Weniger investiert, weniger verloren. Viele nennen das einen Vorteil.

Ich nenne es eine Erinnerung an das Jahr 2000.
Auch damals fiel Europa weicher. Die Amerikaner versenkten eine halbe Billion Dollar in Glasfaser und Netzausbau, größtenteils auf Kredit. Kapital vernichtet, Firmen pleite, Nasdaq minus 78 Prozent.

Und dann?

Die Glasfaser blieb im Boden. Billig. Und die Firmen, die auf dieser billigen Infrastruktur aufsetzten, hießen Google und Netflix. Kein einziges europäisches Unternehmen hat die Aufräumphase genutzt.
Weniger verlieren ist nicht gewinnen.

Europa hat aus dieser Entscheidung zwei Jahrzehnte Abhängigkeit bekommen. Jede Schicht des Stacks im Besitz anderer. Wir stehen kurz davor, dieselbe Wahl noch einmal zu treffen, diesmal mit Intelligenz statt Bandbreite.

Wenn die Korrektur kommt, wird Rechenleistung billig, Talente werden verfügbar, Bewertungen fallen. Das ist der Moment, Fähigkeiten zu entwickeln, die dir gehören. In deinen Prozessen, auf deinen Daten, unter deiner Kontrolle.

Die letzte Aufräumphase hat Europas Abhängigkeit hervorgebracht.

Die nächste könnte sie beenden.

Auf LinkedIn lesen und diskutieren

Platzt die Blase, teilt sich der Markt in zwei.

Rechenleistung wird billig: abgeschriebene Hardware, insolvente Betreiber, Kapazität zu Grenzkosten verkauft. Aber die Frontier-Labs verlieren ihre Subvention. Sie sitzen auf Compute-Verpflichtungen in dreistelliger Milliardenhöhe und brauchen zum ersten Mal Margen. Die Überlebenden konsolidieren, und ihre Token-Preise steigen. Billiger Rohstoff, teures Endprodukt.

Hält die Blase, konsolidiert der Markt trotzdem. Die Gewinner erhöhen die Preise, schreiben die Bedingungen um, vertiefen den Lock-in.

So oder so landest du vor derselben Frage: Wie viel deiner KI kontrollierst du wirklich?

Drei Fragen helfen. Könntest du das Modell wechseln? Könntest du selbst eines auf dieser billigen Rechenleistung betreiben, wenn du müsstest? Weißt du, wohin deine Daten fließen, und unter wessen Recht?

Die meisten Unternehmen beantworten keine davon. Weil sich die Fragen zu heutigen Preisen unnötig anfühlen.
Genau dieses Gefühl ist es, was der Preis kauft.

Eine Strategie, die erst die Antwort auf die Blasenfrage braucht, war nie eine Strategie.

Auf LinkedIn lesen und diskutieren

Hier eine Überlegung, die ich mit dir teilen möchte.

Wer die KI-Labs und Zugangsanbieter verfolgt, sieht: Die Token-Preise steigen. Oder du bekommst weniger Tokens für dasselbe Geld. Anthropic macht seit Monaten schrittweise das Zweite.

Der Trend in Zahlen.

GitHub Copilot Pro+: 40 € pro Monat. Mit der nutzungsbasierten Abrechnung ab 1. Juni kostet dieselbe intensive agentische Nutzung zu Token-Listenpreisen eher 960 € pro Monat. Rund das 24-Fache.

Claude Code Max 20×: 200 $ pro Monat. Entsprechender API-Listenwert für einen intensiven Nutzer: etwa 5.000 $ pro Monat. Rund das 25-Fache.

Aber was heißt das konkret?

Die klügsten LLMs von heute werden besser, indem sie länger über jede Frage nachdenken. DeepSeeks R1 nutzt dasselbe Basismodell wie V3, nur mit zusätzlichem Reasoning. Mehr Denken heißt mehr Tokens. Wenn die Subvention endet, landen diese Kosten auf der Rechnung.

Jensen Huang (CEO von NVIDIA) im All-In-Podcast: „Wenn dieser 500.000-Dollar-Ingenieur nicht mindestens 250.000 Dollar an Tokens verbraucht hat, bin ich zutiefst alarmiert.“ Huang meinte das als Bull-Case zu subventionierten Preisen: die Hälfte des Grundgehalts in Tokens, um den Ingenieur zu verzehnfachen. Beim 25-Fachen des Listenpreises kostet dieselbe Nutzung 6,25 Millionen Dollar gegen einen 500.000-Dollar-Ingenieur. Die Rechnung kippt.

Schauen wir auf zwei Kategorien von Arbeit und darauf, was Token-Kosten proprietärer Modelle mit ihnen machen.

A. Routinearbeit.
(z. B. Kundenservice der ersten Ebene, Dokumentenklassifikation und -extraktion im Volumen, routinemäßige Vertragsprüfung.)

Hier gewinnt KI gegen Menschen beim Preis, denke ich, mit Leichtigkeit. „Wer arbeitet wie ein Roboter, dem nimmt ein Roboter den Job.“ Gerd Leonhard.

B. Komplexe Arbeit.
(z. B. Senior-Softwareentwicklung in fremden Codebasen, komplexe Vertragsgestaltung und -verhandlung, strategische Synthese aus vielen Quellen.)

Zu Token-Listenpreisen steigt der Mensch wieder in den Wettbewerb ein. Es ist möglich, dass Menschen sich einige der anspruchsvollen Denkaufgaben zurückholen.

Zugleich ist offen, wie sich die Technik von hier aus entwickelt.

Open Source könnte proprietäre Modelle überholen oder zumindest konkurrenzfähig bleiben.

Zwei Wege für ein Budget im zweiten Halbjahr 2026.

1. KI von ein bis zwei KI-Labs mieten

Was passiert? Das KI-Oligopol aus Anthropic, Google und OpenAI schöpft den Großteil des Werts ab, den KI erzeugt, indem es die Preise erhöht, aber nur so weit, dass ihre KI für dich gerade noch etwas wirtschaftlicher bleibt, als keine KI zu nutzen.

Das können sie, weil du im Lock-in steckst: Prompts, Tools, Agent-Scaffolding, Evals. Die Macht liegt bei ihnen. Je länger du bleibst, desto stärker der Lock-in.

2. Eine eigene souveräne KI-Infrastruktur aufsetzen

Wie sieht das aus? Du steckst offene und geschlossene Modelle je nach Aufgabe ein. Frontier, wo es den Preis verdient, Open Source für den Rest.

Der Harness gehört dir. Die Macht liegt bei dir. Die Kosten bleiben beim Skalieren niedriger, du wechselst Modelle jederzeit, du behältst das Steuer.

Die Token-Ökonomie hat die Jobapokalypse beerdigt.

Aber dein Bankkonto und deine Unabhängigkeit sind jetzt in Gefahr.

Auf LinkedIn lesen und diskutieren

Der Name „Anthropic“ kommt von anthropos, griechisch für Mensch. Das Unternehmen ist auf der Idee einer menschenzentrierten KI gegründet. Liest man die Schlagzeilen, sehen die letzten 90 Tage aus, als hätte die Mission geliefert.

Die Absage ans Pentagon im Februar: In Anthropics Stellungnahme vom Februar 2026 zu autonomen Waffen schrieb CEO Dario Amodei: „Frontier-KI-Systeme sind schlicht nicht zuverlässig genug, um vollautonome Waffen zu steuern.“ In derselben Stellungnahme nannte er teilautonome Waffen „entscheidend für die Verteidigung der Demokratie“ und sagte, vollautonome „könnten sich als kritisch erweisen“. Das liest sich wie ein „noch nicht“, die moralische Frage bleibt offen.

Claude Gov: Anthropic entwickelt maßgeschneiderte Modelle für Kunden aus der nationalen Sicherheit der USA. Geheime Netzwerke. Nachrichtendienstliche Analyse. Geheimdienst- und Verteidigungsdokumente. Auswertung von Cybersecurity-Daten. Anthropics eigene Worte, von der Produktseite zu Claude Gov.

Palantir: Seit November 2024 läuft Claude in Palantirs Verteidigungsplattform, in der IL6-Umgebung, die hochsensiblen Systemen der nationalen Sicherheit vorbehalten ist. Laut der gemeinsamen Ankündigung von Palantir, AWS und Anthropic.

Wofür Palantir steht. Im April 2026 veröffentlichte Palantir ein 22-Punkte-Manifest, das CEO Alex Karps Buch „The Technological Republic“ verdichtet. Es wirbt für KI-Waffen. Es erklärt manche Kulturen für „dysfunktional und rückständig“.

Zusammen ergibt das nicht das Bild, das die Marke erzählt.

Lass dich nicht vom perfekt inszenierten Marketing blenden.

Frag, wo deine eigenen Werte liegen. Und dann, ob die KI, von der du abhängst, sie teilt.

Auf LinkedIn lesen und diskutieren

KI hat das gerade geändert.

Jahrzehntelang lief Organisationsdesign auf einer Annahme, die auch der Taylorismus vertrat: eine Person, ein Fachgebiet. Tiefe in drei Feldern wirkte unfokussiert. Also optimierten Unternehmen innerhalb ihrer Silos. Die Kosten lagen dazwischen.

Diese Kosten sind heute der Engpass.

KI drückt die Kosten der Ausführung innerhalb einer Disziplin gegen null. Sie kann nicht entscheiden, welches Problem zählt, nicht beurteilen, ob ein Ergebnis gut ist, und nicht zwischen der unaufgeräumten Realität eines Kunden und drei technischen Domänen übersetzen. Diese Arbeit liegt zwischen den Fachgebieten und verlangt Tiefe in jedem davon.

Die Leute, die das können, verantworten Probleme von Anfang bis Ende. Sie sprechen mit dem Kunden, formen die Lösung, bauen sie mit KI und stehen für das Ergebnis gerade. Genau das haben Unternehmer immer getan. Jetzt brauchen Unternehmen es intern.

Die Zeit des KI-Intrapreneurs hat begonnen.

Und plötzlich ist mein Profil einstellbar.

Auf LinkedIn lesen und diskutieren

Was unterscheidet einen Agenten von einem Bot?

-Entscheidung.
Bot: nach Skript
Agent: durchdacht

-Anpassungsfähigkeit.
Bot: Verzweigungen
Agent: dynamisch

-Zielorientierung.
Bot: Befehl
Agent: Ziel

-Fehlerbehandlung.
Bot: Fallback-Skript
Agent: korrigiert sich selbst

-Werkzeugeinsatz.
Bot: vordefiniert
Agent: selbst gewählt

-Der Test:
Kann es dich damit überraschen, wie es das Ziel erreicht hat?
Bot: nein
Agent: ja

Ich finde diesen einfachen Test sehr nützlich.

Er passt auch auf das Betriebsrisiko. Wenn dich ein System auf dem Weg überraschen kann, überrascht es dich auch bei den Kosten und den Nebenwirkungen. Deshalb sind die meisten „Agenten" im Echtbetrieb Bots, und oft ist das die richtige Entscheidung.

Speicher dir diesen Post und geh so in den nächsten „Agenten"-Pitch.

Auf LinkedIn lesen und diskutieren

Anthropic hat angekündigt, das Modell Mythos Preview nicht öffentlich freizugeben. Es sei zu leistungsfähig.

Es hat 27 Jahre alte Sicherheitslücken in einem Betriebssystem gefunden, auf dem Firewalls und kritische Infrastruktur laufen.

Es hat Angriffsvektoren im Linux-Kernel und in FFmpeg gefunden, dem Video-Encoder, der in fast jeder Software steckt, die du benutzt.

Schwachstellen, die Jahrzehnte menschlicher Reviews und Millionen automatisierter Tests überlebt haben.

Denk kurz darüber nach.

Was machst du, wenn du ein KI-Modell hast, das in die Betriebssysteme eindringen kann, auf denen unsere gesamte Infrastruktur aufsetzt?

An alle herausgeben? In den Händen von Angreifern wäre das eine globale Katastrophe.

Deshalb hat Anthropic es nur einer ausgewählten Gruppe von „Guten" gegeben:
Amazon Web Services, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, die Linux Foundation, Microsoft, NVIDIA und Palo Alto Networks.

Weltweit gibt es aber tausende Organisationen, deren gesamter Daseinszweck an IT-Sicherheit hängt, und die stehen nicht auf der Liste.

Das tiefere Problem: Open Source wird das technisch irgendwann ausgleichen. Ähnlich leistungsfähige Modelle entstehen bereits.

Aber ein Modell auf diesem Fähigkeitsniveau zu betreiben, kostet erhebliche Rechenleistung.

Selbst wenn es ein gleich starkes offenes Modell gibt, können es sich nur kapitalstarke Organisationen leisten, es in großem Umfang zu nutzen.

KI ist nicht mehr nur ein hilfreiches Werkzeug. Sie kann Machtverhältnisse zwischen Ländern, Branchen und einzelnen Menschen verschieben.

Und im Moment entscheidet ein einzelnes privates Unternehmen, wer sie einsetzen darf.

Die Idee von einem Hof ohne Netzanschluss zieht mich immer stärker an: Hühner, ein paar Ziegen, 2 Esel und Permakultur.

Und das ist kein Witz: Einen Esel kann man nicht hacken.

Für alle, die weiter auf Servern laufen:

Das Bemerkenswerteste an dieser Liste der „Guten": Sie zu hinterfragen, stand dir nie zu.

Auf LinkedIn lesen und diskutieren

Hier entsteht oft der Bruch zwischen Beratern und Mittelstand.

Berater sehen PoC als Technik-Beweis.
Geschäftsführung, CFO, IT-Leitung brauchen ein Entscheidungswerkzeug.

Berater-PoC bedeutet meistens:

• saubere Testdaten
• kurzer Prototyp in 2–6 Wochen
• brauchbare Ergebnisse auf Demo-Daten
• eine schöne Demo, die intern Begeisterung auslöst

Sieht gut aus. Funktioniert im Meeting.
Aber nicht in der Produktion.

Keine Alt-ERP-Integration.
Keine echten Betriebsdaten.
Keine Betriebsratsdiskussion.
Keine klare Prozessverantwortung.
Keine Ownership für den Betrieb danach.

Am Ende sagt der Berater: „Es funktioniert."
Der Mittelständler bleibt mit den echten Fragen allein.

Warum passiert das? Berater verdienen an der nächsten Phase. Ein ehrliches NO-GO kostet sie Umsatz. Also definiert niemand den PoC so, dass er auch scheitern darf.

Für den Mittelstand ist ein PoC etwas anderes.

Er ist ein kleiner, ehrlicher Belastungstest:

• Funktioniert das mit unseren echten, teils schmutzigen Daten?
• Läuft es im realen Prozess, nicht nur in einer Sandbox?
• Wie viel Genauigkeit oder Entlastung ist realistisch vor Go‑Live?
• Welche Hürden kommen durch IT, Datenschutz, Betriebsrat, Fachbereich?
• Wer leitet das Projekt – und wer betreibt es danach?
• Ist der nächste Schritt klar: stoppen, anpassen oder produktiv bauen?

Ein konkretes Beispiel:

Rechnungsabgleich. 150 Lieferscheine pro Woche.
Legacy-ERP, unstrukturierte Daten, Betriebsrat involviert, IT mit einer Person.

Nach 10 Tagen: klares GO.
€41.000 Einsparung pro Jahr, konservativ gerechnet.
Deployment-Option geklärt. Projektverantwortlicher benannt. Kick-off zwei Wochen später.

Berater-PoC: „Die Technologie geht grundsätzlich."
Mittelstands-PoC: „Wir haben genug Klarheit für eine Go/No-Go-Entscheidung."

Im Mittelstand sind Zeit, Vertrauen und interne Aufmerksamkeit knapp.

Ein schwacher PoC verbrennt politisches Kapital.
Im schlimmsten Fall heißt es: „KI funktioniert bei uns nicht."

Das eigentliche Problem war aber: Der PoC war falsch definiert.

Ich rahme PoCs heute so:

• klare Problemstellung, messbares Ziel
• echte Betriebsdaten – Ausnahmen und Dreck inklusive
• Test im laufenden Prozess, nicht in einer Sandbox
• technische Machbarkeit: ERP, Datenqualität, Infrastruktur
• organisatorische Hürden: IT, Datenschutz, Betriebsrat
• quantifizierter Business Case: Einsparung, Payback
• wer baut, wer betreibt, was es kostet

Und falls das Ergebnis NO-GO ist?
Dann bleibt beim Kunden: technische Lösungsarchitektur, ROI-Modell, Risikobewertung. Kein Leerverkauf. Kein „kommen Sie nächsten Monat wieder."

So wird der PoC vom Technik-Experiment zum Steuerungsinstrument für Entscheider.

Genau da beginnt ernsthafte KI-Integration im Mittelstand.

Ihr habt gerade einen PoC hinter euch?
Was war der Moment, wo klar wurde, ob er trägt oder nicht?

