„Bauen" ist woanders - KI, Founder-Mode und der deutsche Konzernalltag (#198)

Du liest #DRANBLEIBEN - Einordnungen zu Tech und Gesellschaft, von André Cramer. Ich bin Berater, Speaker und Podcast-Host von DRANBLEIBEN - Gespräche über unsere Zukunftsoptionen und Code & Konsequenz - Tech-Industrie Reflexionen. Lerne mehr über mich hier auf meiner Website, auf LinkedIn, Bluesky oder Mastodon!

Willkommen zu einer neuen Ausgabe von #DRANBLEIBEN!

Seit ich mit Unternehmen an KI arbeite, läuft für mich ein Faden mit, den ich lange nicht aufgeschrieben habe. Erst ist er mir als Kuriosität aufgefallen. Dann als Muster. Dann als Zwickmühle oder auch zunehmend als ein „hairy problem”, welches meine eigene kognitive Dissonanz nährt. Inzwischen halte ich diesen Faden für einen der wichtigsten, den ich in dieser Arbeit überhaupt sehe. Also schreibe ich das jetzt mal auf, und zwar ausführlich. Es ist eine Deep-Dive-Ausgabe geworden. Schnapp’ dir einen Kaffee ☕️… denn es wird mal wieder etwas länger (weil das Thema wahrhaft mehrdimensional ist).

Der Auslöser war ein Gedanke, der mich richtiggehend elektrisiert hat: Erleben wir mit den neuen Frontier-KI-Systemen gerade die Stunde der Innovation-Labs? Ich habe diese Idee ein paar Wochen mit mir herumgetragen und fand sie ziemlich gut. Beim genauen Hinsehen ist sie mir dann unter den Händen zerbröselt. Und das, was dabei zum Vorschein kam, hat mich am Ende mehr beschäftigt als die Frage selbst. Es geht um den Unterschied zwischen denen, die mit KI bauen dürfen, und denen, die beantragen müssen. Um KI-Lizenzen, deren Einkauf sich wie eine Entscheidung anfühlt und in Wahrheit Entscheidungen vertagt. Um die Frage, ob Warten klug ist, wenn die bekannte Spitzenmodelle teurer werden, während ihr Vorsprung vor Open Weight Modellen schrumpft. Und um die Führungsarbeit, die aus alldem folgt, bzw. folgen muss. Am Ende erfährst du auch, warum mich das alles trotzdem zuversichtlich stimmt.

Viel Freude beim Lesen und Dranbleiben!

Ich beobachte in meiner Arbeit und der Beschäftigung mit KI sehr unterschiedliche Räume. Mal ein Training, mal ein Workshop, mal eine Runde mit einem Führungsteam, mal ein Gespräch am Rand, das wichtiger ist als der Termin davor. Unterschiedliche Branchen, unterschiedliche Größen, unterschiedliche Reifegrade. Und mit der Zeit habe ich verstanden, dass ich in Wahrheit immer nur zwei Räume betrete, egal an welcher Adresse. Es sind keine Räume aus Wänden, es sind Möglichkeitsräume.

In dem einen Raum sitzen Menschen, die bauen. In dem anderen Menschen, die beantragen. Oder besser: die beantragen müssen.

Und das Verrückte daran ist, dass die Wand zwischen diesen Räumen mit Können nicht so viel zu tun hat. Mit Talent auch nicht. Mit Motivation schon gar nicht. Ich habe in großen Linienorganisationen Leute getroffen, die schärfer denken als so mancher, den ich in Startups gesehen habe. Die sitzen trotzdem im Beantragen-Raum. Und sie wissen es meistens nicht mal. In Startups und Founder-Teams ist der Bau-Raum schlicht der Normalzustand. Im Konzern und in großen Organisationen ist er in der Regel ein Sonderrecht oder er ist für alle verschlossen, zumindest offiziell.

Was ich in diesen Räumen sehe

Es gibt einen Moment, den ich inzwischen erkenne, bevor er passiert.

Da sitzt jemand, der seit Jahren Prozesse verantwortet und noch nie eine Zeile Code geschrieben hat. Und auf dem Bildschirm läuft plötzlich ein Ding. Nicht die Skizze von einem Ding. Ein laufendes Ding, mit Buttons, mit Logik dahinter, mit echten Daten drin. Und diese Person guckt auf ihren eigenen Bildschirm, als hätte sie da etwas erwischt, was ihr nicht zusteht, und sagt sowas wie: „Das hätte ich früher beantragen müssen. Da hätte ich mich bei der IT oder bei Gremium XY in die Schlange stellen müssen.”

Um diesen Satz geht es mir. Das Artefakt ist fast egal. Interessant ist der Groschen, der da fällt.

Denn was diese Person gerade gemerkt hat, ist ja nicht, dass sie schneller geworden ist. Sie hat vor allem gemerkt, dass sie downstream niemanden mehr braucht, oder jedenfalls viel weniger von dem, was bisher downstream für sie erledigt wurde. Jahrelang lief das so: Idee haben, Idee aufschreiben, Idee jemandem erklären, der sie bauen kann, warten, Priorisierungsrunde oder Gremium, warten, Kompromiss, warten, und irgendwann kommt etwas zurück, das mit der ursprünglichen Idee ungefähr so viel zu tun hat wie ein Passfoto mit einem Menschen. Und jetzt hat dieselbe Person das Ding einfach gebaut. An einem Nachmittag. Sie hat den Raum gewechselt, ohne aufzustehen.

Die Energie, die dabei hochgeht, ist mit Abstand das Auffälligste und Schönste an meiner Arbeit gerade. Ich kenne wenig, was Menschen in Organisationen so schnell aufweckt.

Ich weiß, dass ich da eine Auswahl vor mir habe. In KI-Trainings, Workshops, Bootcamps sitzen selten die, die keinen Bock haben. Halten wir das fest, das wird später noch wichtig.

Das Werkzeug hat die Kategorie gewechselt

Das ist ja auch etwas anderes als noch vor zwei, drei Jahren. Damals hatten wir KI-Werkzeuge, die vor allem Text ausgeworfen haben. Und Bilder meinetwegen auch. Nette Sache. Das hat vielen Leuten das Schreiben erleichtert und einigen das Denken abgenommen, dazu habe ich hier bei #DRANBLEIBEN schon sehr viel geschrieben, zum Beispiel hier.

