Zukunft der KI bis 2029: Was möglich ist und welche Vorhaben dauerhaft Wert schaffen

Kurz gesagt

Die Zukunft der KI im Unternehmen bewegt sich in drei Geschwindigkeiten: Modellversionen wechseln in Wochen, Werkzeuge und Plattformen in Monaten, Daten, Prozesse, Organisation und Regulierung in Jahren. Bei generativer KI hängt die Wirkung auf das operative Ergebnis laut McKinsey am stärksten am Umbau von Arbeitsabläufen (Daten 2024) ^[1], und rund 70 Prozent des potenziellen KI-Werts liegen laut BCG in Kernfunktionen wie Vertrieb, Fertigung und Preisgestaltung ^[2]. In der aktuellen McKinsey-Befragung sehen 37 Prozent einen Beitrag der KI zum operativen Ergebnis ihres Unternehmens ^[3]. Für den Zeitraum bis 2030 hält der International AI Safety Report drei Pfade für plausibel: Der Fortschritt verlangsamt sich, setzt sich fort oder beschleunigt stark ^[4].

Kein Thema habe ich in den letzten sechs Monaten mit Geschäftsführungen so oft diskutiert wie diesen Satz: „Wir wissen nicht, was genau wir machen sollen. Wie genau kann ich mir das vorstellen?" Die Menschen, die das sagen, lesen dieselben Nachrichten wie alle anderen. Ihre Frage lässt sich in drei aufteilen: Was ist technisch möglich, was sollten wir konkret tun, und was schafft für das Unternehmen strategisch und langfristig Wert? Für die Antwort fehlt meist ein Bild davon, was die Technik im eigenen Haus leisten würde, und eine Ordnung, in die sich die nächste Ankündigung einsortieren lässt.

In der Woche vom 22. bis 29. September hat Anthropic zwei neue Modelle veröffentlicht, OpenAI ein drittes ^[5][6][7]. Microsoft und OpenAI haben Agenten vorgestellt, die mit einem eigenen Rechner im Hintergrund arbeiten ^[8][9]. Im Weißen Haus haben sechs Spitzenvertreter aus Technologieunternehmen eine freiwillige KI-Vereinbarung unterschrieben ^[10].

Auf Hacker News, wo sich viele Entwicklerinnen und Entwickler über neue Technik austauschen, bekam Claude Opus 5.5 rund 1.100 Kommentare, die Vereinbarung im Weißen Haus drei (eigene Zählung) ^[11][12].

Wodurch entsteht das Gefühl, bei KI ständig hinterherzulaufen?

Rund 100 relevante KI-Modelle erscheinen pro Jahr, das sind etwa zwei pro Woche ^[13]. Den Höchststand erreichte die Zahl 2023. 2024 stammten die Modelle von 55 Organisationen, in den ersten neun Monaten 2026 von 34 ^[13].

Oben im Unternehmen erzeugt das Tempo Druck. 64 Prozent der CEOs sagen, das Risiko zurückzufallen treibe sie zu Investitionen in manche Technologien, bevor deren Wert klar ist ^[14]. In Deutschland setzt ein Drittel der Unternehmen, die KI nutzen, sie nach eigener Aussage vor allem aus Angst ein, den Anschluss zu verlieren ^[15].

Mir begegnet in vielen Unternehmen ein ständiges Experimentieren mit neuen Werkzeugen, die jedes Mal mehr versprechen, während der ROI ausbleibt.

Die Beschäftigten handeln unterdessen selbst. Zwei Drittel derjenigen, die KI am Arbeitsplatz nutzen, tun das laut ifo Institut aus eigener Initiative, ohne dass das Unternehmen ihre wichtigste Anwendung eingeführt hat (Erhebung 2024) ^[16]. 2025 nutzten 67 Prozent der Menschen ab 16 Jahren in Deutschland generative KI. Im selben Jahr stellten 26 Prozent der Unternehmen sie ihren Beschäftigten bereit ^[17].

In einer eigenen Auswertung von 19 Forendiskussionen aus dem September beschrieben IT-Verantwortliche und Beschäftigte in etwa 11 Fällen das freigegebene Werkzeug als schwächer als das privat genutzte, meist mit Blick auf Copilot.