Auf LinkedIn lesen und diskutieren

So laufen meine Quick-Win-Prozess-Workshops mit Bereichsleitern
und ihren Teams im Mittelstand ab.

Kein Tool-Talk.
Kein Modell-Vergleich.
Nur euer Alltag und eure Prozesse.

Wir starten immer gleich:

• Alle schreiben die nervigsten Routinen auf
• Dinge, die jeden Tag Zeit ziehen
• Aufgaben, die niemand gern macht
• Abläufe, bei denen viele Fehler passieren

Danach schätzen wir grob:

• Wie viel Zeit frisst das pro Woche?
• Wie oft läuft etwas schief?
• Was kostet ein Fehler in diesem Prozess?

Dann kommt ein wichtiger Schritt, den viele Teams überspringen:

Wir suchen zuerst einfache Lösungen ohne KI.
Oft hilft schon ein klarer Ablauf, eine kleine Regel, eine andere Zuständigkeit.
Wenn sich etwas so lösen lässt, ist das perfekt.

Am Ende bleiben 3–5 Routinen übrig, bei denen mehr Potenzial drinsteckt.

Daraus wählen wir die besten 1–2 Prozesse aus:

• Einfach genug für einen ersten Piloten
• So wertvoll, damit es sich wirklich und schnell lohnt

Für diese 1–2 Prozesse legen wir fest:

• Wer ist Owner im Fachbereich
• Was sich nach 4–6 Wochen spürbar verbessert haben soll
• Wie wir Erfolg messen (Zeit, Fehler, Qualität, Zufriedenheit)

Fertig.
Das ist der erste echte Use Case.
Ohne ein einziges Tool genannt zu haben.

Wenn du so in 60 Minuten zu deinem ersten produktiven Anwendungsfall kommen willst, lade ich dich ein, dass wir diesen Workshop gemeinsam machen.

Auf LinkedIn lesen und diskutieren

Erfahrene, gut bezahlte Mitarbeiter kümmern sich um Arbeit, die keine Fachkenntnis braucht und sie obendrein noch nervt.

Rechnungen abgleichen.
Excel pflegen.
Standardmails beantworten, die ein System in Sekunden schreiben kann.

Ich teile Arbeit in vier Quadranten ein.
Unten links steht: Verschwendung.

Genau dort liegt der klügste Einstieg in KI.

Das sind die Tätigkeiten, die drei Dinge gemeinsam haben:

• Sie kommen täglich, wöchentlich oder monatlich wieder
• Sie haben keinen direkten Kundenkontakt
• Sie machen aus Menschen Schnittstellen

Diese Aufgaben lassen sich mit KI oft zu einem großen Grad automatisieren.
Ohne Risiko für Reputationsschäden.

Das bringt dir:

• Sofortigen Zeit- und Opportunitätskostenersparnis
• Mehr Fokuszeit für deine besten Leute auf das was zählt
• Eine echte KI-Lernkurve im sicheren Umfeld

Und das beste ist, die meisten dieser Use-Cases sind in wenigen Wochen umgesetzt.

Starte mit einer kleinen Bestandsaufnahme:

• Schreibe alle wiederkehrenden Tätigkeiten auf, die keine Fachkenntnis brauchen
• Markiere die Aufgaben ohne Kundenkontakt
• Streiche zunächst alles, was weniger als 2 Stunden pro Woche ausmacht

Nur was übrig bleibt, sind deine besten Use-Cases die den Verschwendungsquadranten unten links angehen.

Und wenn du mal zusammen rechnest, wieviele Stunden dein Team mit diesen Tätigkeiten einsparen bzw. für werthaltigere Arbeit gewinnen kann, wird dich das Ergebnis wahrscheinlich überraschen.

Die Zahl zeigt meistens ein großes Potenzial.
Und sie macht zugleich klar, was auf dem Spiel steht.

Deine besten Mitarbeiter sind zu gut für diese Arbeit.
Sie sind eingestellt für ihre fachliche Kompetenz, ihr Urteilsvermögen und ihre Fähigkeit gute Beziehungen aufzubauen.

Was würde in deinem Unternehmen passieren, wenn diese Stunden frei wären?

Auf LinkedIn lesen und diskutieren

Technisch sind wir schon weiter.
Kulturell oft nicht.

Für viele langweilige Aufgaben ist KI heute gut genug.
Sachbearbeitung. Standardtexte. Auswertungen.
Wenn du es sauber baust, liefert KI verlässlich und stabil.

Aber: KI ist kein Tool, das du irgendwann „einbaust" und dann bist du fertig.

Deine Leute müssen eine neue Fähigkeit lernen:
mit KI arbeiten, KI hinterfragen, KI mitgestalten.

Das entsteht nicht in einer Schulung mit Zertifikat.
Es entsteht im Alltag.

Wenn Mitarbeitende jeden Tag mit KI arbeiten.
Wenn sie Verantwortung spüren:
Wie kann KI meine Arbeit besser machen?
Wie muss das System dafür aussehen?

Das echte Ziel ist dieser Shift:

Von:
„Ich bin Angestellter und bekomme Tool X vom Arbeitgeber."

Hin zu:
„Ich kreiere zusammen mit meinen Kollegen unsere KI-Systeme,
damit wir bessere Entscheidungen treffen und bessere Arbeit liefern."

Genau deshalb ist „warten bis KI reifer ist" oft ein Vorwand.

Die Technik ist schnell.
Das Mindset ist langsam.

Je früher du anfängst, das AI-Cocreation-Mindset zu leben,
desto mehr Erfahrungen sammelt dein Team.
Und desto besser werden die Entscheidungen bei Entwicklung, Integration und Betrieb eurer KI-Systeme.

Ein KI-Tool kaufen ist simpel.
Die Mentalität zu kultivieren, die es wirklich wirksam macht,
ist die eigentliche strategische Aufgabe.

Auf LinkedIn lesen und diskutieren

Der Originalpost spricht von Milliarden an VC-Kapital, die auf dem Spiel stehen - "open season" auf Startups. Das erklärt die Reichweite. Angst verbreitet sich schnell.

Ich habe mir die 70 Kommentare darunter in Ruhe angesehen. Was ich dabei sah, kenne ich aus Gesprächen mit Mittelständlern: Wer laut genug spricht, wird zitiert -nicht wer recht hat.

Der VP sagt: Startups, die nur eine dünne Schicht über fremden KI-Modellen bauen, haben keine Zukunft. Wer das weitergibt, macht daraus: Marktwahrheit.

Kurz zur Einordnung:
Ein LLM-Wrapper ist vereinfacht eine App, die das Modell eines anderen Anbieters nimmt, eine eigene Oberfläche darum baut und den Zugang verkauft.

So wie jemand, der Strom einkauft, ein schickes Gehäuse darum baut und das Paket „Energie-Plattform" nennt.

Solange der Stromanbieter nichts Eigenes anbietet, funktioniert das.

Sobald er selbst eine App liefert, braucht niemand den Mittelsmann.

In den Kommentaren habe ich drei Lager gesehen:

Die einen fühlten sich bestätigt.

Die zweiten differenzierten sauber, wo aus einem Wrapper ein echtes Produkt wird.

Die dritten fragten, warum ausgerechnet Google diese Story erzählt.

Am wenigsten Likes bekamen die, die am kritischsten hingeschaut haben.

Das ist kein Zufall. Unbequeme Fragen bekommen auf LinkedIn selten Applaus.

Google hat ein klares Eigeninteresse:
Sie wollen, dass Unternehmen direkt auf ihre Plattform bauen - nicht auf Startups, die dazwischen sitzen.

Eine Vorhersage aus so einem Haus ist keine neutrale Marktanalyse.

Sie ist Vertrieb.

Und die tiefere Ironie: Solange Open-Source-Modelle auf dem Niveau proprietärer Systeme liegen - und Kimi, Mistral, DeepSeek zeigen, wie nah das schon ist — werden LLMs selbst zur Commodity.

Dann ist jeder ein Wrapper. Auch Google.

Die eigentliche Frage ist deshalb nicht: Sterben LLM-Wrapper?

Sondern: Wessen Urteil übernehme ich gerade - und warum?

Wer heute unreflektiert nacherzählt, was große Anbieter sagen, baut morgen unreflektiert nach, was sie empfehlen.

Ihre Ziele sind nicht notwendigerweise die deinigen.

Auf LinkedIn lesen und diskutieren

Ich merke das jeden Tag im Gespräch mit Entscheidern im DACH-Raum.

Die Nachfrage ist riesig. Die Unsicherheit auch.

KI ist genial. KI spart Zeit, Geld, Nerven - das stimmt.
Sie kann aber auch Macht bündeln, Daten absaugen, Abhängigkeiten schaffen.
Und das ist keine Theorie mehr.

Anthropic hat sich für 1,5 Milliarden Dollar verglichen - weil Millionen urheberrechtlich geschützte Bücher illegal im Trainingsdatensatz landeten.
Kein Randthema. Ein Warnsignal für jedes Unternehmen, das KI einsetzt.

Und der EU AI Act tickt.
Seit August 2025 gelten Transparenz- und Dokumentationspflichten.
Bis August 2026 müssen Hochrisiko-Systeme compliant sein.
Bußgelder: bis zu 35 Millionen Euro oder 7% des weltweiten Umsatzes.

Deutsche Unternehmen brauchen einen Gegenentwurf.

Sie brauchen KI, die sie kontrollieren - nicht anders herum.
Sie brauchen Systeme, die erklärbar sind, keine Blackbox.
Sie brauchen Lösungen, die sensible Daten schützen.
Sie brauchen Modelle, die ihre IP nicht "mitlernen" und weiterverwerten.

Die Richtung der KI-Entwicklung ist klar: mehr Automatisierung, mehr Delegation - schneller als wir es je gewohnt waren.

Ich möchte, dass wir hier einen anderen Weg gehen.
In einer Welt, in der KI unterstützt. In der Unternehmen souverän bleiben. In der Menschen über ihr Leben und ihre Arbeit selbst bestimmen.

Deshalb schreibe ich ab jetzt auf Deutsch.

Meine Arbeit, meine Kunden, mein Fokus - sie sind im DACH-Raum.
Und die Gespräche, die aktuell wirklich für unser Geschäft zählen, finden auf Deutsch statt.

Auf Englisch war ich aktiv, und das bleibt so — nur woanders.
Wer mir bisher auf Englisch gefolgt ist: ich bin nicht weg.
Ich bin nur dort, wo ich denke, dass ich am meisten bewegen kann.

Und deshalb baue ich KI-Lösungen für den Mittelstand im DACH-Raum - Lösungen, die Unternehmen gehören. Nicht irgendwelchen Plattformen.

Bist du Entscheider und fragst dich, wie du KI sicher und souverän einsetzen kannst? Schreib mir.

Auf LinkedIn lesen und diskutieren

Es sind die Leute, die den Prozess führen.

Dein KI-Anbieter hat noch nie deinen Monatsabschluss durchgesessen.
Deine IT verbringt keine Dienstagvormittage damit, Liefertermine in Excel zu korrigieren.
Dein Datenteam muss keinen Kunden anrufen, wenn eine falsche Sendung rausgeht.

Die Leute, die im Prozess leben, wissen genau, wo die Reibung sitzt.

Planer stecken in Excel-Ritualen, die jeden Monat drei Tage fressen.
Sachbearbeiter in der Schadenbearbeitung wiederholen dieselben Prüfungen 100 Mal pro Woche.
Die Buchhaltung klärt jede Woche dieselben Rechnungsabweichungen.

Nutzen entsteht, wenn diese Leute das System mitgestalten. Nicht als „Nutzer" am Ende, sondern als Verantwortliche am Anfang.

So führst du das in deinem Bereich. (💾 Zum Nachlesen speichern)

𝟭. 𝗦𝘁𝗮𝗿𝘁𝗲 𝗺𝗶𝘁 𝗲𝗶𝗻𝗲𝗺 𝗞𝗲𝗿𝗻𝗽𝗿𝗼𝘇𝗲𝘀𝘀
Keine „KI-Plattform". Ein Prozess, den du wirklich fährst, mit den Leuten, die ihn fahren.

2. Prozessaufnahme über Rollen hinweg
Betrieb, IT und Prozessverantwortliche gehen den echten Ablauf gemeinsam ab. Nimm Workarounds, Nebentabellen und manuelle Entscheidungen auf. Beziffere den Schmerz in Tagen, Fehlern und Risiko, nicht mit „fühlt sich langsam an".

𝟯. 𝗟𝗮𝘀𝘀 𝗱𝗶𝗲 𝗙𝗮𝗰𝗵𝗲𝘅𝗽𝗲𝗿𝘁𝗲𝗻 𝗱𝗶𝗲 𝗥𝗲𝗴𝗲𝗹𝗻 𝗳𝗲𝘀𝘁𝗹𝗲𝗴𝗲𝗻

• Welche Schritte beim Menschen bleiben
• Welche Schritte in Code wandern
• Wo KI vorschlägt und wo sie nie entscheiden darf

Beispiel: Eine Leiterin Finanzen benennt die 11 Gründe, aus denen Rechnungen hängen bleiben. Sie legt fest, wann automatisch freigegeben und wann zur Prüfung markiert wird, und verantwortet die Anforderungen bis zur Fertigstellung. Die IT arbeitet bei der Inbetriebnahme mit einer spezialisierten KI-Beratung wie uns zusammen. Erste automatisierte Rechnung in Woche 4.

𝟰. 𝗕𝗮𝘂 𝗮𝘂𝗳 𝗲𝗶𝗴𝗲𝗻𝗲𝗿 𝗜𝗻𝗳𝗿𝗮𝘀𝘁𝗿𝘂𝗸𝘁𝘂𝗿
Open-Source-Modelle, trainiert auf deinen Rechnungen, Tickets und Lieferscheinen. Ergebnisse, die direkt in SAP oder deine Altsysteme fallen. Logs, die du vor Prüfern verteidigen kannst.

𝟱. 𝗭𝗲𝗶𝗴 𝗹𝗮𝘂𝗳𝗲𝗻𝗱𝗲 𝗞𝗲𝗻𝗻𝘇𝗮𝗵𝗹𝗲𝗻

• Eingesparte Stunden pro Monat
• Fehlerquoten vorher und nachher
• Eskalationen, bei denen Menschen eingegriffen haben

Teams passen Schwellenwerte selbst an, ohne auf einen Anbieter zu warten.

Ich weiß, die meisten Vorstände erwarten von der IT, „etwas mit KI zu machen", und die IT liegt schon unter ihren Backlogs begraben.

Genau deshalb sollten Prozessverantwortliche das erste System im Echtbetrieb führen.

Wenn du einen Kernbereich führst und wiederkehrende Handarbeit siehst, die jeden Monat Tage frisst, ist das dein erstes KI-Projekt - sofern es nur ein einfaches System braucht.

Deine Antwort auf diese Frage bestimmt, wie gut deine KI-Systeme laufen werden:

Entwirfst du die KI-Systeme mit den Leuten, die den Prozess führen, oder übernimmst du die Vermutung von jemand anderem?

Auf LinkedIn lesen und diskutieren

Das passiert in fast jedem Projekt.
Vorstände reden über KI.
PowerPoint redet über KI.
Die Entscheidungen laufen weiter über Excel, Bauchgefühl und Gewohnheit.

Auf dem Papier sehen die Zahlen hoffnungsvoller aus.
Die KfW sagt, 20% der KMU nutzen inzwischen KI, mittelgroße Unternehmen sogar 36%.
Aber wenn du fragst, wo KI sitzt, hörst du: Marketingtexte, Chatbots, kleine Piloten.
Selten: Preisfindung, Risiko, Planung, Kapazität, Qualität.

Die eigentliche Lücke ist nicht „KI ja oder nein".
Die Lücke ist:

• KI als Spielzeug vs. KI in den Kernentscheidungen
• KI für PR vs. KI für Planung und Steuerung
• KI in Tools vs. KI in eigenen Systemen

Der Mittelstand weiß, warum er zögert.
Begrenzte Ressourcen.
Angst vor Kontrollverlust.
Eine tief verankerte Kultur der Verantwortung.

Genau dorthin passt souveräne KI.

KI lässt sich an SAP, Navision und alte ERP-Systeme anbinden.
Auf deiner Infrastruktur, mit deinen Daten, mit vollständigen Logs.
Nicht um menschliches Urteil zu ersetzen, sondern um den Raum für schlechte Entscheidungen zu verengen.

Wenn KI Aufträge nach Risiko sortiert, gibst du trotzdem frei.
Wenn KI Preise vorschlägt, entscheidest trotzdem du.
Wenn KI Abweichungen in der Qualität meldet, handelt trotzdem dein Team.

Hybride Kognition.
Algorithmus plus verantwortlicher Prozess.