Was seitdem passiert ist, ist eine Verschiebung der Kategorie. Claude Cowork, Claude Code, OpenAI Codex, Lovable und was da sonst im Monatstakt aufschlägt, geben Text fast nur noch nebenbei aus. Vor allem sind diese Systeme in der Lage, Artefakte auszugeben. Anwendungen, Workflows oder Analysen, die sich selbst neu rechnen. HTML-Seiten, die den Namen kaum noch verdienen, weil da Funktionalität drinsteckt, Zustände, interaktive Elemente, Logik. Dinge, für die es vor drei Jahren ein Team gebraucht hätte und ein Quartal.

Das Werkzeug schlägt also nicht mehr nur vor. Es tut, es baut.

Und damit verschiebt sich etwas, das lange stabil war. Nämlich die kleinste Einheit, die etwas Nutzbares, etwas Neues in die Welt bringen kann. Die war jahrzehntelang ein größeres Team. Jetzt kann sie definitiv ein kleineres Team sein, manchmal nur ein einzelner Mensch.

Ich gebe zu, dass mich das elektrisiert hat. Weil daraus doch etwas folgen muss.

Große Unternehmen haben sich das ja lange gewünscht, zumindest auf den Vorderbühnen. Erinnerst du dich an die Innovations-Labs? Vor fünfzehn, zwanzig Jahren war das der heiße Scheiß. Jeder Konzern, der etwas auf sich hielt, hat eins gegründet. Irgendwo in Berlin, oder gleich im Valley, oder in Tel Aviv, oder in Shenzhen. Glaswände, Kicker, Post-its, Menschen mit Sneakern, die „Ideation” gesagt haben.

Und heute? Die meisten davon sind eingegangen. Leise, oft ohne Pressemitteilung. Kaum eine der überhaupt noch existierenden Einheiten hat noch die Bedeutung oder die Größe von damals.

Warum eigentlich? Meine Vermutung war lange die naheliegende. Da saßen Leute mit Ideen, die für die Umsetzung aber auch dort auf andere angewiesen waren. Auf Engineers, auf Partner, auf die IT, auf Budgets, und vor allem auf eine Linie, die oft gar keine Lust auf die ganzen Ideen und Prototypen hatte. Die Leute in den Labs konnten denken und mussten betteln.

Und genau das fällt jetzt weg.

Also dachte ich mir: Kommt da nicht gerade die Stunde? Ich meine damit keine Wiederauferstehung aus Nostalgie. Eher einen Moment, in dem der Lab-Gedanke zum ersten Mal vielleicht überhaupt richtig Sinn ergibt. Man nehme die Menschen, die für eine Sache brennen. Die Achievers, die High Potentials, die, die nach drei Tagen im Workshop nicht nach Hause wollen. Man gebe ihnen die Werkzeuge und man lasse sie machen. Diesmal richtig.

Ich habe diesen Gedanken ein paar Wochen mit mir herumgetragen und fand ihn ziemlich gut.

Nur, er hält leider nicht…

Die berühmteste Zahl dazu benutze ich bewusst nicht zentral. Neunzig Prozent der Labs scheitern, heißt es oft, meistens mit „laut Capgemini” davor. Ich habe die Studie gesucht. Was es gibt, ist ein Report von Altimeter und Capgemini Consulting aus dem Juli 2015, und darin zitiert der Report eine ungenannte Person mit der Schätzung, 80 bis 90 Prozent dieser Innovations-Center scheiterten. Eine Meinung am Rand einer Studie, die seitdem durch die Beratungsliteratur wandert und dabei immer sicherer wird. Belastbare Zahlen gibt es nach zehn Jahren keine. Auch das ist ein Befund.

Also konkrete Fälle. Das Lab1886 bei Daimler, gegründet 2007, zuletzt rund 180 Mitarbeitende auf drei Kontinenten. Da ist Car2Go rausgekommen, ein echter Erfolg. Allein 2018 machte die Einheit 2,5 Millionen Euro Verlust, berichtete das Handelsblatt. Ende 2020 hat Daimler sie abgegeben, und in der Mitteilung dazu steht ein bemerkenswert ehrlicher Satz. Jörg Howe, damals Kommunikationschef, sagt darin, unternehmenseigene Innovationsbereiche stießen spätestens in der Phase der Kommerzialisierung häufig „an die Grenzen der Umsetzung”. Es hat also nicht am Erfinden geklemmt. Es hat auch nicht am Bauen geklemmt. Es hat an der Stelle geklemmt, wo das fertige Ding in ein Geschäft übergehen sollte; am Anschluss.

Walmart erzählt dieselbe Geschichte mit anderem Akzent. Im Januar 2024 schloss der Konzern seinen Inkubator Store No. 8 nach sieben Jahren, mit rund 300 Mitarbeitenden. Man habe inzwischen Technologie-, Produkt- und Design-Organisationen aufgebaut, die „alongside the business” arbeiteten, an der Seite des Geschäfts, und die Verantwortung für die Zukunft des Handels sei jetzt im ganzen Unternehmen verteilt. Ein Konzern begräbt sein Lab und sagt im selben Atemzug, wo die Fähigkeit hingehört.

Die beste Gegenrede dazu hat Andrew Binns in Forbes aufgeschrieben. Ein Lab sei ohnehin kein Dauerzustand. Store No. 8 entstand, als Walmart Amazon hinterherrannte, sieben Jahre später konnte Walmart, was es können musste. Auftrag erledigt. Das kann man nicht wegwischen, vielleicht sind manche Labs gar nicht gescheitert, vielleicht waren sie fertig. Nur nennt Binns als zweite Erklärung genau die, die ich selbst im Sinn hatte. Das Lab wird zur Insel, zum Puffer zwischen dem operativen Geschäft und dem Ökosystem draußen.

Ich war gestartet mit der Vermutung, die Labs seien an der Umsetzungslücke gestorben. Die Fälle sagen ziemlich einstimmig etwas anderes. Der Prototyp war selten das Problem, geliefert haben die Labs massenhaft, Demos, Piloten, Showrooms, Vorstandsbesuche. Der Engpass saß aber in der Organisation, die das Ergebnis aufnehmen muss. Mandat, Budget und vor allem jemand mit einer P&L, der oder die das Ding wirklich haben wollte.