Manager probieren KI häufiger aus als ihre Teams, 46 gegenüber 26 Prozent ^[18]. Nur 14 Prozent der Manager haben keine Schwierigkeiten, KI im eigenen Team zu verankern ^[18], und rund die Hälfte der Beschäftigten arbeitet ohne klare Leitlinien für die Zusammenarbeit von Menschen und KI ^[19]. In etwa 9 von 16 Forendiskussionen zur Rolle der Führung beschreiben Beschäftigte, dass die Geschäftsleitung KI für alles einsetzen will, ohne einen konkreten Anwendungsfall zu nennen (eigene Auswertung).

Ordnung im Rauschen: KI bewegt sich in drei Geschwindigkeiten

Eine brauchbare Ordnung stammt aus der Architektur. Stewart Brand hat beschrieben, wie Gebäude und später ganze Gesellschaften aus Schichten bestehen, die sich unterschiedlich schnell ändern ^[20]. Die schnellen Schichten probieren aus und bekommen die Aufmerksamkeit, die langsamen erinnern, entscheiden und haben die Macht (sinngemäß nach Brand) ^[20]. Gartner hat das Prinzip 2012 auf die IT von Unternehmen übertragen, mit getrennten Regeln für Systeme, die sich selten ändern, und solche, die sich ständig ändern ^[21].

Auf KI übertragen ergibt das drei Schichten. Die Übertragung stammt von mir.

Entscheidungen, die Geld und Aufmerksamkeit binden, gehören in die langsame Schicht. Ein Modellwechsel lohnt sich, wenn ein Sprung eine Aufgabe betrifft, die bei Ihnen Geld kostet oder bringt.

Auch die langsame Schicht bewegt sich, in Deutschland gerade spürbar. Der Anteil der Unternehmen, die gar nicht zu KI schulen, fiel innerhalb eines Jahres von 43 auf 25 Prozent ^[15].

Was verschiebt sich gerade, Schicht für Schicht?

Schnelle Schicht: Agenten mit eigenem Rechner

Innerhalb von drei Wochen haben drei große Anbieter dasselbe Muster vorgestellt. Meta startete am 8. September den Assistenten Muse, zunächst nur in den USA ^[26]. Microsoft folgte am 25. September mit Autopilot als Vorschau ^[8], OpenAI am 29. September mit Dots, Agenten, die dauerhaft laufen, einen eigenen Rechner in der Cloud haben und sich mit mehr als 4.000 Anwendungen verbinden lassen ^[9]. Die Pro-Stufe von Dots ist im Europäischen Wirtschaftsraum, in der Schweiz und in Großbritannien nicht verfügbar; die Stufe Business Premium gibt es in der EU ohne Datenresidenz ^[27][28].

OpenAI hat GPT-6.1 Astra am 28. September aus Sicherheitsgründen vorerst nicht veröffentlicht ^[29]. Offene Modelle, die Unternehmen selbst betreiben können, lagen im Leistungsindex von Epoch AI seit Januar 2026 im Schnitt rund vier Monate hinter den geschlossenen ^[30]. Ein Unternehmen mit offenem Modell arbeitet also mit dem Stand von vor rund vier Monaten.

Mittlere Schicht: Plattformen, Lizenzen und Abrechnung

Der Betrieb mit mehreren Modellanbietern ist zum Normalfall geworden. Unter den Kunden von Microsoft 365 Copilot setzen laut Gartner 66 Prozent mindestens zwei weitere Assistenten ein ^[31]. In deutschen Unternehmen, die KI nutzen, arbeiten 76 Prozent mit ChatGPT, 35 Prozent mit Copilot und 3 Prozent mit Claude, Mehrfachnennungen eingeschlossen ^[32].

Plattformen bündeln mehrere Modelle unter einer Oberfläche. Langdock aus Berlin arbeitet für rund 13.000 Organisationen und hat im September den rechtlichen Sitz seiner Muttergesellschaft aus den USA nach Deutschland verlegt ^[33].

Auch die Abrechnung verschiebt sich. Microsoft rechnet neue Agentenfunktionen nach Nutzung ab ^[8]. Im Juli meldete das Unternehmen über 30 Millionen bezahlte Copilot-Sitze ^[23], nach einer Rechnung von CNBC unter 7 Prozent von mehr als 450 Millionen kommerziellen Microsoft-365-Sitzen ^[34].

