Der AI-Hype zerstört weltweit die Entscheidungsfindung

• Laut Hermit Tech lag die Erfolgsquote der AI-Projekte, an denen das Unternehmen anderthalb Jahre lang beteiligt war oder die es indirekt beobachtet hat, bei 0 %. Unternehmen machen nicht konkrete Ergebnisse, sondern bereits die Einführung von AI selbst zu einem strategischen Ziel.
• Interne Chatbots werden wegen mangelhafter Dokumentation kaum genutzt, und bei kundenorientierten Chatbots wird oft nicht einmal richtig gemessen, ob Probleme tatsächlich gelöst werden. Da Management, Mitarbeitende und Anbieter gleichermaßen keinen Anreiz haben, Misserfolge offenzulegen, folgen dennoch ständig Ankündigungen über Produktivitätssteigerungen.
• In Organisationen mit mehr als 500 Beschäftigten kann es Beförderung und Arbeitsplatz gefährden, den Nutzen von AI infrage zu stellen. Mitarbeitende deklarieren daher auch ohne AI erledigte Arbeit als AI-Erfolg oder erhöhen künstlich den Token-Verbrauch, um Bewertungsmetriken zu erfüllen.
• Auch Führungskräfte schweigen, weil sie Verträge oder ihre Position verlieren könnten, wenn sie Aussagen von Kunden, Aufsichtsgremien oder Kolleginnen und Kollegen widersprechen. Dieses Koordinationsproblem verstärkt übertriebene Erfolgsdarstellungen und unnötige Investitionen gegenseitig.
• Wenn in jedem Vorhaben, jeder Einstellung und jedem Budgetantrag ein AI-Element verlangt wird, werden normale Beschaffung und Kommunikation blockiert. Praktiker sollten die Fakten daher über vertrauliche Einzelgespräche und anonyme Umfragen prüfen und bei verfestigter Lage einen Jobwechsel oder den Wechsel in Vertragsarbeit vorbereiten.

---

Das Scheitern beobachteter AI-Investitionen

• Hermit Tech war im vergangenen Jahr für den Vertrieb des Unternehmens zuständig und sprach mit rund 300 Fachleuten weltweit, wodurch es Einblick in den Stand der AI-Einführung in privaten und öffentlichen Organisationen bekam.
• Alle AI-Projekte, an denen das Team in den letzten anderthalb Jahren beteiligt war oder die es bei anderer Arbeit indirekt gesehen hat, sind gescheitert. Selbst wenn es Erfolgsgeschichten gibt, hält man sie eher für Ausnahmen als für typische Ergebnisse.
  • Das Team hat sämtliche AI-Implementierungsaufträge abgelehnt und die eigene Exponierung so gering gehalten, dass selbst ein Verschwinden von OpenAI bestehende Verträge nicht direkt beeinträchtigen würde.
• Auch wenn AI-Tools bestimmte Aufgaben schneller erledigen können, hält man die aktuelle Art und Größenordnung der Investitionen nicht für gerechtfertigt.
  • Unternehmen haben generell schwache Fähigkeiten bei der Durchführung von Softwareprojekten und tragen deshalb die bisherigen Misserfolgsfaktoren unverändert mit.
  • Bei AI-Projekten kommt zusätzlich das Scheiternspotenzial durch die Neuheit der Technologie hinzu.
  • Nur wenige Unternehmen können Software zuverlässig ausliefern und zugleich auch noch diese Risiken tragen.

Interessen, die Misserfolge verbergen

• Aufsichtsgremien, Management, Mitarbeitende, Anbieter und Berater haben alle einen Anreiz, den Erfolg oder Misserfolg von AI-Projekten unklar zu halten.
  • Führungskräfte, die ein Scheitern eingestehen, können ihren Posten verlieren.
  • Mitarbeitende, die Probleme offen ansprechen, können entlassen werden oder in Entlassungsrunden geraten.
  • Einige börsennotierte Unternehmen verkünden Produktivitätssteigerungen durch AI, obwohl sie außer dem Kauf von Copilot-Lizenzen kaum etwas unternommen haben.
• Schon grundlegende Fragen nach Projektziel, Nutzern und Ergebnissen können als Angriff auf die Befehlskette verstanden werden.
  • Solange ein Projekt noch läuft, ist das Scheitern oft noch nicht sichtbar, sodass es als erfolgreich dargestellt wird.
  • Hermit Tech sieht eigene Eingriffsmöglichkeiten meist erst, wenn die Krise real wird, und problematisiert laufende AI-Projekte nicht zuerst, sofern der Kunde nicht ausdrücklich Rat zur allgemeinen Datenstrategie verlangt.
• Dieser Ansatz beruht auf Gerry Weinbergs Grundsatz: „Consulting is influencing people at their request“.