Die neuen KI-Werkzeuge senken die Kosten also an genau der Stelle, an der es eigentlich nie geklemmt hat. Und sie machen die alte Frage sogar dringlicher, denn Artefakte entstehen jetzt schneller, als irgendein Konzern sie derzeit verdauen kann. Wer daraus schließt, er brauche wieder ein Lab, hat aus dem Scheitern der letzten Runde nichts gelernt. Er bekommt schönere Demos, und sonst nichts.

Es ist nur so, dass die zwei Räume, mit denen ich gestartet bin, damit noch nicht erklärt sind. Denn wenn die Umsetzungslücke nie das Problem war, warum um alles in der Welt sitzen dann überall so viele Leute, die beantragen müssen, was sie längst selber bauen könnten?

Die naheliegende Antwort kenne ich aus meinen eigenen Terminen. Die Leute haben eben die Werkzeuge nicht. „Wir kriegen nur Copilot” höre ich in Terminen so oft, dass ich es mitsprechen könnte. Und von der anderen Seite des Flurs kommt das Echo, aus den Etagen, in denen entschieden wird: „Wir haben doch KI.”

Beide Sätze stimmen, und genau das ist die Falle. Microsoft meldete mit den Quartalszahlen im Januar 15 Millionen bezahlte Microsoft-365-Copilot-Sitze, das beste Quartal seit dem Start. Die Konzerne kaufen KI millionenfach. Nur zählt ein bezahlter Sitz, sobald die Lizenz zugewiesen ist. Ob sich da jemals jemand einloggt, sagt Microsoft nicht. Die Unternehmen kaufen Sitze, Microsoft zählt Sitze, der Erfolg wird in Sitzen gemeldet. Ob jemand mit dem Ding arbeitet, fragt in dieser Kette niemand.

Warum es vor allem in größeren Unternehmen so oft Copilot ist, erklärt die Beschaffungslogik. Ein anderer Anbieter wäre ein neuer Vertrag, eine neue Risikobewertung, ein Gang zum Betriebsrat, eine ganz neue Datenschutzfolgenabschätzung. Copilot ist mehr wie ein weiterer Haken in einem Vertrag, der sowieso läuft. Die Entscheidung, vor der ein großes Haus steht, lautet in der Praxis „Haken dran oder mehrere Monate Prozess”. Und dieser Prozess ist Fixkosten, er kostet wohl annähernd dasselbe für 100 Lizenzen wie für fünfzigtausend. Ein Bereich mit hundert Leuten, die etwas anderes bräuchten, liegt unterhalb der Auflösung, mit der eine Konzernbeschaffung sehen kann. Und ich weiß von einem Fall, wo zwei Einheiten desselben Konzerns zeitgleich zwei verschiedene KI-Systeme eingekauft haben, weil beide die Hoheit wollten. Doppeltes Geld, halbe Wirkung. Auch das ist Beschaffungsrealität, älter als jedes Sprachmodell.

Was Menschen mit KI tun können, hängt inzwischen fast vollständig an dieser Zugangsfrage. Wer ein Chatfenster mit Textausgabe hat, kann Texte verbessern. Wer Claude oder ChatGPT Enterprise im vollen Funktionsumfang hat, kann komplexeste Analysen fahren, Denkprozesse organisieren und vor allem handfeste Artefakte bauen. Wer Aggregations- oder Agent-Systeme wie Langdock oder n8n nutzen darf, kann unter den besten Frontier-Modellen wählen oder Abläufe automatisieren, die vorher ein Projektauftrag gewesen wären. Dieselbe Person, drei Zugänge, drei völlig verschiedene Wirkungsgrade. Die Wand zwischen meinen zwei Räumen besteht also vor allem aus Zugriffsrechten.

Wie einseitig die Verteilung hierzulande ist, hat der Bitkom zuletzt vermessen, erhoben 2025, veröffentlicht Anfang 2026. 28 Prozent der deutschen Unternehmen nutzen Copilot, Claude nutzen 2 Prozent. In den USA zahlte nach Ausgabendaten von Ramp Anfang 2026 bereits jedes vierte Unternehmen für Anthropic-Dienste, im April überholte Anthropic dort erstmals OpenAI bei den zahlenden Firmenkunden. Die Erhebungen messen Verschiedenes, Befragung hier, Zahlungsverhalten dort, und die deutsche Zahl ist die ältere. Aber einen Abstand dieser Größenordnung erklärt weder die Methodik noch der Zeitversatz weg. Und die frischeren Zahlen bestätigen das Muster eher, als dass sie es entkräften. In der Bitkom-Bevölkerungsbefragung vom Frühjahr 2026 liegt Claude bei 5 Prozent, und eine Erhebung von Splendid Research vom Juli zeigt, wo die Nutzung stattdessen sitzt, in der Gruppe der fortgeschrittenen Nutzer*innen ist Claude mit knapp 20 Prozent stark überrepräsentiert. Das Werkzeug der Wahl der einen ist das Randphänomen der anderen.

Dabei kann unter der Copilot-Haube inzwischen sogar Claude stecken. Microsoft hat Anthropic-Modelle in Copilot integriert, für die meisten europäischen Kunden sind sie allerdings ab Werk abgeschaltet, weil die Verarbeitung außerhalb der zugesicherten europäischen Datenräume läuft; wer sie will, muss sie aktiv freischalten und dabei nicht triviale Governance- und Compliance-Arbeit machen. Ich erwähne das weniger wegen der Details als wegen der Einsicht dahinter. Welches Modell unter der Haube steckt, ist gar nicht der Punkt. Der Punkt ist das System drumherum, das bestimmt, was das Modell darf.

Um zu verstehen, was mit dem System drumherum gemeint ist, hilft ein Begriff, den Anthropic in der eigenen Dokumentation selbst benutzt. Das Unternehmen beschreibt sein Werkzeug Claude Code als agentische Harness um das Modell herum. Harness heißt wörtlich Geschirr, wie bei einem Zugpferd, und das Bild ist präziser, als es zunächst klingt. Ein Sprachmodell allein kann genau eine Sache. Es nimmt Text entgegen und gibt Text zurück. Es hat, salopp gesagt, keine Hände. Die Harness gibt ihm welche. Sie verbindet das Modell mit Werkzeugen, hält den Arbeitskontext zusammen und stellt die Umgebung bereit, in der es Dinge tatsächlich ausführen kann. Erst dieses Drumherum macht aus einem Sprachmodell einen fähigen Agenten.

