Preparing for Boardroom AI: Warum Ihre Meetings heute einen ETL-Prozess brauchen
KI wird nicht daran scheitern, dass die Modelle zu schwach sind, sondern daran, dass Ihre Entscheidungsdaten unstrukturiert sind. Dieser Artikel zeigt, wie Sie Ihre Meetings heute so gestalten, dass morgen Boardroom-AI darauf trainieren kann.
Preparing for Boardroom AI: Warum Ihre Meetings heute einen ETL-Prozess brauchen
Autor: Heiko Meyer | Thema: AI-Readiness & Data Engineering
Wir stehen an der Schwelle zur „Self-Driving Organization“. Unternehmen experimentieren mit Agentic Workflows und LLMs (Large Language Models), um Prozesse zu automatisieren.
Doch wenn es um den Kern der Unternehmensführung geht - strategische Entscheidungen -, bleibt die KI meist außen vor.
Warum? Weil ihr das Futter fehlt.
Die meisten Unternehmen leiden unter einem massiven „Dark Data“-Problem. Entscheidungen entstehen in Meetings. Sie werden mündlich diskutiert. Selbst wenn Sie Transkripte (Speech-to-Text) erstellen, erhalten Sie unstrukturiertes Rauschen. Eine KI kann aus 100 Stunden Meeting-Audio vielleicht eine Zusammenfassung schreiben, aber sie kann keine Kausalitäten lernen.
Sie versteht nicht, warum Entscheidung A zu Erfolg B geführt hat.
Damit KI im Management funktionieren kann, müssen wir unsere Arbeitsweise ändern. Wir brauchen einen ETL-Prozess (Extract, Transform, Load) für das Boardroom.
Das Decision-OS ist genau dieser Layer. Dieser Artikel beschreibt, wie Sie Entscheidungen heute strukturieren müssen, um morgen eigene KI-Modelle darauf trainieren zu können.
Realitäts-Check: Warum Microsoft Copilot im Boardroom scheitert: Ich erlebe es gerade bei vielen Kunden: Sie schalten Microsoft Copilot in Teams-Meetings ein und hoffen auf Magie. Das Ergebnis? 'Copilot sagt, wir haben über Budget diskutiert.' Ja, aber Copilot hat nicht verstanden, dass der CFO das Budget nur unter der Bedingung X freigegeben hat, wenn Marketing Y liefert. Diese Kausalität geht im 'Transcript-Rauschen' verloren. KI ohne Struktur liefert Zusammenfassungen, keine Entscheidungslogik.1. Das Datenmodell: Von Prosa zu RAG
Ein Large Language Model (LLM) halluziniert, wenn es keinen Kontext hat. Um präzise Vorschläge zu machen („Sollen wir in Markt X investieren?“), benötigt es RAG (Retrieval Augmented Generation).
Das Decision-Log ist die perfekte Datenbank für RAG. Es zerlegt den komplexen sozialen Vorgang „Entscheidung“ in fünf maschinenlesbare Dimensionen1:
Dimension 1: Der Prompt (Input)
- Feld im Log: Titel & Kontext
- KI-Funktion: Das ist die Problemstellung. Die KI lernt, welche Arten von Problemen in Ihrer Organisation auftauchen.
Dimension 2: Die Constraints (Context Window)
- Feld im Log: Anhänge / Links
-
KI-Funktion: Hier liegen die Excel-Sheets, PDFs und Marktanalysen, die zum
Zeitpunkt
tverfügbar waren. Die KI lernt, welche Datenbasis für welche Entscheidungshöhe notwendig ist2.
Dimension 3: Die Logik (Processing)
- Feld im Log: Rationale (Herleitung) & Consulted
- KI-Funktion: Das Herzstück. Hier steht nicht nur was entschieden wurde, sondern warum. Wer wurde gehört? Welche Argumente haben den Ausschlag gegeben? Das ist das „Cognitive Reasoning“, das die KI imitiert3.
Dimension 4: Das Ergebnis (Output)
- Feld im Log: Entscheidung (Klartext)
- KI-Funktion: Die finale Aktion. Die KI lernt die Korrelation zwischen Problem (1), Daten (2) und Beschluss (4)4.
2. RLHF: Das Training durch Feedback
Das wichtigste Element für eine lernende Organisation ist das Feedback. Woher weiß die KI, ob eine Entscheidung gut war?
In klassischen Protokollen fehlt diese Information. Das Protokoll wird abgeheftet und nie wieder angesehen.
Im Decision-OS ist das Feld Review Status (nach 3–6 Monaten) der entscheidende Feedback-Loop.
- War die Entscheidung Verified (Erfolg)?
- Oder Failed (Fehlschlag)?
Technisch gesehen ist dies RLHF (Reinforcement Learning from Human Feedback.
Wenn Sie das Decision-Log konsequent führen, bauen Sie einen Datensatz auf:
„In 80 % der Fälle, in denen wir bei Markt-Eintritten (Input) weniger als 50k Budget (Constraint) hatten, war das Ergebnis 'Failed'.“
Eine KI, die mit diesen historischen Daten gefüttert wird, wird künftig warnen:
„Achtung: Basierend auf unseren historischen Daten aus 2023–2025 ist die Wahrscheinlichkeit eines Scheiterns bei diesem Budget hoch. Empfehlung: Budget erhöhen oder Scope reduzieren.“ 5
3. Privacy by Design: System vs. Individuum
Wenn wir Management-Daten in KI-Modelle füttern, schreit der Betriebsrat (zurecht) auf. „Werden wir jetzt überwacht?“
Die Architektur muss hier eine klare Firewall einziehen.
Die Tech-Spec für Ethik:
Beim Export der Daten für das Training (ETL) müssen personenbezogene Felder anonymisiert werden.
- Keep: Problem, Kontext, Entscheidung, Ergebnis.
- Drop: DRI-Name, Performance-Daten.
Wir trainieren die KI darauf, das System zu optimieren („Wie entscheiden wir als Firma?“), nicht das Individuum zu bewerten („Wie gut entscheidet Peter?“)6.
Diese Trennung muss im Datenmodell hart codiert sein.
Fazit: Konservieren Sie Ihre Intelligenz
Wenn heute ein erfahrener Senior Manager Ihr Unternehmen verlässt, nimmt er seine Intuition mit. Sein Wissen ist weg.
Wenn Sie Decision-OS nutzen, bleibt seine Entscheidungslogik in der Datenbank.
Sie bauen heute das „Organizational Memory“.
Hören Sie auf, Meetings als flüchtige Ereignisse zu betrachten. Betrachten Sie sie als Data Mining.
Wer heute keine strukturierten Daten sammelt, hat morgen keine KI-Strategie.
Plus: Die Rente ist der Daten-GAU Wenn Ihr bester Vertriebsleiter nächstes Jahr in Rente geht, nimmt er 30 Jahre Intuition mit. Oder, der Mitarbeiter verlässt das Unternehmen nach 15 Jahren. Sein 'Neuronales Netz' verlässt das Gebäude. Wenn Sie Decision-OS nutzen, bleibt ein digitaler Abdruck seiner Entscheidungs-Muster zurück. Das ist die einzige Form der Unsterblichkeit, die wir im Business haben.
Deep Dive:
Sie wollen wissen, wie die Vision der „Self-Driving Organization“ aussieht und wie Agenten wie
LogAI und ClaritAI künftig Governance übernehmen?
Den Blick in die Zukunft finden Sie in Kapitel 21 und 22 des Handbuchs Decision-OS.