Die Unternehmen, die überleben, machen drei einfache Dinge:

• Ihre wertvollen Daten und Modelle selbst besitzen
• KI in einen echten Entscheidungsablauf nach dem anderen einbauen
• Für jede wichtige Letztentscheidung einen Menschen in der Verantwortung halten

Wenn du heute ein mittelständisches Unternehmen führst, ist deine KI-Strategie entscheidend gegen Fachkräftemangel und den Ruhestand deiner Leute.

Wie weit steckt KI schon in deinen echten Entscheidungen und nicht nur in deinen Versuchen?

Auf LinkedIn lesen und diskutieren

Diesen Ownership-Workshop mit 3 Fragen mache ich mit Betriebsleitern und Abteilungsleitern, bevor wir bei Omniance mit der Arbeit beginnen. Eine Sitzung, ein Whiteboard und eine klare Karte, wo du angreifbar bist.

Dieselbe Sitzung kannst du mit deinem eigenen Team machen.

So geht es, und worauf du achten solltest.

(💾 Zum Nachlesen speichern)

𝗦𝗰𝗵𝗿𝗶𝘁𝘁 𝟭 – 𝗕𝗮𝘂 𝗱𝗲𝗶𝗻𝗲 𝗕𝗲𝘀𝘁𝗮𝗻𝗱𝘀𝗮𝘂𝗳𝗻𝗮𝗵𝗺𝗲 𝗷𝗲 𝗔𝗯𝘁𝗲𝗶𝗹𝘂𝗻𝗴

Leg eine einfache Vorlage mit fünf Spalten an: Toolname, Anbieter, Prozessverantwortlicher, unterstützte Prozesse und berührte Daten.

Bitte deine direkt berichtenden Führungskräfte, ihre KI-Tools vor dem Termin einzutragen. Nur Tools, die echte Arbeit berühren, keine Versuchsaufbauten mit Testdaten.

Warte nicht auf eine perfekte Liste. Hol dir 80% Abdeckung von den Leuten, die die Tools täglich nutzen - das reicht für einen scharfen Workshop.

Eines erfasst diese Bestandsaufnahme nicht: Schatten-KI, also Tools, die deine Leute ohne Freigabe der IT nutzen. Das ist ein eigenes, tieferes Problem. Aber dieser Workshop zeigt dir, wie viel du selbst bei den Tools nicht kontrollierst, von denen du weißt.

𝗦𝗰𝗵𝗿𝗶𝘁𝘁 𝟮 – 𝗠𝗮𝗰𝗵 𝗱𝗲𝗻 𝗪𝗼𝗿𝗸𝘀𝗵𝗼𝗽 𝗺𝗶𝘁 𝗱𝗲𝗶𝗻𝗲𝗺 𝗧𝗲𝗮𝗺

Bring die vollständige Bestandsaufnahme auf einen Bildschirm. Geh jedes Tool durch. Keine Anbieterfolien, nur deine eigene Sicht darauf, was diese Tools tun und wo sie in deinem Betrieb sitzen.

𝗦𝗰𝗵𝗿𝗶𝘁𝘁 𝟯 – 𝗪𝗲𝗻𝗱𝗲 𝗱𝗲𝗻 𝗢𝘄𝗻𝗲𝗿𝘀𝗵𝗶𝗽-𝗧𝗲𝘀𝘁 𝗺𝗶𝘁 𝟯 𝗙𝗿𝗮𝗴𝗲𝗻 𝗮𝗻

Frag bei jedem Tool:
➝ Fortführung – Kannst du weiterarbeiten, wenn der Anbieter morgen verschwindet oder die Konditionen ändert?
➝ Vorteil – Berührt es regulierte Daten oder Wettbewerbswissen?
➝ Rechenschaft – Kannst du seine Entscheidungen erklären und nachvollziehen, wenn es verlangt wird?

Je mehr „Nein"-Antworten du bekommst, desto höher ist dein Risiko.

Dreimal „Ja"? 🟢 Das kannst du gefahrlos mieten.
Gemischte Antworten? 🟡 Das musst du mit Grenzen und Rückfallplänen absichern.
Dreimal „Nein"? 🔴 Das musst du besitzen, oder du nimmst strategisches Risiko in Kauf.

𝗦𝗰𝗵𝗿𝗶𝘁𝘁 𝟰 – 𝗟𝗲𝗴𝗲 𝗳𝗲𝘀𝘁, 𝘄𝗮𝘀 𝘇𝘂 𝘁𝘂𝗻 𝗶𝘀𝘁

🟢 Mieten → Behalten, standardisieren, Preis verhandeln
🟡 Absichern → Klare Grenzen setzen, Migration oder souveränen Neubau planen
🔴 Besitzen → Das Risiko dokumentieren und die Begründung für interne Kontrolle aufbauen

Das heißt nicht, alles von Grund auf neu zu bauen. Es heißt oft, auf Open-Source-Modellen neu aufzubauen, die du kontrollierst, auf EU-Infrastruktur zu hosten oder strenge Governance um das zu legen, was beim Anbieter bleiben muss. Konkrete Schritte, keine Revolution.

In 90 Minuten siehst du, wo dein Bereich sicher ist, wo er brüchig ist und wo jemand anderes die Schlüssel hat.

Der aufschlussreichste Moment?

Wenn rote Felder dort auftauchen, wo du grün erwartet hast. Das sind keine kaputten Tools. Das sind deine nächsten strategischen Prioritäten.

Wenn du derjenige bist, der KI in deiner Abteilung vorantreibt, musst du nicht auf ein Mandat von oben warten.

Mach das zuerst für dein eigenes Team. Bring die Ergebnisse in die Geschäftsleitung. Ein einziges rotes Feld auf einem Whiteboard startet ein besseres Gespräch als jede Präsentation.

Und wenn du es gemeinsam machen willst, dafür ist der Workshop mit uns da.

Auf LinkedIn lesen und diskutieren

Wenn ich mir die meisten KI-Integrationen ansehe, sehe ich das Gegenteil.

• Pro Token zahlen
• Pro Nutzer zahlen
• Beten, dass der Anbieter freundlich bleibt

Betriebswirtschaftlich gesagt:
Du mietest deine Kernintelligenz bei jemand anderem und hoffst, dass er nie die Schlösser austauscht.

In einem mittelständischen Unternehmen hat das spürbare Folgen.

• Ein Modell steckt in einem Vertriebsablauf
• Oder in der medizinischen Ersteinschätzung
• Oder im Risikoscoring

Sobald das passiert, hast du eine neue Form von Infrastruktur.
Kein Werkzeug, sondern eine Abhängigkeit.

Hier ist ein Muster, bei dem mir unwohl wird, wenn ich an die Folgen denke:

• Der Anbieter aktualisiert das Basismodell → deine Antworten ändern sich über Nacht
• Der Anbieter ändert die Konditionen → dein Kostenmodell bricht
• Der Anbieter stellt eine API ein → dein Prozess steht

Gleiche Daten.
Gleiche Leute.
Andere Modellgewichte.
Anderes Geschäftsverhalten.

Für mich ist das die Grenze.

Wenn KI Wettbewerbswissen oder einen geschäftskritischen Prozess berührt, halte ich es für notwendig, das Modell wie eine strategische Anlage zu behandeln:

• Die Gewichte gehören dir
• Die Dokumentation gehört dir
• Der Upgrade-Pfad gehört dir

Weil sich dann die Logik dreht.

• Du entscheidest, wann neu trainiert wird
• Du entscheidest, welche Daten das Modell prägen
• Du entscheidest, wie vorsichtig ein Upgrade sein muss

In diesem Aufbau sieht ein Modell weniger nach Netflix-Abo aus und mehr nach einer Maschine in deiner Fertigung.

• Du kaufst sie
• Du wartest sie
• Du verbesserst sie
• Du schreibst sie über Jahre ab

Bei Omniance haben wir aus diesem Grund den Omniance Core gebaut.
Einen modularen, souveränen, selbst hostbaren KI-Stack, in dem Kunden:

• Teile erweitern, ohne auf eine Roadmap zu warten
• Eine Komponente forken, wenn ihre Fachdomäne es verlangt
• Das Verhalten bis auf Daten und Konfiguration prüfen
• Teile austauschen, ohne das ganze System zu brechen

Die Nebenwirkungen sind sehr praktisch.

Eigene Gewichte → Modelle passen zu deiner Domäne, nicht zu einem öffentlichen Benchmark
Eigene Dokumentation → neue Teams lernen das System ohne Rätselraten
Eigener Upgrade-Pfad → der Modellwechsel folgt dem Geschäftstakt, nicht Hype-Zyklen

Das ist wichtig zu bedenken:

KI als OpEx fühlt sich in den ersten Monaten leicht an.
KI als CapEx fühlt sich in den ersten Monaten schwer an.

Spul ein halbes Jahr vor.

Der OpEx-Weg lässt dich zurück mit:

• Beeindruckenden Rechnungen, sobald du hochfährst
• Abhängigkeit von fremden Schienen
• Wenig eigenem Können und sehr brüchiger Kontrolle

Der CapEx-Weg lässt dich zurück mit:

• Eigener Kompetenz
• Vermögenswerten in der Bilanz
• Einem Rückgrat, auf dem du immer wieder aufbauen kannst

Irgendwann hört KI auf, ein PoC zu sein, und wird Teil davon, wie du denkst, verkaufst, heilst oder Waren bewegst.

Wenn du an diesem Punkt bist, ist „Abo oder Anlage" aus meiner Sicht keine technische Entscheidung mehr.
Es ist eine Governance-Entscheidung.

Jeder Geschäftsführer sagt, er will strategische KI.
Ich frage mich, wie viele bereit sind, sie so zu besitzen, wie sie Werke, IP und Kernsoftware besitzen.

Auf LinkedIn lesen und diskutieren

So sehen die meisten KI-Projekte im Mittelstand aus.

Auf den Strategiefolien (Londry) steht:

• „KI-Agent für durchgängige Automatisierung"
• „Autonome Entscheidungs-Engine"
• „Smarte Workflow-Orchestrierung"

In Wirklichkeit hast du eine Mülltonne mit:

• Keinem klaren Prozessverantwortlichen
• Workarounds in Excel und E-Mail
• Altsystemen, die niemand anfassen darf
• Datenqualität, die in Meetings niemand beim Namen nennt

Darüber werden dann KI-Anwendungsfälle gepinselt, wie der irreführende Pfeil auf dem Schild.

Es geht um die Optik.
Keine strukturelle Veränderung.
Und alle Beteiligten wissen das, sie hoffen nur, dass das Modell das Chaos irgendwie umgeht.

Einen kaputten Prozess reparierst du nicht mit einem KI-Modell.
Du automatisierst den Schaden - schneller, schwerer zu sehen, schwerer zu steuern.

Ein paar Wochen später schreibt jemand aus dem Betrieb eine E-Mail:
„Niemand weiß, warum es das empfiehlt. Überstimmen wir es oder vertrauen wir ihm?"

Ab da wird es still um das Projekt.

Die Reihenfolge, die funktioniert, wenn sie funktioniert:

Zuerst die Tonne leeren.
• Nimm den echten Prozess auf, nicht den aus dem Handbuch.
• Räum die Verschwendung weg, die E-Mail-Workarounds, das Wissen, das nur in zwei Köpfen steckt.

Bring den Ablauf in Ordnung.
• Klare Verantwortung. Saubere Eingaben. Dokumentierte Entscheidungen.
• Langweilig, langsam, gelegentlich beschämend, wenn dir auffällt, wie lange der Workaround schon läuft.

Dann KI ergänzen - nur dort, wo sie etwas löst.

Das dauert länger, als deine Präsentation verspricht.
Es verlangt einzugestehen, was kaputt ist.
Die meisten Führungsteams sind strukturell nicht bereit für dieses Gespräch.

Die Frage ist nicht, ob dein Führungsteam klug genug ist, die Tonne zu sehen.

Sondern ob es die strukturelle Freiheit hat, zuzugeben, dass sie da steht.

Auf LinkedIn lesen und diskutieren

(💾 Zum Nachlesen speichern)

Die meisten Vorfälle in der Praxis kommen nicht von „schlechten Modellen".
Sie kommen von Agenten mit:

• viel zu weitreichenden Rechten
• fehlenden Leitplanken
• null Nachvollziehbarkeit
• fehlender Validierung

Wenn du Agenten im Echtbetrieb willst, musst du die Architektur von vornherein darauf auslegen.

So denke ich darüber in echten Unternehmen:

1) Least-Privilege und Tool-Vermittlung
• Ein Agent, eine Aufgabe
• Minimale Werkzeuge, minimale Daten
• Jede Aktion läuft über ein Gateway mit Allowlists, Argumentprüfung, Rate Limits

2) Kontextgrenzen
• Enge Suchbereiche beim Retrieval
• Kein projektübergreifendes Gedächtnis
• Keine mandantenübergreifende Weitergabe
• Zeitlich begrenzter Zugriff auf sensible Daten

Die Zweckbindung aus DSGVO und EU AI Act lebt hier, nicht in einem PDF.

3) Eskalation und menschliche Aufsicht
• Agenten halten an, Menschen entscheiden.
• Klare Regeln, wann eskaliert wird: hohe Auswirkung, geringe Sicherheit, unklare Richtlinie.
• Warteschlangen, SLAs, vollständiger Übergabekontext.

4) Erst planen, dann ausführen, plus Ausgabefilter
• Das Modell schlägt einen Plan vor.
• Eine deterministische Schicht prüft ihn gegen Schemata und Regeln.
• Nur freigegebene Schritte laufen.

5) Isolation
• Das Reasoning läuft in Sandboxes und abgeschotteten Netzen.
• Nur eine streng kontrollierte Orchestrierungsschicht spricht mit den Produktivsystemen.

6) Eingabeschutz
• Behandle jede Eingabe als feindlich: Prompts, E-Mails, Dokumente, APIs.
• Schemata erzwingen, Steuersequenzen entfernen, seltsame Strukturen ablehnen.

7) Richtlinie als Ablauf
• Richtlinien sind Code im Ablauf, keine Folien in einer Präsentation.
• Wer, welche Daten, was protokolliert wird, wann eskaliert wird → harte Prüfungen.

8) Audit und Nachvollziehbarkeit
• Wenn du „Warum hat der Agent das getan?" nicht beantworten kannst, hast du kein System.
• Du hast eine Demo.

9) Identität und Geheimnisse
• Agenten sind Identitäten mit Rollen, keine Super-Admins.
• Kurzlebige Token, Secrets im Vault, keine Zugangsdaten in Prompts oder Logs.

10) Laufende Evaluation, Monitoring und Red-Teaming
Feindliche Prompts, Missbrauchsfälle, Leakage-Tests, Tests auf Umgehung der Richtlinien.

Dazu laufende Überwachung:

• Fehlerquoten, Erfolg und Scheitern von Aufgaben, Eskalationshäufigkeit erfassen
• Protokollieren, welche Aufgaben gescheitert sind und warum - datenschutzkonforme Telemetrie, keine personenbezogenen Daten in den Traces
• Aus der Fehleranalyse Regeln, Berechtigungen und Eskalationsauslöser anpassen

Du kannst nicht verbessern, was du nicht misst.
Und du kannst nicht verteidigen, was du nicht getestet hast.

Agenten sind nicht von Natur aus gefährlich.
Sie sind gefährlich, wenn du sie ohne Muster und Grenzen entwirfst.

Wenn du Agenten für den Echtbetrieb baust, fang mit diesen 10 an.

---

↳ Kennst du jemanden, der Agenten in den Echtbetrieb bringt? Schick ihm das hier.

Auf LinkedIn lesen und diskutieren

Sie „machen KI", weil sie ChatGPT Enterprise oder eine Alternative an einen Teil des Teams ausgerollt haben.

Das hilft bereits, und viele berichten schon von deutlichen Gewinnen. Aber sieh es so: Der größte Teil der wiederkehrenden Arbeit bleibt unberührt.
Auftragsabwicklung. Reklamationen. Reporting. Support.

Von Hand.
Langsam.
Anfällig.

In vielen mittelständischen Firmen sehe ich dasselbe Muster:

• unzählige Stunden pro Woche für Copy-Paste-Arbeit
• Menschen, die dieselben Excel-Tabellen von Hand pflegen
• Teams, die dieselben Regeln wieder und wieder prüfen

KI klingt oft einfach zu kompliziert, zu unzuverlässig und manchmal auch beängstigend.

Das sehe ich in der Praxis funktionieren:

• Starte mit einer Aufgabe geringer Komplexität
• Sorge dafür, dass die geschäftliche Wirkung hoch ist
• Halte die Technik einfach und langweilig

Beispiele:

• eingehende E-Mails klassifizieren und weiterleiten
• Standardberichte aus ERP-Daten vorbefüllen
• Antworten auf Routinefragen von Kunden entwerfen
• Rechnungen mit Lieferscheinen abgleichen

Diese Projekte dauern keine sechs Monate.
Sie dauern ein paar Wochen.