Dieser Agent arbeitet dann zum Beispiel mit den Dateien des Projekts, die er lesen und verändern kann. Und mit der Kommandozeile des Rechners; was man selbst von dort ausführen kann, kann Claude auch. Programme starten, Daten verschieben, Abläufe anstoßen. Und weil das so weit reicht, ist die Kontrolle gleich mit eingebaut. Claude Code fragt in der Grundeinstellung um Erlaubnis, bevor es Dateien verändert oder Befehle ausführt, und über Regeln lässt sich festlegen, was ohne Rückfrage erlaubt ist und was nie. Diese Regeln reichen von der persönlichen Einstellung bis zur konzernweiten Vorgabe.

Spätestens hier wird aus einem Produktdetail eine Organisationsfrage. Die Harness ist die Erlaubnis, und zwar wörtlich, als konfigurierbares Regelwerk. Ein Geschirr spannt das Pferd vor den Wagen und hält es zugleich in der Spur, beides in einem. Daten lesen, Daten schreiben, Abläufe anstoßen, jede dieser Fähigkeiten ist etwas, das ein Konzern in zwanzig Jahren aus nicht guten, aber nachvollziehbaren Gründen hinter Berechtigungen, Freigaben und Systemgrenzen weggeschlossen hat. Ein Konzern, der solche Systeme einführt, verhandelt deshalb in Wahrheit seine eigene Berechtigungsarchitektur neu. Wer diese Erlaubnisfrage vertagt, bekommt auch vom besten Modell nur die harmlose Version, die alles vorschlagen und nichts anfassen darf. Auch das beste System wäre dann nur ein besseres Hilfsmittelchen.

Damit lässt sich die Copilot-Klammer schließen. Die agentische Stufe hat Microsoft nämlich längst im Angebot. Sie heißt Copilot Studio, dort lassen sich eigene Agenten bauen, inzwischen wahlweise auch mit Anthropic-Modellen darunter. Nur gehört diese Stufe eben gerade nicht zum Haken im Rahmenvertrag. Sie wird nach Verbrauch abgerechnet, zusätzlich zum Sitzpreis, und sie wirft exakt die Fragen auf, die der Haken-dran-Kauf vermeiden sollte. Wer darf Agenten bauen, auf welchen Daten, mit welchen Berechtigungen, wer trägt den Verbrauch. In meinen Terminen begegnet mir jedenfalls kaum ein Haus, das diese Stufe in der Breite nutzt. Der Copilot, den die Leute meinen, wenn sie „wir haben doch KI” sagen, ist die harmlose Stufe darunter. Genau das ist die Falle. Der Haken im Rahmenvertrag fühlt sich an wie eine KI-Entscheidung, dabei ist er die bequemste Art, wichtige KI-Entscheidungen zu vertagen. Was sollen die Systeme dürfen, wer bekommt sie, was ist uns das wert? Solange diese Fragen offen sind, reicht „irgendwie Copilot” nicht. Und zwar bei jedem Anbieter, Microsoft kann da am wenigsten dafür.

Und hier kippt die Zugangsfrage in etwas Größeres. Wenn die kleinste bauende Einheit ein Mensch ist, dann entscheidet die Freigabe eines Werkzeugs darüber, wer im Unternehmen bauen kann und wer beantragen muss. Die Tool-Freigabe wird somit gar zur stillen und wirksamen Personalauswahl im Unternehmen, getroffen von Leuten, die glauben, sie entscheiden über Lizenzen. Wer solche Zugänge vergibt, betreibt also de facto auch Personalentwicklung. Ob er oder sie es weiß oder nicht.

Bleibt die Frage, warum das so wenige merken. Ich glaube, weil viele, die über den Zugang entscheiden, die Capability-Obergrenze nie gesehen haben. Wer die Beschaffung von KI-Werkzeugen heute verantwortet, kennt oft nur das Chatfenster, und aus dem Chatfenster wird auf die Technologie als ganzes geschlossen. Wenn das einzige Werkzeug, das man selbst nutzt, mittelmäßig ist, wird KI für mittelmäßig gehalten, und die Investitionszurückhaltung erscheint dann sogar als Vernunft. Hier schließt sich ein Kreis. Die Erfahrung, die man bräuchte, um die eigene Entscheidung zu beurteilen, wird durch genau diese Entscheidung verhindert. Das ist eine Urteilskraftlücke, angewendet auf die Beschaffung. Urteilskraft über KI setzt Erfahrung an der Fähigkeitsgrenze voraus. Wer nur die stumpfe Version kennt, hat keine Datengrundlage für das eigene Urteil und merkt es nicht.

Deshalb ist das Selbst-Bauen keine Spielerei für Enthusiast*innen. Es ist an der richtigen Stelle auch die Voraussetzung dafür, überhaupt gute Zugriffs- und Beschaffungsentscheidungen treffen zu können.

Nun könnte man einwenden, dass sich das Problem von selbst erledigt. Zwei Entwicklungen scheinen dafür zu sprechen, und beide sind real.

Die erste ist der verdunstende Vorsprung der Frontier-KI-Modelle. Epoch AI verfolgt den Abstand zwischen den besten offenen Modellen und der geschlossenen Spitze. Seit Januar liegt er im Schnitt bei nur vier Monaten. Was heute nur im teuersten Frontier-Modell steckt, steckt wenige Monate später in Modellen, die man herunterladen und selbst betreiben kann. Da liegt der Gedanke nahe, dann warten wir eben, bis das Gute billig ist.

Wie schnell sich diese Lücke gerade schließt, konnte man in dieser Woche beobachten. Das Pekinger Labor Moonshot AI stellte mit Kimi K3 ein Modell vor, das in mehreren unabhängigen Tests in unmittelbarer Nähe der besten geschlossenen Modelle landet, beim agentischen Coding in einzelnen Blindvergleichen sogar vor ihnen. Die Veröffentlichung der Modellgewichte ist für Ende Juli angekündigt. Die üblichen Vorsichtsmarker gelten, die Benchmarks sind frisch, der technische Bericht fehlt noch, und angekündigte Gewichte sind noch keine veröffentlichten. Aber die Richtung ist unübersehbar. Die amerikanischen Labs haben weiterhin die stärksten Gesamtmodelle. Die Fähigkeit, Frontier-Niveau zu erreichen, haben sie nicht mehr exklusiv.

