Die Anti-To-Do-Liste: Die Frage, die man stellen sollte, bevor man das nächste AI-Tool kauft

Die meisten AI-Projekte, die ich in den letzten drei Jahren beobachtet habe, sind an einer Frage gescheitert, die niemand gestellt hat, weil sie zu offensichtlich wirkte, um sie laut auszusprechen: Warum machen wir das eigentlich noch selbst? Stattdessen beginnt fast jedes AI-Meeting mit einer anderen Frage. Wie machen wir das schneller? Das klingt vernünftig. Es ist der Anfang fast jeder enttäuschten AI-Initiative, die ich kenne.

Auch ich habe mir die Geschichte vom Schnellerwerden erzählt. Bei SlopeLift haben wir 2023 und 2024 Workflows gebaut, getestet und wieder abgerissen. Manche zündeten, manche gingen komplett daneben. Nach genug abgerissenen Workflows wurde mir klar, dass die Fragestellung das Problem war. Die Technologie funktionierte. Beschleunigt man einen schlechten Prozess, bekommt man mehr vom falschen Output, nur schneller. Das klingt offensichtlich, sobald man es ausspricht. In der Praxis sieht man es erst, wenn der Stapel Output vor einem liegt und jemand fragt, was man jetzt damit anfangen soll.

Der Schredder vor dem Tool

Sinnvoller ist die umgekehrte Reihenfolge. Bevor ein Prozess ein Tool bekommt, kommt er auf die Werkbank, mit einer einzigen Frage: Gehört er in den Schredder? Die meisten Organisationen führen eine To-do-Liste mit Aufgaben, die erledigt werden müssen, und kaufen Tools, um sie zu beschleunigen. Die Anti-To-Do-Liste sucht das Gegenteil: Aufgaben, die den Schreibtisch ganz verlassen sollen, weil sie kein Mensch überhaupt anfassen sollte.

Eine schnellere Aufgabe ist immer noch deine Aufgabe. Eine abgegebene Aufgabe verlässt deinen Schreibtisch, und erst dann wird Kapazität frei für die Arbeit, in der Differenzierung tatsächlich entsteht.

Drei Kategorien

Drei Kategorien tauchen in fast jedem Unternehmen auf, mit dem wir sprechen. Die erste ist die Arbeit, die keiner will. Datenbereinigung, Formatierung, die repetitiven Reporting-Schritte, die qualifizierte Leute als unter ihrer Würde empfinden und deshalb halbherzig oder gar nicht erledigen. Hier fängt man am leichtesten an, denn niemand verteidigt seinen Anspruch darauf, Umlaute in einer CSV zu reparieren. Wir hatten vor dem Reporting eine wöchentliche Datenbereinigung, die zuverlässig zwei Stunden fraß; heute erledigt sie ein Agent in vier Minuten, und niemand hat den zwei Stunden nachgetrauert. Die Ersparnis ist am nächsten Tag sichtbar, und sie überzeugt Skeptiker schneller als jede Slide über Agentic Workflows.

Die zweite sind die Wissenslücken. Schnelle Recherche in einer unbekannten Branche, Wettbewerbsscans, Briefing-Vorbereitung. Diese Arbeit tarnt sich als Warten: Es geht nicht weiter, weil man sich zuerst zehn Wettbewerber ansehen müsste, und zehn Wettbewerber anzusehen ist mühsam, also bleibt es liegen. Ein Agent erledigt diesen Sprint in Minuten, und der Mensch steigt dort wieder ein, wo das Material interpretiert werden muss. Eine Warnung: Datenbereinigung verzeiht Fehler, Recherche nicht. Eine falsche Zahl in einer Zusammenfassung kann überzeugend klingen und geradewegs in einem Kundendokument landen. Das Sammeln abgeben, das Urteil behalten.

Die dritte ist die Blockade vor dem leeren Blatt, der Sprung von null auf irgendetwas: erste Entwürfe, Konzeptgerüste, die leere Seite am Anfang jedes kreativen Prozesses. Hier ist der Widerstand am größten, weil sich ein erster Entwurf nach Autorschaft anfühlt. Der Wert liegt aber im Urteil, das auf den Entwurf folgt: was bleibt, was fliegt, was beim Kunden ankommt und was danebengeht. Ein Agent, der das leere Blatt füllt, löst die Blockade und lässt dir die Autorschaft.

Was die Forschung sagt, und wo sie warnt

Die Anti-To-Do-Logik hat ein empirisches Rückgrat, das in diesem Zusammenhang selten zitiert wird. 2023 beobachtete ein Team um Fabrizio Dell’Acqua an der Harvard Business School 758 Beraterinnen und Berater bei der Arbeit mit GPT-4. Innerhalb des Aufgabenbereichs, den das Modell gut beherrscht, waren die Zugewinne groß: mehr erledigte Aufgaben, schneller, in höherer Qualität. Außerhalb dieses Bereichs, an der Grenze, die die Forscher „Jagged Frontier“ nannten, lag das Modell selbstsicher falsch, und wer ihm dort vertraute, schnitt messbar schlechter ab.

Die Lehre passt genau auf die Liste. Die Commodity-Arbeit vollständig abgeben, also die drei Kategorien oben, damit die Aufmerksamkeit frei ist für die Arbeit, bei der man die Kontrolle behalten muss. Die Falle ist, alles abzugeben und sich zurückzulehnen: Genau dort verschlechtert AI den Output und sieht dabei produktiv aus. Man delegiert das eine, um beim anderen präsenter zu sein.

Nichts davon braucht am ersten Tag ein neues Tool. Es braucht eine Liste, geschrieben mit dem Team im Raum, denn die Anti-To-Do-Liste ist eine Teamübung. Wer als Einzelner ein Tool einführt, wird nur persönlich schneller, während alle anderen weiterarbeiten wie bisher, und das ist Umverteilung, kein Gewinn.

Vor der nächsten Tool-Demo würde ich deshalb nur eines von deinem Team verlangen: die drei Aufgaben auf dem Schreibtisch dieser Woche zu benennen, die ein kompetenter Agent komplett übernehmen könnte. Wer keine drei findet, hat nicht genau genug hingesehen. Wer sie findet, hat seine Anti-To-Do-Liste, und noch keinen Cent ausgegeben.