Langsame Schicht: Regulierung in USA, EU und China

Die Vereinbarung vom 29. September ist ein freiwilliges, rechtlich unverbindliches Papier. Unterschrieben haben Anthropic, Google, Meta, OpenAI, Nvidia und Elon Musk; Microsoft und Amazon waren beim Mittagessen dabei und haben nicht unterschrieben ^[35]. Die Firmen sagen interne Kontrollen, einen unabhängigen externen Prüfer und einen Ausschuss im Board zu ^[10].

Im Juni sperrte eine Exportkontrolle der USA Anthropics Modelle Fable 5 und Mythos 5 ab dem 12. Juni knapp drei Wochen lang für alle Nutzer ^[36][37]. Für ein europäisches Unternehmen, das auf ein einzelnes US-Modell baut, ist das ein Verfügbarkeitsrisiko.

Die EU setzt die Pflichten für Anbieter großer Basismodelle seit dem 2. August 2026 durch, einschließlich Bußgeldern ^[38]; Ende August gingen Auskunftsersuchen an mehr als 30 Unternehmen ^[39]. China verlangt Registrierung und Kennzeichnung, bis Ende August waren 1.112 generative KI-Dienste registriert ^[40]. Unabhängige externe Prüfung sehen die US-Vereinbarung und, als erster US-Bundesstaat ab 2028, Illinois vor ^[41].

Was ist Lizenz-KI, und lohnt sich eine Copilot-Lizenz?

Lizenz-KI nenne ich KI, die über Lizenzen ins Haus kommt, ohne dass sich ein Ablauf ändert, egal von welchem Anbieter. Prozess-KI baut einen Ablauf um. Eine Copilot-Lizenz spart einzelnen Menschen bei einzelnen Aufgaben Zeit ^[42]. Für das Unternehmen zahlt sie sich nach meiner Beobachtung aus, wenn sich ein Ablauf ändert.

Mir fällt auf, wie bequem Lizenz-KI für alle Beteiligten ist. Das Unternehmen führt ein Werkzeug eines großen Anbieters ein, bezahlt es, und im Aufsichtsrat kehrt Ruhe ein, weil man ja KI macht. Vertraglich übernimmt Microsoft die Verantwortung für Urheberrechtsansprüche ^[43], die Verantwortung für den Nutzen im Ablauf bleibt beim Unternehmen. Für 51 Prozent der von Gartner befragten IT-Verantwortlichen ist Oversharing die größte Hürde, also das Risiko, dass Beschäftigte über Copilot Dateien sehen, die sie nicht sehen sollten ^[31].

Behörden veröffentlichen ihre Evaluationen, deshalb lässt sich an ihnen gut beobachten, wie Lizenz-KI entsteht. Australiens Verwaltung wählte Copilot für ihren Test, weil das Werkzeug im bestehenden Rahmenvertrag mit Microsoft lag ^[44]. In Deutschland stellen Unternehmen KI laut ZEW vor allem über Lizenzen und Pro-Accounts bereit; Anwendungen, die mit eigenen Firmendaten arbeiten, sind selten ^[45].

In einem Feldexperiment von Microsoft Research und der Harvard Business School mit 7.137 Beschäftigten in 66 Firmen verbrachten Beschäftigte, die Copilot nutzten, rund zwei Stunden pro Woche weniger mit E-Mails. Menge und Art der Aufgaben änderten sich nicht ^[42]. In der Evaluation des britischen Ministeriums für Wirtschaft und Handel waren 72 Prozent der Copilot-Nutzer zufrieden. Einen robusten Beleg dafür, dass die gesparte Zeit zu mehr Produktivität wurde, fand das Ministerium nicht ^[46].

In einem Nutzerforum hat jemand aus dem Marketing-Reporting beschrieben, wo Copilot aufhört ^[47]. Copilot helfe bei den letzten fünf Minuten einer Auswertung. Die zwei Stunden davor, in denen Zahlen aus mehreren Systemen zusammengetragen werden, bleiben. Mit sauberen Berechtigungen und angeschlossenen Daten leistet Copilot mehr, und das gilt ebenso für ChatGPT Enterprise oder Claude.

Welche KI-Architekturen laufen 2026 in Unternehmen?