Die zweite ist die Kostenexplosion an der Spitze. Die Sitz-Ära, in der der Lizenzpreis zugleich die Obergrenze war, endet gerade oder tritt gerade in einer andere Phase. Agentische Systeme rechnen nach Verbrauch ab, und Verbrauch hat keine eingebaute Decke, ein einziger Auftrag kann im Hintergrund eine Vielzahl von Modellaufrufen auslösen. Wie unangenehm das wird, hat Microsoft selbst vorgeführt und eigenen Entwicklern die Lizenzen für Claude Code gestrichen, zu teuer. Zuerst berichtet hat das The Verge, aufgegriffen haben es viele, auch das Handelsblatt. Ein Konzern nimmt seinen Leuten ein Werkzeug weg, weil sie zu viel damit arbeiten. Sam Altman räumte auf OpenAIs Kundenevent ein, die Kostenfrage habe sich binnen Monaten „zu einem riesigen Problem entwickelt”. Die Beratung KPMG hat im Frühjahr mehr als 2.100 Führungskräfte in 20 Ländern befragt. 42 Prozent haben nur teilweisen Einblick, wohin ihr KI-Geld fließt, während Organisationen mit Kostentransparenz fünfmal häufiger von belegtem Return berichten. Und Rob Hornby von AlixPartners rechnet im genannten Handelsblatt-Artikel vor, ein Agent auf Spitzenmodell-Basis koste für mittlere Büroaufgaben aufs Jahr mehr als eine menschliche Vollzeitkraft in einem Niedriglohnland.

Ich nenne diese Gemengelage die Frontier-Schere. Das eine Scherenblatt ist der Preis der Spitze, und der läuft nach oben. Das andere ist ihr Vorsprung vor den um Längen günstigeren Open-Weight-Modellen, und der ist auf wenige Monate geschrumpft. Man könnte den Aufpreis für die Spitze deshalb auch den Frischeaufschlag nennen, Höchstpreis für eine Ware, die in vier Monaten im normalen Regal liegt. Je weiter sich die Schere öffnet, desto schwerer lässt sich der Griff zur Spitze begründen. Wer soll da noch guten Gewissens Frontier einkaufen?

Der Tech-Analyst Benedict Evans denkt diese Bewegung konsequent zu Ende. Seine Frage lautet, ob das KI-Modell irgendwann das ganze Produkt sein kann oder ob es ein Stück Infrastruktur bleibt, mit dem andere das eigentliche Produkt bauen. Jede derzeit erkennbare Dynamik, schreibt er, deute auf margenschwache Commodity-Infrastruktur mit der Wertschöpfung obendrauf. Wobei er ehrlich genug ist dazuzusagen, dass einige seiner historischen Analogien, die er in diesem Kontext bemüht (z.B. Mobilfunknetze, Breitband-Internet) keine Beweiskraft haben. Vielleicht reichen also für 99 Prozent selbst anspruchsvoller Aufgaben bald sehr günstige Modelle.

Ist es dann am Ende gar nicht so schlimm, dass deutsche Konzerne so langsam sind?

Doch. Und zwar, weil die Warten-Logik zwei sehr verschiedene Preise verwechselt. Der Modellrückstand kostet vier Monate und heilt beim nächsten Einkauf von selbst. Der Organisationsrückstand kostet Jahre, und er wächst beim Warten, weil Urteilskraft Erfahrung an der Fähigkeitsgrenze voraussetzt und diese Erfahrung sich anders als ein Modell-Update nicht nachliefern lässt. Sollten die Modelle wirklich zur Commodity werden, verschärft das die Lage sogar. Dann kann sich bald jede Organisation dieselbe Intelligenz leisten, und der einzige Unterschied, der übrig bleibt, ist, was sie daraus macht. Erlaubnisse, Rollen, Mandate, Urteilskraft. Das Zeug, das man nicht herunterladen kann.

Der Vollständigkeit halber die Bedingung, unter der dieses Argument kippen würde. Kämen Harness-Fähigkeiten eines Tages als schlüsselfertige Produkte, die keine Erlaubnis-, Rollen- und Machtentscheidungen mehr verlangen, wäre der Organisationsrückstand kaufbar. Danach sieht es derzeit nirgends aus. Im Gegenteil, je fähiger die Systeme, desto härter stellt sich die Frage, was sie dürfen sollen.

Zwei Dinge noch, bevor ich zur Antwort auf die Ursprungsfrage komme.

Erstens die Abhängigkeit über allem. Die besten Modelle hängen auch an geopolitischen Entscheidungen und können von einem Tag auf den anderen gesperrt oder gedrosselt werden. Wir haben in diesem Jahr erlebt, wie schnell das geht. Erst wurde von heute auf morgen der Stecker gezogen, danach kam der Zugang gestaffelt zurück, zuerst für einen kleinen Kreis kritischer US-Organisationen, nach gut zwei Wochen für alle. Und wir sehen am Horizont, was noch kommen könnte, wenn wir nach China blicken. Wer alles auf einen eingekauften Zugang baut, kontrolliert weder den Preis noch den Stecker.

Zweitens die Verteilungsfrage, und die hat es in sich. Wenn Nutzung nach Verbrauch kostet, wird aus „Rollout an alle” eine echte Entscheidung. Wer bekommt wie viel, nach welchem Kriterium? Das klingt nach einer Einkaufsfrage, ist aber keine mehr. Sobald die KI-Compute-Kosten einzelner Mitarbeitender zu ernsthaften Budgetposten werden, wird aus der Software-Lizenz faktisch ein Investitionsbudget, das an einer Person hängt. Damit rückt die Verteilung in dieselbe Kategorie wie die Vergabe von Headcount oder Projektbudgets, und sie verlangt dieselbe Führungsarbeit. Kriterien, die man aussprechen und begründen kann. Ein Urteil darüber, an welchen Stellen teure Fähigkeiten Wert erzeugen. Die Bereitschaft, nachzusteuern, wenn man danebenlag. Und Wachsamkeit gegenüber der bequemsten Fehlverteilung, bei der Zugriff dem Status folgt und der Lautstärke.

Und damit zu jemandem, der genau diese Führungsarbeit gerade sehr konkret durchdenkt.

Wie es aussieht, wenn jemand diese Fragen ernst nimmt, konnte man vor Kurzem in Lennys Podcast hören. Adam Mosseri, Chef von Instagram, beschreibt dort nüchtern, was KI bei ihm mit der Teamstruktur macht.