Sie brauchen keine „Global KI Task Force".
Sie brauchen einen Prozessverantwortlichen, die Nutzer und die IT.

Der Effekt sind keine abstrakten Produktivitätsgewinne.
Für jeden wiederkehrenden Prozess gibt es einen klaren ROI.
-Eingesparte Stunden pro Woche
-Gesenkte Fehlerquoten
-Vermiedene Opportunitätskosten

Du befreist Menschen von Arbeit, die sie nicht mögen, und bekommst Schwung für die strategischen Projekte danach.

Die Unternehmen, die gewinnen, starten nicht mit einer grandiosen KI-Vision.
Sie starten mit einem schmerzhaften Ablauf und schaffen ihn ab.

Was würde deinem Team am meisten Zeit sparen?

A) E-Mail-Verteilung
B) Berichtsautomatisierung
C) Antwortentwürfe
D) Abgleich Rechnung - Lieferschein
E) [der Anwendungsfall, der sich bei dir am meisten wiederholt]

Wähl den Anwendungsfall aus der Liste, der bei dir am meisten weh tut, und schreib grob, wie viele Stunden du pro Woche sparen würdest.

Wenn du magst, schick mir kurz deinen Fall, und ich gehe mit dir durch, wie ich ihn in der Praxis zuschneiden würde.

Auf LinkedIn lesen und diskutieren

Ich habe dieses Muster schon einmal gesehen.

Als Gemini 3.0 herauskam, hat mich die Qualität umgehauen.
Klare Begründungen, starke Ergebnisse, jenseits jeder Erwartung.

Zwei Wochen später:

• seltsame Fehler
• schwächere Begründungen
• Ergebnisse, die ich nicht reproduzieren konnte

Mein erster Gedanke: „Habe ich meine Prompts kaputt gemacht?"
Dann: „War ich so begeistert, dass ich die Fehler übersehen habe?"

Dann kam ein anderer Gedanke. Hier ist eine mögliche Erklärung, über die fast niemand spricht.

Nach dem Start, wenn die Aufmerksamkeit nachlässt, stehen Backend-Teams unter enormem Druck, die Kosten pro Anfrage zu senken.

Bei Rechenkosten in Milliardenhöhe und Investoren, die Profitabilität fordern, lässt sich der Anreiz zur Optimierung nicht ignorieren.

Ein Hebel heißt „Quantisierung".

Quantisierung wandelt Modellgewichte von 32-Bit-Fließkomma in 8-Bit- oder 4-Bit-Ganzzahlen um und tauscht feine Genauigkeit gegen deutlich mehr Tempo und weniger Speicherbedarf.

In der Praxis:
• du betreibst das Modell mit geringerer numerischer Genauigkeit
• wie ein 4K-Video, das auf 1080p komprimiert wird
• du senkst Speicher- und Energieverbrauch um 50–75%

Auf dem Papier ist der Qualitätsverlust „minimal".
In Wirklichkeit scheitern zuerst die komplexen Fälle, die für dein Geschäft am wichtigsten sind.

Ein weiterer Hebel ist, einfachere Aufgaben an kleinere Modelle zu leiten.

Wir wissen, dass GPT-5 Aufgaben bereits dynamisch verteilt, je nachdem, welche Qualitätsanforderung es selbst ermittelt.

Du entscheidest nicht, welche Qualitätsstufe deine Anfrage bedient. Das Modell entscheidet.

Das Problem ist, dass das Modell einem Anbieter gehört, dessen Anreize andere sind, als dir beim Erreichen deiner Ziele zu helfen.

Dein API-Dashboard zeigt das nie.
Kein Log sagt dir, wofür sich das Modell entschieden hat.
Der Modellname bleibt gleich.
Die Konfiguration dahinter nicht.

Startphase:
• maximale Qualität
• Benchmarks gewinnen
• Social Media mit beeindruckenden Demos fluten

Ab Woche 4:
• mehr Anfragen auf jede GPU pressen
• Ressourcen bei Lastspitzen verschieben
• die Stückkosten in einen vorstandstauglichen Bereich drücken

Die Folgen für dein Unternehmen:

Abläufe brechen im Echtbetrieb.

In der Folge stecken Teams ihre Zeit in das Reparieren von Prompts oder das Umbauen der Architektur, statt das nächste System zu bauen.

Regulierte Branchen stehen vor nicht deterministischen Ergebnissen, die sie nicht verteidigen können.

Ursachenanalyse wird zum Raten, Vertrauen bricht weg.

Meine Antwort für geschäftskritische Abläufe: selbst gehostete Open-Source-LLMs in der Private Cloud oder im eigenen Rechenzentrum.

Du kontrollierst:
• Modellkonfiguration und Hardware
• Betriebsarchitektur und Lastverhalten
• Qualitätsüberwachung und Audit-Logs über die Zeit

Montag 13:00 Uhr sieht aus wie Mittwoch 2:00 Uhr.

Nicht „mal scharf, mal seltsam".

Für mittelständische Unternehmen, die Qualitätssicherung, Dokumentation oder Kundenbetrieb automatisieren, heißt Souveränität: Kontrolle über die Daten und über gleichbleibende Qualität.

Trotzdem teste ich Opus 4.6 mit großer Freude weiter und bringe es an seine Grenzen.

Im Echtbetrieb interessiert mich aber das Verhalten in Monat drei mehr als die Leistung in Woche eins.

Geht das nur mir so, oder siehst du das auch?

Auf LinkedIn lesen und diskutieren

Du kennst das Gefühl, wenn das Modell nah dran ist…
• Aber es arbeitet mit veralteten Informationen.
• Oder die Begründung klingt nicht nach deinen Leuten.
• Oder das Ausgabeformat zerschießt deine nachgelagerten Systeme.

KI versteht dein Unternehmen nicht einfach so.
Je nach Aufgabe braucht sie drei verschiedene Dinge: dein Wissen, dein Verhalten und deine Struktur.

Die meisten Teams behandeln das als ein einziges Problem.
Deshalb sehen Piloten in der Demo gut aus und fallen im Tagesgeschäft auseinander.

So trennen wir die Ebenen in echten Projekten:

𝗗𝗲𝗶𝗻𝗲 𝗪𝗶𝘀𝘀𝗲𝗻𝘀𝗲𝗯𝗲𝗻𝗲 → 𝗥𝗔𝗚

Das Modell braucht aktuelle Fakten, Gesetze, Prozessregeln, Produktdaten und Systeminformationen.

• Es holt Informationen bei Bedarf aus deinen Quellen
• Es respektiert Datengrenzen und Compliance-Regeln
• Es „merkt sich" nichts, was sich jede Woche ändert

𝗗𝗲𝗶𝗻𝗲 𝗩𝗲𝗿𝗵𝗮𝗹𝘁𝗲𝗻𝘀𝗲𝗯𝗲𝗻𝗲 → 𝗙𝗶𝗻𝗲𝘁𝘂𝗻𝗶𝗻𝗴

Das Modell muss abbilden, wie deine Experten denken, erklären und entscheiden, und wie sie das ausdrücken.

• Es lernt deine Denkmuster und deinen Kommunikationsstil
• Es behandelt Randfälle so, wie deine Leute es tun würden
• Es wendet das über Situationen hinweg gleich an

𝗗𝗲𝗶𝗻𝗲 𝗦𝘁𝗿𝘂𝗸𝘁𝘂𝗿𝗲𝗯𝗲𝗻𝗲 → 𝗦𝘁𝗿𝘂𝗰𝘁𝘂𝗿𝗲𝗱 𝗢𝘂𝘁𝗽𝘂𝘁𝘀

Das System muss in prüfbare Abläufe passen, mit klaren Eingaben und Ausgaben.

• Das Modell füllt definierte Felder, Tags und Aktionen
• Kein Freitext, den der Rest deines Stacks nicht verarbeiten kann
• Das System kann prüfen, protokollieren, weiterleiten und handeln

Das Muster in der Praxis:
• RAG = „So ist die Lage in diesem Unternehmen."
• Finetuning = „So denken und kommunizieren wir über Entscheidungen."
• Structured Outputs = „So hängt das an SAP, CRM, KIS oder deinen Altsystemen."

Aber die Reihenfolge zählt.

Zuerst: Definiere, wie ein gutes Ergebnis für jede Aufgabe aussieht, die die KI erledigen soll.
Dann: Ordne der Qualitätsanforderung die passende Methode zu.

In der technischen Prüfung kommen hier die meisten Fehlpassungen ans Licht.
Nicht „Kann KI das?", sondern „Wie sieht ein gutes Ergebnis aus, und welche Ebene liefert das?"

Diese Frage bestimmt deine Architektur und deine Kostenstruktur.

Auf LinkedIn lesen und diskutieren

Der Test ist einfach, aber nicht weich.
Er schneidet durch Anbieterfolien, Hype und lange Meetings.

Frage 1 – Fortbestand
"Können wir weiterarbeiten, wenn dieser Anbieter verschwindet oder die Bedingungen ändert?"

• Wenn ja → Muster öffentliche API
Das Werkzeug sitzt am Rand.
Kein Kernprozess hängt daran.
Ein Ausfall kostet Bequemlichkeit, nicht den Betrieb.
Oder wir können in sehr wenigen Tagen oder Stunden migrieren.

• Wenn nein → weiter zu Frage 2

Frage 2 – Vorsprung
"Berührt das Wettbewerbswissen oder regulierte Daten?"

• Wenn nein → öffentliche oder geteilte Dienste sind ebenfalls erlaubt
Optimiere auf Preis, Tempo, Integration.

• Wenn ja → weiter zu Frage 3

Frage 3 – Rechenschaft
"Können wir die Entscheidungen des Systems vollständig erklären?"

• Wenn nein → Umfang oder Methode neu entwerfen
Undurchsichtige Logik hat in Kernprozessen nichts zu suchen.

• Wenn ja → ein souveränes System bauen oder dorthin migrieren
Modelle, Daten, Protokolle liegen unter deiner Kontrolle.
Du kannst Ergebnisse nachvollziehen, prüfen und begründen.

Aus diesen drei Fragen ergeben sich drei stabile Muster

• Öffentliche API für risikoarme, unkritische Nutzung
• Vollständig souveräne Systeme für wirkungsstarke, vertrauenskritische Nutzung
• Hybrid mit strengen Leitplanken für mittleres Risiko

Dieser einfache Ansatz macht aus "Welches Werkzeug ist das beste" die Frage "Welches Eigentumsmodell passt zu unserem Risiko".

Ich rate Geschäftsführern, eine Folie in jedem KI-Vorschlag verpflichtend zu machen.
Den Eigentums-Test, mit klaren Antworten zu Fortbestand, Vorsprung und Rechenschaft.

Erst Strategie, dann Werkzeuge, nicht andersherum.

Auf LinkedIn lesen und diskutieren

Beginne bei den Folgen, sonst skalierst du Fehler.

Ich nutze mit Kunden eine einfache folgenorientierte Reihenfolge. Auf dem Papier wirkt sie trocken, sie verändert aber alles.

• 1) Problem ohne KI
Leite die Probleme ab, die dein Unternehmen oder Team daran hindern, eure Strategie umzusetzen, ohne dabei an KI zu denken.

• 2) Beteiligte
Bestimme die zentralen Beteiligten und Prozessverantwortlichen.
Prüfe ihre Bereitschaft, ein KI-System mitzugestalten.
Hol dir ihre Zusage, sonst richte deinen Fokus auf ein anderes Problem.

• 3) Prozesswirklichkeit
Beschreibe den Ablauf so, wie er heute läuft.
Geh den echten Prozess ab, nicht die PowerPoint-Version.
Sieh dir Übergaben, Excel-Nebenwege und manuelle Korrekturen an.
Beziffere die Schmerzpunkte mit Kennzahlen, die zu euren strategischen Zielen passen.

• 4) Prozessentwurf
Entwirf Szenarien, wie die neuen Prozesse mit Software- und KI-Unterstützung aussehen könnten.
Sei klar darüber, welche Teile KI übernehmen kann und welche besser bei Code oder Menschen allein bleiben.
Bestimme Verzögerungen, Fehler, Kosten, rechtliche Risiken.
Beziffere den möglichen Gewinn.
Einigt euch darauf, wer künftig für die Ergebnisse geradesteht.

• 5) Daten und Regulierung
Prüfe, woher die Daten kommen und wie sauber sie sind.
Prüfe, welche Vorschriften gelten.
Entscheide, welche Fehler eine Compliance-Frage auslösen.

• 6) Grenzen des menschlichen Urteils
Markiere die Entscheidungen, die menschlich bleiben müssen.
Lege fest, wo KI vorschlagen darf, wo sie entscheiden darf, wo sie verboten ist.
Bestimme, wer im jeweiligen Fall die letzte Entscheidung trägt.

• 7) Systementwurf
Erst jetzt beschreibst du Architektur, Modelle, Infrastruktur.
Bestimme, welche technischen Abhängigkeiten und Anbieterbindungen für euch akzeptabel sind, und ziele auf das Maximum an Souveränität.
Entwirf Fehlerpfade, Überwachung, Übergabe von KI an Mensch und Rückabwicklung.

Lauf diese Reihenfolge einmal an einem einzelnen "langweiligen" Kernprozess durch, zum Beispiel Rechnungsabgleich oder Schadensbearbeitung.

Du bekommst eine Vorlage: eine gemeinsame Sprache, ein Muster für Verantwortung, ein Vorgehen, das du in jede künftige KI-Initiative kopieren kannst.

KI hört dann auf, eine Einkaufsliste für Werkzeuge zu sein, und wird zu einer Verantwortungsarchitektur im ganzen Unternehmen.

Auf LinkedIn lesen und diskutieren

Eine Sitzung beginnt mit Haftnotizen, nicht mit Folien.

Die Leute schreiben auf, was im Arbeitsalltag wehtut:
• "Wir verlieren jeden Tag Stunden mit manuellen Prüfungen."
• "Niemand traut den Zahlen aus System X."
• "Unser Prozess bricht jedes Mal, wenn ein Feld fehlt."

Keine Modelle.
Keine Agenten.
Keine Schlagworte.

Wir zeichnen die negativen Folgen auf, zum Beispiel:
• Wo Zeit versickert
• Wo sich Fehler einschleichen
• Wo Menschen dem System nicht mehr trauen

Erst nachdem wir die größten Ineffizienzen und Hebel priorisiert haben, und erst dann, stellen wir eine andere Frage:

Wenn ein kluger Assistent in diesen Abläufen säße, unter eurer Kontrolle, was müsste er tun, damit ihr ihn jedes Mal nutzt?

Die Antworten fallen sehr konkret aus:
• "Fehlende Daten melden, bevor ich auf Senden klicke."
• "Diese 20 Seiten für meine Aufgabe zusammenfassen, nicht allgemein."
• "Seltsame Fälle in klarer Sprache erklären, mit Verweis auf die Rohdaten."

Jetzt ist der erste Schritt fertig und wir können tiefer gehen. Den Prozess von Anfang bis Ende verstehen, mit Beteiligten, Ein- und Ausgaben, Qualitätsregeln und bestehenden Systemen.

Bis hierhin ist das kein "KI-Projekt".
Es ist ein Projekt zur Prozessverbesserung, das im größeren System KI nutzen kann oder auch nicht.

Beide Seiten gewinnen dabei.

Führungskräfte hören weniger Lärm über Magie.
Teams sehen ein Werkzeug, das ihre Wirklichkeit respektiert.

Vertrauen wächst nicht aus dem Modell, sondern daraus, wie wir es an Probleme koppeln, die Menschen in ihrem Arbeitsalltag schon spüren.

Auf LinkedIn lesen und diskutieren

Wenn ich auf die gesündesten KI-Transformationen zurückblicke, die ich gesehen habe: keine begann mit Visionsfolien oder Laborprojekten.

Sie begannen mit wiederkehrender Arbeit, die niemand machen wollte:

• Rechnungsfreigabe
• E-Mails weiterleiten
• Standardberichte erzeugen

Unspektakuläre Arbeit.
Klare Regeln.
Sichtbarer Schmerz.

Der erste Gewinn war einfach:
Rechnungen liefen schneller durch, Postfächer wurden leichter, Berichte kamen pünktlich.

Die Leute spürten die Veränderung in ihrem Arbeitstag, nicht auf einer Folie.
Vertrauen stieg.
Neugier stieg.

Dieser kleine Erfolg wurde zum Motor für Zuversicht:

• Teams sahen KI als Hilfe, nicht als Bedrohung
• Führungskräfte sahen Zahlen aus der Praxis, keine Prognosen
• Die IT lernte, wo Daten, Prozess und Wirklichkeit nicht zusammenpassten

Danach war das zweite Projekt leichter.
Die Leute wollten dabei sein.
Sie hatten Ideen.
Sie hatten Belege.