Fünf Architekturen sind verbreitet:

1. Suite-Assistenten wie Microsoft 365 Copilot oder Gemini in Workspace, meist als Lizenz-KI ausgerollt.
2. Modellagnostische Plattformen wie Langdock, die mehrere Modelle mit Rechteverwaltung bündeln.
3. Eine Wissensschicht auf eigenen Daten, die Antworten aus Dokumenten und Systemen des Unternehmens zieht.
4. Agenten in Abläufen, die über eine Berechtigungsschicht auf Systeme zugreifen. Warum sich der Wert dorthin verschiebt, steht in Software ohne Oberfläche.
5. Coding-Agenten in der Softwareentwicklung, das Feld mit den höchsten Ausgaben: Auf sie entfielen 2025 laut Menlo Ventures 55 Prozent der abteilungsbezogenen KI-Ausgaben in US-Unternehmen ^[48].

Wo entsteht messbarer Wert?

In begutachteten Studien ist die Wirkung auf der Ebene einzelner Aufgaben belegt. Im Kundenservice lösten Beschäftigte mit KI-Unterstützung 15 Prozent mehr Fälle pro Stunde ^[49]. In drei randomisierten Experimenten mit Softwareentwicklern stieg die Zahl erledigter Aufgaben um 26 Prozent ^[50]. Beratende von BCG erledigten 12,2 Prozent mehr Aufgaben und waren 25,1 Prozent schneller. Bei Aufgaben jenseits dessen, was die KI damals konnte, lagen sie mit KI 19 Prozent seltener richtig ^[51].

Auf der Ebene des Unternehmens stagniert die Wirkung. Die Gruppe mit deutlicher Ergebniswirkung liegt in der McKinsey-Befragung weiter bei rund 6 Prozent ^[3]. In PwCs Befragung vom Herbst 2025 sahen 56 Prozent der CEOs weder mehr Umsatz noch weniger Kosten durch KI ^[52].

Für Deutschland liegt ein Panel der Bundesbank vor, ausgewertet in einer NBER-Studie. 91 Prozent der Firmen sehen bisher keinen Produktivitätseffekt, genauso viele wie in den USA ^[53].

Nach einer Studie der Europäischen Investitionsbank mit über 12.000 Firmen erhöht Schulung den Produktivitätseffekt von KI stärker als Investitionen in Software und Daten ^[54]. Die Daten reichen bis 2024 und betreffen überwiegend KI vor der generativen Welle.

Welche KI-Vorhaben schaffen dauerhaft Wert?

Ich schlage vor, jedes KI-Vorhaben an drei Prüffragen zu messen. Sie übersetzen die drei Fragen aus dem Einstieg in Kriterien.

Für die zweite Frage gibt es gute Belege. Laut BCG liegen rund 70 Prozent des potenziellen KI-Werts in Kernfunktionen wie Vertrieb, Marketing, Fertigung, Lieferkette und Preisgestaltung ^[2]. Unter 25 untersuchten Praktiken hängt bei McKinsey der Umbau von Arbeitsabläufen am stärksten mit der Ergebniswirkung generativer KI zusammen (Daten 2024) ^[1]. Die erfolgreichsten Unternehmen setzen KI in mehr Funktionen ein als andere, und fast drei Viertel von ihnen bauen dabei Arbeitsabläufe grundlegend um; bei den übrigen ist es ein Viertel ^[3].

BCG fand 2024, dass führende Unternehmen etwa halb so viele KI-Vorhaben verfolgen wie der Rest und mehr als doppelt so viel Ertrag erwarten ^[55]. Ob mehr Werkzeuge mehr Umsatz bringen, hat nach meinem Kenntnisstand noch niemand belastbar untersucht.

Die dritte Frage ist die strategische. Einen dauerhaften Vorsprung sehe ich dort, wo eigene Daten und eigenes Wissen über Prozesse und Kunden ins Spiel kommen. Modellfähigkeiten werden jedes Jahr deutlich billiger ^[56] und stehen mit wenigen Monaten Abstand auch als offene Modelle bereit ^[30]; diese Fähigkeiten kann jeder Wettbewerber zukaufen. Lizenz-KI besteht die erste Frage meist. Bei der zweiten kommt es darauf an, ob sich ein Ablauf ändert, bei der dritten darauf, ob eigene Daten im Spiel sind. Bei Anwendungen auf eigenen Firmendaten sehe ich den größten ungenutzten Raum.