Das kanonische Produktteam eines großen Tech-Konzerns bestand bislang aus rund einem Dutzend Leuten. Zwei, drei Engineers je Plattform, dazu Produktmanagement, Design, Data Science, Research. Instagram baut das seit diesem Jahr um, in sogenannte Pods. Kleine Einheiten mit vier bis sechs Engineers, die breiter arbeiten als früher, dazu eine neue Rolle namens Product Staff, eine Weiterentwicklung des Produktmanagers, der mit den neuen Werkzeugen Teile von Design, Datenanalyse und Research gleich mit erledigt. Der Kern schrumpft von ungefähr dreizehn auf sechs oder sieben. Spezialist*innen kommen dazu, wenn die Aufgabe sie verlangt. Mosseri erwartet die stärksten Leute in dieser Rolle künftig aus Design und Data Science.

Man kann das für eine Personalie halten. Ich lese es als das genaue Gegenstück zum altbackenen Lizenz-Rollout-Denken in Good Old Germany. Mosseri verändert die Einheit, den Zuschnitt der Rollen und die Verantwortung, und die Werkzeuge ziehen in eine umgebaute Organisation ein. Das Lizenz-Rollout-Denken macht es in umgekehrter Reihenfolge. Es verteilt Werkzeuge und hofft, dass sich die Organisation von selbst umbaut.

Bei den Kosten dieselbe Nüchternheit. Meta war intern bekannt für eine Rangliste, wer am meisten Tokens verbraucht. Ein Mitarbeiter hatte sie gebaut, im April wurde sie nach einem Leak abgeschaltet. Mosseri hält von solchen Ranglisten nichts. Es sei nicht schwer, einen Token-Verbrennungsofen zu bauen, sagt er sinngemäß, und sobald man Dollars rein gegen Wert raus rechne, erledigten sich viele Spielereien von selbst. Das ist, von der anderen Seite erzählt, was ich bei #DRANBLEIBEN im Gender AI Gap Deep-Dive KI-Statusperformanz genannt habe. Verbrauch und Prahlen beweist nichts.

Interessant wird es bei den Grenzen. Aktuell gebe es bei Instagram keine Token-Limits für Engineers. Das werde vermutlich kommen, denn Mosseri rechnet damit, dass in ein bis zwei Jahren die Rechenkosten einer starken Entwicklerin in der Größenordnung ihres Gehalts liegen könnten. Und wenn Grenzen kommen, dann, so sein Bild, proportional zum Vertrauen des Unternehmens in die Fähigkeit der Einzelnen, aus dem Verbrauch Wert zu machen. Wohlgemerkt, das ist sein Zukunftsentwurf, keine heutige Praxis. Aber die Logik lohnt das Festhalten. Das Compute-Budget wird zur Personalentscheidung. Genau die Verteilungsfrage von eben, beantwortet als Führungsentscheidung.

Und so weit weg könnte diese Zukunft gar nicht sein. Bryan Catanzaro, bei Nvidia für angewandtes Deep Learning zuständig, sagte Axios im April, für sein Team lägen die Rechenkosten inzwischen weit über den Personalkosten. Wörtlich, die Kosten für Compute lägen weit jenseits der Kosten für die Mitarbeitenden. Wobei man dazusagen muss, dass sein Team ungefähr der rechenintensivste Arbeitsplatz ist, den man sich vorstellen kann. Ein Deep-Learning-Team bei einem Chipkonzern fährt permanent Trainingslasten, an denen eine normale Entwicklerin in einem Produktteam nicht ansatzweise kratzt. Was bei Catanzaro schon Gegenwart ist, bleibt für die meisten anderen genau das, was Mosseri beschreibt. Eine Prognose auf ein, zwei Jahre. Der Punkt hält trotzdem. Denn er zeigt, dass Mosseris Rechnung keine Spekulation ist. Es gibt den Ort schon, an dem die Maschine mehr kostet als der Mensch, der sie bedient. Er liegt nur noch am äußersten Rand. Die Frage ist, wie schnell der Rand zur Mitte wandert.

Und dann ist da noch etwas, das in dem Gespräch fehlt, und dieses Fehlen ist eine späte Antwort auf meine Lab-Frage vom Anfang. In anderthalb Stunden über KI, Teams, Rollen und Kosten kommt kein Innovation Lab vor. Kein Sonderbereich, kein geschützter Raum, in den die neue Fähigkeit ausgelagert würde. Fairerweise, gefragt hat ihn danach auch niemand, und ein Schweigen ist kein Beweis. Aber es fällt auf, dass jemand, der seine Organisation gerade um diese Technologie herum umbaut, dafür keinen neuen Ort braucht. Er baut die Orte um, die es schon gibt.

Eine Einschränkung gehört dazu. Instagram ist ein Tech-Konzern, da sitzen Engineers in jeder Einheit, und die Werkzeuge treffen auf Leute, die ein Terminal nicht fürchten. Ein Fachbereich in einem deutschen Konzern ist eine andere Welt, und wer Mosseris Umbau als Blaupause verkauft, macht wohl eher denselben Fehler wie die Lab-Berater von 2010, nur mit neuem Vokabular. Übertragen lässt sich das Prinzip: Er ändert die Einheit, den Rollenzuschnitt, die Budgetlogik. Er ändert das Betriebssystem.

Ziehen wir zusammen, was sich in einer großen, in einer vor allem traditionellen Organisation hier in den Weg stellt. Entscheider*innen, die die Obergrenze von AI-Capabilities nie selbst erlebt haben. Eine Commodity-Erwartung, die vielleicht sogar zutrifft und trotzdem zum falschen Schluss verführt, nämlich zum Warten. Eine Kostendynamik, die verunsichert. Beschaffungs- und Governance-Prozesse, die in Monaten rechnen, wo die Technologie in Wochen rechnet. Ein über viele, viele Jahre gewachsenes Corporate-Betriebssystem aus Berechtigungen, Vorderbühnen-Claims und realen Machtstrukturen, das ins Wanken gerät, wenn plötzlich jede*r bauen kann. Und darüber die übliche Silo-Lähmung mit Zuständigkeitsgerangel und Abstiegsängsten. Sechs Hürden, die ineinandergreifen. Auffällig ist, was in dieser Liste fehlt. Motivation und Lernfähigkeit der Mitarbeitenden kommen nicht vor, und das ist kein Versehen. An ihnen scheitert es in meinen Workshops nie.