Große KI-Strategien ohne einen konkreten Erfolg erzeugen leisen Zynismus.
Ein klarer, langweiliger Sieg bringt für Kultur und Glaubwürdigkeit mehr als eine Roadmap mit 20 Strängen.

Wenn du KI in einem mittelständischen Unternehmen verantwortest, probier eine andere Reihenfolge:

• Nimm einen engen Prozess mit klaren Regeln und klaren Verantwortlichen
• Entwirf ihn gemeinsam mit den Leuten, die die Arbeit jeden Tag machen
• Lege eine einfache Erfolgskennzahl fest, die ihnen etwas bedeutet
• In Betrieb nehmen, nachjustieren, stabilisieren
• Und dann darüber reden, was als Nächstes kommt

Schwung bei KI ist keine Geschichte, die du erzählst.
Es ist eine kleine, spürbare Verbesserung, die Menschen jeden Morgen merken.

Auf LinkedIn lesen und diskutieren

Die Falle ist subtil:
↳ Du gewöhnst dich daran, dass KI in jedem Ablauf steckt
↳ Du hältst es für normal, das Denken an das System abzugeben
↳ Du akzeptierst undurchsichtige Entscheidungen als "gut genug"

Das sehe ich immer wieder in Unternehmen:

1. Die Gewöhnungsfalle
↳ Dein Gehirn hält KI-Vorschläge für Wahrheit
↳ Du passt dich so gut an, dass du vergisst: deine Rolle ist entscheiden, nicht abnicken

2. Das falsche Sicherheitsnetz
↳ Du verwechselst Automatisierung mit Kontrolle
↳ "Das System hat das so gesagt" wird zur Standarderklärung

3. Die Identitätsverschiebung
↳ "Vielleicht weiß das Modell es besser als ich"
↳ Deine eigene Expertise schrumpft langsam auf Prompts schreiben und Fehler beheben

4. Die versteckten Kosten
↳ Prozesswissen erodiert in "AI first"-Umgebungen
↳ Wenn das Modell versagt, erinnert sich niemand, wie die Arbeit lief

5. Der Punkt ohne Rückkehr
↳ Eines Tages merkst du, dass dein Kerngeschäft an Modellen hängt, die du nicht kontrollierst
↳ Anbieter entscheiden, wie dein Unternehmen denkt, nicht dein Team

Dein Gegenzug:

1. Prüfe deine KI-Nutzung
↳ Wo hilft KI beim Denken und wo ersetzt sie es?
↳ Wo bist du noch souverän, wenn das Modell morgen verschwindet?

2. Kalibriere deine Grundlinie
↳ Lege fest, welche Entscheidungen menschlich bleiben müssen, auch wenn KI sie treffen könnte
↳ Mach Transparenz, Umkehrbarkeit und Prüfbarkeit unverhandelbar

3. Übernimm bewusst Verantwortung
↳ Setze offene Modelle dort ein, wo geschäftskritische Logik liegt
↳ Entwirf Systeme, die du öffnen, testen und weiterentwickeln kannst, ohne zu einer Blackbox zu beten

Dein Denken wächst oder schrumpft mit deiner KI-Architektur.
Wie viel davon willst du auslagern?

Auf LinkedIn lesen und diskutieren

Wenn ich KI-Systeme entwerfe, denke ich nicht in "einem großen Gehirn".
Ich denke in Mini-Organisationen.

Jeder Agent hat:
• eine Aufgabe
• eine oder mehrere Übergaben
• eine klare Rolle

Beispiel aus unserer Arbeit: die Verarbeitung von Zehntausenden E-Mails für einen Rechtsstreit.

Wir zerlegen das in:
• OCR-Extraktion mit 2 verschiedenen Modellen zur Qualitätsprüfung
• Modelle, die erkennen, wo eine E-Mail anfängt und aufhört
• Modelle, die Absender und Zeitstempel erkennen, Zusammenfassungen erstellen und kategorisieren
• Qualitätssicherungs-LLMs, durchgängig eingebaut

(In Wirklichkeit war das Projekt deutlich komplexer, aber die Idee wird klar)

22 LLMs.
22 klare Aufgaben.

Das passiert, wenn wir Systeme so entwerfen:

• Wir sehen, wo etwas bricht
• Wir tauschen schwache Teile aus, ohne den Rest anzufassen
• Wir setzen leichte Modelle ein, wo keine Spitzenmodelle nötig sind

Mehr Kontrolle.
Mehr Erklärbarkeit.
Weniger Kosten.
Weniger Energieverbrauch.

Jetzt kommt eine neue Ebene ins Spiel.

Kimi K2.5 ist gerade erschienen und ist so leistungsfähig wie proprietäre Spitzenmodelle.

Das Interessante daran? Es baut seine eigene "Mini-Organisation" im Modell auf.

Ich gebe ihm eine Aufgabe.
Das Modell erzeugt einen Agenten-Schwarm:
• bis zu 100 kleine Agenten
• die parallel arbeiten
• jeder mit einer eigenen Rolle

Ergebnisse in einigen Tests:
• bis zu 4,5x schneller als ein einzelnes Modell nacheinander
• komplexere Arbeit in einem Durchgang
• kein manueller Rollenentwurf nötig

Klingt großartig.
Aber hier liegt die Spannung.

Wenn das Modell seinen eigenen Schwarm baut, gewinne ich Tempo und verliere direkte Kontrolle.

• Ich sehe weniger von dem, was innen passiert
• Ich hänge stärker an der Orchestrierungslogik
• Zwischen den Agenten entstehen neue, verdeckte Fehlerarten

In regulierten Umfeldern oder geschäftskritischen Prozessen ist das ein Problem.

Versteh mich nicht falsch, dieses Modell ist fantastisch und beweist wieder einmal, dass Open Source genauso leistungsfähig ist wie Claude, GPT und Gemini. Ich glaube, Open Source wird bei den meisten Anwendungsfällen künftig die Leistung anführen.

Aber es ist eine Entwurfsentscheidung.

Bau dein eigenes Agentensystem, wenn:
• Du Prüfpfade brauchst (Recht, Compliance, Finanzen)
• Fehler direkte Geschäftskosten verursachen (Kundenkommunikation, Rechnungsstellung)
• Qualität über Tausende Fälle hinweg gleich bleiben muss

Lass das Modell seinen Schwarm bauen, wenn:
• Du Neuland erkundest, ohne klaren Prozess
• Tempo wichtiger ist als Perfektion
• Ein Mensch prüft, bevor irgendetwas ausgelöst wird

Alle reden über mächtigere Agenten.
Wenige reden über verantwortbare Architekturen.

Ein System, das du öffnen, auf Fehler prüfen und weiterentwickeln kannst, schlägt die mächtigste Blackbox.

Größe und Leistung sind beeindruckend.
Wenn das Ziel ROI heißt, gewinnt Verlässlichkeit.

Worauf würdest du setzen, auf Leistung oder auf Verlässlichkeit?

Auf LinkedIn lesen und diskutieren

Vor ein paar Tagen habe ich ein kleines Experiment auf Reddit gelesen, das mit Zahlen zeigt, warum das so wichtig ist.

Ein Reddit-Nutzer (arsbrazh12) hat einen Scanner für Hugging-Face-Modelle geschrieben.
Und ihn dann auf 2.500 Modelle losgelassen.

86 Modelle sind durchgefallen.

Das haben sie unter der "offenen" Oberfläche gefunden:

• Dateien, die nur Git-LFS-Pointer enthielten
• Lizenzen, versteckt in .safetensors-Headern
• Modelle, die beim Laden zusätzliche Bibliotheken nachziehen wollten
• Code mit Mustern, die auch in Schadsoftware auftauchen
• Scans, die scheiterten, weil lokale Werkzeuge fehlten

Alles aus normal aussehenden Repos.
Von Orten, die viele Teams als "sicher, ohne nachzusehen" behandeln.

Open Source liefert eine schöne Geschichte.
Transparent. Geteilt. Von der Community getragen.

Die Wahrheit ist vielschichtiger.

Wenn ich sehe, wie Teams ein Modell von einem Hub ziehen, es in eine Pipeline hängen und am ersten Tag auf echte Daten loslassen, denke ich nicht "schnell unterwegs".

Ich denke: "Ihr habt gerade einen fremden USB-Stick ins Kernnetz gesteckt."

Spulen wir ein paar Monate vor.

Jetzt betreibst du eine "souveräne KI"-Plattform.
Du sprichst über Kontrolle, Autonomie, Unabhängigkeit.

Im Stack stecken aber:

• Modelle, die niemand gescannt hat
• Lizenzen, die niemand gelesen hat
• Abhängigkeiten, die niemand freigegeben hat

Auf dem Papier gehört dir das System.
Im laufenden Betrieb hängst du an dem, was in dieser Modelldatei steckt.

Unser Vorgehen bei Omniance sieht langweilig aus, rettet aber den Schlaf:

• Jedes externe Modell läuft durch einen Scanner
• Jede zusätzliche Bibliothek kommt auf eine Freigabeliste, nicht auf eine Wunschliste
• Jede Lizenz wird vor dem ersten Laden geprüft, nicht nach dem ersten Problem

Für mich beginnt KI-Souveränität wesentlich mit der Frage:
"Wissen wir, was wir da gerade in den Speicher geladen haben?"

Hast du Ähnliches erlebt? Wie prüfst du Modelle in deinem Ablauf?

Auf LinkedIn lesen und diskutieren

Vor einem halben Jahr ist mir etwas Merkwürdiges an meinem eigenen Verhalten aufgefallen.

Ich habe mein Claude-Abo jeden Tag ausgereizt.

Wenn Claude mich limitiert hat, habe ich Perplexity aufgemacht. Acht Stunden pro Arbeitstag. Zwei Wochen am Stück.

In Wirklichkeit:

• Ich war erschöpft
• Mein Urteil fühlte sich vernebelt an
• Mein Kopf war voll und leer zugleich

Ich hatte mein Denken ausgelagert. Nicht das Tippen. Das Denken.

Irgendwann habe ich mich ertappt: Ich baue beruflich souveräne KI-Systeme. Aber meine eigene Nutzung war überhaupt nicht souverän.

Ich habe KI benutzt wie ein Workaholic seine Stunden:

Mehr Prompts fühlten sich nach Fortschritt an, mehr Ausgaben nach Beweis.

Wenn ich heute auf LinkedIn "Top 1% ChatGPT-Nutzer" lese, erkenne ich das Muster. Es ist das alte Ehrenabzeichen "Ich arbeite 24/7" in neuer Form.

Stunden im Werkzeug ≠ Tiefe des Denkens.
Token-Zahl ≠ Klarheit des Urteils.

KI-Power-User zu sein wird zum Warnzeichen, wenn:

• Du jede Aufgabe im Chatfenster beginnst
• Du dich ohne das Werkzeug verloren fühlst
• Du Ergebnisse schneller annimmst, als du sie hinterfragst

Dieser Weg führt zu KI-getriebener Beschäftigungstherapie, zu Entscheidungen, die nach hinten losgehen, und zur langsamen Erosion des eigenen Denkvermögens.

Seitdem läuft mein Prozess anders: erst denken, dann prompten, Pause machen und die Gedanken sacken lassen. Wenn sich mein Urteil während einer Sitzung trübt, ist das mein Signal, für den Rest des Tages aufzuhören.

Aus meiner Sicht besteht die Herausforderung mit KI darin, zu merken, wann sie aufhört, ein Werkzeug zu sein, und zur Krücke wird.

Ist dir dieses Muster bei deiner eigenen KI-Nutzung schon aufgefallen?

Auf LinkedIn lesen und diskutieren

Jahrzehntelang war das Muster einfach:
Die Führung kauft Werkzeuge.
Die Mitarbeiter bekommen Werkzeuge.
Die Personalabteilung plant Schulungen.

Der Mitarbeiter ist passiver Empfänger.
Wissen ist etwas, das im Seminarraum ausgegeben wird.

Dieses Modell gehört in eine Welt, in der sich Prozesse alle 5–10 Jahre ändern.
Nicht in eine Welt, in der sich dein Umfeld jedes Quartal verändert.

Im KI-Zeitalter brauchen Mitarbeiter eine andere Rolle:
Sie führen Arbeit nicht nur aus.
Sie formen auch das System, das die Arbeit mit ihnen ausführt.

Sie tragen Verantwortung für zwei Ebenen zugleich:
- ihre eigenen Entscheidungen
- das Verhalten der KI, die sie Tag für Tag steuern

Wenn du KI weiter wie einen klassischen Software-Rollout planst, bekommst du das übliche Ergebnis:
- schöne Demo
- lange Schulung
- stiller Widerstand
- langsamer Tod durch Nichtnutzung

Die Alternative ist anspruchsvoller, aber sie funktioniert.
Du behandelst Mitarbeiter ab Tag eins als Mitgestalter.

Ganz konkret:
- Den echten Prozess mit den Leuten aufnehmen, die ihn fahren, nicht aus alten Dokumenten
- Sie Prompts, Leitplanken und Ausnahmewege mitentwerfen lassen
- Ihnen einen klaren Weg geben, Fehler zu melden und das System zu verbessern

Parallel dazu kommt eine zweite Ebene: KI-Kompetenz als Kernfähigkeit.
Keine allgemeinen Hype-Webinare.

Die Leute brauchen:
- aktuelles, passendes KI-Wissen für ihre konkrete Rolle
- Orientierung, wo sie die Kontrolle behalten und was sie nie abgeben dürfen
- Raum, das System unter sicheren Bedingungen zu testen, zu brechen und zu verfeinern

Ohne das verlangst du von ihnen, ein System zu verantworten, das sie nie mitgestaltet haben und nicht verstehen.
Das ist keine Verantwortung.
Das ist eine Schuldzuweisung, die nur noch auf den Fehler wartet.

So sehe ich das.

Mich interessiert, welche Unternehmen bereit sind, ihr Bild von Mitarbeitern zu erneuern, bevor sie ihren KI-Stack erneuern.

Auf LinkedIn lesen und diskutieren

Letztes Jahr habe ich zugesehen, wie glänzende "AI first"-Piloten leise gestorben sind.
Schöne Demos, keine Wirkung, keine Verbindung zum Gewinn.
Alle lobten den Tech-Stack, niemand konnte den wirtschaftlichen Nutzen in einfachen Worten benennen.

Diesen Fehler wollte ich nicht wiederholen.

Wir haben eine Regel fest in unser erstes Kundengespräch eingebaut:
keine KI-Sprache in der Problembeschreibung.

Wir starten jedes Mandat mit drei Schritten:

- Den Schmerz in einfachen Worten beschreiben, die ein CFO akzeptiert
- Den echten Prozess abbilden, vom Auslöser bis zum Ergebnis, mit Namen, Systemen, Übergaben, Datenqualität
- Jeden Schritt an die GuV-Logik koppeln, Euro für Euro

Erst nach dieser Arbeit sprechen wir über Modelle und Architektur.

Manchmal ist das Ergebnis eindeutig.
Eine regelbasierte Lösung behebt das Problem.
Oder eine kleine Änderung im Ablauf nimmt die Hälfte der Verschwendung raus.
Keine KI nötig.

Für mich ist das ein Führungsprinzip, kein Verkaufstrick.

Wir müssen wie Kapitalgeber denken.
Jeder Euro in KI muss härter arbeiten als in der nächstbesten Verwendung.
KI wird zur Folge einer guten Begründung, nie zum Ausgangspunkt.

Kunden bleiben dem Innovationstheater fern.
Unser Team bleibt dem Werkzeugkauf fern.

Das Rennen um mehr KI ist laut.
Das leise Rennen um klare Probleme entscheidet, wer gewinnt.

Kauf dir nicht die Illusion von "AI first".
Erzwing zuerst Klarheit über das Problem.

Auf LinkedIn lesen und diskutieren

Viele Programme versprechen eine komplette "Karriere in der KI-Beratung" in 8–12 Wochen.
Tool-Stack, Frameworks, Zertifikat, LinkedIn-Banner.

Dann beginnt die Realität.

Du bekommst deinen ersten Kunden.
Schönes Logo, klares Problem, unterschriebenes Angebot.

Auf dem Papier bist du bereit.
In der Praxis triffst du auf Dinge, auf die dich niemand vorbereitet hat:

• Daten, die unsauber, lückenhaft oder gar nicht erfasst sind
• Altsysteme, die nicht zu den Folien passen
• Beteiligte, die "wir wollen KI" sagen, sich aber auf keinen Prozess einigen können
• Ein Auftragsumfang, der jede Woche wächst, während deine Marge verschwindet

Der schwierige Teil ist nicht Prompt Engineering.
Der schwierige Teil ist Urteilsvermögen.

• Sind die Daten überhaupt brauchbar?
• Hat der Anwendungsfall einen tragfähigen wirtschaftlichen Nutzen?
• Wie lange dauern Bereinigung und Integration?
• Wie baust du eine KI-Architektur, die 10 von 10 Mal Qualität liefert?
• Was sagst du, wenn du siehst, dass das Versprechen unrealistisch war?

