Eine neue Zeitrechnung

AI verändert nicht nur Werkzeuge und Märkte. Sie verändert die Zeiteinheit, in der Organisationen lernen und vor allem handeln müssen. Für wissenschaftliche Verlage wird Tempo damit selbst zu einer strategischen Fähigkeit.

Von Dekaden zu Monaten

Im wissenschaftlichen Publizieren hat man gelernt und sich auch ganz angenehm damit eingerichtet, in langen Bögen zu denken. Die ersten elektronischen Zeitschriften erschienen in den 1990er Jahren. Crossref und der DOI wurden um die Jahrtausendwende zur zentralen Infrastruktur. Die Budapest Open Access Initiative formulierte 2002 ein Ziel, das bis heute nicht vollständig erreicht ist. Plan S wurde 2018 angekündigt und trat für viele Förderer 2021 in Kraft. Selbst dort, wo Richtung und Nutzen weitgehend unstrittig waren, dauerte Veränderung Jahre oder Jahrzehnte – ein Effekt, den viele Innovatoren in Startups bitter erfahren haben.

Das war nicht nur Trägheit. Wissenschaftliches Publizieren ist ein dichtes System aus Forschenden, Verlagen, Bibliotheken, Fachgesellschaften, Förderern und politischen Institutionen. Qualität, Vertrauen und Nachhaltigkeit lassen sich nicht wie eine App aktualisieren. Aber diese Erklärung kann auch zur Gewohnheit werden. Wer immer in Dekaden denkt, bemerkt irgendwann nicht mehr, dass sich draußen die Zeiteinheit verändert hat.

AI entwickelt sich nicht in Dekaden. Sie entwickelt sich in Monaten.

Es ist eine Binsenweisheit: AI beschleunigt erheblich. ChatGPT erreichte innerhalb weniger Monate ein Massenpublikum; bis Juli 2025 waren es laut OpenAI mehr als 700 Millionen aktive Nutzer – wöchentlich. Der Stanford AI Index berichtet, dass die Kosten für eine Leistung auf dem Niveau von GPT-3.5 zwischen November 2022 und Oktober 2024 um mehr als den Faktor 280 fielen. Was gestern teuer, langsam oder Spezialisten vorbehalten war, kann morgen als Standardfunktion in einem Werkzeug auftauchen, das ohnehin jeder benutzt.

Auch die Nutzung in Unternehmen überspringt klassische Implementierungsplanungen. Microsoft und LinkedIn meldeten 2024, dass 75 Prozent der Wissensarbeiter AI bei der Arbeit verwendeten; 46 Prozent dieser Nutzer hatten erst in den vorangegangenen sechs Monaten begonnen. McKinsey sah den Anteil der Organisationen, die generative AI regelmäßig einsetzen, innerhalb von zehn Monaten auf 65 Prozent steigen – nahezu eine Verdopplung. Menschen, auch in Unternehmen, warten nicht darauf, dass eine zentrale Strategie fertig ist. Sie fangen einfach an, Tools zu nutzen, die ihnen hoffentlich die Arbeit erleichtern.

Darin liegt Chance und Risiko zugleich. Eine Organisation kann AI offiziell noch „prüfen“, während ihre Mitarbeiter längst Texte zusammenfassen, Daten analysieren, Code schreiben oder Kundenmails vorbereiten. Dann findet Adoption statt – nur ohne gemeinsame Standards, Lernschleifen oder Schutz sensibler Daten. Langsamkeit verhindert die Veränderung nicht. Sie macht sie nur unsichtbar.

Geschwindigkeit bedeutet deshalb nicht, jede Woche einem neuen Modell hinterherzulaufen. Sie bedeutet, die Lernzeit der Organisation zu verkürzen.

Lernen statt einführen

Für Verlage ist das sehr konkret. In wenigen Wochen lässt sich testen, ob AI Metadaten verbessert, Abstracts für verschiedene Zielgruppen adaptiert, Rechteinformationen strukturiert, barrierefreie Bildbeschreibungen vorbereitet oder große Backlists besser erschließt. Redaktionsteams können prüfen, wo sie bei Recherche, Sprachbearbeitung oder der formalen Manuskriptkontrolle Zeit gewinnen. Vertrieb und Marketing können Zielgruppen und Nutzungsmuster anders verstehen. Nicht jeder Versuch wird funktionieren. Aber auch ein gescheiterter Versuch erzeugt Wissen – sofern er klein, messbar und ehrlich ausgewertet wird.