Grenzen interner und kundenorientierter Chatbots

• Das häufigste AI-Projekt in Unternehmen sind LLM-Chatbots für interne Mitarbeitende oder für Kunden.
• Interne Chatbots haben sich in der Praxis kaum verbreitet.
  • Ist die Unternehmensdokumentation schlecht, kann ein LLM die für Antworten nötigen Informationen nicht beschaffen.
  • Es kann nur Informationen nutzen, die dokumentiert oder zugänglich gemacht wurden; Dokumentationsprobleme werden also nicht stellvertretend von AI gelöst.
• Auch kundenorientierte Chatbots lieferten selten zufriedenstellende Erfahrungen; eine Ausnahme war in etwa Echtzeit-Transkription bei medizinischen Behandlungen.
• Projektverantwortliche meiden grundlegende Kennzahlen wie die tatsächliche Nutzung des Tools oder wählen Metriken, die sich leicht manipulieren lassen.

• Fall Mitsubishi-Kundensupport

  • Nach einer Fahrzeugpanne kontaktierte man Mitsubishi. Ein automatisiertes Beratungssystem mit natürlicher Stimme und schnellen Antworten nahm das Problem auf und kündigte eine baldige Rückmeldung an.
  • Auch nach 6 Monaten kam keine Rückmeldung.
  • Es ließ sich nicht feststellen, ob die Anfrage wegen eines Fehlers erfasst wurde oder ohne menschliches Eingreifen als gelöst gezählt worden war.
  • In den Systemmetriken könnte das als Erfolg erscheinen, tatsächlich führte das Ergebnis aber dazu, dass der Kunde entschied, nie wieder ein Fahrzeug von Mitsubishi zu kaufen.

Wenn Organisationsstrategie zum AI-Glaubensbekenntnis wird

• In beobachteten Organisationen mit mehr als 500 Beschäftigten musste man zunehmend wiederholt bekunden, dass AI in diesem Geschäft alles verändern werde, um befördert zu werden oder den Arbeitsplatz zu behalten.
• Gefordert wurden nicht konkrete Nutzungsideen, sondern eher Äußerungen, die einem Glaubensbekenntnis ähneln.
  • Solche Aussagen kommen meist aus nichttechnischen Rollen, aber auch Techniker stimmen zu, um Wohlwollen zu gewinnen.
  • Es gab Fälle, in denen jemand sagte, „AI verändert alles“, aber kein einziges Beispiel für LLM-Nutzung oder veränderte Arbeitsabläufe in der eigenen Organisation nennen konnte.
  • Auch ein Beispiel wird genannt, in dem eine Führungskraft, die die Technologiestrategie einer Organisation mit mehr als 2 Milliarden Dollar Jahresumsatz AI-zentriert formuliert hatte, einräumte, nie ein AI-Tool einschließlich ChatGPT benutzt zu haben.
• Ein Teil davon sei bewusstes Übertreiben, um als Vordenker zu wirken; gefährlicher sei aber, wenn Menschen ohne technischen Hintergrund ihre eigenen Aussagen tatsächlich glaubten.
• Eine Organisation entließ ihre Top-Performer, weil diese ihre Leistung ohne LLMs erbracht hatten, und hielt an dieser Entscheidung nicht nur in der Außendarstellung, sondern auch bei eigenem Geld und interner Strategie fest.

Technische Fachleute zum AI-Einsatz zwingen

• Sowohl Skeptiker als auch Befürworter von AI sind sich einig, dass von der Unternehmensführung erzwungene LLM-Nutzung eine schlechte Strategie ist.
  • “Contra Ptacek’s Terrible Article On AI” bewertet den Nutzen von LLMs anders als Thomas Ptaceks “My AI Skeptic Friends Are All Nuts”.
  • Zum gleichen Schluss kommt man jedoch darin, dass es unangebracht ist, Fachkräften eine bestimmte Arbeitsweise vorzuschreiben.
• Wenn nichttechnische Führungskräfte ohne Zustimmung der Experten konkrete Verfahren und Tools verbindlich machen, ist das ähnlich problematisch, wie wenn der CEO eines Krankenhauses oder Tiefbauunternehmens Fachpersonal direkt medizinische oder bautechnische Methoden vorschreibt.

