Aufbau von Absorptionsfähigkeit im Zeitalter der KI: Warum mehr eingehendes Wissen Sie nicht retten wird

Von Mikkel

Zuletzt aktualisiert 5. Juli 2026

KI vervielfacht eingehendes Wissen, aber nicht Ihre Fähigkeit, es zu nutzen. Bauen Sie die Absorptionsfähigkeit auf, die die Flut in angewandte Ideen und nicht in Rückstände verwandelt.

Warum erzeugt mehr von AI stammendes Wissen die gleiche Anzahl an umgesetzten Ideen?

Die Flaschenhals war nie die Wissensversorgung. Was sich mit der Hinzufügung von KI erhöht, ist der Zufluss. Was sich nicht erhöht (was sich nie automatisch erhöht hat) ist die Fähigkeit der Organisation, zu erkennen, was darin von Bedeutung ist, es mit dem bereits vorhandenen Wissen zu verbinden und es in Richtung einer Entscheidung zu bewegen. Der Zufluss steigt, bewegt aber diesen Hebel nicht.

Henry Chesbrough, der den Begriff Open Innovation prägte, machte den Punkt schon Jahre bevor generative KI existierte: Outsourcing ohne kollaborative Integration produziert weniger wertschöpfende Produkte. KI übertrifft die Outsourcing-Hälfte. Ein Scouting-Tool, das einst eine kuratierte Kurzliste zurückgab, gibt nun einen Feuerstrom zurück. Die meisten der von Innovations-Teams gefundenen Dinge werden ad acta gelegt. Der Eimer war schon übervoll. StartUs Insights dokumentiert Teams, die “in Patenten, Papieren, Startup-Launches und sich ändernden Wettbewerbsbewegungen ertrinken”, bevor KI-Tools ins Spiel kamen und begannen, noch mehr Signale für dieselben Teams zu generieren.

Die Kosten sind messbar. Eine 2025-Studie von 1.150 US-Arbeitnehmern von BetterUp Labs und Stanford’s Social Media Lab ergab, dass 41% in den letzten Monat “Workslop” erhalten hatten, plausibel aussehende KI-Ausgaben, die nachgelagerte Arbeit schaffen, anstatt sie zu entfernen, mit Kosten, die die Autoren auf über 9 Millionen Dollar pro Jahr in verlorener Produktivität für ein Unternehmen mit 10.000 Mitarbeitern schätzen. Separat davon sehen “95% der Organisationen keine messbare Rendite ihrer Investitionen in diese Technologien”. Mehr eingehende Volumen ist keine neutrale Eingabe. Über einer Schwelle ist es eine Steuer.

KI produziert Inhalte, Entwürfe und gut aussehenden Mist schneller, als Organisationen ihn verarbeiten können. Diese Diskrepanz weitet sich zu einer echten Lücke zwischen dem, was KI produzieren kann, und dem, was Organisationen realistisch verdauen können. — Rebecca Hinds, Work AI Institute / Glean (2026)

“Verdauen” ist das richtige Verb und eine fast exakte Wiederholung der Absorptionskapazität von einem Anbieter, der KI-Tools verkauft. Das Verdauen des Volumens war schon immer der schwierige Teil. Die Produktion war nie die Einschränkung. Diese Kapazität ist der Rest dieses Leitfadens gewidmet, und warum ein starkes Open-Innovation-Programm davon abhängt.

Was ist Absorptionskapazität, kurz gesagt?

Absorptionskapazität ist die Fähigkeit einer Organisation, den Wert neuen externen Wissens zu erkennen, es zu assimilieren und es für kommerzielle Zwecke anzuwenden. Vorheriges verwandtes Wissen ist das Tor: Sie können nur das absorbieren, wofür Sie bereits ausgestattet sind, es zu verstehen.

Der Begriff stammt aus einem 1990er-Paper von Wesley Cohen und Daniel Levinthal, das mehr als 34.000 Mal zitiert wurde. Sie definierten es als die Fähigkeit eines Unternehmens, “den Wert neuer, externer Informationen zu erkennen” und “sie für kommerzielle Zwecke zu nutzen”, eine Fähigkeit, die sie als “kritisch für seine Innovationsfähigkeiten” bezeichneten. Der nicht offensichtliche Teil ist das Tor. Ein pharmazeutisches Labor kann eine neue Assay-Technik absorbieren, weil es bereits Menschen beschäftigt, die Assays verstehen. Die gleiche Technik ist für ein Unternehmen ohne vorheriges Wissen unsichtbar. Wissen überträgt sich nicht in ein Vakuum. Es bindet an das, was bereits da ist.

Die Absorptionskapazitäts-Definitionsseite behandelt die Geschichte, die Messdebatten und das ewige Potenzial-gegen-realisiertes-Argument ausführlich. Was hier wichtig ist, ist die Konsequenz der KI-Ära eines bestimmten Merkmals des Konstrukts, das der nächste Abschnitt einführt: die Aufteilung zwischen der Hälfte der Absorptionskapazität, die KI billig macht, und der Hälfte, die sie unberührt lässt.

Was ist der Unterschied zwischen potenzieller und realisierter Absorptionskapazität, und warum bricht KI die Aufteilung?

Potenzielle Absorptionskapazität ist die Erfassung und Assimilation externen Wissens. Realisierte Absorptionskapazität ist die Transformation und Nutzung in Produkte und Entscheidungen. KI senkt die Kosten des ersten Paares und berührt das zweite kaum, sodass das Verhältnis zwischen ihnen zusammenbricht.