Wer angesichts dieser Hürden ein Lab gründet, weil die Werkzeuge so gut geworden sind, wiederholt den alten Fehler mit besserer Ausstattung. Wer Lizenzen ausrollt und auf Wandel wartet, begeht denselben Fehler in der Massenvariante. Beide parken die Fähigkeit an einer Adresse ohne Mandat. Der eine in einem Gebäude mit Kicker, der andere in einem KI-Lizenzpaket. Das Lab war immer der Versuch, den Bau-Raum als Gebäude zu errichten. Die Wand zwischen den Räumen besteht aber aus Erlaubnissen, und gegen Erlaubnisse hilft keine Architektur. Die Antwort liegt im Umbau der Linie selbst, dort, wo Wertschöpfung entsteht. Und zwar mit der unbequemen Frage, durch wen sie künftig entsteht und mit welcher Haltung. Ein Lab kommt darin nicht vor.

Wie dringend das ist, zeigen die, die schon nicht mehr warten. Ich habe Konzern-Mitarbeitende erlebt, die noch während KI-Workshops oder -Bootcamps ein privates Claude-Pro oder -Max Abo abgeschlossen haben, mit einer Begründung, die ich seitdem öfter höre. Wenn mir mein Arbeitgeber das nicht unkompliziert zur Verfügung stellt, dann hole ich es mir eben selbst, ich brauche das für meine eigene Wirksamkeit und Zukunftsfähigkeit. Die Zahlen dazu liefert Thomson Reuters im Future of Professionals Report 2026, einer Befragung von 1.816 Fachleuten aus Recht, Steuern, Audit und Compliance in 62 Ländern. 34 Prozent nutzen KI, die ihre Organisation nie freigegeben hat, unsichtbar und an allen Richtlinien vorbei. 24 Prozent erwägen, innerhalb von zwei Jahren eine Position zu verlassen, die ihr KI-Potenzial begrenzt, bei Wiederbesetzungskosten von durchschnittlich 232.000 Dollar.

Ich hatte am Anfang festgehalten, dass in meinen Workshops eine Auswahl sitzt, selten die ohne Bock. Von genau dieser Auswahl handeln diese Zahlen. Wer bauen kann und nicht darf, sucht sich einen Weg, im Verborgenen oder zur Tür hinaus. Und es gehen zuerst die, die man am wenigsten verlieren will.

Was also tun? Ich versuche es pointiert, im Wissen, dass jede Organisation anders ist.

Budgethoheit dorthin, wo gebaut wird. Auch unterhalb der Auflösung des Zentraleinkaufs. Ein Bereich, der zwanzig Zugänge zu einem besseren System braucht, muss sie beschaffen können, ohne einen völlig überbordenden Konzernprozess auszulösen.

Die Erlaubnisfrage wirklich entscheiden. Welche Systeme dürfen was ausführen, auf welchen Daten, mit welchen Grenzen. Das ist unbequem, weil Sicherheits- und Mitbestimmungsfragen daran hängen, und genau deshalb gehört der Betriebsrat früh an den Tisch, als Mitgestalter. Als vorgeschobenes Veto taugt er nicht länger.

Einheiten und Rollen anfassen. Kleinere Kerne, breitere Rollen, Spezialist*innen nach Bedarf, wie Mosseri es vormacht. Das kostet Besitzstände, und es braucht Führung, die das ausspricht und aushält, auch dort, wo alte Zöpfe fallen müssen.

Verbrauch als Führungsgröße behandeln. Compute-Budgets, die einem ausgesprochenen Urteil folgen, gekoppelt an sichtbaren Wert. Keine Ranglisten, kein Verbrauchstheater, kein reflexhaftes Deckeln nach der ersten erschreckenden Rechnung.

Tool-Zugang als Personalentscheidung behandeln. Wenn die Freigabe darüber entscheidet, wer bauen kann, gehört sie in dieselbe Sorgfaltsklasse wie Beförderungen. Und in die Verantwortung von Leuten, die KI-Frontier-Capabilities selbst erlebt haben.

Das Revierverhalten benennen. Gelungene Piloten, Projekte und Communities werden in vielen Häusern einkassiert oder dem Dümpeln überlassen, je nachdem, wessen Name oder Logo draufsteht. KI-Events finden statt, damit sie stattfinden, mit Orga-Teams, die vor allem deshalb wachsen, weil noch jemand sein Gesicht in die Kameras von Corporate Comms halten will. Wer führen will, klärt ein Mandat, führt Erfolge zusammen und beendet die Selbstbespiegelung. Kleine Brötchen, solange man sie nur selbst backt, sind keine gelungene KI-Strategie.

Die Gegenrede kenne ich, und sie ist ernst zu nehmen. Die Linie ist der Ort, an dem das Dringende das Wichtige frisst. Genau dagegen wurden die Labs erfunden. Das Risiko ist real. Ich bleibe trotzdem bei der Antwort, denn der Schutzraum hat das Problem nur verschoben, und am Ende der Verschiebung wartete der Anschluss, an dem alles hing. Eine Fähigkeit, die im Tagesgeschäft ersticken kann, ist wenigstens am richtigen Ort, und um Luft für sie kann man kämpfen. Eine Fähigkeit ohne Anschluss ist am falschen Ort, egal wie gut man sie schützt.

Eine Ausnahme räume ich ein. Es gibt Organisationen, in denen die Linie so gelähmt ist, so vernarbt von Reorganisationen und so trainiert im Verhindern, dass dort auf absehbare Zeit nichts wachsen kann. Wer in so einem Haus etwas bewegen will, für den kann eine eigene, neue Einheit tatsächlich der einzige gangbare Weg sein. Dann aber bitte als Zweckbau mit drei Eigenschaften, an deren Fehlen die alten Labs gestorben sind. Sie hängt vom ersten Tag an einem echten Geschäftsproblem mit einer P&L dahinter. Sie hat ein Rückführungsdatum, an dem Menschen, Gelerntes und Gebautes in die Linie übergehen, und dieses Datum steht im Gründungsdokument. Und gemessen wird sie am Anschluss. Demos zählen nicht. So verstanden ist die neue Einheit ein Vorposten der Linie, mit Rückfahrkarte.