• AI-Washing und Token-Ranglisten

  • Manager zeigen sich selbst dann unzufrieden, wenn das Ergebnis stimmt, sofern dabei keine AI verwendet wurde. Deshalb arbeiten Mitarbeitende auf herkömmliche Weise und behaupten anschließend fälschlich, Claude habe die Arbeit erledigt.
  • Einige Organisationen betreiben Ranglisten, in denen höhere AI-Kosten oder größerer Token-Verbrauch besser bewertet werden.
  • Ingenieure, die für Systemoptimierung zuständig sind, lassen LLMs ihre eigenen Prompts wiederholen, um den Verbrauch zu erhöhen.
  • Selbst wenn die Ausgabe als nicht für den Einsatz geeignet gilt, wird sie verworfen und man erledigt etwas anderes, während nur die Nutzung aufgefüllt wird.
  • Ein Ingenieur erklärte, er lasse die AI den gesamten Klon eines Go-Repositorys in Zig neu schreiben und ignoriere das Ergebnis anschließend.
  • Wer Metriken auf diese Weise manipulierte, wurde nicht erwischt; entlassen wurden nur diejenigen, die die Strategie sichtbar anzweifelten.
  • Mitarbeitende lernen am Ende, dass es sicherer ist, die AI-Strategie des Managements zu loben.

Wie AI-Demos Kaufentscheidungen dominieren

• Eine der wichtigsten Infrastrukturen, die Hermit Tech bei Kunden ausrollt, ist die nutzungsbasierte Analytics-Datenbank Snowflake.
• Snowflakes Cortex ist eine AI-Schicht, die Metadaten wie die Bedeutung von Datenspalten nutzt, um Unternehmensdatenbanken per natürlicher Sprache abzufragen.
  • Sie kann Fragen wie „Wie hoch war der Umsatz letzte Woche?“ beantworten.
  • Laut Erinnerung an einen Vortrag von Snowflake-Mitarbeitenden lag die Genauigkeit selbst bei idealer Konfiguration wegen der Komplexität großer Unternehmensdaten nur bei etwa 92 %.
  • Wenn ungefähr jede zehnte Zahl, die ein CFO sieht, falsch sein kann, und es zudem schwerwiegende Probleme beim Deployment-Management gibt, hält man das für ungeeignet für den Produktionseinsatz.
• Trotzdem ließ sich mit Cortex leicht eine beeindruckende Demo bauen.

• Eine Vorführung, die Warnungen wirkungslos machte

  • Selbst Kunden, die dem ursprünglichen Vorschlag eher kühl gegenüberstanden, wollten nach einer Demo zur Datenabfrage in natürlicher Sprache sofort kaufen.
  • Obwohl ausdrücklich gewarnt wurde, dass sich damit das gewünschte Ergebnis nicht erzielen lasse, wollten sie das Budget auf Chatbots konzentrieren und sogar Wirkungen im Millionen-Dollar-Bereich zurückstellen, die sich ohne AI erzielen ließen.
  • Hermit Tech stellte den Verkauf ein, weil es unverantwortlich sei, die Urteilslücke der Kunden auszunutzen, und weil Reputations- und Rechtsrisiken zu groß seien; anschließend wurde Cortex aus der Demoliste entfernt.
  • Die Demo entstand in etwa 2 Stunden, indem Datenbeschreibungen in den Browser eingegeben wurden, funktionierte für potenzielle Kunden – darunter eine an der ASX notierte Gesellschaft, die bereits für ihren AI-Einsatz warb – aber besser als alles, was sie durch ihre bisherigen Investitionen erreicht hatten.
  • Danach brach man die Geschäftsbeziehung mit allen potenziellen Kunden ab, die über kurzfristige Neugier hinaus eine starke AI-Fixierung zeigten.
  • Nicht nur aus moralischer Ablehnung, sondern auch weil sich Reputations- und Rechtsrisiken im Vertragsprozess kaum vermeiden ließen.
  • Auch die von ihnen aufgebauten Managementumgebungen wurden zunehmend religiös aufgeladen und ineffizient.