Im Jahr 2002 teilten Shaker Zahra und Gerard George das Konstrukt in zwei Teile, und diese Teilung ist es, die das KI-Problem lesbar macht. Sie unterschieden “potenzielle Absorptionskapazität (Wissenserwerb und -assimilation)” von “realisierte Absorptionskapazität (Wissenstransformation und -nutzung)” und nannten einen “Effizienzfaktor”, der “erklärt, warum einige Unternehmen weniger effizient sind als andere bei der Nutzung ihrer Absorptionskapazität”. Der Effizienzfaktor ist das Verhältnis von realisierter zu potenzieller Kapazität. Es ist der Anteil dessen, was Sie aufnehmen, das Sie tatsächlich umsetzen.

KI ist eine Maschine für potenzielle Kapazität, sie senkt die Kosten der beiden Stufen, in denen das Konstrukt nie die bindende Einschränkung war, und tut fast nichts für die beiden Stufen, in denen es immer war. Die realisierte Hälfte bleibt durch vorheriges Wissen, durch funktionsübergreifende Routinen, durch implizite Integration, die nicht in einem Trainingskorpus lebt, gesperrt. Der Effizienzfaktor (das Verhältnis von realisiert zu potenziell) sinkt. Der Kauf von KI zur Verarbeitung von mehr externem Wissen macht Innovation schlechter, nicht besser, bis Sie den menschlichen Empfänger, den KI nur verstärken kann, wieder aufgebaut haben.

Pedotas 2024-Paper entwickelt das konzeptionelle Argument.

Das schnelle Aufkommen der künstlichen Intelligenz (KI), die die Lücke zwischen Daten und Wissen überbrückt, stellt die Vorstellung von Absorptionskapazität, wie wir sie kennen, in Frage. — Mattia Pedota, SSRN (2024)

Anbieter machen die operative Version: Der CEO von Glean sagt, dass sein Assistent “Aktionen in Tools wie Salesforce, Jira, GitHub durchführt”. Wenn KI die Transformations- und Nutzungs-Schritte durchführt, bewegt sich auch die realisierte Hälfte.

Die Grenze, die sie tendenziell nicht benennen, ist, was passiert, wenn sie es nicht tut. Eine systematische Übersichtsarbeit von 2025 mit 80 Studien ergab, dass das “Potenzial der KI, einen nachhaltigen Wettbewerbsvorteil zu schaffen, weiterhin von der Absorptionskapazität der Unternehmen abhängt”. Diese Übersichtsarbeit stellt eine Korrelation, aber keinen Mechanismus her, aber die Unterscheidung ändert nichts daran, was Sie als Nächstes tun sollten: Bis jemand den Nutzen der KI unabhängig von der Absorptionskapazität zeigt, ist die sichere Annahme, dass sie es nicht tut. In der Zwischenzeit leitet ein Agent, der Salesforce schneller aktualisiert, seine Ausgabe immer noch in dieselbe menschliche Pipeline. Die Geschwindigkeit des Tools ändert die Durchsatzrate des Empfängers nicht.

Was wird über KI und absorptive capacity falsch verstanden?

Drei Überzeugungen richten den meisten Schaden an: dass die Ausgaben für Forschung und Entwicklung die absorptive capacity messen, dass KI der Empfänger sein kann und dass mehr offene Innovationskanäle immer helfen. Jede davon vergrößert stillschweigend die Konversionslücke, während sie wie Fortschritt aussieht.

“F&E-Ausgaben sind ein Proxy für absorptive capacity.” Die Realität: Sie messen den Input, nicht die Konversion. Eine 2006 veröffentlichte Übersichtsarbeit zu 289 Artikeln über absorptive capacity warnte, dass das Feld den Begriff stillschweigend auf grobe Stellvertreter reduziert hatte. Die Autoren kamen zu dem Schluss, dass fünf kritische Annahmen “zu seiner Verdinglichung” geführt hatten, wobei Verdinglichung der Fehler ist, einen lebendigen Prozess als statisches Ding zu behandeln, das man kaufen kann. Die F&E-Intensität zeigt, was ein Unternehmen investiert. Sie sagt nichts darüber aus, was am anderen Ende herauskommt. Der vollständige Messargument lebt auf der Seite zur Definition der absorptive capacity. Die praktische Erkenntnis ist, dass ein größeres KI-Budget der gleiche Kategorienfehler in neuer Kleidung ist.

“KI ist der Empfänger.” Die Realität: KI bewegt die Hälfte, die nie das Problem war. Der klarste Beweis kommt aus einer 2025 durchgeführten Umfrage unter 290 chinesischen Fertigungsunternehmen. KI steigerte sowohl die explizite als auch die implizite Wissensweitergabe. Die absorptive capacity jedoch stärkte nur den Weg von der impliziten zur Innovation. Die Transformations- und Ausbeutungsarbeit lief weiterhin über Menschen. Der Kauf eines Agenten, der “Handlungen ausführt”, verbessert die Beschaffung und Assimilation, die günstige Hälfte, und lässt die gesperrte Hälfte, wo sie war.

