What the machine can't lead

At a large technology company, 97 percent of senior leaders said in an employee survey that they clearly understood the company's strategic priorities.

Then someone asked the people responsible for executing that strategy to name three of them.

28 percent could. Around 30 percent could not name a single one.

Donald Sull, Charles Sull and James Yoder published this in MIT Sloan Management Review after analysing 124 organisations. The measure was generous — any three of the top five counted as a match. The number is flattered, not harsh.

And note the date: 2018. Long before ChatGPT. This is not an AI finding. It is the ground AI is being rolled out on.

That's what makes it the opening of this chapter. Because AI does not lead. It accelerates what is already there — including the lack of clarity.

You can see the same thing from three other directions. BCG puts 70 percent of AI success with people, process and culture, and only 10 percent with the algorithm. Deloitte finds 84 percent of companies have not redesigned jobs or workflows around AI. McKinsey finds that among companies using gen AI, only 21 percent have fundamentally redesigned even some of their workflows.

Four independent measurements. One shape.

Scott D. Anthony names the mechanism behind it precisely: by the time you have enough data to justify a decision, it is too late to make it. A model can execute a priority at extraordinary speed. Setting one is not something it can do for you.

And where leadership does set and say it, it shows up in the numbers. EY surveyed around 1,150 employees in late 2025: where AI strategy was communicated clearly, 92 percent reported positive productivity. Where it stayed unclear, 62 percent.

So the missing half here isn't a technology gap. It is the half someone has to name before a system can carry it out. 🧭

Here is what changed. That unclarity used to travel through people. Middle managers translated it, asked again, quietly corrected it on the way. A system does not ask again. It executes the instruction it was handed, fast and at scale.

So the rule I'd defend: automate what people can name consistently. What they can't name consistently isn't ready for automation yet.

💬 Would you sign that rule — or is it too strict to run a business on?

---

Markus hat den Satz am 24.08. abends von Hand im terminierten Post ersetzt, vor dem Go-live. Der Text oben ist danach gegen den terminierten Post geprüft und wortgleich nachgezogen — der AuthoredUp-Draft `D_ZP516V` bleibt außen vor (`submitted`, Stand v12 mit der alten Zeile), er ist ab dem Terminieren nur noch Protokoll, Regel vom 17.08. Wer wissen will, was rausging, liest diese Datei, nicht den Draft.

Prüfweg der Gegenprobe (AuthoredUp liefert den terminierten Post als `urn:li:share:7497675929700327424`): UTF-16-Länge 2.360 Zeichen und 15 Absätze stimmen aufs Zeichen, und die Styling-Anker des Posts liegen an denselben Positionen wie in dieser Datei (97 → 31, „only 21 percent" → 1113, Mention Scott D. Anthony → 1233). Der Versatz von +1/+2 ab der 🧭-Zeile ist die Emoji-Zählweise (Code Points gegen UTF-16), keine Textabweichung.

Vorher „McKinsey finds only 21 percent have adapted their workflows." Jetzt „McKinsey finds that among companies using gen AI, only 21 percent have fundamentally redesigned even some of their workflows."

Warum. Die 21 % sind am 24.08. erstmals an der Primärquelle geprüft (Anker `mck_workflows_21`, offene Stelle seit 01.08.). McKinseys Satz lautet wörtlich: „Twenty-one percent of respondents reporting gen AI use by their organizations say their organizations have fundamentally redesigned at least some workflows." Zwei Abweichungen: (1) Die Grundgesamtheit sind Befragte mit KI-Nutzung im Unternehmen, nicht alle Firmen. (2) „adapted" senkt die Hürde — gemessen wurde grundlegender Umbau von mindestens einigen Abläufen. Mit „adapted" behauptet der Post also mehr, als die Studie sagt: dass nur ein Fünftel überhaupt etwas angepasst hat. Nach der Sull-Lehre vom 25.07. ist genau das der Fehlertyp, den die Serie sich nicht leisten kann.

Damit tragen Post und Repo dieselbe Fassung. Offen bleibt nur die Website-Routine nach dem Go-live (`status: published` + `linkedin_url`, `build_insights.py`, `vercel --prod`).

---

Markus' Entscheidung am 24.08.: Hybrid, nicht die volle T-03-Fassung. Eingearbeitet ist der Mechanismus (die menschliche Reparaturschicht — früher haben Mittelmanager Unklarheit unterwegs geglättet, ein System fragt nicht nach) plus die Regel als Tor, weil man sie ablehnen kann und deshalb Kommentare erzeugt. Nicht eingearbeitet ist der Fünf-Personen-Test als Aufgabe und die Frage „tell me the spread": Ein Nachmittag Arbeit ist keine billige Frage — Befund vom 04.08., festgehalten in `00-README.md`. Die Frage lautet jetzt „Would you sign that rule?" und ist mit Ja/Nein plus einem Satz beantwortbar. Der Test bleibt vollständig im Werkzeugkasten für Buch und Vortrag.

Die ursprüngliche Vorschlagsfassung vom 31.07., zur Nachvollziehbarkeit:

One move, and it costs an afternoon: ask five people at three different levels to write down your top three priorities. Separately, no prompting, no examples. Then read the fifteen answers side by side — and don't correct anyone. The spread is the finding. Whatever it is, it is the ceiling on what any system can execute for you. A machine inherits the clarity it was handed. It does not ask again.

💬 If you run it, tell me the spread. I'll report back what people found.

Alt oder neu? Das Instrument ist explizit alt — Sull hat genau diese Messung 2018 gemacht, und der Post sagt das auch („This is not an AI finding"). Neu ist, was die Unklarheit heute kostet. Früher lief sie durch Menschen: Mittelmanager haben übersetzt, nachgefragt, stillschweigend korrigiert. Diese Reparaturschicht war unsichtbar, aber sie war da. Ein System fragt nicht nach. Es führt die Anweisung aus, die es bekommen hat, schnell und in großer Zahl. Dieselbe Unklarheit, die früher unterwegs geglättet wurde, wird jetzt verstärkt und ausgeliefert.

Daraus folgt die eigentliche Neustrukturierung, und sie ist stärker als der Test selbst: Automatisiert wird, was Menschen übereinstimmend benennen können. Was sie nicht übereinstimmend benennen können, wird noch nicht automatisiert. Die Streuung wird damit zum Tor, nicht zur Anekdote. Das ist ein Satz, den man ablehnen kann — und deshalb einer, der Kommentare erzeugt.