Das Koordinationsproblem, das Führungskräfte fesselt

• Ein Teil der Führungskräfte, die große AI-Initiativen leiten oder öffentlich übertriebene Aussagen machen, glaubt selbst nicht daran.
  • Einige AI-Verantwortliche in Unternehmen mit mehr als 1 Milliarde Dollar jährlich wiederkehrendem Umsatz sagen, sie hielten ihre Rolle für fiktiv, hätten sie aber übernommen, weil sie im Unternehmen der einzige Weg zur Beförderung sei.
  • Mehrere CISOs seien intern still skeptisch gegenüber AI-Initiativen, fürchteten sich aber davor, öffentlich dagegen aufzutreten.
• Eine Führungskraft eines Fortune-500-Unternehmens sagte, wenn Führungskräfte auf Kundenseite von 100-fachen Produktivitätssteigerungen sprechen und ein Anbieter das bestreitet, könne dies das Vertrauen des Kundenmanagements beschädigen und zur Kündigung von Unternehmensverträgen führen.
• Anbieter sind zugleich Kunden anderer Anbieter; jede Unternehmensführung fürchtet daher, selbst zuerst Nachteile zu erleiden, wenn sie die Übertreibungen der Gegenseite offen widerlegt.
• Das schafft ein Koordinationsproblem, das ehrliche Aussagen über AI-Ergebnisse erschwert.
  • Wenn alle ihre bisherige Haltung beibehalten, können sie ihre Positionen sichern.
  • Wenn eine Person falsche Erfolgsbehauptungen bestreitet, kann das so wahrgenommen werden, als mache sie Kollegen zu Lügnern, Feiglingen oder Inkompetenten, und sie kann entlassen werden.
  • Der frei gewordene Platz wird dann wieder mit jemandem besetzt, der der bisherigen Linie folgt.
  • Würden alle es gleichzeitig eingestehen, könnte sich die Lage ändern, aber es gibt kein Mittel, das zu koordinieren.
• Auch Mitglieder von S&P-500-Aufsichtsgremien äußern die Sorge, nur dann ihre Position zu behalten, wenn sie AI-Investitionen einfordern.
  • Ein Mitglied sagte: „So früh zu investieren scheint wenig Aufwärtspotenzial und nur Risiko zu haben.“
  • Rund 2 Jahre später vermarktete sich das betreffende Unternehmen mit Milliardenumsatz selbst als AI-native.

Der AI-Reinheitstest für jedes Vorhaben

• Weil sich Zweifel am AI-Glauben nicht öffentlich äußern lassen, kommt die normale Entscheidungsfindung in Organisationen zum Stillstand.
• Mitarbeitende werden an leicht manipulierbaren Kennzahlen wie AI-Ausgaben gemessen, und wer unnötige Käufe ablehnt, muss damit rechnen, dass seine Loyalität zur AI-Strategie infrage gestellt wird.
• Jeder Vorschlag, der von interner Politik beeinflusst wird, muss ein AI-Element enthalten, auch wenn sein Wert unklar ist.
• Viele AI-Projekte sind im Kern bestehende Vorhaben, denen ein AI-Schritt hinzugefügt wurde, damit sie den Reinheitstest der Organisation bestehen.

• Migration von Oracle zu Snowflake

  • Eine Organisation ergänzte bei der Migration einer Oracle-Datenbank nach Snowflake einen vorbereitenden Schritt, bei dem ein LLM Oracle SQL automatisch in Snowflake SQL umwandeln sollte.
  • Als die Automatisierung scheiterte, weil die nötigen Berechtigungen nicht beschafft werden konnten, wandelte der Anbieter das SQL manuell um.
  • Die Ursache des Scheiterns lag nicht in den Umwandlungsfähigkeiten des LLM, sondern in fehlenden Automatisierungsrechten.
  • Weil einige unwichtige SQL-Teile AI-konvertiert eingefügt wurden, wurde das Gesamtprojekt trotzdem als AI-basierter Erfolg abgerechnet.
  • Tatsächlich ging es beim Kauf um eine Standard-Datenbankmigration, um das bestehende System vor der Lizenzverlängerung abzuschalten.
  • Nach oben wurde jedoch gemeldet, man habe „einen erheblichen Teil des Budgets AI zugewiesen und das Ziel erreicht“.