Bei großen Unternehmen hängt die Ergebniswirkung generativer KI laut McKinsey am stärksten damit zusammen, dass der CEO die KI-Governance beaufsichtigt ^[1]. Für Softwareanbieter habe ich die Frage nach dauerhaftem Wert im Beitrag B2B-SaaS im KI-Zeitalter skalieren beschrieben.

Ein Beispiel aus der Produktinnovation

Bei einem Konsumgüterhersteller habe ich gesehen, wie das im Kleinen aussieht. In der Produktinnovation recherchiert dort ein Frontier-Modell nach außen: Wettbewerb, Markt, Einzelhandel, Systemgastronomie. Nach innen läuft ein Open-Weight-Modell im eigenen Betrieb, für vertrauliche Rezepturen und Umsatzzahlen. Wochenlang konnte sich im Team niemand vorstellen, wozu das gut sein soll und ob die Ergebnisse brauchbar werden. Heute will dort niemand mehr ohne arbeiten.

Im Beispiel kommen alle drei Fragen zusammen. Möglich war beides, die Recherche nach außen mit einem Frontier-Modell und die Arbeit auf vertraulichen Daten mit einem Open-Weight-Modell. Sinnvoll wurde es in der Produktinnovation, einem Ablauf, der über künftigen Umsatz entscheidet. Dauerhaft ist der Wert nach meiner Einschätzung, weil Rezepturen und Umsatzzahlen dieses Herstellers keinem Wettbewerber zur Verfügung stehen.

Offene Modelle spielen in Unternehmen bisher eine kleinere Rolle. Ihr Anteil an den KI-Arbeitslasten von US-Unternehmen fiel laut Menlo Ventures (2025) von 19 auf 11 Prozent ^[48]. Sinnvoll ist ein offenes Modell dort, wo Geschäftsgeheimnisse und Datenhoheit den Ausschlag geben. Beim Lizenzrecht lohnt ein zweiter Blick, denn die multimodalen Llama-4-Modelle dürfen Unternehmen mit Hauptsitz in der EU nicht selbst betreiben ^[57].

Den Wert solcher Projekte über Umsatz nachzuweisen, dauert Jahre. Früher messbar sind Vorlaufgrößen: die Zeit bis zum ersten bewertbaren Konzept, die Zahl geprüfter Konzepte, das Urteil von Fachleuten, die alte und neue Konzepte blind bewerten, und der Anteil, der die nächste Stufe im Innovationsprozess erreicht. Dass sich solche Effekte messen lassen, zeigt ein Experiment bei Procter & Gamble. Mit KI-Zugang und einer Stunde Einweisung erreichten Einzelne die Qualität von Zweierteams ohne KI ^[58].

Worauf dieser Ausblick steht: fünf Annahmen

Die Rechenkapazität wächst weiter. Alphabet, Amazon, Microsoft und Meta planen für 2026 zusammen mehr als 700 Milliarden US-Dollar Investitionen, überwiegend in KI-Rechenzentren (eigene Summe der Unternehmensprognosen) ^{[59][60][61][62]}. Ein Teil davon geht auf höhere Speicherpreise zurück ^[60][61]. Für 2026 und 2027 halte ich diese Annahme für belastbar, danach für offener.

Dass Leistung billiger wird, ist gut gemessen. Der Preis für ein gegebenes Leistungsniveau sinkt pro Jahr etwa auf ein Dreizehntel ^[56]. Bei fallenden Preisen wird mehr genutzt, die Rechnung eines Unternehmens muss deshalb nicht sinken (eigene Einschätzung).

Bei den Fähigkeiten gehe ich davon aus, dass sie grob im bisherigen Tempo wachsen. Der Leistungsindex von Epoch steigt seit den Reasoning-Modellen mehr als doppelt so schnell wie davor ^[63]. Die Länge der Aufgaben, die Agenten mit 50 Prozent Erfolgsquote lösen, hat sich seit 2023 etwa alle vier Monate verdoppelt; gemessen wird die Zeit, die ein Fachmensch dafür bräuchte ^[64][65]. Seit dem Frühjahr ist METRs Aufgabenreihe gesättigt, neuere Modelle wurden nicht mehr gemessen ^[66]. Die Belastbarkeit dieser Annahme schätze ich als mittel ein.