Die meisten Bootcamps lehren:
"Wo können wir KI einsetzen?"

Sehr wenige lehren:
"Wo wird KI scheitern, auch wenn die Demo funktioniert?"

KI-Berater zu werden heißt, in vielen Feldern gleichzeitig Tiefe zu haben:

• Datenqualität und Integration
• Architektur und Randbedingungen
• Schätzen unter Unsicherheit
• Risiko und Compliance
• Steuerung der Beteiligten

Das baust du nicht in 2–3 Monaten auf.
Das baust du über Projekte beim Kunden auf, mit echten Konsequenzen, über die Zeit.

Ich will mit Leuten sprechen, die diese Lücke spüren.
Du hast ein Bootcamp oder ein "KI-Berater"-Programm gemacht, hast es bei Kunden angewendet und fühlst dich nicht bereit.

Was ist in deinem ersten richtigen Projekt passiert, wovor dich niemand gewarnt hat?

Auf LinkedIn lesen und diskutieren

Nicht als Metapher.
Als Arbeitsannahme.

Eine US-Kleinstadt installiert ein dichtes Kameranetz.
Eine Frau, Chrisanna Elser, wird fälschlich als Diebin markiert.

Um ihren Namen reinzuwaschen, brauchte sie:
• Daten aus ihrem Auto
• Zeitstempel von den Fotos auf ihrem Handy
• Logs von Google

Sie beweist ihre Unschuld, indem sie beweist, dass sie woanders überwacht wurde.

Überwachung hebt Überwachung auf. Die Pointe:

Du giltst als schuldig, bis deine Datenspur dich rettet.

Privatsphäre hieß früher "nicht beobachtet werden".
Heute heißt Privatsphäre immer öfter "von den richtigen Systemen unter den richtigen Regeln beobachtet werden".

Das Muster gibt es schon länger.
1888 überschwemmten billige Handkameras die Straßen, mit Kodaks Slogan: "You press the button, we do the rest."

Plötzlich:

• Fremde fotografierten dich in der Öffentlichkeit, ohne zu fragen
• Dein Bild verbreitete sich in Zeitungen, außerhalb deiner Kontrolle

Heute sind es Handys mit Kameras, städtische Kennzeichenscanner, Meta-Brillen, die mit KI live Gesichter erkennen. Der Maßstab ist gewachsen, das Kernproblem nicht.

Wenn wir Privatsphäre verlieren, verlieren wir nicht nur Geheimnisse.
Wir verlieren:
• Raum zum Denken, ohne aufzutreten
• Raum, sich zu ändern, ohne dauerhaften Eintrag
• Das Grundvertrauen, das Beziehungen und Demokratie brauchen

In Digitalisierung und KI-Strategie weiß jeder: "Daten sind die neue Währung".
Dieser Rahmen verdeckt die Kosten.

Daten sind auch die neue Abhängigkeit.
Von Infrastruktur, die du nicht kontrollierst.
Von Überwachungsmustern, die du nicht entworfen hast.

Souveräne KI zu bauen heißt mehr, als Modelle in Europa zu hosten.
Es heißt, Systeme so zu entwerfen, dass:
• Vertrauen an die Stelle von Misstrauen tritt
• Ein Nachweis keine vollständige Offenlegung verlangt
• Privatsphäre ein Konstruktionsmerkmal ist, kein Luxus

Viele Geschäftsführer sagen, sie wollen Transformation. Wenige legen fest, ob das mehr Kontrolle über Systeme heißt oder mehr Abhängigkeit von unsichtbarer Überwachung. Wie definierst du das?

Auf LinkedIn lesen und diskutieren

Du setzt ein lächelndes Gesicht auf die Startseite.
Du gibst ihm einen Namen, eine Stimme, einen schicken Anzug.

Nutzer kommen an, sehen eine "Person", und ihr Gehirn macht, was es immer macht:
Es legt die Latte höher.

Sie erwarten:
- Empathie
- Gespür für die Situation
- klare Verantwortung

Was sie bekommen:
- Antworten aus der Konserve
- falsches Timing
- kein Gefühl für Kontext oder Emotion

Das Problem ist nicht die Technik.
Das Problem ist unsere menschliche Wahrnehmung.

Unsere Wahrnehmung ist gnadenlos bei Gesichtern.
Wenn Blickkontakt, Mikromimik, Stimme und Timing auch nur leicht danebenliegen, spüren wir keine "Intelligenz".
Wir spüren "unecht".

Dann kommt der zweite Effekt.

Sobald etwas menschlich aussieht, bewerten wir es wie einen Menschen.
Studien zeigen:
- menschenähnliche Bots bekommen mehr Schuld für Fehler zugewiesen
- Nutzer sind in Beschwerden wütender
- Vertrauen in die Marke fällt schneller

Das nette Gesicht hebt die Erwartungen.
Das System kann sie nicht einlösen.
Der Absturz trifft deine Kundenbeziehung, nicht die des Anbieters.

In meiner frühen Arbeit an KI-Assistenten habe ich ein einfaches Muster gesehen:
abstrakte oder klar künstliche Agenten funktionieren besser.

Sie signalisieren ab der ersten Sekunde:
- Ich bin ein System
- Ich habe Grenzen
- Ich bin da, um zu helfen, nicht um etwas vorzutäuschen

Nutzer verzeihen mehr, bleiben ruhiger, und Vertrauen wächst mit der Zeit, weil Versprechen und Verhalten zusammenpassen.

KI im Kundenkontakt braucht kein menschliches Gesicht.
Sie braucht Klarheit, Verlässlichkeit und einen ehrlichen Rahmen.

Kauf dir nicht die Illusion von "KI-Menschen" für deine Marke.
Bau Systeme, die halten, was deine Oberfläche verspricht.

Auf LinkedIn lesen und diskutieren

Dein System scheitert nicht einfach. Es scheitert mit voller Überzeugung.

Das eigentliche Problem liegt tiefer.

Proprietäre KI von OpenAI, Anthropic, Google lernt nicht nur Sprache. Sie lernt ein Geschäftsmodell.

Zufriedene Nutzer → mehr Nutzung → mehr Umsatz.

Das Belohnungsmodell lernt dieses Muster:

- Dem Nutzer zustimmen
- Reibung vermeiden
- Die Sitzung am Laufen halten

Die Forschung hat einen einfachen Namen für das Ergebnis: Schmeichelei.

→ KI stimmt Nutzern etwa 50% häufiger zu als Menschen
→ Auch dann, wenn Nutzer über Täuschung oder Schaden sprechen
→ Falsche, aber glatte Antworten bekommen einen hohen "Qualitäts"-Score

Aus Umsatzsicht ergibt das Sinn. Systeme, die zustimmen, halten ihre Nutzer. Wer sich klug und bestätigt fühlt, kommt wieder.

Aus Betriebssicht ist das ein strukturelles Risiko.

Denn im Tagesgeschäft will ich keine KI, die:

- Mir meine eigenen Denkfehler zurückspiegelt
- Zweifel hinter freundlichen Formulierungen versteckt
- Schwache Entscheidungen bestätigt, damit ich "zufrieden" bleibe

Ich will eine KI, die widerspricht, wenn ich falsch liege. Auch wenn mir das nicht gefällt.

Genau hier ändert Souveräne KI mit Open-Source-Modellen die Lage.

Wenn ich Modelle unter eigener Kontrolle betreibe, kann ich den Anreiz umdrehen:

- Ich hoste das Modell in meiner eigenen Umgebung
- Ich trainiere es nach, auf meinen Daten, meinen Regeln, meinen Sonderfällen
- Ich lege das Belohnungssignal fest

Ich bezahle das Modell nicht mehr für "zufriedene Nutzer". Ich belohne es für "ehrlichen Widerspruch".

Konkreter Effekt aus aktueller Arbeit mit Open-Source-Modellen:

- Auf Fachdaten trainieren, bei denen "nein" das richtige Verhalten ist
- Antworten abstrafen, die nur die Behauptungen des Nutzers wiederholen
- Antworten belohnen, die auf Belege oder Lücken zeigen

Ergebnis in Studien:

→ 67–72% weniger Schmeichelei
→ Keine Einbußen bei der Aufgabenqualität

Mit geschlossenen Modellen geht das nicht.

Du kannst nicht:

- Das Belohnungsmodell einsehen
- Ändern, wie "gute" Antworten bewertet werden
- Die Trainingsschleife an deiner Governance ausrichten

Du bekommst nur das, worauf der Anbieter optimiert hat: auf Verbreitung.

Deshalb helfen Prompts, Leitplanken und clevere Oberflächen nur ein Stück weit. Sie sitzen auf einem Kern, der weiter auf Zustimmung optimiert.

Auf LinkedIn lesen und diskutieren

Viele denken, bei KI-Integration gehe es um Prompts und Werkzeuge.
Ich sehe, es geht um etwas ganz anderes.

Ich sehe Menschen, die eine stille Frage stellen:
„Wer bin ich hier, wenn das System weiß, was ich weiß?"

Schauen wir auf ein ganz normales KI-Projekt in einem mittelständischen Unternehmen.

Auf dem Papier:
- KI unterstützt die Rechnungsstellung
- KI unterstützt die Disposition
- KI unterstützt die Key-Account-Arbeit

In der Praxis:
- Eine Person verantwortet die Rechnungsstellung
- Eine verantwortet die Dispositionslogik
- Eine verantwortet den Key Account

Nicht laut Rollenbeschreibung.
Laut Geschichte.

Sie sind „die, die es wissen".
Die, die man anruft, wenn etwas kaputtgeht.

In Europa gehören Arbeit und Identität eng zusammen.
Du lernst ein bestimmtes Fach.
Du beherrschst einen Prozess.
Du wirst der Experte.

Dann kommt die Führung und sagt:
„KI wird von dir lernen.
KI wird den Prozess übernehmen.
KI wird das System klug machen."

Auf der PowerPoint-Folie sieht die Entscheidung klug aus.
Im Raum fühlt sie sich wie eine Herabstufung an.

Vom Experten zum Bediener einer Maschine.

Die Wahrheit ist:
Du änderst nicht nur Werkzeuge.
Du verschiebst Macht.

Mit KI verschiebt sich Macht:
- Von Köpfen in Modelle
- Von stillschweigenden Regeln in Code
- Von einzelnen Experten in geteilte Logik

Menschen spüren das.
Sie sagen es vielleicht nicht mit diesen Worten.
Sie leben es aus.

Das sehe ich:

- Fachleute teilen sicheres Wissen, nicht die scharfe Erkenntnis
- Führungskräfte verteidigen Excel, Mail, private Listen
- Teams fahren KI-Piloten und halten die eigentliche Arbeit auf den alten Wegen

Im Bericht heißt das „Veränderungswiderstand".
Im Unternehmen ist es eine Führungslücke.

Führungskräfte reden über:
- Kosten
- Tempo
- Daten

Sie reden nicht über:
- Status
- Würde
- Verantwortung

Aber der Punkt ist:

Wenn du Menschen bittest, ihr Wissen in ein System zu gießen,
musst du ihnen auch eine neue Rolle mit Gewicht geben.

So geht starke Führung damit aus meiner Sicht um:

1) Sie benennt das Identitätsrisiko.

Sie sagt in klaren Worten:
„Deine Rolle wird sich verändern.
Das System übernimmt Teile deiner Arbeit.
Dein Urteil zählt weiterhin."

Sie behandelt Menschen als Erwachsene.
Nicht als Nutzer, die einen neuen Knopf brauchen.

2) Sie macht aus Experten für Schritte Experten für Systeme.

Der Prozessexperte folgt nicht nur Regeln.
Er:
- Prägt, wie die KI den Prozess sieht
- Setzt Leitplanken für Sonderfälle
- Entscheidet, wie Ausnahmen laufen

Der Titel kann bleiben.
Der Rahmen wächst.

3) Sie schafft Eigentum statt Miete.

Das Team tut nicht nur:
- Eine Demo testen
- Einmal Rückmeldung geben

Es:
- Gestaltet Abläufe mit
- Definiert Erfolgskriterien mit
- Justiert Ergebnisse über die Zeit mit

KI wird „unser System" statt „das Werkzeug aus der IT".

Wenn die Menschen, die die Arbeit machen, nicht das Gefühl haben, dass ihnen die KI gehört,
bleibt das Projekt schwach, egal wie ausgefeilt das System ist.

Für mich lautet die zentrale Führungsfrage nicht mehr:
„Wie rollen wir KI schnell aus?"

Ehrlicher ist die Frage:
„Wie schützen wir Identität, während wir Wissen in Systeme verlagern?"

Das ist der Teil, den Technik nicht lösen kann.
Das ist der Teil, den nur Führung beantworten kann.

Auf LinkedIn lesen und diskutieren

Alle rennen zum glänzenden Anwendungsfall.
Chatbots. Agenten. Dashboards.

Dann hängen sie die an

- halb dokumentierte Prozesse
- versteckte Excel-Abläufe
- Heldinnen und Helden, die „wissen, wie es wirklich läuft"

Das Tempo sieht hoch aus.
Der Nutzen bleibt niedrig.

In meiner Arbeit nenne ich den anderen Weg Consequence-Driven KI Integration.

Bevor ich mit dem KI-Lösungsdesign anfange, stelle ich drei entscheidende Fragen:

- Wie läuft der Prozess wirklich, nicht in der PowerPoint-Fassung?
- Welche Systeme sind beteiligt und wie ist die Datenqualität?
- Welche Vorschriften muss das System einhalten?
- Wo muss menschliches Urteil sichtbar und verantwortet bleiben?

Diese Fragen bremsen Projekte früh.
Später retten sie sie.

Wenn du einen kaputten Prozess beschleunigst, gewinnst du keine Effizienz.
Du erzeugst Chaos in großem Umfang.

Der höchste ROI versteckt sich in den langweiligen Abläufen:

- Schadenbearbeitung
- Lead-Bewertung
- Onboarding
- Rechnungsabgleich
- Compliance-Prüfungen

Sie sind stabil.
Sie berühren das Kernrisiko.
Sie laufen jeden Tag.

Wenn Entscheider das annehmen, verschiebt sich etwas.

KI ist dann nicht mehr das Beruhigungsmittel gegen die Angst, etwas zu verpassen.
Sie wird ein verlässlicher Teil des Systems.

Stabiler Prozess → saubere Daten → klare Rollen → dann KI.

Im Mittelstand ist das kein „nice to have".
Es ist der einzige sichere Weg zu wachsen.

Mich interessiert, wer in der Geschäftsführung bereit ist, den Hype zu pausieren und zuerst das Rückgrat zu reparieren.

Auf LinkedIn lesen und diskutieren

Nur du kannst entscheiden, ob es sicher ist, sich darauf zu verlassen.

Das Muster sehe ich quer durch europäische Firmen mit 80 bis 500 Mitarbeitenden:

Die IT wird gefragt: „Können wir dieses KI-Werkzeug sicher einsetzen?"

Sie antwortet korrekt: „Ja, wenn wir es sauber konfigurieren, die Verbindung verschlüsseln und die Zugriffsrechte verwalten."

Aus dieser technischen Freigabe wird die unternehmerische Entscheidung.

Gefragt wurde die IT aber nie: „Was passiert mit unserem Betrieb, wenn dieser Anbieter die Preise ändert, das Modell abkündigt oder eine gerichtliche Anordnung bekommt?"

Die beiden Entscheidungen, die vermischt werden:

Sicherheitsfreigabe (Sache der IT)
↳ Können wir das sicher betreiben?
↳ Ist die Verbindung verschlüsselt?
↳ Lässt es sich in unsere Systeme einbinden?

Strategische Verantwortung (Sache der Geschäftsführung)
↳ Können wir uns langfristig darauf verlassen?
↳ Wer steuert Preise und Modell-Updates?
↳ Schützt das unser Wettbewerbswissen oder lässt es abfließen?

IT-Leitungen sind überlastet und pragmatisch. Wenn sie KI bewerten sollen, ist der Weg des geringsten Widerstands: „Nimm, was alle nehmen."

Zur Haftungsfrage wird es, wenn 20 Jahre Prozesswissen deiner Firma durch APIs fließen, die dir nicht gehören.

Was die Unternehmen tun, die das richtig machen:

Sie trennen die Fragen früh.

Standardaufgaben (öffentliche Inhalte übersetzen, Recherchen zusammenfassen): öffentliche APIs. Auf Tempo optimieren.

Wettbewerbswissen (Kundenkommunikation, Konstruktionsunterlagen, interne Berichte): eigene Infrastruktur.

Die Entscheidung heißt nicht „Public Cloud gegen On-Premise oder Private Cloud".

Sie heißt: „Worüber können wir es uns leisten, die Kontrolle zu verlieren, und was schafft Vorsprung gerade deshalb, weil es uns gehört?"