“Mehr offene Innovationskanäle helfen immer.” Die Realität: Die Renditen kehren sich nach einem bestimmten Punkt um. Ein weiterer eingehender Kanal hinzuzufügen, ist die einfachste Maßnahme, die KI ermöglicht, und Abschnitt sechs zeigt, warum dies über einem Schwellenwert die innovative Leistung verringert, anstatt sie zu erhöhen. Die absorptive capacity ist eine besetzte, instrumentierte Funktion und kein Kulturslogan oder eine Beschaffungslinie. Eine häufige Gewohnheit, die absorptive capacity in die generische “Innovationskapazität” zu erweitern, verschleiert genau dies, indem sie den Empfänger wie eine Einstellung klingen lässt, anstatt ein Betriebssystem, das man aufbauen muss.

Was sind die vier Dimensionen: erwerben, assimilieren, transformieren, nutzen?

Die vier Dimensionen sind die Phasen, die Wissen innerhalb eines Unternehmens durchläuft. Erwerben und Assimilieren sind potenzielle Kapazität, der Input. Transformieren und Nutzen sind realisierte Kapazität, die Konversion. KI ist bei den ersten beiden stark und bei den letzten beiden schwach, was das gesamte Argument in Miniaturform ist.

A 2025 durchgeführte Mehrfachfallstudie zu KI-Startups verfolgte, wie Unternehmen diese Mechanismen in der Praxis umsetzen, indem sie sich während der Beschaffung im Markt einbetten und während der Assimilation für Serendipity planen.

Erwerben: Finden und Einbringen externen Wissens

Dabei handelt es sich um Scouting, Monitoring, Partnerschaften, Einstellungen und Literaturrecherchen. Ein Medizintechnikunternehmen, das ein laufendes Patentwachprogramm und ein Konferenzbesuchsprogramm betreibt, erwirbt Wissen. KI ist hier überragend stark. Dies ist die einzige Phase, in der “zehnmal die Eingaben” wörtlich wahr ist, und die Phase, die Führungskräfte in den Glauben versetzt hat, dass das gesamte Konstrukt günstiger geworden ist.

Assimilieren: Interpretieren und Verbinden mit dem, was man weiß

Assimilation ist das Routing, Zusammenfassen und Taggen, damit eine neue Eingabe an das bestehende Verständnis angehängt wird. Ein Forschungsbibliothekar, der eingehende Artikel nach internen Projekten gruppiert, assimiliert. KI hilft auch hier, indem sie Zusammenfassungen erstellt und Verbindungen aufzeigt, obwohl ihre Zusammenfassungen genau der “ansehnliche Brei” sind, der menschliche Überprüfung benötigt, bevor er als verstanden gilt.

Transformieren: Externes und internes Wissen zu etwas Neuem rekombinieren

Transformation ist der fachübergreifende Akt, eine externe Idee mit proprietärem Know-how zu verschmelzen. Eine fachübergreifende Überprüfung, bei der Ingenieure, Regulierungsmitarbeiter und ein Produktleiter eine erworbene Technik in einen Meilenstein umwandeln, ist eine Transformation. KI tut dies nicht. Sie hat keinen Zugang zu dem impliziten, politischen und kontextuellen Wissen, das für die Rekombination erforderlich ist.

Nutzen: Die Rekombination in Produkte, Prozesse und Einnahmen umwandeln

Nutzung ist die Auslieferung: die Budgetentscheidung, die Zeile im Fahrplan, das gestartete Feature. Eine Stufen-Gate-Überprüfung, die drei Konzepte killt und eines finanziert, ist eine Nutzung. Hier sterben Ideen in Unternehmen mit geringer Kapazität, und hier ist der Beitrag von KI am geringsten. Greg Smith, ein ehemaliger Produktmanager bei Google, Microsoft und Amazon, sagte es unverblümt: Ideen sind reichlich vorhanden und “das Problem ist die Ausführung.”

Warum erhöht KI den Rauschpegel schneller, als sie die Kapazität erhöht?

KI senkt die Grenzkosten für die Eröffnung eines weiteren eingehenden Kanals nahezu auf null, und die Offenheit hat eine bekannte Obergrenze. Über eine optimale Breite hinaus verringert das weitergehende Suchen die innovative Leistung, anstatt sie zu erhöhen. KI bringt Sie schneller an diese Obergrenze und trägt Sie darüber hinaus.

Der empirische Anker ist die Studie von Keld Laursen und Ammon Salter zur externen Suche. Ihre 2006 durchgeführte Studie von etwa 2.700 britischen Herstellern ergab, dass das weitgehende Suchen in einer umgekehrten U-Kurve zur Leistung steht.

Bevor es KI gab, war die Kosten der Bremsklotz. Die Überwachung einer anderen Domäne bedeutete einen weiteren Analysten, ein weiteres Abonnement, ein weiteres regelmäßiges Meeting. Die Budgets hielten die Unternehmen in der produktiven Phase der Kurve nicht absichtlich, sondern zufällig, die Beschränkung erzwang das richtige Verhalten, ohne dass jemand es als solches benannte. KI hob die Beschränkung auf, ohne die Kurve zu verschieben. Das Hinzufügen einer Scouting-Domäne ist jetzt ein Prompt. Teams segeln über den Höhepunkt hinaus, ohne es zu bemerken, weil das Signal, das früher ausgelöst wurde (steigende Kosten), nicht mehr ausgelöst wird.

