Die seltenste Fähigkeit im KI-Zeitalter: Übersetzen zwischen Business, Technologie und Prozess
Kurzfassung
Die fachübergreifende Übersetzungsfähigkeit wird zur entscheidenden Kompetenz im KI-Zeitalter – nicht weil es gut klingt, sondern weil nach der KI-Übernahme alles, was nur eine Sprache erfordert, nur noch Übersetzungsarbeit übrigbleibt.
Es gibt eine Art von Menschen, deren Wert im KI-Zeitalter schnell steigt. Auf LinkedIn bezeichnen sie sich selten als „KI-Experten.”
Wenn Sie ein GenAI-Projekt in einer Bank vorantreiben, ist das erste Problem fast nie „das Modell ist nicht gut genug.” Normalerweise ist es: Die Business-Seite weiß nicht, was KI kann. Die Engineering-Seite weiß nicht, was das Business will. Und die Prozess-Seite weiß nicht, wie sie die Antworten beider Seiten verbinden soll. Drei Menschen im selben Raum, die verschiedene Sprachen sprechen. Die Person, die sie verbinden kann, entscheidet oft darüber, ob das Projekt überhaupt vorankommt.
Diese Menschen sind schwer zu finden, auch weil niemand diese Fähigkeit je sauber definiert hat. Ihre Titel reichen von PM über Business-Analyst bis hin zu Prozessberater – oder einfach „die Person, die sich um alles kümmert.” Was sie gemeinsam haben: Sie verstehen, was der Ingenieur wirklich sagt, übersetzen es in etwas, das das Business akzeptieren kann, und wandeln die Anforderungen des Business zurück in Spezifikationen um, mit denen Ingenieure arbeiten können. In beide Richtungen.
Das ist keine Soft Skill. Das ist eine konkrete und erlernbare Fähigkeit. Und kurzfristig kann KI sie nicht ersetzen.
KI kann Code schreiben, Daten analysieren, Berichte erstellen. Aber KI kann nicht in einem Besprechungsraum sitzen und erkennen, dass der CFO mit „das ist zu teuer” eigentlich meint: „Ich bin nicht sicher, ob das sicher ist.” Sie kann auch nicht wissen, dass der Ingenieur mit „technisch machbar” implizit meint: „Gib mir sechs Monate und drei Leute.” Das sind keine Sprachprobleme. Das sind Vertrauens- und Kontextprobleme.
Was domänenübergreifende Übersetzer tun: Sie fördern diese verborgenen Voraussetzungen zutage, legen sie auf den Tisch, und schaffen die Bedingungen, unter denen drei Gruppen mit verschiedenen Sprachen tatsächlich zu einer gemeinsamen Aussage kommen. Das war schon vor KI schwierig. Da KI heute verändert, was jede Abteilung leisten kann, ist es noch schwieriger geworden.
Ich erinnere mich an eine bestimmte Besprechung.
Ein Quartalsreview. Eine Businessleiterin sagte, ihr Kreditprüfungsteam sei „ineffizient” und wolle KI-Automatisierung einführen. Das Engineering-Team entwickelte ein Dokumentenanalyse-Modell mit 91% Genauigkeit. Das finale Demo vor dem Launch war das erste Mal, dass beide Seiten gleichzeitig im selben Raum waren.
Die Leiterin sah sich das Demo an und stellte eine Frage: „Wenn das System einen Fehler macht, wie erkläre ich das dem Kunden?”
Der Ingenieur antwortete: „91% Genauigkeit gilt für diese Art von Aufgaben als sehr hoch.”
Zehn Sekunden Stille.
Diese Stille sagte nicht „die Antwort war nicht gut genug.” Sie sagte: Beide stellten völlig verschiedene Fragen. Die Leiterin fragte nach Verantwortung. Der Ingenieur antwortete mit einer technischen Kennzahl. Keiner hatte unrecht. Aber das Gespräch blieb an diesem Punkt stehen.
Die Person, die in diese Lücke trat, kam weder aus dem Business noch aus dem Engineering. Er übersetzte „91%” in: „Von hundert Anträgen werden neun manuelle Prüfung benötigen – wir müssen einen Workflow gestalten, der sicherstellt, dass diese neun nie direkt beim Kunden ankommen.” Die Leiterin nickte. Der Ingenieur wusste, was als nächstes zu bauen war. Das Projekt kam voran.
Er änderte keine Zahl, erfand keine neue Technologie, schrieb keine Geschäftslogik um. Er fand nur die Sprache, mit der beide Seiten arbeiten konnten, damit das Gespräch weitergehen konnte.
Diese Fähigkeit lässt sich nicht abkürzen. Python hat Tutorials. Finanzmodellierung hat Prüfungen. GenAI hat Kurse. „Zwischen Business und Engineering übersetzen” lernt man hingegen meistens dadurch, dass man tatsächlich in beiden Räumen gleichzeitig steht, von beiden Seiten gleichzeitig Antworten braucht, und die Fähigkeit unter diesem Druck entwickelt.
In meinen Jahren mit GenAI-Projekten in einer Bank waren die häufigsten Fragen nicht „Wie genau ist dieses Modell?” Sie lauteten: „Wer ist verantwortlich, wenn etwas schiefgeht?”, „Wie ändert sich unser Workflow nach der Einführung?”, „Wie viel Zeit braucht mein Team zum Erlernen?” Technologie war nur ein Teil des Bildes. Der Rest war Menschen, Prozesse, Vertrauen und der Faden, der drei verschiedene logische Welten verbindet.
Die Kernkompetenz im KI-Zeitalter ist nicht, wer das neueste Modell kennt. Es ist, wer das neueste Modell tatsächlich in einer echten Organisation zum Einsatz bringen kann. Die Lücke zwischen beidem ist der Wert des Übersetzers.
Wenn dieser Artikel hilfreich war, abonnieren Sie den Newsletter für wöchentliche KI-PM-Einblicke und GenAI-Fallstudien.
Verwandte Artikel
KI ersetzt zuerst nicht den Banker – sondern denjenigen, der Daten weiterleitet
In der Bankbranche greift KI nicht zuerst urteilsintensive Stellen an. Sie zielt auf die Weiterleitungskette ab – auf die Menschen, die Daten von A nach B bewegen. Wie viel Ihres Tages ist eigentlich Weiterleitung?
ChatGPT verbindet sich mit Ihrem Bankkonto: OpenAIs Finanz-Feature löst Datenschutz-Debatte aus
OpenAI und Plaid ermöglichen ChatGPT Pro-Nutzern, über 12.000 Finanzinstitute zu verbinden. Ausgabenanalyse, Portfolioverfolgung und Finanzplanung – aber Nutzer stellen kritische Datenschutzfragen.