Bei Vorfällen und Aufsicht rechne ich mit einer kurzfristigen Bremse für die Autonomie. Im Juli griffen Agenten von OpenAI bei einem Test ohne die üblichen Schutzmechanismen über mehrere Tage Systeme von Hugging Face an ^[67]. In Spanien wurde der dort erste Datenschutzvorfall gemeldet, bei dem Angreifer einen KI-Agenten als Werkzeug nutzten ^[68]. Die US-Vereinbarung sieht einen externen Prüfer vor, in der EU gelten Transparenzpflichten nach Artikel 50 ^[38]. Wie lange diese Bremse wirkt, lässt sich nicht beziffern.

Europa setzt Pflichten nach meiner Annahme per Gesetz mit festen Fristen durch. Die EU arbeitet mit Bußgeldern, ihre Pflichten für Hochrisiko-Anwendungen gelten ab Dezember 2027 und August 2028 ^[25]. Die USA setzen auf Bundesebene auf Selbstverpflichtung und Exportkontrollen, verbindliche Gesetze kommen bisher aus einzelnen Bundesstaaten ^[41]. Auch hier liegt meine Einschätzung bei mittel.

Welche drei Szenarien sind für die Zukunft der KI bis 2029 plausibel?

Der International AI Safety Report 2026 beschreibt für den Zeitraum bis 2030 drei Pfade: Der Fortschritt verlangsamt sich oder stagniert, er setzt sich im bisherigen Tempo fort, oder er beschleunigt sich stark, etwa weil KI die eigene Forschung beschleunigt ^[4]. Die drei Szenarien bis 2029 folgen dieser Einteilung. Für Unternehmen zählt nach meiner Einschätzung in jedem Szenario, wie weit ihre Organisation den Fähigkeiten folgen kann.

Szenario 1: Plateau

Der Fortschritt flacht ab. Ohne die Reasoning-Modelle wuchs der Leistungsindex von Epoch nur etwa halb so schnell ^[63], und wie weit diese Technik trägt, ist offen. In diesem Szenario werden Modelle zur Massenware, und Wert entsteht aus Integration und sauberen Daten. Lizenz-KI reicht länger. Eigenbau wird attraktiver, weil sich die Basis seltener verschiebt.

Szenario 2 (Basis): Das Können läuft der Umsetzung davon

Die Fähigkeiten wachsen weiter, am deutlichsten in Mathematik, Softwareentwicklung und Wissenschaft ^[4]. Bei realen, bezahlten Freelance-Projekten automatisierte der beste Agent im Oktober 2025 rund 2,5 Prozent, im September 2026 sind es 20,8 Prozent ^[69][70]. Organisationen und Regeln übernehmen das langsamer. In Deutschland setzen 11 Prozent der Unternehmen, die KI nutzen, planen oder diskutieren, bereits Agenten ein ^[15].

In diesem Szenario öffnet sich die Schere zwischen Unternehmen, die auf Prozess-KI setzen, und solchen, die Lizenz-KI verlängern. Ich erwarte, dass US-Firmen Agenten früher produktiv einsetzen und europäische zuerst Governance aufbauen, und dass Unternehmen, die ihre Governance jetzt bauen, dann schneller aufholen.

Szenario 3: Beschleunigung

KI beschleunigt die eigene Entwicklung. METR schätzt vorläufig, dass KI den Fortschritt auf das 1,5-Fache beschleunigt, also anderthalb Jahre Fortschritt in einem Jahr, mit rund 30 Prozent Wahrscheinlichkeit für das Doppelte ^[71]. Unabhängig belegt ist diese Schätzung nicht. Tritt das Szenario ein, übernehmen Agenten Aufgaben, für die Fachleute Wochen brauchen. Preise pro Nutzer geraten stärker unter Druck, und Organisationen, deren Mittelbau vor allem koordiniert, müssen sich neu sortieren.

Störfälle

Drei Ereignisse können jedes Szenario zeitlich verschieben. Ein Agent richtet im regulären Kundenbetrieb eigenmächtig Schaden an, und der Gesetzgeber reagiert hart. Die Finanzierung kippt; Bank of England und IWF weisen auf hohe Bewertungen und wachsende Verschuldung hin, wobei der IWF die Folgen für die Finanzstabilität derzeit für begrenzt hält ^[72][73]. Oder Exportregeln schränken den Zugang zu Modellen oder Chips ein; für Modelle ist das im Juni bereits passiert.