Der Rauschpegel steigt mit der Breite. InnovationCast erfasst das Versagen prägnant: Software, die jede mögliche Erkenntnis an die Oberfläche bringt, “überwältigt die Teilnehmer und wird zu nichts anderem als Rauschen.” Sobald das Signal-Rausch-Verhältnis unter das sinkt, was Ihre Assimilationsstufe bewältigen kann, fügen zusätzliche Quellen keine Optionen hinzu. Sie begraben die guten. Deshalb geht “wir haben drei weitere KI-Feeds hinzugefügt” oft voraus an “unsere Trefferquote ist gesunken.” Die gleiche Dynamik liegt dem Fall für kontinuierliche Zukunftsforschung als disziplinierte Praxis zugrunde, nicht als Volumenwettbewerb. Die Lösung besteht nicht darin, mehr Kanäle hinzuzufügen. Es geht darum, die Kanalbreite an die Durchsatzkapazität des Empfängers anzupassen.

Welchen Teil der absorptiven Kapazität kann KI nicht für Sie absorbieren?

Implizites Wissen: das kontextgebundene, schwer zu kodifizierende Know-how, auf dem die Transformations- und Nutzungsstufen basieren. KI absorbiert explizites, schriftliches Wissen gut. Der Teil, in dem sich der Innovationswert konzentriert, bleibt menschlich, was der Grund dafür ist, dass der Empfänger weiterhin tragend ist.

Die Unterscheidung stammt von Michael Polanyi, und die Wissenschaftsforscherin Lingfei Wu hat sie 2021 in einem Seminar direkt formuliert, indem sie Polanyis Maxime zitierte, dass “wir mehr wissen, als wir sagen können”. Einige Wissensarten können nicht bewegt werden, weil sie nie niedergeschrieben wurden und oft nicht niedergeschrieben werden können, was die Wissensübertragungsforschung als “Klebrigkeit” bezeichnet: Wissen, das der Verteilung widersteht, egal wie viel Budget oder Bereitschaft man aufwendet. Es lebt in der Beurteilung eines erfahrenen Ingenieurs, im ausgearbeiteten Kurzschlüssel eines Teams, im Gefühl eines kundenorientierten Vertreters für Einwände. Ethan Mollicks Forschung zeigt in die gleiche Richtung: KI funktioniert am besten als kollaborativer Teampartner und nicht als Ersatz, was nur dann gilt, wenn es auf der menschlichen Seite einen fähigen Teampartner gibt, mit dem man zusammenarbeiten kann.

Die stärkste einzelne empirische Linie hinter der These wird als das Zitat der Sektion wiedergegeben.

KI erleichtert beide Arten der Wissensweitergabe, doch nur der Link zwischen der Weitergabe impliziten Wissens und der Innovation wird durch eine höhere absorptive capacity deutlich gestärkt. — Lin & Wu, IEEE Transactions on Engineering Management (2025)

KI half, sowohl explizites als auch implizites Wissen zu bewegen. Aber der Weg, der die Innovation tatsächlich stärkte, der implizite, lohnte sich nur durch absorptive capacity, eine menschliche Eigenschaft. Ein Unternehmen mit schwachen Routinen zur Integration impliziten Wissens erhält die KI-Unterstützung für die Hälfte, die nicht konvertiert, und verpasst sie für die Hälfte, die es tut. HBR’s Matthias Holweg und Thomas Davenport warnen vor der organisatorischen Version: einem “Rückgang der Genauigkeit und Qualität des organisatorischen Wissens”, der unternehmensweiten Form von Workslop.

By the numbers: was sagt die Forschung über KI und Absorptionsfähigkeit?

Die Beweise konvergieren zu einem Ergebnis: Die Absorptionsfähigkeit, nicht die KI, ist die Variable, die bestimmt, ob KI Innovation erzeugt. Jede der folgenden Studien und Umfragen listet ihre Stichprobe und eine einzeilige Implikation auf.

• 88% organisatorische KI-Adoption, laut dem Stanford HAI 2026 AI Index — der Erwerb von KI ist nahezu universell; es ist kein Unterscheidungsmerkmal.
• 39% der Unternehmen berichten über eine EBIT-Auswirkung, laut der McKinsey State of AI 2025 Umfrage — die Realisierungslücke ist die Absorptionsfähigkeitslücke.
• ~6% qualifizieren sich als “KI-Hochleistungsunternehmen”, in derselben McKinsey-Umfrage — die Umwandlung, nicht die Adoption, trennt das Feld.
• AC-zu-Innovation-Effekt ~2× größer in der Smartphone-Ära als vor dem Internet, laut Stettler et al. (JPIM, 2025) — digitale Werkzeuge verstärken AC, wo es vorhanden ist.
• 41% der Mitarbeiter erhielten “Workslop” monatlich, laut der HBR / BetterUp & Stanford 2025 Studie — Volumen ohne Kapazität ist ein Nettokostenfaktor.

Über 145 Studien und 434.985 Unternehmen hinweg schneidet die Meta-Analyse von Stettler die These von beiden Seiten.

Die Auswirkungen der Absorptionsfähigkeit auf die Innovation sind fast doppelt so groß in der Smartphone-Ära wie sie es während der Vor-Internet- oder frühen Internet-Ära waren. — Stettler et al., Journal of Product Innovation Management (2025)

Digitale Werkzeuge vervielfachen den Ertrag der Absorptionsfähigkeit, was die beste empirische Karte der Optimisten ist. Der Haken sitzt im selben Papier und treibt Abschnitt neun.

Wann macht mehr KI-Eingabe die Dinge schlimmer?

Geringe realisierte Absorptionsfähigkeit kehrt den KI-Nutzen um. Die gleichen Studien, die zeigen, dass KI starke Empfänger verstärkt, zeigen auch, dass sie den Nachteil für schwache Empfänger verstärkt. Unter einer Kapazitätsschwelle erhöht die Hinzufügung von KI-Eingabewerkzeugen das Risiko, anstatt die Ausgabe zu erhöhen.

