das unterschiedliche Lernstile und Anforderungen abdeckt

• Eine wirksame L&D-Strategie besteht aus den folgenden Kerninvestitionen

  • A centralized resource hub

    • Erforderlich ist eine Single Source of Truth-Seite, die alle AI-bezogenen Lernmaterialien bündelt
    • Es geht nicht nur um eine Linksammlung, sondern um eine dynamische Präsentation von internen Innovationsbeispielen, Best Practices und Mitarbeiterprojekten
    • Sie liefert nicht nur Lernmaterialien, sondern wirkt zugleich motivierend

  • Core AI Learning paths

    • Es werden Zero-to-One-Lernpfade bereitgestellt, damit alle Mitarbeitenden grundlegende Kompetenzen erwerben
    • Statt selbst Inhalte zu produzieren, werden extern validierte Lernmaterialien kuratiert
    • Da sich AI-Funktionen schnell verändern, besteht bei intern erstellten Inhalten das Risiko, rasch unbrauchbar zu werden

  • Building blocks for technical users

    • Fortgeschrittene technische Mitarbeitende brauchen keine Grundlagenschulungen, sondern Beschleunigung (acceleration) ihrer Arbeit
    • Bereitgestellt wird eine Bibliothek wiederverwendbarer AI-Komponenten: Templates, klonbare Repositories, Workflows usw.
    • Das unterstützt dabei, wiederkehrende Aufgaben zu reduzieren und AI-Lösungen schnell aufzubauen

  • Integration with onboarding

    • AI-Lernen wird in den Onboarding-Prozess integriert, damit Mitarbeitende ihre Nutzungskompetenz vom ersten Arbeitstag an aufbauen
    • Dabei wird betont, dass AI-Kompetenz inzwischen eine Schlüsselqualifikation für eine erfolgreiche Karriere ist

• So wird nicht nur die individuelle Kompetenz der Mitarbeitenden gesteigert, sondern auch eine Kultur der AI-Nutzung in der gesamten Organisation verankert

Dedicated program leadership: Driving the program

• Ein AI-Enablement-Programm darf nicht nur eine Sammlung von Ressourcen sein, sondern muss ein kontinuierliches, lebendiges System sein; dafür braucht es eine verantwortliche Person (Directly Responsible Individual, DRI) oder ein kleines dediziertes Team
• Diese Führung fungiert als Bindeglied zwischen Strategie, Umsetzung und Community-Aktivitäten und sorgt dafür, dass die gesamte Organisation wie ein organisches System funktioniert
• Die Kernaufgabe des DRI besteht nicht darin, die eigene Zuständigkeit auszubauen (fiefdom building), sondern andere zu skalieren (scaling others)

• Zentrale Rollen und Verantwortlichkeiten

  • Owning the program strategy and roadmap

    • Entwicklung der Gesamtstrategie und Definition der Umsetzungs-Roadmap
    • Management der Monatsplanung und Sicherstellung der Ausrichtung an den Unternehmenszielen

  • Leading change management

    • Verantwortlich für das Change Management in der Organisation, damit die Einführung von AI reibungslos und transparent verläuft
    • Ziel ist, Verwirrung zu minimieren und die Adoptionsrate zu maximieren

  • Acting as a central AI consultant

    • Bereitstellung von 1:1-Support und Office Hours für Mitarbeitende und Advocates
    • Unterstützung bei der Lösung komplexer Probleme und der Entwicklung fortgeschrittener Anwendungsfälle

  • Amplifying internal success and innovation

    • Interne Erfolgsgeschichten identifizieren und teilen
    • Best Practices über Community-Formate und Workshops verbreiten und so einen positiven Kreislauf schaffen

  • Managing the AI tooling and policy lifecycle

    • Anfragen für neue Tools entgegennehmen und gemeinsam mit IT, Security und Legal den gesamten Prozess von Bewertung, Beschaffung und Richtlinienerstellung steuern