Das Schicksal von Vorhaben, die sich kaum noch AI nennen lassen

• Echte AI-Projekte, bei denen LLMs der einzige zentrale Mechanismus sind und sich Erfolg oder Misserfolg klar an konkreten Zahlenzielen messen lässt, sind selten.
• Dieser Typ wurde vor allem bei Startups beobachtet; einige baten Hermit Tech jedoch am Ende von Vertriebsgesprächen, ein angeblich bereits fertiges, vermarktetes Produkt doch stellvertretend für sie zu bauen.
• Lässt sich kein AI-Element anfügen oder weigert sich der Vorschlagende, die Sache falsch zu verpacken, verschwindet der Budgetantrag oder sämtliche Unterlagen müssen so überarbeitet werden, dass sie „genug nach AI aussehen“.
• Es gibt auch immer mehr Unternehmen, die vor zusätzlichem Personal erst einen Versuch mit AI verlangen.
  • Wer sagt, AI sei ausprobiert worden, aber Personal werde trotzdem noch gebraucht, kann als „jemand, der AI nicht richtig nutzt“ eingestuft und abgebaut werden.
• Außer bei wenigen Unternehmen, in denen AI tatsächlich die höchste Priorität löst, fällt es großen Organisationen dadurch schwer, sich auf rationale Softwarebeschaffung, Personaleinstellung, Projektstatusberichte und die Durchführung wichtiger Vorhaben zu konzentrieren.

Wenn ein bestimmtes Projekt gerettet werden muss

• Wer statt des gesamten AI-Glaubens einer Organisation lieber ein bestimmtes Projekt oder ein anderes Ziel erreichen will, sollte öffentliche Konfrontationen vermeiden.

• Einzelgespräche und Anonymität

  • Es ist besser, Probleme von AI-Projekten nicht in Gruppensitzungen anzusprechen.
  • Denn die Teilnehmenden fürchten, vor Kollegen als Skeptiker dazustehen.
  • Stattdessen sollte man Einzelgespräche organisieren, deutlich machen, dass die AI-Umgebung überhitzt sein könnte, und zusichern, dass die Identität der Sprechenden geschützt wird.
  • Hinweise, an denen Kollegen die sprechende Person erkennen könnten – etwa direkte Zitate –, müssen entfernt werden.
  • Wenn nur etwa 1 von 6 Personen bereit ist, Probleme anzusprechen, ist es womöglich besser, in eine andere Organisation oder ein anderes Projekt mit höheren Erfolgsaussichten zu wechseln.

• Verborgene Spaltung per anonymer Bewertung finden

  • Anonyme Umfragen, in denen die Erfolgsaussichten eines laufenden Vorhabens auf einer Skala von 1 bis 10 bewertet werden, können wirksam sein.
  • Ein typisches beobachtetes Ergebnis war eine zweigipflige Verteilung: Die eine Hälfte vergab 3 Punkte, die andere ungefähr 8.
  • Diese Spaltung zeigte sich sogar bei Projekten, die bereits 3 Jahre im Verzug waren.
  • Zeigt man dieses Ergebnis dem CEO, kann damit bestätigt werden, dass Informationen über den Projektzustand zurückgehalten werden.

• Warum man die tatsächlichen Nutzer befragen muss

  • Die Mitarbeitenden an der Front, die das Tool im Alltag verwenden, sind die einzige Datenquelle, mit der sich der Ertrag der Investition beurteilen lässt.
  • Man muss dafür sorgen, dass sie in einem Umfeld sprechen können, in dem sie respektiert werden; in großen Organisationen gibt es mitunter Personen, die Untergebene nicht als Gleichwertige betrachten.
  • Bei einem Kunden stellte sich heraus, dass Mitarbeitende nicht einmal wussten, dass sie AI-Tool-Lizenzen erhalten hatten, wodurch die Grundlage früherer Produktivitätsbehauptungen ins Wanken geriet.

• Nicht frontal mit breiten Überzeugungen kollidieren

  • Wenn es um die Lösung eines konkreten Problems geht, ist es oft besser, pauschale Aussagen wie „AI verändert alles“ unkommentiert stehen zu lassen.
  • Erst nachdem man das Vertrauen der ranghöchsten Person gewonnen hat, kann man die Wahrnehmung der Realität in der Organisation herausfordern.
  • Vertrauen entsteht eher, wenn man Unsicherheit in einem privaten Essen entschärft, statt jemandem öffentlich peinlich zu werden zu lassen.
  • Vor einer Besprechung lässt sich schwer wissen, wer welche öffentlichen Zusagen bereits gemacht hat.
  • Wer schon gesagt hat, die Produktivität sei „100-mal höher als im Vorjahr“, kann das aus Gesichtsgründen womöglich nicht mehr zurücknehmen, selbst wenn er es möchte.
  • Selbst die vernünftige Aussage „LLMs sollten ohne menschliche Prüfung keinen Code deployen“ kann zu Beginn eine Beziehung abbrechen lassen.
  • Wenn ein gemeinwohlorientiertes Ziel wichtig ist, kann es als realistische Überlebensstrategie sogar sinnvoll sein, ein 10.000-Dollar-AI-Chatbot-Element an ein Kernvorhaben anzuhängen und in Sitzungen genau diesen Teil hervorzuheben.

