Ignite Your GTM With AI, Kapitel 2: Die Bändigung der Black Box und der Tod des „KI-Mitarbeiter“-Mythos
25. November 2025Von Jonathan M. Kvarfordt
Willkommen zurück zu unserem Deep Dive in Ignite Your GTM With AI. Im ersten Kapitel haben wir festgestellt, dass sich der Markt verschoben hat. Wir haben gesehen, wie eine kleine Gruppe von KI-nativen Unternehmen mit unfassbaren Raten wächst, nicht wegen besserer Preise oder schickerer Chatbots, sondern weil sie fundamental andere Betriebsarchitekturen haben.
Nun gehen wir über zu Kapitel 2: Ein Gen-KI-Grundkurs – Die Bändigung der Black Box, mit Erkenntnissen von zwei der klügsten Köpfe der Branche: unserem CTO, Moiz Virani, und Mark Roberge, Mitbegründer von Stage 2 Capital.
Wenn Kapitel 1 der Weckruf war, ist Kapitel 2 der Bauplan. Es adressiert die Angst, die im letzten Jahr in Führungskräfte-Meetings und Vorstandsetagen Wurzeln geschlagen hat. Diese Angst rührt selten von der Technologie selbst her. Sie stammt aus der beunruhigenden Erkenntnis, dass das Regelbuch, dessen Beherrschung Sie eine ganze Karriere gewidmet haben, möglicherweise nicht mehr gilt.
Sie sitzen in Anbieter-Demos, in denen „autonome Agenten“ fehlerfrei arbeiten. Sie sehen zu, wie KI eine scheinbar perfekte Verkaufs-E-Mail produziert. Dann bringen Sie es zu Ihrem Team, und die Realität schlägt zu. Die Ergebnisse sind generisch. Die Agenten halluzinieren. Die „Magie“ verwandelt sich in ein Chaos aus manuellem Editieren und Frustration.
Diese Diskrepanz existiert, weil der Geschäftswelt zwei gefährliche Mythen darüber verkauft wurden, was Generative KI eigentlich ist.
Kapitel 2 beginnt damit, die zwei Missverständnisse zu zerlegen, die zu gescheiterten KI-Initiativen führen.
Mythos 1: Das mystische OrakelDies ist der Glaube, dass KI eine allwissende Black Box ist. Führungskräfte glauben, wenn sie nur den richtigen „Prompt“ finden, wird das Orakel ihre strategischen Probleme lösen. Sie behandeln KI wie eine Quelle der Wahrheit statt als das, was sie eigentlich ist: eine probabilistische Maschine.
Mythos 2: Der Mitarbeiter-in-der-BoxDies ist die Lüge, die durch den unerbittlichen Hype-Zyklus angeheizt wird. Anbieter versprechen digitale SDRs (Sales Development Reps), virtuelle Content-Marketer oder automatisierte Analysten, die Sie einfach in Ihr Organigramm „einstecken“ können. Die Erwartung ist, dass Sie die Software kaufen, ihr eine Quote zuweisen und zusehen, wie die Produktivität in die Höhe schießt.
Beide Mythen sind grundlegend falsch.
Generative KI ist kein Ersatz für menschliches Urteilsvermögen. Sie ist nicht einmal wirklich „intelligent“ in der Art und Weise, wie wir menschliche Kognition verstehen. Wie wir im Buch erklären, ist Gen AI eine Maschine, die Milliarden von Dokumenten gelesen hat und gelernt hat vorherzusagen, was als nächstes kommt. Sie verbindet Punkte über riesige Datensätze hinweg – juristische Schriftsätze, Marketing-E-Mails, Codebasen – aber sie hat kein Urteilsvermögen darüber, ob diese Verbindungen für Ihren spezifischen Geschäftskontext Sinn ergeben.
Sie kann in Sekunden hundert Variationen einer Verkaufs-E-Mail produzieren. Sie kann Ihnen nicht sagen, welche davon den Deal mit Ihrem spezifischen Kunden abschließen wird.
Wenn Sie eine Mustererkennungsmaschine als Mitarbeiter behandeln, ernten Sie Enttäuschung. Wenn Sie sie als Infrastruktur behandeln, ernten Sie Transformation.
Die meisten Organisationen nutzen KI derzeit zur Prozessoptimierung. Sie fragen: „Wie kann KI unsere bestehenden Prozesse schneller machen?“ Sie nutzen KI, um E-Mails etwas schneller zu schreiben oder Anrufe etwas besser zusammenzufassen. Das führt bestenfalls zu inkrementellen Gewinnen.
Die Gewinner dieses Plattformwechsels betreiben Intelligenz-Architektur. Sie stellen eine fundamental andere Frage: „Was wird möglich, wenn Intelligenz in großem Maßstab ohne menschliche kognitive Einschränkungen operiert?“
Prozessoptimierung führt zu KI-Implementierungen, die bestehende Arbeitsabläufe automatisieren. Intelligenz-Architektur führt zu KI-Implementierungen, die die Notwendigkeit dieser Arbeitsabläufe vollständig eliminieren.