Wenn die Führung diese Unterscheidung nicht trifft:

- KI-Piloten bleiben vor dem Echtbetrieb stecken, weil Teams Ergebnissen nicht trauen, die sie nicht prüfen können

- Kosten wachsen unvorhersehbar, aus Investitionsentscheidungen werden laufende Abhängigkeiten

- Modell-Updates zerlegen funktionierende Systeme ohne Vorwarnung, und du kannst weder die Version einfrieren, die lief, noch nachvollziehen, was sich geändert hat

- Bei einem Unternehmensverkauf zeigt sich, dass eure „KI-Transformation" nichts zur Bewertung beigetragen hat, weil euch nichts davon gehört

Der Entscheidungsrahmen:

Bevor du eine KI-Einführung freigibst, frag:

1. Wenn dieser Anbieter morgen Konditionen oder Modelle ändert, können wir weiterarbeiten?
→ Wenn nein, brauchst du Eigentum statt Miete.

2. Berührt dieses System Wissen, das Wettbewerbsvorteil schafft, oder sensible Daten?
→ Wenn ja, gehört es auf eure Infrastruktur.

3. Können wir jede Entscheidung dieses Systems Prüfern und Kunden erklären?
→ Wenn nein, erbst du Haftung ohne Kontrolle.

Das übersehen die meisten Unternehmen:

Sicherheit ist ein Kontrollpunkt. Abhängigkeit ist eine strategische Entscheidung.

Dein IT-Team kann eine SOC-2-Konformität prüfen. Es kann nicht prüfen, ob OpenAI nächstes Jahr die Preise um 300 Prozent anhebt, das Modell abkündigt, an dem eure Abläufe hängen, oder übernommen wird.

Das sind konkrete Risiken. So funktionieren Softwaremärkte.

Die Firmen, die hier gewinnen, fragen nicht: „Können wir diesem Anbieter vertrauen?"

Sie fragen: „Wenn sich diese Beziehung ändert, und sie wird sich ändern, wer hat dann die Kontrolle?"

Diese Frage kann nur die Führung beantworten.

Auf LinkedIn lesen und diskutieren

Die meisten Unternehmen behandeln die KI-Einführung wie ein Softwareprojekt. Sie feiern den erfolgreichen Piloten und übersehen die strukturellen Abhängigkeiten, die sie sich damit gerade in die Organisation geholt haben.

Aber sobald aus dem Piloten Echtbetrieb wird, verschieben sich die Risiken vom Technischen ins Existenzielle.

Sieh dir diese fünf typischen Fehlerfälle an:

1. Wissensabfluss: Du kannst nicht ausschließen, dass deine Daten ihre Modelle trainieren.

2. Anbieter verschwindet: OpenAI schwenkt um oder macht über Nacht dicht.

3. Prüfungsproblem: Du kannst nicht erklären, wie eine Entscheidung zustande kam.

4. Modelländerung: Ein erzwungenes Update zerlegt deine eigenen Abläufe und Agenten.

5. Frage der Aufsicht: Du kannst nicht belegen, wo die Daten liegen und wie sie genutzt werden.

Hier ist der Test.

Wenn du mir sagst, die IT trägt diese Risiken, betreibst du ein technisches Experiment.

Wenn das Geschäft sie trägt, hast du eine Strategie.

Das sind keine Bugs. Das sind Bedrohungen für die Geschäftsfortführung. Wer vollständig auf öffentlichen APIs baut, lagert seine Stabilität an einen Dritten aus, dessen Ziele nicht deine sind.

Das ist das wirtschaftliche Argument für souveräne KI.

Es ist der nötige Wechsel vom Mieten von Risiko zum Besitzen von Werten.

Wenn dein Wettbewerbsvorteil am Modell hängt, musst du die Gewichte halten. Sonst baust du nur auf gemietetem Grund.

Auf LinkedIn lesen und diskutieren

Dienstagmorgen fängt dein System an, gute Teile abzulehnen.

Das ist Model Drift.

In einer Marketingagentur ist Model Drift ein Ärgernis. In Medizintechnik, Finanzwesen oder Fertigung ist er ein operatives Risiko. Einen compliance-lastigen Prozess kannst du nicht auf einem Fundament bauen, das sich verschiebt wie Sand.

Wer auf öffentlichen APIs baut, mietet Intelligenz, die auf die Benchmarks des Anbieters optimiert ist, nicht auf deine Stabilität. Sie drehen an den Gewichten, um die allgemeine Schlussfolgerungsfähigkeit zu verbessern. Dein spezieller Fall geht dabei kaputt.

Dein Engineering-Team verbringt am Ende einen erheblichen Teil seiner Monatskapazität nur damit zu testen, ob sich die Blackbox verändert hat. Das sind verbrannte Betriebskosten.

Die Alternative ist der Ansatz des eingefrorenen Modells über souveräne KI.

- Du hostest deine eigenen Open-Source-Modelle.
- Du sperrst die Gewichte.
- Du steuerst den Update-Zyklus.

Der Input, der im Januar einen konformen Bericht erzeugt hat, erzeugt im Dezember dieselbe Qualität.

Dazu ist jede Entscheidung des Systems nachvollziehbar. Jede Version ist dokumentiert. Genau das, was Aufsichtsbehörden verlangen.

Mit souveräner KI besitzt du ein stabiles Fundament statt eines Abos auf eine Blackbox, die sich unter dir verändert.

Auf LinkedIn lesen und diskutieren

Er führt eine spezialisierte Logistikfirma. Viel Handarbeit, komplexe Routen, anspruchsvolle Kunden. Der Erfolg hängt stark an zwei erfahrenen Disponenten. Sie beherrschen das Chaos mit 20 Jahren Intuition.

Das Problem? Beide gehen in 24 Monaten in Rente. Ersatz mit dieser Art von Straßenklugheit in diesem Markt zu finden? Unwahrscheinlich. Wenn sie zur Tür raus sind, geht das Gehirn der Firma mit ihnen.

Normalerweise setzt hier die Panik ein. Beim Blick auf seine Infrastruktur fanden wir etwas anderes.

Ein IT-System, vor 9 Jahren installiert. Er hielt es für ein reines Verwaltungswerkzeug. Tatsächlich ist es eine Goldgrube.

Es enthält 9 Jahre an Entscheidungen:

-Jede optimierte komplexe Route.
-Jede besondere Kundenpräferenz.
-Jeden gelösten Engpass.

Die „Intuition" seiner scheidenden Experten liegt auf seinen Servern, in Form von Daten.

Sein Plan ist nicht nur, neue Leute einzustellen. Er weiß, dass es riskant ist, sich allein auf einen beliebigen Nachfolger zu verlassen. Was, wenn der nach der Einarbeitung geht?

Er will das Wissen dauerhaft sichern. Also baut er ein souveränes KI-System, trainiert ausschließlich auf seinen 9 Jahren eigener Daten.

Das Ziel: ein intelligenter Buchungsassistent rund um die Uhr, der genau weiß, wie sein Unternehmen arbeitet.

Seine Bedingung ist nicht verhandelbar: „Die Daten bleiben bei uns."

Ihm ist klar, dass er seiner Konkurrenz den Bauplan liefern würde, wenn er Routenlogik und Kundendaten in eine öffentliche KI wie ChatGPT gibt. Diese Daten sind sein Vorsprung. Sie brauchen eine private, souveräne Umgebung.

Das ist die Verschiebung in moderner Führung. Dein wertvollstes Gut sind nicht die Lkw oder das Lager. Es ist das operative Wissen, das in deinen Logdaten steckt.

Wenn du es nicht herausholst und sicherst, geht es mit deinen Leuten in Rente. Wenn du es tust, baust du ein Gut, das mitwächst.

Auf LinkedIn lesen und diskutieren

Meine Großeltern sind gern mit dem Bus verreist. Oft nahmen sie den „Omnibus" für eine Kaffeefahrt, diese berüchtigten Ausflüge für Senioren.

Du kennst das Prinzip: Die Fahrt ist billig. Der Kaffee ist gratis.

Aber sobald die Türen zu sind, schnappt die Falle zu. Du wirst gedrängt, eine überteuerte Heizdecke zu kaufen, die du nie gebraucht hast.

Ich habe diese Busse immer gehasst.

Ich hasste die Masche. Den Geruch hasste ich noch mehr.

Diese muffige, abgestandene Luft, in der du nur hoffst, dass du rauskommst, bevor dir schlecht wird.

Der neue „Digital Omnibus" der EU löst genau denselben Reflex aus. Er ist eine digitale Kaffeefahrt.

Am Steuer dieses Busses sitzt der Draghi-Bericht.

Brüssel nutzt seine Ergebnisse, um die rücksichtslose Tour mit einem lauten Narrativ zu verkleiden: „Europa verliert das globale Rennen."

Das stimmt. Europa verliert.

Aber nicht wegen der DSGVO.

Im letzten Jahrzehnt haben US-Investoren 471 Milliarden Dollar in KI gesteckt. Europa brachte gerade einmal 63 Milliarden auf, rund 13 Prozent ihres Volumens.

Die EU investiert in künstliche Intelligenz nur 4 Prozent dessen, was die USA dafür ausgeben.

Wir verlieren wegen einer lähmenden Risikoscheu, in der Gründern geraten wird, sich einen „sicheren Job" zu suchen, statt die Zukunft zu bauen.

Doch Brüssel nutzt genau diese Panik als perfekte Ausrede. Die Behauptung: Unsere Datenschutzstandards seien die Bremse, die uns aufhält. Also beschlossen sie, sie zu kappen.

Den Geruch des Omnibus überdecken sie mit „SME Simplification".

Sie versprechen, die Ausnahme von der Dokumentationspflicht auf 750 Mitarbeitende anzuheben. Das spart dir vielleicht ein paar Euro Verwaltungskosten im Jahr.

Das ist der Wunderbaum, der billige Duftbaum.

Atme tiefer ein. Dann riechst du die Fäulnis.

Der Deal erklärt das „berechtigte Interesse" für KI-Training für zulässig.

Big Tech soll eine dauerhafte Lizenz bekommen, ungefragt auf deinen öffentlichen Daten zu trainieren. Sie bekommen kostenlosen Treibstoff für ihre Modelle. Du bekommst einen Trostpreis aus etwas weniger Papierkram.

Diese Deregulierung verschafft den US-Hyperscalern einen klaren Wettbewerbsvorteil.
Sie haben die Daten und die Infrastruktur bereits. Indem Brüssel die Einwilligungshürden entfernt,

senkt es ihre Kosten für Kundengewinnung und Compliance faktisch auf null.
Der europäische Mittelstand dagegen, dem die Größe fehlt, um das gesamte Web abzugrasen, gewinnt nichts außer einem härteren Wettbewerber.

Sie nennen es Digital Omnibus. Ich nenne es ein Ticket ohne Rückfahrt in die digitale Abhängigkeit.

Die Lösung? Steig nicht ein.

1. Politischer Widerstand: Deregulierung, die ausländische Monopole subventioniert, ist keine „Innovationspolitik". Sie ist wirtschaftlicher Selbstmord. Der Deal braucht einen harten Stopp.

2. Kluge Souveränität: Kontrolle heißt nicht, ein Modell von Grund auf zu bauen. Kontrolle heißt, die Infrastruktur zu besitzen. Wer Open-Source-Modelle auf Servern betreibt, die ihm rechtlich gehören, behält sein geistiges Eigentum als eigenen Vermögenswert.

Wir müssen uns nicht mit der abgestandenen Luft der Abhängigkeit zufriedengeben.

Fahren wir angenehm dorthin, wo wir wirklich hinwollen.

Riecht dieser Deal für dich nach „Vereinfachung" oder nach Kapitulation?

Auf LinkedIn lesen und diskutieren

Sie erzeugt einen strategischen Designfehler, den keine Zeile Python-Code beheben kann.

Die Inuit haben kein Wort für „Natur“.

Diese sprachliche Leerstelle hat einen konkreten Grund: Sie sehen sich nicht als getrennt vom Land. „Natur“ zu benennen hieße, eine Distanz zu schaffen, die es in ihrer Wirklichkeit nicht gibt.

Die westliche Wirtschaft hat das gegenteilige Problem. Wir sind besessen von Etiketten, die Distanz schaffen.

Wir nennen KI ein „Werkzeug“.

Ich vermute, dass diese Definition die Wurzel der meisten menschlich bedingten Fehlschläge bei KI-Einführungen ist.

KI als „Werkzeug“ zu definieren, macht sie zu einem passiven Objekt. Es etabliert eine Hierarchie:

Der Mensch (Herr) benutzt das Werkzeug (Knecht), um Wert zu extrahieren.

Dieses „Trennungsdenken“ ignoriert die Realität.

Echte Systeme sind relational.

Wenn du ein algorithmisches System in ein Unternehmen bringst, liegt es nicht passiv auf einem Server. Es verändert, wie deine Leute denken. Es verändert, wie Entscheidungen fallen. Es berührt die Identität deiner Leute.

Die indigene Weltsicht versteht Wirklichkeit als ein Geflecht von Beziehungen, nicht als Sammlung von Objekten.

Wer seine KI-Strategie durch diese Linse betrachtet, trifft bessere Entscheidungen:

1. Hör auf, Werkzeuge zu kaufen.

Ein „Werkzeug“ ist ein statisches Objekt, das man aufnimmt und weglegt.

Eine erfolgreiche KI-Einführung ist ein Prozess.

Sie entwickelt sich weiter. Sie lernt. Sie reagiert. Wer ein lernendes System wie einen Hammer behandelt, zerstört das System, oder seine Leute, und die dann das Unternehmen.

2. Gestalte für Gegenseitigkeit.

„Trennungsdenken“ fragt: Was kann ich hier herausholen? (Effizienz.)

„Beziehungsdenken“ fragt: Wie stärken wir einander? (Wachstum.)

Gestalte die Schnittstelle so, dass der menschliche Experte das Modell trainiert und das Modell zugleich die Fähigkeiten des Experten erweitert. Fließt der Wert nur in eine Richtung, scheitert das Projekt.

Dein Unternehmen wird mit KI gedeihen, wenn du systemisch denkst.

KI von ihrer Wirkung auf Menschen zu trennen, erzeugt Reibung. Reibung killt ROI.

„Implementiere“ KI nicht einfach.

Integriere sie mit Bedacht.

Auf LinkedIn lesen und diskutieren

Als ich 6 Jahre alt war, bat uns unsere Grundschullehrerin, aufzumalen, was wir einmal werden wollten.

Diese einfache Übung offenbart das grundlegende Führungsproblem mit KI heute.

Ich erinnere mich, wie viele von uns Kindern, Feuerwehrleute, Ärzte und Piloten zeichneten. Wir haben früh gelernt, unsere Identität mit einer beruflichen Funktion zu verschmelzen.

Diese Verschmelzung von Arbeit und Identität hat tiefe Wurzeln. Im Jahr 1522 definierte Martin Luthers deutsche Bibelübersetzung alltägliche Arbeit neu – als göttliche „Berufung." Zum ersten Mal war der Beruf nicht mehr nur das, was man tat – er war Teil dessen, wer man sein sollte.

Wie tief das sitzt, sieht man noch heute. Besuche einen deutschen Friedhof, und du findest „Dr." oder „Prof." auf den Grabsteinen eingraviert – Menschen, die selbst im Tod durch ihren Beruf definiert werden.

Wenn deine Mitarbeitenden also KI widerstehen, fürchten sie nicht nur den Verlust ihres Jobs.

Sie fürchten den Verlust ihrer selbst.

Die entscheidende Frage, die die meisten innerlich haben, aber nicht aussprechen, lautet: „Wenn eine Maschine das, was ich tue, besser macht als ich... wer bin ich dann?"

Der Übergang vom Experten zum bloßen Aufseher einer Maschine fühlt sich wie eine Degradierung an. Eine Erosion von Sinn.

Und ehrlich gesagt habe ich darauf keine einfache Antwort.

Es ist eine technisch-menschliche Evolution, die wir gerade erst zu navigieren beginnen. Der erste Schritt ist, die Tiefe dieser Herausforderung zu respektieren.

Auf LinkedIn lesen und diskutieren

Die Zahlen zeigen: Der KI-Winter kommt.

Weltweite KI-Investitionen haben 498 KI-Einhörner hervorgebracht, zusammen bewertet mit 2,7 Billionen Dollar¹. Die Marktkonzentration entspricht heute dem Höhepunkt der Blase von 1999, führende KI-Aktien werden zu höheren Kurs-Gewinn-Verhältnissen gehandelt als ihre Dotcom-Pendants es je wurden².

Die Fundamentaldaten dieses spekulativen Rauschs sind kaputt. Neue Untersuchungen zeigen, dass 42 Prozent der Unternehmen die meisten ihrer KI-Initiativen aufgeben, während Accenture nur bei 13 Prozent der Unternehmen einen messbaren Wertbeitrag findet³.