Wenn man im Unternehmen ausharren muss

• Man muss akzeptieren, dass sich dagegen praktisch nur schwer Widerstand leisten lässt; das Problem liegt weniger in AI selbst als in einer dysfunktionalen Unternehmenskultur.
• Ein Wechsel von Festanstellung zu Vertragsarbeit kann die Vergütung erhöhen und Distanz zur internen Politik schaffen; außerdem gibt es selbst in schwer erträglichen Situationen ein festes Vertragsende.
• Den Konsum von AI-Nachrichten sollte man so weit begrenzen, dass die psychische Belastung sinkt.
  • Orte wie Hacker News und Reddit, die ständig neue einschlägige Meldungen liefern, sollte man meiden.
  • Man sollte nur so viel lesen, wie nötig ist, um den Realitätssinn zu bewahren, und dann aufhören.
  • Auch wenn man sich bei Freunden auskotzt, ist es besser, den Zweck dieses Gesprächs vorab klarzumachen.
• Wenn jemand AI für einen ungeeigneten Zweck nutzt, aber keine unmittelbare körperliche Gefahr besteht, ist es oft besser, einfach mitzuspielen und weiterzugehen.
• Wenn man als Programmierer um eine Meinung zu AI gebeten wird, empfiehlt sich – solange das Gegenüber keine wichtigen Entscheidungen beeinflusst – eine knappe Antwort wie „Da wird auch viel übertrieben“ und dann ein Themenwechsel.

• Wenn große Mengen AI-Code die Arbeit auffressen

  • Wer fortlaufend 2.000 Zeilen lange, minderwertige AI-generierte PRs prüfen muss, sollte sofort mit der Jobsuche beginnen, ausgehend davon, dass die Organisation am Ende die Prüfer ausbrennt und dann entlässt.
  • Es ist schwer, die Ersteller zu einem anderen Vorgehen zu bewegen, und besser, den Wechsel vorzubereiten, solange noch Energie vorhanden ist.
  • Selbst wenn die eigene Arbeitsgeschwindigkeit wegen der Jobsuche sinkt, tritt das gleiche Problem sonst später wegen Burnout und Depression ohnehin auf.

• Wenn der Manager mit AI-generierten Sätzen kommuniziert

  • Wenn ein Manager mit offenkundig AI-generiertem Text antwortet, sollte man ebenso antworten, um die psychische Last zu senken, und sich einen neuen Job suchen.
  • Ein solcher Manager könnte es eher positiv bewerten, dass Mitarbeitende AI nutzen, als es als Unhöflichkeit aufzufassen.
  • Wenn sogar verlangt wird, den Token-Verbrauch maximal auszureizen, sollte man sich auf den Ausstieg aus der aktuellen Organisation vorbereiten.
  • Unternehmen, in denen diese Probleme weniger ausgeprägt sind, gibt es durchaus, aber häufig sind es kleinere Firmen, die auf Jobplattformen kaum sichtbar sind; die Suche kann Monate dauern und sollte deshalb früh beginnen.

Das Problem, das langfristig bleibt

• Selbst wenn die aktuelle AI-Blase irgendwann endet, können die irrationalen Muster in den Führungsschichten später durch andere Trends erneut aktiviert werden.
• Manche Organisationen könnten – ähnlich wie Fälle, die nie aus dem Blockchain-Hype herauskamen – in einem ideologisch vereinnahmten Zustand bleiben, bis sie vollständig kollabieren.
• Kurzfristig sollte man nicht öffentliche Daten und Einschätzungen aus der Praxis sichern, soweit sich damit vernünftige Urteile wiederherstellen lassen; in Organisationen, die sich nicht ändern lassen, sollten der eigene Realitätssinn und die persönliche Überlebensfähigkeit Vorrang haben.