Betrachten Sie den traditionellen Verkaufsprozess. Optimierung bedeutet, KI zu nutzen, um einem Vertriebler zu helfen, eine Follow-up-E-Mail zu schreiben. Intelligenz-Architektur fragt: Was wäre, wenn das System automatisch alles über den Interessenten, das Gespräch und die Strategie wüsste und die notwendigen Aktionen orchestrieren würde, ohne dass der Vertriebler manuelle Dateneingabe oder Analyse durchführen müsste?
Um diese Lücke zu schließen, führt Kapitel 2 die vier kritischen Dimensionen der Intelligenz-Architektur ein.
Wenn Sie sich mit Ihren KI-Investitionen über das „Tal der Enttäuschung“ hinausbewegen wollen, müssen Sie diese vier Fähigkeiten beherrschen.
Es gibt einen massiven Unterschied zwischen „Prompt Engineering“ (eine schlaue Frage in ChatGPT eintippen) und Context Engineering.
Das Geschäft läuft auf Zuverlässigkeit. Sie brauchen deterministische Ergebnisse, keine probabilistischen Vermutungen. Ein Large Language Model (LLM) ohne Kontext ist ein Rater. Ein LLM mit umfassendem, strukturiertem Kontext ist ein Geschäftswerkzeug.
Die meisten Implementierungen scheitern, weil sie auf kontextarmen Systemen beruhen. Ein Verkäufer bittet eine KI um eine Follow-up-E-Mail, aber die KI kennt weder die Historie, die Schmerzpunkte, die Entscheidungskriterien noch den Tonfall des letzten Meetings.
Context Engineering ist der architektonische Prozess des Entwerfens von Systemen, die Informationen automatisch konsolidieren – aus Dokumenten, Datenbanken, APIs und dem institutionellen Gedächtnis – und sie in den Denkprozess der KI einspeisen. Es verwandelt die KI von einem kreativen Schreiber in einen strategischen Partner, der Ihr Geschäft so gut kennt wie Ihr bester Mitarbeiter.
Das Ziel ist nicht, Menschen zu ersetzen. Das Ziel ist, Arbeit an das System weiterzuleiten, das am besten dafür geeignet ist.
Kapitel 2 schlüsselt die spezifischen kognitiven Aufgaben auf, bei denen KI Menschen übertrifft: Kategorisierung, Extraktion, Zusammenfassung und Entwurf.
Mensch-KI-Orchestrierung baut Arbeitsabläufe, bei denen die KI diese Schwerstarbeit der Informationssynthese übernimmt, sodass sich der Mensch auf Strategie auf hoher Ebene, Beziehungsaufbau und nuanciertes Urteilsvermögen konzentrieren kann.
Dies ist vielleicht die disruptivste Verschiebung, die im Kapitel behandelt wird.
Traditionelle Systeme (CRMs) sind passive „Systems of Record“ (Aufzeichnungssysteme). Sie warten darauf, dass ein Mensch ein Feld manuell aktualisiert (z. B. Änderung der „Phase“ von Discovery zu Verhandlung). Dieser Ansatz ist fehlerhaft, weil Menschen schlecht in der Dateneingabe sind und die Daten immer hinterherhinken.
Signals Mapping dreht dieses Modell um. Es bewegt sich weg vom Besitz eines Aufzeichnungssystems hin zum Besitz eines Handlungssystems (System of Action).
Anstatt menschliche Erfahrung in vordefinierte Felder zu zwingen, extrahieren KI-native Systeme strukturierte Intelligenz aus dem natürlichen Chaos des Geschäfts. Sie erkennen Signale – Verhaltensindikatoren, die Ergebnisse vorhersagen.
Das Kapitel beschreibt detailliert das Scheitern des „Tracker Configuration Theater“ – wo Ops-Teams Wochen damit verbringen, Keyword-Tracker zu bauen, die in Rauschen und Fehlalarmen resultieren. Echtes Signals Mapping nutzt KI, um die Bedeutung hinter den Worten zu verstehen, nicht nur die Schlüsselwörter.
Die letzte Dimension adressiert das Vertrauensproblem der „Black Box“. Wie vertraut man einer KI-Empfehlung?
Transparent Reasoning bedeutet, Systeme zu entwerfen, die ihre Arbeit zeigen. Wenn eine KI einen Deal markiert oder eine Antwort vorschlägt, muss sie ihre Quellen zitieren: „Ich empfehle diese Aktion, weil der Interessent X erwähnt hat, seine Nutzungsdaten Y zeigen und ähnliche Deals 30 % schneller abgeschlossen wurden, wenn wir diesen Schritt unternommen haben.“
Diese Transparenz verwandelt die KI von einem mysteriösen Orakel in einen analytischen Partner, der Verantwortlichkeit schafft.
Selbst mit der richtigen architektonischen Denkweise ist der Weg zur Ausführung gefährlich. Kapitel 2 warnt vor drei fatalen Implementierungsmustern, die Moiz Virani (Momentum CTO) und Mark Roberge aus erster Hand miterlebt haben.