  • Owning adoption and fluency metrics

    • Frühindikatoren wie MAU, MEU und Nutzersegmentierung nachverfolgen
    • Die Wirksamkeit des Programms belegen und den AI-Reifegrad der Mitarbeitenden bewerten

  • Demonstrating business ROI

    • Spätindikatoren wie Produktivitätssteigerung, bessere Code-Qualität und höhere Entwicklerzufriedenheit mit Adoptionsdaten verknüpfen
    • Dem Management eine datenbasierte ROI-Story liefern

• GitHub hat dafür offiziell einen Program Director und einen Program Manager eingesetzt und treibt die Initiative AI for Everyone voran
• Durch diese dedizierte Struktur werden Fokus und Verantwortlichkeit für AI-Enablement auf Unternehmensebene sichergestellt

Metrics: Measuring for success

• Um Investitionen in ein AI-Enablement-Programm zu rechtfertigen und weiterzuentwickeln, ist die Messung der richtigen Kennzahlen essenziell
• Es reicht nicht, nur die Zahl verteilter Lizenzen zu zählen; vielmehr muss man Reichweite, Tiefe und Wirkung der AI-Nutzung in der Organisation umfassend verstehen
• Da sich noch kein Branchenstandard etabliert hat, ist ein mehrstufiger Ansatz (Adoptionsbreite → intensivere Nutzung → Business Impact) am wirksamsten

• Phase 1: Measuring breadth of adoption

  • Monthly Active Users (MAU): Anteil der Mitarbeitenden, die AI mindestens einmal pro Monat nutzen → grundlegende Kennzahl für die Gesamtadoption
  • Monthly Engaged Users (MEU): Anteil der Mitarbeitenden, die AI an mehreren Tagen nutzen → zentrale Kennzahl, um zu erkennen, ob über erste Experimente hinaus Gewohnheiten entstehen

• Phase 2: Measuring depth of engagement

  • User segmentation:
    • Dedicated users: an mehr als 10 Tagen pro Monat aktiv (zentrale Power-User)
    • Occasional users: an 2–9 Tagen pro Monat aktiv
    • Tire kickers: an 1 Tag pro Monat aktiv
    • → Ziel ist, Tire kickers in Occasional oder Dedicated users zu überführen
  • Total AI events: Gesamtzahl der Interaktionen wie Prompts oder Code-Autovervollständigungen → mehr Events pro Nutzer sind ein Signal dafür, dass AI im Arbeitsfluss verankert wird

• Phase 3: Measuring business impact

  • Verweis auf das GitHub Engineering System Success Playbook (ESSP) → bietet umfassende Kennzahlen zu Developer Happiness, Qualität, Geschwindigkeit und Business-Ergebnissen
  • Wichtige AI-bezogene Kennzahlen:
    • AI leverage: Quantifizierung des durch AI eingesparten manuellen Aufwands und der Produktivitätssteigerung
    • Cycle time: Zeit, bis ein Commit in Production ankommt → je stärker sie durch AI verkürzt wird, desto höher die Effizienz
    • Code churn: Qualitätssignal anhand der Frage, ob bei AI-generiertem Code Nacharbeit reduziert wird
    • Pull request size: Es muss überprüft werden, dass AI nicht übermäßig große PRs verursacht
    • Developer wellbeing: Nachverfolgen, ob weniger repetitive Arbeit zu höherer Zufriedenheit und weniger Burnout führt
    • Perceived productivity: Per Umfrage o. Ä. erfassen, ob Mitarbeitende das Gefühl haben, dank AI mehr Zeit für wertvollere Arbeit zu haben

• Mit dieser mehrstufigen Messung lassen sich Adoption, vertiefte Nutzung und ROI der AI-Einführung gleichermaßen belegen, und ihr Wert kann dem Management mit einer datenbasierten Erzählung vermittelt werden

Executing on enablement: A strategic checklist

Diese Checkliste fasst das zuvor beschriebene Framework als schrittweise umsetzbare Roadmap in einem praxisorientierten Leitfaden zusammen

• Phase 1: Grundlegende Schritte (erste 30 Tage)