Der beste Beweis der Optimisten enthält seine eigene Widerlegung. Stettler fand heraus, dass der AC-zu-Innovation-Effekt in niedrigtechnologischen, weniger wissensintensiven Sektoren am größten ist, “zweimal größer” als in Hochtechnologie. Die Unternehmen mit dem meisten zu gewinnen sind diejenigen, die tendenziell am wenigsten davon haben. Fügen Sie KI zu diesem Unternehmen hinzu, bevor Sie den Empfänger aufbauen, und eine 2025-Studie chinesischer börsennotierter Unternehmen zeigt, was folgt: Absorptionsfähigkeit mildert das Downside-Risiko, das die KI-Adoption ansonsten einführt, Unternehmen mit geringer Kapazität erhalten keinen solchen Schutz. Die Unternehmen, die den größten Nutzen aus der Absorptionsfähigkeit ziehen, sind genau die Unternehmen, die am stärksten exponiert sind, wenn sie KI ohne sie hinzufügen.

KI ist ein Multiplikator. Multiplikatoren wirken auf jedes Vorzeichen, das Sie ihnen zuführen.

Die Downside-Risiko-Studie umfasst chinesische börsennotierte Unternehmen, aber der Mechanismus benötigt keine geografische Qualifikation: Ein Multiplikator verstärkt jede Kapazität, die Sie ihm zuführen, überall. Jean-Francois Gagne, der ehemalige CEO von Element AI, beschrieb, wie dieses Versagen von innen aussieht: Unternehmen, die “Proof of Concept zu Proof of Concept” zyklisch durchlaufen, ohne dass etwas in die Produktion gelangt, stecken fest, weil Skalierung eine realisierte Kapazitätsfähigkeit ist, die Piloten nicht lehren.

Wie versuchte ein KMU, die Lücke zu schließen?

Ein kleines Unternehmen kann die Umwandlungslücke schließen. Die Voraussetzung ist der Aufbau des Empfängers neben den Werkzeugen. Eine 2025-Studie chinesischer Bekleidungs-KMUs, die KI übernehmen zeigt das Muster: Absorptionsfähigkeit ist das, was vermittelt, ob die KI-Übernahme zu offenen Innovationsergebnissen führt, und die Unternehmen, die dies überspringen, stagnieren.

Betrachten Sie einen Verbund, der aus der Bevölkerung dieser Studie stammt: einen mittelgroßen Bekleidungshersteller, nennen wir das Unternehmen, der einige hundert Menschen in einem Sektor beschäftigt, der unter starkem Kostendruck und Zeitdruck steht. China ist der größte Bekleidungsproduzent der Welt, und die Studie beschreibt den Kostendruck und den Zeitdruck des Sektors als Grund, warum die Integration von KI dort besonders schwierig ist. Die Führung des Unternehmens tat, was die Schlagzeilen empfahlen. Sie kauften eine KI-Trendvorhersage- und Design-Scouting-Suite. Innerhalb eines Quartals hatte das Designteam Zugang zu deutlich mehr eingehenden Signalen: Laufstegdaten, soziale Trends, Wettbewerbsveröffentlichungen, Rohmaterialbewegungen.

Zwei Quartale lang änderte sich nichts nachgelagert. Die Umwandlung von Muster zu Produktion war flach. Das Designteam war beschäftigt und nicht produktiver, filterte eine Flut, wie der StartUs-Bericht beschreibt. Das Unternehmen hatte potenzielle Absorptionsfähigkeit gekauft und angenommen, dass sich die realisierte Kapazität daran anschließen würde. Das tat sie nicht. Dies ist der Proof-of-Concept-Friedhof in KMU-Größe.

Die Wende kam, als die Führung aufhörte, Werkzeuge zu kaufen, und begann, den Empfänger aufzubauen. Sie beauftragten zwei Designer als Gatekeeper mit expliziter Befugnis, eingehende Konzepte zu töten oder zu eskalieren, eine Struktur, die das absorptive-capacity-Konstrukt der Studie vorhersagt, die wichtig ist. Sie fügten eine wöchentliche cross-funktionale Überprüfung hinzu, die Design mit Produktion und Beschaffung paarte, damit ein externer Trend gegen das getestet wurde, was die Fabrik tatsächlich herstellen konnte, bevor er Entwicklungszeit verbrauchte. Sie reduzierten die Anzahl der Trendfeeds. Innerhalb von zwei Quartalen dieser Änderung stieg die Umwandlungsrate von gescouteten Konzepten zu Produktionsmustern, weil die KI nun einen Empfänger statt eines Backlogs fütterte. Das Werkzeug änderte sich nicht. Die Organisation um es herum tat es. Das ist die gesamte Lektion des Aufbaus von Absorptionsfähigkeit im Zeitalter der KI, komprimiert in einem Unternehmen.

Wie baut man den Empfänger?

Sie bauen ihn in einer bewussten Reihenfolge auf: zuerst Vorwissen, dann die Menschen, die Wissen weiterleiten, dann die Strukturen, die es über Silos hinweg bewegen, dann die Routinen und die Zeit, die Integration ermöglichen, und erst dann KI als Screening-Schicht. Die Werkzeuge sind der letzte Schritt, weil sie verstärken, was die ersten vier Schritte aufgebaut haben.