Der alte Reflex wäre, zunächst eine Strategie zu schreiben, dann ein Budget zu beschließen, anschließend ein System auszuwählen und schließlich Schulungen auszurollen. Das geht mit AI nicht mehr, und das macht vielen Entscheidern Angst.

Die Alternative ist kein unkontrollierter Aktionismus. Es ist eine andere Taktung: sichere Arbeitsräume schaffen, reale Aufgaben auswählen, Ergebnisse prüfen, Regeln nachschärfen und das Gelernte sofort weitergeben.

Von der Spitze bis zur Basis

Geschwindigkeit ist keine Aufgabe für eine Abteilung. Eine kleine AI-Gruppe kann Orientierung geben, aber sie kann die Erfahrung der gesamten Organisation nicht ersetzen. Die besten Anwendungsfälle sitzen häufig an der Basis: bei Menschen, die jeden Tag Metadaten korrigieren, Autorenfragen beantworten, Abrechnungen prüfen oder Produktionsfehler suchen. Sie wissen, wo Zeit verloren geht und welche Ausnahme jede scheinbar elegante Automatisierung scheitern lässt.

Genauso wenig funktioniert Transformation ohne die Spitze. Meine berufliche Erfahrung ist eindeutig: Führungskräfte müssen diese neue Kategorie von Werkzeugen selbst benutzen. Nicht gelegentlich in einer Demo, sondern im eigenen Arbeitsalltag – beim Vorbereiten einer Sitzung, beim Hinterfragen einer Analyse, beim Strukturieren eines Textes, bei der Budgetplanung und -kontrolle, beim Erstellen von Verträgen oder beim Erkunden eines neuen Marktes. Nur wer selbst arbeitet, versteht zugleich Produktivität und Grenzen. Er stellt bessere Fragen, erkennt schlechte Ergebnisse schneller und kann glaubwürdig entscheiden, wo Menschen verantwortlich bleiben müssen.

Die Aufgabe der Führung ist also nicht, AI „einzuführen“. Sie muss ein System des Lernens organisieren: von oben mit Richtung, Ressourcen und Vorbild; von unten mit Erfahrung, Kritik und konkreten Fällen. Dazwischen braucht es kurze Zyklen, klare Verantwortlichkeit und die Freiheit, zu scheitern und Versuche zu beenden. Geschwindigkeit entsteht nicht durch Druck, sondern durch weniger Abstand zwischen Beobachtung, Entscheidung und Anwendung.

Sorgfalt ist nicht Langsamkeit

Wissenschaftliches Publizieren muss seine Werte dafür nicht aufgeben. Im Gegenteil: Qualität, Nachvollziehbarkeit und Vertrauen werden wichtiger, wenn Produktion billiger und überzeugende Fehler leichter werden. Aber Sorgfalt darf nicht mit Langsamkeit verwechselt werden. Ein sechsmonatiger Entscheidungsprozess ist nicht automatisch gründlicher als sechs gut dokumentierte Versuche in derselben Zeit.

Die entscheidende Frage lautet deshalb nicht, ob eine Organisation schon die richtige AI-Strategie besitzt. Sie lautet, wie schnell sie verlässlich lernen kann. Modelle werden besser, kleiner und günstiger, während Unternehmen sich beraten. Wer in Jahren plant, was andere in Wochen erproben, wird nicht durch eine falsche Prognose verlieren, sondern durch Langsamkeit und daraus resultierende fehlende Erfahrung.

In der Vergangenheit konnte wissenschaftliches Publizieren Wandel abwarten, übersetzen und in seine vertrauten Strukturen einpassen. Diesmal könnte das Tempo selbst der Wandel sein. Die Organisation, die darauf antworten kann, arbeitet nicht nur mit AI. Sie wird beweglicher – von der Spitze bis zur Basis.