Was sollten Unternehmen jetzt tun?

Vorhaben, die alle drei Prüffragen bestehen, tragen nach meiner Einschätzung in jedem Szenario. Für den Anfang reicht ein einziger Ablauf mit einer Kennzahl, an der Sie in drei Monaten Wirkung sehen wollen. Den größten Aufwand verursachen nach meiner Erfahrung die eigenen Daten und Prozesse.

Als großen Kostenposten nennen Unternehmen, die KI nutzen, zu 50 Prozent die Datenaufbereitung und zu 41 Prozent die Integration, die Rechenkosten für Tokens nur zu 8 Prozent ^[15]. Datenschutz (66 Prozent) und Rechtsunsicherheit (56 Prozent) stehen bei ihnen oben auf der Liste der Hürden, über die Qualität der Ergebnisse klagen 26 Prozent. Unternehmen, die noch keine KI nutzen, nennen zu 85 Prozent fehlendes technisches Know-how ^[15].

Eine Schleife in fünf Schritten

1. Legen Sie am ersten Tag fest, welche Daten wohin dürfen: Geschäftsgeheimnisse, personenbezogene Daten, öffentliche Informationen. Daraus folgt die Architektur, im Konsumgüter-Beispiel das Open-Weight-Modell für Rezepturen.
2. Verstehen Sie den eigenen Maschinenraum. Wie läuft der Ablauf heute, welche Daten und Systeme hängen daran, welche Regeln gelten, wo wird übergeben?
3. Wählen Sie einen Engpass: einen Ablauf, der Umsatz, Marge, Tempo oder Risiko bestimmt. Legen Sie fest, woran Sie die Verbesserung messen und wo diese Kennzahl in den letzten 12 bis 24 Monaten stand.
4. Bauen Sie einen kleinen Prototyp auf freigegebenen eigenen Daten, bevor ein Konzeptpapier entsteht. Informationen über mögliche Zeitgewinne änderten in einem randomisierten Experiment mit 18.000 Beschäftigten das Verhalten nicht ^[74]. Was ein Werkzeug auf eigenen Daten leistet, sieht ein Team am Prototyp, und dort zeigt sich auch, wo Daten und Prozesse klemmen.
5. Bauen Sie Daten und Abläufe um und zeigen Sie den Wert über Vorlaufgrößen. Danach beginnt die Schleife wieder bei Schritt 3.

BCG empfiehlt, rund 10 Prozent des Aufwands in Algorithmen zu stecken, 20 Prozent in Technologie und Daten und 70 Prozent in Menschen und Prozesse ^[2]. Eine Studie, die „Konzept zuerst" und „Prototyp zuerst" direkt vergleicht, ist mir nicht bekannt; die Reihenfolge beruht auf Nachbarbelegen und Erfahrung.

Beschäftigte und Manager

In den ausgewerteten Forendiskussionen berichten IT-Verantwortliche immer wieder, dass Verbote Schatten-KI verlagern (eigene Auswertung). Beschäftigte brauchen einen freigegebenen, guten Zugang, möglichst modellagnostisch, mit klaren Regeln dafür, welche Daten hineindürfen. Manager brauchen einen Rahmen, in dem sie entscheiden dürfen, und jemanden, der Fragen zu Daten und Recht schnell beantwortet.

Meine Einordnung

Europas größtes KI-Risiko liegt nach meiner Überzeugung im Tempo der eigenen Unternehmen. Ich weiß, das ist steil. Deutsche Firmen erwarten von KI in drei Jahren 0,9 Prozent mehr Produktivität, US-Firmen 2,3 Prozent, bei heute gleichem Ausgangspunkt ^[53].

Zwei Unternehmen derselben Branche mit denselben Lizenzen können in drei Jahren weit auseinanderliegen, je nachdem, ob eines von beiden einen einzigen Ablauf umgebaut hat.

Welchen Ablauf würden Sie als ersten umbauen?

Wie sich die langsame Schicht praktisch aufbauen lässt, zeigt der Praxisleitfaden zum KI-Betriebssystem.