Jeder Schritt hängt vom vorherigen ab. Die Hinzufügung von KI (Schritt fünf) zu einem Unternehmen, das die Schritte eins bis vier übersprungen hat, ist genau der Fehler, vor dem diese Anleitung warnt.

Schritt 1: Investieren Sie in vorheriges verwandtes Wissen als Grundlage

Sie können nur das absorbieren, wofür Sie ausgestattet sind, es zu verstehen, daher beginnt der Empfänger mit Domänen-Tiefe. Erhalten Sie die F&E, die technische Einstellung und das kontinuierliche Lernen, die Ihren Menschen etwas geben, an das sie neues Wissen anhängen können. Das Kürzen von “redundanter” Expertise, um Werkzeuge zu finanzieren, entfernt das Tor, das die Werkzeuge benötigen.

Schritt 2: Besetzen Sie Boundary Spanner und Gatekeeper

Nennen Sie bestimmte Personen, deren Aufgabe es ist, externes Wissen zu scannen, zu bewerten und in die Organisation weiterzuleiten. Eine 2025-Studie in Industrial and Corporate Change untersuchte, wie die Renditen aus absorbiertem Wissen von “der Spezialisierung der Gatekeeper und der Delegation von Entscheidungsbefugnissen” abhängen. Der Empfänger muss eine benannte Rolle mit echter Befugnis sein. Geben Sie den Gatekeepern die Befugnis, abzulehnen, weil die Ablehnung verhindert, dass das umgedrehte U kippt — aber achten Sie auf das NIH-Syndrom (den reflexiven Bias, externe Ideen abzulehnen, nur weil sie nicht innerhalb des Unternehmens entstanden sind), das das entgegengesetzte Versagen ist und genauso kostspielig. Siehe Innovationsrollen und -hierarchien für die Berichtsstruktur dieser Funktion.

Schritt 3: Bauen Sie cross-funktionale Integrationsstrukturen auf

Transformationen finden statt, wenn externes Wissen auf internes Know-how über Funktionen hinweg trifft, daher muss die Struktur dieses Treffen erzwingen. Stehende cross-funktionale Überprüfungen, Innovationsräte und Rotationsprogramme bewegen Wissen über Silos hinweg, die es sonst horten würden. Dies ist die Maschinerie der Transformationsphase, und hier unterinvestieren die meisten Ideenmanagementprogramme, die Erfassung als die schwierige Aufgabe behandeln, wenn es die Integration ist.

Schritt 4: Schaffen Sie Routinen und Pufferzeit für die Integration

Integration ist Arbeit, und Arbeit ohne Zeit findet nicht statt. Schützen Sie explizite Pufferzeit, z. B. einen festen Teil der Teamzeit, der für die Verdauung und Neukombination eingehender Informationen reserviert ist, anstatt zu produzieren. Mollicks Dampfmaschinenpunkt gilt: Der Wert kam von Menschen, die neu gestalteten, wie die Arbeit erledigt wurde, nicht von der Maschine.

Was die industrielle Revolution auslöste, waren tausende geschickte Handwerker, die herausfanden, wie sie die Hin- und Herbewegung der Dampfmaschine in den Betrieb von Mühlen und Ausrüstung innerhalb von Fabriken übernehmen konnten. — Ethan Mollick, Outthinker (2025)

Schritt 5: Einsetzen von KI als Screening- und Routing-Schicht

Jetzt, und nur jetzt, richten Sie KI auf den Empfänger, den Sie aufgebaut haben. Verwenden Sie es, um externes Wissen auf interne Bedürfnisse zu screenen, zu leiten und abzustimmen, wie agentische KI-Tools dies jetzt automatisch tun, indem sie die Aufnahme wie ein digitales zweites Gehirn organisieren, anstatt weitere eingehende Kanäle zu öffnen. Eine 2026-Studie argumentiert, dass KI Unternehmen helfen kann, “systematisch hochwertige externe Ressourcen zu erwerben und abzustimmen”, was als Filter für die Aufnahme des Empfängers wirklich nützlich ist. Der entscheidende Rahmen: KI ist ein Instrument innerhalb des Empfängers, die Screening-Schicht statt der Empfänger selbst. Sequenziert als Letzter, verstärkt es ein funktionierendes System. Sequenziert als Erster, überflutet es ein kaputtes.

Wie misst und auditiert man die absorptive Kapazität?

Messen Sie die Konversionsrate: den Anteil der erworbenen externen Kenntnisse, die zu einer Entscheidung führen. Ausgaben für F&E, Mitarbeiterzahl und Werkzeuganzahl zeigen, was Sie investieren. Die absorptive Kapazität bezieht sich darauf, was herauskommt, daher sind die nützlichen Metriken diejenigen, die die Rate messen, mit der eingehende Kenntnisse zu angewandten Entscheidungen werden.

Von den fünf Kandidatenproxys tragen zwei ein echtes Signal: der Umsatzanteil neuer Produkte, der die realisierte Ausbeutung direkt misst, und die Umwandlungsrate von Konzept zu Launch, die den Effizienzfaktor operationalisiert. Die F&E-Intensität und Patentzitate sind Vor-Konversionsproxys, die bei der Investition und externen Anerkennung aufhören.

Der Effizienzfaktor, den Zahra und George benannt haben, ist nun operational: der Anteil der erworbenen externen Kenntnisse, der tatsächlich zu einer Entscheidung führt. Diese Quote lohnt sich langfristig zu verfolgen, denn ein AI-Rollout, der die Akquisition erhöht, während die Konversion stagniert, wird sich als fallende Zahl zeigen, bevor ein anderes Signal auftritt. Die Seite zur Definition der absorptiven Kapazität behandelt die breitere Messliteratur. Für ein operatives Team sind die Konversionsrate und die Zeit bis zur Anwendung die Metriken, die zuerst instrumentiert werden sollten.