  • Executive Sponsorship sichern
    • Einen C-Level-Sponsor gewinnen, der Budgetunterstützung, öffentliche Unterstützung für das Programm und fortlaufende Kommunikation übernimmt
  • Einen DRI benennen
    • Eine verantwortliche Ansprechperson bestimmen, die für den Programmerfolg verantwortlich ist und die Befugnis zur abteilungsübergreifenden Koordination hat
  • Eine v1-Nutzungsrichtlinie entwerfen
    • In Zusammenarbeit mit Legal, Security und IT eine erste Nutzungsrichtlinie (z. B. vetted vs. unvetted Tools) ausarbeiten, um ein sicheres Experimentierumfeld zu gewährleisten
  • Erste Metriken festlegen
    • Ein MAU-/MEU-Messsystem einrichten und ein erstes Dashboard aufbauen
  • Das Programm ankündigen
    • Gemeinsam mit Sponsor und Kommunikationsteam eine unternehmensweite Mitteilung mit Vision, verfügbaren Ressourcen und dem weiteren Zeitplan veröffentlichen

• Phase 2: Momentum aufbauen (erste 90 Tage)

  • Das AI Advocates Program starten
    • Unternehmensintern Freiwillige offen rekrutieren, Einführungssessions zu den Rollen durchführen und einen dedizierten Kommunikationskanal einrichten
  • Communities of Practice etablieren
    • Kanäle für allgemeine Nutzung und für Entwickler eröffnen sowie eine klare Charter und Community-Leads benennen
  • Einen zentralen Resource Hub starten
    • Eine interne Hub-Site in Version 1 einrichten, die freigegebene Tools, Richtlinien und Lernpfade bündelt
  • Erfolge sichtbar machen
    • DRI und Advocates identifizieren und teilen frühe Erfolgsgeschichten, um Social Proof und Inspiration zu verbreiten
  • Ein Onboarding-Modul starten
    • Gemeinsam mit HR ein AI-Nutzungsmodul in den Onboarding-Prozess für neue Mitarbeitende integrieren

• Phase 3: Skalieren und messen (fortlaufend)

  • Ein „Train the Trainer“-Programm umsetzen
    • Eine standardisierte Schulung bereitstellen, um die Kompetenzen der Advocates in Mentoring und Workshop-Moderation zu stärken
  • Ein Business-ROI-Dashboard entwickeln
    • Ein ROI-Dashboard aufbauen, das Adoptionsmetriken wie MAU/MEU mit nachgelagerten Kennzahlen wie Cycle Time, Code-Qualität und Vertriebsproduktivität verknüpft
  • Qualitative Umfragen durchführen
    • Durch regelmäßige, kurze organisationsweite Umfragen wahrgenommene Effekte auf Produktivität und Wohlbefinden sowie Feedback zum Programm erfassen

Der Weg zur AI-Fluency

• Es reicht nicht aus, einfach nur in AI-Tools zu investieren
• Ein systematisches und mehrdimensionales Umsetzungsprogramm ist der entscheidende Faktor, der Organisationen, die den Wert ihrer AI-Investitionen realisieren, von denen unterscheidet, die dies nicht tun

• Für den Erfolg bei der AI-Adoption gibt es keine Universallösung (silver bullet)
• Erforderlich ist ein kontinuierlicher, datenbasierter Umsetzungsaufwand
• Dafür sind folgende Punkte unverzichtbar:
  • uneingeschränkte Unterstützung durch das Management
  • klare und leicht zugängliche Richtlinien
  • freiwillige AI-Befürworter aus der Praxis (Advocates)
  • die Verpflichtung, die richtigen Metriken zu messen
  • der Aufbau eines starken Umsetzungssystems, das sich an Veränderungen anpassen kann

• Wenn sich die Führung zu einem solchen systematischen Ansatz bekennt, kann sich eine Organisation zu einer produktiveren, innovativeren und wirkungsvolleren AI-freundlichen Organisation weiterentwickeln