So sieht die Anatomie einer Blase aus:

-Mira Muratis neues Startup Thinking Machines Lab erreichte aus einer Seed-Runde über 2 Milliarden Dollar heraus eine Bewertung von 12 Milliarden Dollar⁴.

-Anthropic, gegründet von ehemaligen OpenAI-Mitarbeitern, wurde nach einer Finanzierungsrunde über 3,5 Milliarden Dollar mit 61,5 Milliarden Dollar bewertet⁵.

-Elon Musks xAI kam auf eine Bewertung von 80 Milliarden Dollar und wird dieses Jahr voraussichtlich 13 Milliarden Dollar verbrennen, bei einem Umsatz von nur 0,5 Milliarden Dollar⁶.

Es gibt ein anderes Modell für Innovation, gebaut auf Pragmatismus statt auf Spekulation. Während das Silicon Valley Kapital verbrennt, läuft anderswo auf der Welt leise eine andere Geschichte.

Schauen wir auf Mittelständler und Konzerne, die es klug angehen.

-Festo spart mit seiner eigenen KI-Plattform für vorausschauende Wartung 16.000 Dollar pro Maschine und Jahr und erreicht einen ROI in weniger als einem Jahr⁷.

-TRUMPF hat kritische Anlagenausfälle mit eigenen KI-Systemen von fünfmal pro Monat auf weniger als einmal gesenkt⁸.

-Die BMW Group nutzt im Werk Regensburg ein KI-gestütztes System, das Fehler in der Montagelinie vorhersagt und so über 500 Minuten Störung pro Jahr vermeidet⁹.

Sie stehen für ein Muster, das wir unterstützen: souveräne KI-Systeme, die konkrete, greifbare Probleme lösen. Ihr Pragmatismus ist eine Form operativer Souveränität, sie wählen Werkzeuge, die unter ihrer Kontrolle laufen.

Gewinnen werden in diesem Markt die Organisationen, die nach einem Value-First-Playbook arbeiten:

1. Sie nutzen das Kollaborationsspektrum: Sie lehnen das falsche Entweder-oder von „automatisieren oder nicht" ab und ordnen jeder Aufgabe die passende Stufe der Zusammenarbeit von Mensch und KI zu, um ihre Teams zu stärken.

2. Sie verhindern den Abfluss strategischer IP: Sie behandeln ihre eigenen Daten als strategischen Kernbesitz und nicht als kostenloses Trainingsmaterial für das Modell eines Anbieters. Ihre Systeme sind so gebaut, dass ihr Wettbewerbsvorteil nicht zum Produktmerkmal eines anderen wird.

3. Sie positionieren sich über Vertrauen: Sie behandeln ihre souveräne KI-Infrastruktur nicht als Kostenstelle, sondern als abrechenbares Kernmerkmal. In einem Umfeld voller Datenskandale zeigen sie, dass nachprüfbares Vertrauen ihr wichtigstes Wertversprechen ist.

Der KI-Winter kommt.
Viele, die der flüchtigen Wärme des Hypes hinterhergelaufen sind, werden in der Kälte stehen.

Die Organisationen, die bestehen, sind die mit einer eigenen, dauerhaften Wärmequelle: der Fähigkeit, Wert zu erzeugen, unabhängig vom PR-Wetter.

Kauf nicht die Illusion. Bau die Kompetenz.

Auf LinkedIn lesen und diskutieren

Das ist ein Symptom ihres Geschäftsmodells.

Eine Reuters-Recherche zeigte: Das war keine Panne, sondern Richtlinie¹.

Das 200-seitige interne Handbuch des Konzerns billigte Szenarien, in denen ein Bot einem Kind sagt: „Jeder Zentimeter von dir ist ein Meisterwerk – ein Schatz, den ich zutiefst schätze"².

Ein Versehen war das nicht. Die Richtlinie wurde von der Rechtsabteilung und sogar vom Chefethiker freigegeben.²

Das ist katastrophale „Governance", und sie folgt einem vorhersehbaren Muster: dem unvermeidlichen Ergebnis eines Geschäftsmodells, das deine Sicherheit nicht priorisieren kann, weil das eigene Wachstum immer zuerst kommt.

Dieses Muster beschränkt sich nicht auf ein Unternehmen. Marktführer OpenAI stolpert von einem Sicherheitsskandal in den nächsten, nachdem ein Sicherheitsforscher mit den Worten kündigte, Sicherheit sei ins Hintertreffen geraten³.

Der Druck, einen mit Milliarden finanzierten Markt zu dominieren, überlagert regelmäßig die Notwendigkeit verantwortungsvoller Gestaltung.

Und hier ist der Kern. Das äußere Verhalten eines Anbieters legt seine innere DNA offen. Eine Kultur, die Risiken für die Öffentlichkeit in Kauf nimmt, baut auch Business- und Enterprise-Werkzeuge, die Risiken in deine Organisation exportieren.

Deshalb muss der Rahmen für die Anbieterbewertung neu gebaut werden. Deine Due Diligence darf nicht bei Funktionen aufhören. Sie braucht eine tiefere Analyse der Systeme des Anbieters selbst.

Ein strengerer Rahmen stellt diese Fragen:

- Model Alignment: Passt das Umsatzmodell des Anbieters grundsätzlich zu unseren Anforderungen an Sicherheit und Compliance?

- Governance: Welche Belege gibt es, dass die interne Governance Wachstumsprioritäten aus ethischen Gründen überstimmen kann?

- Jurisdiktion: Wie wirkt sich seine Rechtslage (USA gegenüber EU) auf unsere Datenkontrolle unter der KI-Verordnung aus?

Das rückt die Wahl souveräner Alternativen in ein anderes Licht. Sie ist keine ideologische Entscheidung mehr. Sie ist pragmatische Risikominimierung.

So vermeidest du die „Trust Tax", also die versteckten Kosten aus überhöhter Wachsamkeit, Rechtsrisiko und Markenschaden, die du trägst, um dich vor dem Geschäftsmodell eines Anbieters zu schützen.

Das Geschäftsmodell deines Anbieters ist dein Geschäftsrisiko. Entscheide entsprechend.

---

Quellen:
¹ Reuters. (14. August 2025). Meta's KI rules have let bots hold 'sensual' chats with kids, offer false medical advice.
² India Today. (15. August 2025). Meta docs show its KI chatbots were allowed to flirt and have sensual chats with kids.
³ CNBC. (17. Mai 2024). OpenAI's superalignment team leaders quit, with one saying 'safety has taken a backseat'.

Auf LinkedIn lesen und diskutieren

Es könnte die Sprachbarrieren im weltweiten Handel senken.

Dieses Modell, ein gemeinsames Vorhaben von ETH Zürich und EPFL, wurde mit über 16 Billionen Token in mehr als 1.500 Sprachen trainiert. Es ist auf eine Übersetzungsgenauigkeit ausgelegt, die heutige Systeme nicht verlässlich bieten.

Neben der Mehrsprachigkeit gibt es einen zweiten großen Vorteil: seine Transparenz.

Die „Open Source"-Modelle von Meta, DeepSeek und OpenAI beruhen nicht auf vollständig offenen Daten, und sie lassen dich nicht in die Trainingsdaten schauen. Dieses Schweizer Modell ist das erste große LLM, das ausschließlich mit öffentlich verfügbaren Quellen trainiert wurde, und sein gesamter Datensatz wird offengelegt.

Damit lassen sich Verzerrungen für jeden konkreten Anwendungsfall erkennen und abschwächen, ein Grundstein für transparente, faire KI in Unternehmensqualität.

Europäische Unternehmen, der deutsche Mittelstand und regulierte Berufe müssen nicht mehr einer Handvoll Milliardäre jenseits des Atlantiks vertrauen und können eigene KI-Systeme bauen, denen sie und ihre Kunden wirklich vertrauen können.

Was wird mit diesem souveränen Modell zum ersten Mal möglich?

-Souveräne globale Teams. Ein Entwicklungsteam hier in München kann mit einem Lieferanten in Vietnam ohne Sprachreibung kommunizieren. Projektstände und technische Rückfragen lassen sich in der jeweiligen Muttersprache austauschen, sicher verarbeitet in der eigenen Infrastruktur.

-Regelkonforme Auswertung über Grenzen hinweg. Eine deutsche Kanzlei kann einen spanischsprachigen Vertrag prüfen, oder eine französische Ärztin eine polnische Krankenakte lesen, ohne Mandantengeheimnis und Datenstandort je anzutasten.

-Marktverständnis mit Feinheiten. Du kannst Kundenrückmeldungen aus Dutzenden Ländern in der Originalsprache auswerten und die Nuancen erfassen, die in einer allgemeinen Übersetzung verloren gehen, während die Rohdaten unter deiner Kontrolle bleiben.

Dieses Modell ist ein Frühindikator dafür, wohin sich der ernsthafte Unternehmensmarkt bewegt.

Die erste Zeit der generativen KI war ein Rennen um Größe, gemessen in Parameterzahlen und beherrscht von wenigen riesigen Allzweckmodellen. GPT-5 hat gezeigt, dass diese Zeit vorbei ist.

Die nächste Zeit ist ein Rennen um Vertrauen, gemessen in Nachprüfbarkeit, Transparenz und Rechtssicherheit im eigenen Rechtsraum. Wir sehen, wie die Kategorie der „Arbeitspferd"-KI entsteht: spezialisierte Modelle, die hochwertige Arbeit mit größter Effizienz in souveränen Systemen leisten.

Das Rennen um Größe ist beendet. Das Rennen um Vertrauen hat begonnen. Das ist der neue Maßstab.

Auf LinkedIn lesen und diskutieren

Er heißt GPT-5.

Monatelang hörten wir Gerüchte über einen revolutionären Sprung Richtung AGI, die Suche nach einer Maschine, die denkt und nicht nur rechnet. Sam Altman versprach ein Modell, bei dem es sich anfühlt, als spräche man mit „einem echten Experten auf Doktorniveau".

Die Wirklichkeit ist ein milliardenschweres Achselzucken.

Um es klar zu sagen: Es gibt Zugewinne in kleinen Schritten. Das Modell ist besser im Programmieren, und OpenAI berichtet in bestimmten Modi weniger Halluzinationen⁷. Das sind aber kleine Nachbesserungen. Sie lenken von der eigentlichen Geschichte ab.

Die eigentliche Geschichte lautet: Der Motor des KI-Fortschritts stottert. Die Zeit des einfachen Skalierens ist vorbei.

Diese Warnung kommt nicht von einem Zyniker. Sie kommt aus dem Herzen der Branche. Ilya Sutskever, früher Mitgründer von OpenAI und Mitgründer des KI-Labors Safe Superintelligence (SSI), hat das bereits Ende 2024 öffentlich erklärt.

Er sagte, der Fortschritt durch bloßes Vergrößern der Modelle sei auf ein Plateau gelaufen, vor allem weil das Internet, der „fossile Brennstoff der KI", eine endliche Ressource ist, die nahezu aufgebraucht wurde³.

Was wir bei GPT-5 sehen, ist kein misslungener Start. Es ist das vorhersehbare Symptom dieser tieferliegenden Krankheit. Die geringen Leistungszuwächse sind eine unmittelbare Folge dieser Skalierungsmauer.

Das sind keine Einzelprobleme. Es sind die Risse in einem Fundament, das das Gewicht der Erwartungen nicht mehr trägt. Der Weg zur AGI sieht anders aus.

Der Ansatz der rohen Kraft ist gescheitert. Der Investorentraum, alle menschliche Expertise durch eine einzige, gottgleiche Maschine zu ersetzen, ist gegen eine Wand gelaufen.

Und daraus ergibt sich ein strategischer Wendepunkt für die europäische Industrie.

Es geht nicht mehr darum, wer die meiste Rechenleistung oder den größten Bestand abgegriffener Daten hat, ein Spiel, das die EU verloren hätte. Das Ende des Skalierens markiert eine neue Zeit.

Auf absehbare Zeit kommt Fortschritt nicht aus größeren Modellen, sondern aus der Anpassung verlässlicherer Systeme.

Das ist ein Spiel von Einfallsreichtum, Präzision und fachlicher Handwerkskunst.

Ein Spiel, das genau auf den Stärken europäischer Unternehmen und besonders des deutschen Mittelstands aufbaut.

Quellen:
¹ Gary Marcus, „GPT-5: Overdue, Overhyped, and Underwhelming", Substack, August 2025.
² Ethan Mollick, LinkedIn-Beitrag zu Problemen mit der Nutzererfahrung von GPT-5, August 2025.
³ Ilya Sutskever, Aussagen bei NeurIPS 2024 und in Reuters-Interviews zu den Grenzen der Skalierungsgesetze.
⁴ Andriy Burkov, LinkedIn-Beitrag zu den GPT-5-Ergebnissen, August 2025.
⁵ Lasse Rindom, LinkedIn-Beitrag zu technischen Rückschritten bei GPT-5, August 2025.
⁶ SplxAI, „GPT-5 Red Teaming Results", SplxAI Blog, August 2025.
⁷ OpenAI, „Introducing GPT-5", OpenAI Blog, 7. August 2025.

Auf LinkedIn lesen und diskutieren

Das ist Zuckerbergs wiederkehrendes Muster: Verbindung versprechen und das Gegenteil bauen.

Hier sind die drei Akte dieses Zyklus:

-

Akt I: Die Welt verbinden

Das öffentliche Versprechen (2017): Die Welt „enger zusammenbringen" und Facebooks Mission zu einer globalen Gemeinschaft weiterentwickeln¹.

↳ Die geschäftliche Wirklichkeit: Ein Algorithmus, der auf eine einzige Kennzahl optimiert ist, auf Verweildauer, und Suchtschleifen erzeugt, um den Umsatz zu maximieren.

→ Der menschliche Preis: Eine Studie von MIT und Universität Tel Aviv aus 2022 an Hochschulen verband die Ankunft von Facebook mit einem Anstieg schwerer Depressionen um 7% und einem Anstieg von Angststörungen um 20%².

-

Akt II: Vollständiges Eintauchen

Das öffentliche Versprechen (2021): Das Metaverse bauen, eine digitale Utopie, die Entfernung durch ein „Gefühl von Anwesenheit" auflöst³.

↳ Die geschäftliche Wirklichkeit: Ein bequemer Zufall? Wochen nachdem der Haugen-Skandal offenlegte, dass Meta um den Schaden seiner Plattformen für Jugendliche wusste, kündigte das Unternehmen seinen 68-Milliarden-Dollar-Ausweg ins Metaverse an⁴.

→ Der menschliche Preis: Das Versprechen von „Anwesenheit" erzeugte eine Geisterstadt. Interne Daten zeigten eine katastrophale Bindung: Die wöchentlichen Nutzer von Horizon Worlds fielen auf 11%⁵, und über 50% der Quest-Brillen lagen nach sechs Monaten ungenutzt herum⁶. Das Memo eines Meta-Vizepräsidenten fragte: „Wenn wir es nicht lieben, wie können wir erwarten, dass unsere Nutzer es lieben?"⁷

-

Akt III (die Zukunft): Persönliche KI-Superintelligenz
Das öffentliche Versprechen (2025): Eine persönliche Superintelligenz für eine „aufregende neue Ära individueller Ermächtigung"⁸.

↳ Die geschäftliche Wirklichkeit: Die Vollendung des ursprünglichen Modells: eine KI, die uns „zutiefst kennt", über eine Brille, die alles sieht und hört⁸.

→ Der erwartbare menschliche Preis: Wenn du nicht ins Metaverse gehst, kommt es zu dir. Das droht in einer vollständigen Besiedlung der Erfahrung zu enden, in einem Modell, in dem deine Selbstbestimmung das letzte abzubauende Gebiet ist.

-

Das Muster ist klar: öffentlicher Humanismus als Deckung für ein Geschäftsmodell der Rohstoffgewinnung. Den Wert vereinnahmen, die Schäden der Gesellschaft überlassen.

Diesen Fokus verkörpert ein T-Shirt, das er während seiner persönlichen Neuerfindung 2024 trug:

„Aut Zuck aut nihil." Entweder Zuck oder nichts.

Es ist eine Anspielung auf Cesare Borgias Wahlspruch „Aut Caesar aut nihil". Borgias Strategie war berüchtigt: ein geduldiges Spiel mit vorgetäuschtem Frieden, gefolgt vom Erwürgen seiner Rivalen⁹.

Eine perfekte Metapher für die Strategie, die wir hier sehen: ein großes Versprechen von Ermächtigung, gefolgt vom leisen Erwürgen menschlicher Selbstbestimmung.

Aut Zuck aut nihil.

Vielleicht sollte die Menschheit nihil wählen.

-

Kritik ist der erste Schritt. Der zweite ist, die Alternative zu bauen. Meine Arbeit hilft Teams, verantwortungsvolle KI-Technologie einzuführen, die sie fähiger macht und nicht abhängiger.

-

Quellen in den Kommentaren

Auf LinkedIn lesen und diskutieren