Ein Eingeständnis gehört auch dazu. Ich kann kein deutsches Großunternehmen nennen (weder selbst erlebt, noch zugetragen aus meinem Netzwerk, noch öffentlich via PR bekannt), das diesen Umbau schon vorbildlich geschafft hätte. Mosseri führt einen Tech-Konzern, die Übertragung auf deutsche Konzernverhältnisse ist herausfordernd bis nicht möglich. Die Firmen, mit denen ich arbeite, sind mittendrin, keines ist durch. Nur wäre es das falsche Eingeständnis, daraus Ratlosigkeit zu machen. Die Richtung ist klar, und die ersten Entscheidungen liegen auf dem Tisch, ich habe sie gerade aufgezählt.

Mir ist dabei sehr bewusst, was ich hier von großen Organisationen verlange. Die Herausforderungen, die KI an sie stellt, sind ein wirklich dickes Brett, und die inneren Zielkonflikte, die ich in diesem Text herausgearbeitet habe, legen genau das nahe. Eine Beschaffung, die Sicherheit garantieren soll und dabei Geschwindigkeit kostet. Eine Erlaubnisarchitektur, die aus guten Gründen gewachsen ist und jetzt im Weg steht. Verbrauchskosten, die Disziplin verlangen, ohne dass Disziplin in Angststarre kippen darf. Machtstrukturen, die sich ändern müssten, und zwar durch Entscheidungen genau der Menschen, deren Position an ihnen hängt. So ein Brett bohrt niemand in einem Quartal, und wer bohrt, wird zwischendurch auch danebenbohren.

Und das sind ja nicht einmal alle Bretter mit denen wir es bei KI zu tun haben. Weitere sehr wichtige habe ich in dieser Ausgabe bewusst nur gestreift, obwohl sie mich in der Praxis täglich beschäftigen. KI-Einführung ist Kulturarbeit, für alle im Haus. Es reicht eben nicht, die richtigen Leute mit den richtigen Werkzeugen auszustatten, begleitet werden müssen alle, in einem Tempo und mit einer Führung, die zur jeweiligen KI-Reise passt. Und wer seine Leistungsträger*innen mit der stärksten verfügbaren KI-Umgebung ausstattet, holt sich sofort ein neues Führungsthema ins Haus, die davongaloppierende Arbeitsverdichtung und kognitive Dichte, die aktiv im Blick behalten und geführt werden müssen. Beides ist eigene Ausgaben wert. Über das zweite spreche ich übrigens am 7. August in einem Lunch & Learn: Unter Strom: Warum KI erschöpft, was sie entlasten soll. Und was Führung dagegen tun kann. Hier geht es zur Anmeldung:

Teilen

#DRANBLEIBEN ist für dich kostenlos, für mich steckt da aber jede Menge Arbeit und Herzblut drin. Wenn du Lust hast, mich dabei ein bisschen zu unterstützen: Ich freue mich über jeden Support. Den kannst du z.B. über ein freiwilliges kostenpflichtiges Abo geben oder über eine kleine Spende für einen Kaffee.

kostenpflichtiges Abo abschließen

Die kleinste Einheit, die etwas Neues in die Welt bringen kann, ist geschrumpft, von einem großen Team auf ein deutlich kleineres Team und in manchen Situationen auch vielleicht nur einen Menschen. Das ist real, ich sehe es oft auf Bildschirmen von Leuten, die nie eine Zeile Code geschrieben haben. Die Organisationen beantworten diese Verschiebung bisher mit den zwei Reflexen, die sie kennen. Sonderraum oder Rollout mit einem Standard-KI-Tool von der Stange. Beide gehen an der Sache vorbei, weil die Verschiebung eine Frage stellt, die weder ein Raum noch eine Lizenz beantworten kann. Die Frage nach Mandat, Budget und Urteilskraft.

Bleibt die Frage, wie es weitergeht. Ich sehe zwei Szenarien. Im ersten bleiben die Spitzenfähigkeiten dauerhaft teuer, und dann müssen Organisationen lernen, große Compute-Budgets so sorgfältig zu vergeben wie Headcount, mit allem, was das für Führungsstrukturen und Führungsstile bedeutet. Im zweiten löst sich der Druck wieder auf, weil offene Modelle für fast alle Aufgaben gut genug und günstig zu betreiben sind. Meine Wette liegt auf dem zweiten Szenario. Die Nachrichtenlage dieser Woche hat sie nicht schlechter gemacht. Nur ändert das an der Hausaufgabe erstaunlich wenig. Die Fragen, die die Verbrauchskosten gerade erzwingen, wem vertraue ich welche Fähigkeiten an, woran erkenne ich Wert, wie führe ich Menschen, die plötzlich bauen können, sind keine Kostenfragen. Die Kosten haben sie nur sichtbar gemacht. Sich um Vertrauens- und Leistungskultur zu kümmern, hat noch keiner Organisation geschadet. Ich muss dabei an den berühmten Klima-Cartoon von Joel Pett denken, in dem einer auf dem Klimagipfel fragt: Was, wenn das alles ein Schwindel ist und wir völlig umsonst eine bessere Welt erschaffen?

Was mir Zuversicht gibt, sind die Inseln des Gelingens, die ich in fast jedem Haus finde. Eine Abteilung, in der jemand baut, und eine Chefin, die es deckt. Ein Team, das sich ein eigenes kleines Budget erkämpft hat. Menschen, die längst bauen, bevor irgendjemand es ihnen erlaubt hat. Mein Rat dazu ist schlicht, und er ist ausdrücklich Haltung, keine belegte Best Practice. Sucht diese Inseln in eurer Organisation. Schützt sie. Gebt ihnen Mandat und Budget, und erst danach eine Bühne. Der Mut dafür ist kleiner als der, den ein Lab-Neubau gekostet hätte, und er wirkt an der richtigen Stelle.

Und deshalb zum Schluss die Frage an dich: Wo ist bei dir so eine Insel? Wer baut da gerade etwas, vielleicht halb im Verborgenen? Und was würde passieren, wenn diese Person morgen offiziell das beste Werkzeug bekäme?

Bist du vielleicht diese Person? Willst du sie sein? DAnn bleib’ du mit dran!

Herzliche Grüße

André

Das war es für heute. Bitte leite oder empfehle den Newsletter doch gerne weiter ➡️ ✉️ — das würde mir sehr helfen. Danke dir für die Aufmerksamkeit und bis zum nächsten Mal!

Leave a comment

Teilen