Was sind die häufigen Fehler, die die Lücke offen halten?

Die wiederkehrenden Fehler haben alle eine gemeinsame Wurzel: die absorptive Kapazität als ein Produkt behandeln, das man kaufen kann. Jeder von ihnen sieht wie Fortschritt aus und vergrößert die Konversionslücke.

Werkzeuge kaufen, bevor der Empfänger aufgebaut wird. AI auf einem schwachen Empfänger verstärkt den Rückstau. Sequenzieren Sie zuerst den Empfänger.

Adoption mit Transformation verwechseln. 88% Adoption, ~6% Hochleistungsnutzer. Charles Good bezeichnet die Lücke als “ein Problem des menschlichen Fähigkeitsdesigns”, nicht der Technologie. Die Zählung der lizenzierten Sitze misst nicht die gebaute Kapazität.

Zu viele Eingabekanäle öffnen. AI macht das Hinzufügen eines Feeds kostenlos, sodass Teams über den Peak der umgekehrten U-Kurve hinaussegeln. Mehr Quellen über der Schwelle verringern die Trefferquote.

Gatekeeper ohne Befugnis lassen. Scannen ohne die Befugnis, abzulehnen, erzeugt einen Friedhof unausgeführter Konzepte, wo, wie Ideawake es beschreibt, das Personal “beschäftigt ist, Tausende von Duplikaten zu filtern.”

Pilot-Neuheit jagen. Piloten verbessern sich für den neuesten, glänzendsten Anwendungsfall, der selten derjenige ist, der skaliert. Wie der Berater Alex Roberson beobachtet, beginnen Teams mit “der aufregendsten Sache”, und “diese Dinge skalieren meist nicht.”

Expertenwissen kürzen, um Werkzeuge zu finanzieren. Das Vorwissen, das die Absorption bewirkt, wird entfernt, um das Werkzeug zu bezahlen, das es benötigt. Der schnellste Weg, die realisierte Kapazität zu verkleinern, während man effizient aussieht.

Was ersetzt das Aufbauen der absorptiven Kapazität nicht?

AI fungiert als ein Werkzeug, das der menschliche Verstand lenken und interpretieren muss. Es ist ein teilweiser Ersatz für einige Wissensquellen, was ändert, von wem Sie empfangen müssen, aber die externe Zusammenarbeit bleibt notwendig. Wenn die Akquisition verbessert wird, verschiebt sich Ihr knapper Vorteil weiter in Richtung der Umwandlungsarbeit, die AI nicht leisten kann.

Der praktische Vorteil: AI’s Spillover- und Matching-Vorteile fallen hauptsächlich dort an, wo die Bereitschaft bereits hoch ist, sodass die Partnerschaften, die es noch wert sind, zu halten, diejenigen sind, die implizites, relationales Wissen liefern, das AI nicht erreichen kann.

McKinsey-Schätzungen “$360 Milliarden bis $560 Milliarden an potenziellem jährlichem wirtschaftlichem Potenzial” aus AI in der F&E, wobei “Potenzial” der gleiche Qualifikator ist, den Zahra und George für die Hälfte verwendeten, die AI aufbläht, ohne zu konvertieren, und die Kontingenz in beiden Fällen der Empfänger ist. Wenn die AI-Werkzeuge im nächsten Jahr reifen, wird der Akquisitionsvorteil weiter kommodifiziert werden, was nur den Aufschlag auf die realisierte Kapazität erhöht. Die Unternehmen, die gewinnen, werden nicht diejenigen mit dem meisten eingehenden Wissen sein. Sie werden diejenigen sein, die zuerst den menschlichen Empfänger aufgebaut und dann die Maschine darauf gerichtet haben. Welches AI-for-Innovation-Playbook Sie als nächstes übernehmen, kehren Sie diese Reihenfolge um, und es füttert nur einen schnelleren Rückstau.

TL;DR

• AI hat die Akquisition externen Wissens fast kostenlos gemacht. Ihre Fähigkeit, es umzusetzen, blieb genau dort, wo sie war.
• Die absorptive Kapazität teilt sich in Potenzial (akquirieren, assimilieren) und realisiert (transformieren, ausbeuten). AI bläht die erste Hälfte auf und lässt die zweite verriegelt.
• Das Hinzufügen von AI zu einem schwachen Empfänger vergrößert die Konversionslücke und erhöht das Risiko, insbesondere für Unternehmen mit geringer Kapazität.
• Implizites Wissen, wo sich der Innovationswert konzentriert, bleibt menschlich. Der Empfänger ist eine besetzte, instrumentierte Funktion.
• Bauen Sie zuerst den Empfänger (Vorwissen, Gatekeeper, cross-funktionale Strukturen, Pufferzeit), dann setzen Sie AI als Screening-Schicht ein.

Bis 2026 hat AI die Beschaffung externen Wissens gelöst. Die realisierte absorptive Kapazität bleibt die Engstelle: Sie bestimmt, ob eingehendes Wissen zu angewandten Ideen wird oder sich als Rückstau und Risiko ansammelt, wenn AI auf einen schwachen Empfänger aufgesetzt wird. Bauen Sie zuerst den Empfänger.