Der ChatGPT-Plus-IrrtumDies ist der häufigste Fehler. Organisationen geben Mitarbeitern Zugang zu einem Allzweck-Tool wie ChatGPT Plus und erwarten Transformation. Sie erhalten Schnipsel individueller Produktivität – hier eine gut geschriebene E-Mail, dort eine schnelle Zusammenfassung – aber es skaliert nicht. Dem Tool fehlt Ihr Geschäftskontext, daher produziert es generische Arbeit, die oft mehr Zeit zum Editieren erfordert, als wenn man sie von Grund auf neu schreiben würde.
Die Tool-Anhäufungs-FalleUnternehmen kaufen ein spezialisiertes KI-Tool für den Vertrieb, ein anderes für den Support und noch eines für das Marketing. Keines davon spricht mit dem anderen. Sie enden mit fragmentierter Intelligenz. Die „Zoom KI“-Zusammenfassung ist mittelmäßig, weil sie nicht weiß, was in Salesforce steht. Die „Salesforce KI“ ist limitiert, weil sie die Slack-Konversationen nicht sieht. Sie schaffen Silos auf Steroiden.
Der Annahme-BiasFührungskräfte überstürzen oft die Anwendung von KI auf die falschen Probleme. Sie kaufen Content-Generierungs-Tools für das Marketing, wenn das wirkliche Problem unklare Positionierung ist. Sie kaufen automatisierte Outreach-Tools für den Vertrieb, wenn das wirkliche Problem die Lead-Qualität ist. KI vergrößert Ihre bestehenden Prozessfehler; sie behebt sie nicht.
Die Erkenntnisse in Kapitel 2 führen zu einer unvermeidlichen Schlussfolgerung: Sie können sich aus diesem Plattformwechsel nicht mit Einzellösungen freikaufen. Sie brauchen eine Intelligenz-Architektur.
Das ist genau das Problem, für dessen Lösung Momentum konzipiert wurde.
Wir haben keinen Chatbot gebaut. Wir haben keinen „Wrapper“ um GPT-4 gebaut. Wir haben die Infrastruktur gebaut, die es Ihnen erlaubt, die Black Box zu bändigen.
Wir sind Ihre Context-Engineering-Maschine. Momentum verbindet sich mit jedem Teil Ihres GTM-Stacks – Salesforce, Slack, Gmail, Gong, Zendesk. Wir „lesen“ diese Daten nicht nur; wir strukturieren sie. Wir bieten den umfassenden, zugänglichen Kontext, der generische KI-Vermutungen in deterministische, geschäftsspezifische Ergebnisse verwandelt. Wenn Momentum eine Zusammenfassung oder eine E-Mail entwirft, tut es dies mit dem vollen Gewicht Ihres organisatorischen Wissens.
Wir sind Ihre Signals-Mapping-Plattform. Hören Sie auf, sich auf manuelle CRM-Updates zu verlassen. Momentum hört auf die Signale, die in Ihren Anrufen und E-Mails vergraben sind. Wir automatisieren die im Kapitel beschriebenen Prozesse der Kategorisierung und Extraktion. Wir verwandeln das „Chaos unstrukturierter Geschäftsdaten“ in organisierte, handlungsrelevante Intelligenz, die Ihre Aufzeichnungssysteme automatisch aktualisiert.
Wir sind Ihre Orchestrierungsebene. Vermeiden Sie die Tool-Anhäufungs-Falle. Momentum agiert als das zentrale Nervensystem für Ihre GTM-Bewegung. Wir erleichtern die Übergaben zwischen Menschen und KI. Wir identifizieren die Aufgabe – ob es ein Verlängerungsrisiko, eine Wettbewerbsbedrohung oder ein Deal-Fortschritt ist – und leiten die richtige Intelligenz zur richtigen Zeit an die richtige Person weiter.
Wir bieten Transparent Reasoning. Weil Momentum in Ihren tatsächlichen Daten und Kommunikationen verankert ist, sind unsere Ergebnisse nachvollziehbar. Wir ermöglichen die „Mensch-KI-Orchestrierung“, die Mark Roberge voraussieht, bei der die KI die Rechenleistung übernimmt und Ihre Führungskräfte das Urteilsvermögen.
Kapitel 2 schließt mit einer kraftvollen Beobachtung von Mark Roberge:
Die zukünftigen Führungskräfte – die nächste Generation von CEOs – werden wahrscheinlich aus dem Operations-Bereich kommen.
Warum? Weil das Fähigkeitsprofil, das erforderlich ist, um im KI-Zeitalter zu führen, nicht mehr nur Personalmanagement ist. Es ist Systemarchitektur. Es ist die Fähigkeit, Arbeitsabläufe zu entwerfen, in denen menschliche Intelligenz und Maschinenkraft perfekt integriert sind.
Sie sind nicht nur ein Nutzer von KI. Sie sind ein Architekt. Und Momentum ist Ihr Bauplan.
.svg)
.svg)