Warum es das Framework gibt
Es begann 2023 als Experiment, noch mitten im Beratungsalltag. Nach dreißig Jahren Beratung für Finanzdienstleister wollte ich wissen, was generative AI an echten Aufgaben trägt: an Diagnosen, Konzepten, Entscheidungsvorlagen. Ab 2025 wurde aus dem Experiment System: erst zur Vorbereitung meines Interim-Mandats, dann als tägliches Arbeitsgerüst.
Die erste Einsicht war ernüchternd: Einzelergebnisse konnten beeindrucken, aber die Qualität war nicht wiederholbar. Was heute präzise gelang, geriet morgen beliebig, weil die Güte an der Tagesform des Dialogs hing. Für ein Geschäft, in dem Verlässlichkeit das Produkt ist, ist das disqualifizierend.
Also habe ich angefangen, Methodenwissen zu kodifizieren: die Diagnostik-Raster, Ursachenanalysen, Bewertungslogiken und Steuerungsroutinen aus drei Jahrzehnten Projektarbeit wurden zu wiederverwendbaren Bausteinen. Die Ergebnisse wurden deutlich besser. Damit zeigte sich das nächste Problem: Bausteine ohne Ordnung ergeben noch keine Delivery. Es brauchte ein Rückgrat. So entstand das Framework: ein Phasenmodell mit Toren, an denen jedes Zwischenergebnis geprüft wird, bevor es weitergeht — begonnen im laufenden Interim-Mandat, danach systematisch ausgebaut.
Dann kam die lehrreichste Phase. Mit jedem Ausbau wuchsen Nebenwirkungen: Regeln widersprachen einander, Versionen drifteten auseinander, der Prüfapparat wucherte. Was Unternehmen an generativer AI zu Recht fürchten — schleichenden Qualitätsverlust bei wachsender Komplexität — hatte ich nun im eigenen System vor mir. Mit einem Unterschied: Ich konnte ihn messen.
Die Konsequenzen griffen ins Konzept. Eine Versionsverwaltung als Rückgrat, in der keine Änderung ohne Prüfung passiert. Konservierte Referenzfälle (golden cases), gegen die jede Änderung automatisch getestet wird, bevor sie gilt. Ein konsequenter Rückbau des Prüfapparats auf die Prüfungen, die nachweislich Fehler fangen. Ein dokumentiertes Delta für jeden Versionssprung. Und die wichtigste Regel: Jede Freigabe liegt beim Menschen. Das System strukturiert, prüft und hält konsistent — entschieden wird von mir.
Heute steht ein Framework, das AI für Struktur, Konsistenz, Fleißarbeit und Prüfbarkeit einsetzt — und dem Experten überlässt, was ihm gehört: Urteil, Kontext, Verantwortung. Mandantendaten durchlaufen dabei ein striktes Pseudonymisierungs-Regime; vertrauliche Information verlässt den geschützten Rahmen nicht.
Ich verkaufe nicht die Behauptung, dass AI-gestützte Delivery funktioniert. Ich habe ihre Fehlermodi selbst durchlebt, vermessen und geschlossen. Deshalb: Proven Delivery.