Häufig gestellte Fragen

Was ist absorptive Kapazität in einfachen Worten? Es ist die Fähigkeit einer Organisation, wertvolles externes Wissen zu erkennen, es mit dem bereits vorhandenen Wissen zu verbinden und es in Produkte und Entscheidungen umzuwandeln. Prägten Cohen und Levinthal 1990, hängt sie von vorherigem verwandten Wissen ab: Sie können nur das absorbieren, wofür Sie bereits ausgestattet sind. Die vollständige Behandlung findet sich auf der Seite zur Definition der absorptiven Kapazität.

Erhöht AI die absorptive Kapazität oder nur das eingehende Volumen? Volumen. AI macht die Akquisition und Assimilation externen Wissens, die “potenzielle” Hälfte der absorptiven Kapazität, weitaus günstiger, aber die Transformation und Ausbeutung, die “realisierte” Hälfte, laufen auf implizitem Wissen und cross-funktionalen Routinen, die AI nicht erreicht, was der Grund dafür ist, dass eine systematische Übersichtsarbeit aus dem Jahr 2025 feststellte, dass der Innovationsertrag aus AI weiterhin von der bereits bestehenden Kapazität abhängt.

Wie baut man absorptive Kapazität in einer Organisation auf? In dieser Reihenfolge: Investieren Sie in Vorwissen, beschäftigen Sie ermächtigte Gatekeeper und Boundary Spanner, bauen Sie cross-funktionale Integrationsstrukturen auf, schützen Sie Pufferzeit für die Integration und setzen Sie dann AI als Screening- und Routing-Schicht ein. Die Reihenfolge ist wichtig. AI, das zuerst hinzugefügt wird, verstärkt eine defekte Pipeline.

Warum scheitern Open-Innovation- und Scouting-Programme, wenn die absorptive Kapazität gering ist? Weil die Beschaffung und der Empfang von Wissen unterschiedliche organisatorische Funktionen sind. Eine HBR IdeaCast-Rahmung der Forschung von Henry Chesbrough drückte es so aus: Unternehmen enden damit, “outzusourcen, aber nicht zu kooperieren”. Ohne einen Empfänger, um eingehendes Wissen zu integrieren, führt mehr Beschaffung zu einem größeren Rückstau unausgeführter Konzepte statt zu mehr angewandter Innovation. Siehe wie man Open Innovation durchführt.

Was ist der Unterschied zwischen potenzieller und realisierter absorptiver Kapazität? Potenzielle absorptive Kapazität ist die Akquisition und Assimilation externen Wissens. Realisierte absorptive Kapazität ist die Transformation und Ausbeutung in kommerzielle Ergebnisse. Zahra und George (2002) nannten das Verhältnis zwischen ihnen den “Effizienzfaktor”. AI bläht die potenzielle Hälfte auf, während die realisierte Hälfte etwa gleich bleibt, sodass das Verhältnis sinkt.

Kann das Hinzufügen von AI-Werkzeugen zu einer Innovationsgruppe Informationsüberlastung verursachen? Die Arbeitslaststudie von 2025 schätzte die Kosten auf über 9 Millionen Dollar pro Jahr für ein Unternehmen mit 10.000 Mitarbeitern, was darauf hindeutet, dass dies der Fall ist und die Stakes real sind. Externe Suche folgt einem umgekehrten U mit Leistung: Über eine optimale Breite hinaus verringern mehr Quellen die innovative Leistung, anstatt sie zu erhöhen. AI entfernt die Kostenbremse, die zuvor Teams unter dieser Schwelle gehalten hat.

Wie misst oder auditiert man absorptive Kapazität? Verwenden Sie Konversionsmetriken, nicht Investitionsmetriken. Die Umwandlungsrate von Konzept zu Launch, der Anteil der erworbenen externen Kenntnisse, der tatsächlich zu einer Entscheidung führt, ist die aussagekräftigste einzelne Zahl, gepaart mit der Zeit bis zur Anwendung. Die F&E-Ausgaben erfassen Eingaben statt Ausgaben und sind ein irreführender Proxy für beides.

Beiträger

Mikkel @mkl_vang

Beschäftigt sich mit operativer Innovation, AI-Implementierungsmustern und wie Teams nützliche Veränderungen ohne Theater umsetzen.

Mikkel schreibt aus der Perspektive eines Operators. Er interessiert sich dafür, was nach der Strategiepräsentation passiert: personelle Einschränkungen, Entscheidungsverzögerungen, Governance-Reibung und die täglichen Kompromisse, die darüber entscheiden, ob Innovationsinitiativen den Kontakt mit der Realität überstehen. Seine Referenzbasis umfasst das OECD Oslo Manual, das NIST AI-Risikomanagement-Framework und Google Re:Work.

Seine Beiträge kombinieren oft Prozessdesign mit klaren Implementierungschecklisten, insbesondere bei der AI-Adoption und der grenzüberschreitenden Lieferung. Er mag es, zu erklären, wie hochrangige Rahmenwerke an kleinere Teams mit weniger Ressourcen angepasst werden können, indem auf praktische Standards wie das OECD Oslo Manual, das NIST AI-Risikomanagement-Framework und Team-Praktiken aus Google Re:Work zurückgegriffen wird.

Wenn Mikkel Inhalte überprüft, priorisiert er Präzision gegenüber Hype. Wenn eine Empfehlung nicht in einem Sprint getestet oder in einem Quartal gemessen werden kann, kommt sie normalerweise nicht in die Endfassung.