KI nutzen vs. um sie herum bauen: Wo ist die Grenze?

Wir verwenden das Wort KI, um allerlei verschiedene Dinge zu beschreiben, vom Gespräch mit ChatGPT im Browser bis hin zum Betrieb ganzer Unternehmen, deren Abläufe in ihrer jetzigen Form ohne Sprachmodelle schlichtweg nicht mehr existieren könnten. Wo liegt die Grenze zwischen dem Einsatz von KI‑Automatisierung und KI, die im Kern eines Unternehmens steht? Wann tritt ein grundlegender Wandel ein? Und am wichtigsten: Sollten Unternehmen überhaupt danach streben, KI in den Mittelpunkt zu stellen?

Wann ist ein Unternehmen KI‑native?

Heute, selbst wenn das Management nie eine KI‑Transformation angekündigt hat, nutzen Mitarbeitende bereits Gemini, um Informationen zu suchen, ChatGPT, um eine E‑Mail zu schreiben, Grok, um einen Bericht zu erstellen, Claude, um ihren Code zu schreiben, und so weiter. Der Zugang zu LLM‑Tools ist so verbreitet geworden, dass deren bloße Nutzung kaum noch etwas über das Unternehmen selbst aussagt.

Für mich gibt es einen viel einfacheren Test: Was passiert, wenn man KI ausschaltet?

Nehmen wir ein Unternehmen für Buchhaltungssoftware. Seine Entwickler können KI nutzen, um Funktionen zu schreiben oder das Produkt zu warten. Schaltet man diese Werkzeuge morgen ab, werden die Ingenieure wahrscheinlich langsamer arbeiten. Die Software wird jedoch weiterhin existieren, Buchhalter werden sie weiterhin nutzen und Kunden werden weiterhin dafür zahlen. KI verbessert die Arbeitsweise des Unternehmens, aber das Geschäft selbst ist nicht von ihr abhängig.

Stellen Sie sich nun ein Bank‑Callcenter vor, das einst zehntausend Mitarbeitende beschäftigt haben könnte. Die erste Generation von KI in diesem Umfeld funktionierte fast wie ein Hinweisgeber, der neben dem Operator sitzt: Sie hörte dem Gespräch zu, verstand das Problem und schlug eine Antwort vor. In vielen Fällen ist dieser Hinweisgeber inzwischen selbst zum Agenten geworden. Ein Kunde sagt, er sei mit dem falschen Betrag belastet worden; das System prüft die Aufzeichnungen, sichtet die relevanten Daten, identifiziert das Problem und löst es manchmal, ohne eine Person einzubeziehen. Ein Mensch greift nur ein, wenn der Fall eskaliert werden muss.

Das ist ein völlig anderes Verhältnis zur Technologie. Das Buchhaltungsunternehmen wird ohne KI weniger effizient. Das Callcenter muss möglicherweise einen großen Teil seines Betriebsmodells neu aufbauen. Dieser Unterschied kommt dem, was ich unter KI‑native verstehe, viel näher als die Anzahl der KI‑Abonnements eines Unternehmens oder ob „KI“ auf seiner Startseite erscheint.

Wo ist das am deutlichsten sichtbar?

Einige Unternehmen haben ihr Geschäft darauf aufgebaut, anderen bei diesem Übergang zu helfen. Cohere ist ein gutes Beispiel: Das kanadische Unternehmen entwickelte sich zu einem bedeutenden Unternehmen, indem es Unternehmen dabei unterstützte, von traditioneller Software und Arbeitsabläufen zu KI zu wechseln. In anderen Branchen ist KI jedoch bereits so tief im Produkt verankert, dass es fast unmöglich wird, die beiden zu trennen.

Selbstfahrende Autos sind wahrscheinlich das klarste Beispiel. Wenn von einem Auto erwartet wird, die Straße zu sehen, Objekte zu erkennen, zu verstehen, was um es herum geschieht, und eigenständig Entscheidungen zu treffen, dann kann man KI nicht entfernen, ohne die Grundidee des Produkts zu entfernen.

Medizin und Pharmazeutika verdeutlichen denselben Punkt auf andere Weise, insbesondere in der Wirkstoffforschung. Ein herausragendes Beispiel dafür, was das in großem Maßstab bedeuten kann, ist DeepMinds Arbeit an Proteinstrukturen.

Die Protein Data Bank wurde 1971 gegründet, und es dauerte Jahrzehnte wissenschaftlicher Arbeit weltweit, um eine große Sammlung experimentell bestimmter Strukturen aufzubauen. Die Datenbank überschritt 1,000 Strukturen im Jahr 1993, 10,000 um das Jahr 2000 und 100,000 im Jahr 2014. Bis Januar 2023 hatte sie 200,000 experimentell bestimmte biomolekulare Strukturen überschritten. Mit anderen Worten, nach rund sechs Jahrzehnten struktureller Biologie hatten Forschende etwa zweihunderttausend experimentell bestimmte Strukturen angesammelt.

Dann kam AlphaFold, DeepMinds System zur Vorhersage der dreidimensionalen Struktur eines Proteins aus seiner Aminosäuresequenz. Im Jahr 2022 stellte AlphaFold mehr als 200 Millionen vorhergesagte Proteinstrukturen zur Verfügung, die fast jedes katalogisierte Protein abdeckten, das der Wissenschaft zu diesem Zeitpunkt bekannt war. Das bedeutet nicht, dass KI „jedes existierende Protein entdeckt hat“. Es handelt sich um vorhergesagte Strukturen, die auf bereits bekannten Aminosäuresequenzen basieren. Doch der Unterschied im Maßstab bleibt enorm.

Die Bedeutung dieses Wandels wurde 2024 noch deutlicher, als Demis Hassabis und John Jumper von Google DeepMind die Hälfte des Nobelpreises für Chemie „für die Vorhersage von Proteinstrukturen“ erhielten. Die andere Hälfte ging an David Baker für computergestütztes Protein‑Design. Etwas, das noch vor wenigen Jahren wie ein beeindruckender KI‑Durchbruch wirkte, wurde schnell als grundlegender Fortschritt in der modernen Biologie anerkannt.

DeepMind ist das globale, medienwirksame Beispiel, aber KI‑first Medizinstartups sind nicht mehr ungewöhnlich. Während meiner Jahre bei Keymakr arbeitete unser Team an Projekten, die von Zahnmedizin und Ultraschallbildgebung bis hin zur interventionellen Kardiologie reichten, bei denen Modelle trainiert wurden, Herzklappen, die Aorta und andere Strukturen während Eingriffen zu erkennen. Wir arbeiteten auch an neurochirurgischen Projekten, bei denen Modelle lernten, Hirngewebe, Blutgefäße, chirurgische Instrumente und das Operationsfeld zu unterscheiden. In all diesen Fällen war KI kein zusätzliches Feature, das dem Produkt hinzugefügt wurde; sie war das Produkt selbst.

Von Proteinstrukturen zu einer Kaltakquise-E-Mail

Das gleiche passiert in viel alltäglicheren Bereichen des Geschäfts. Vertrieb und Marketing gehören wahrscheinlich zu den am schnellsten voranschreitenden Beispielen: Arbeit, die früher Stunden dauerte, kann jetzt hunderte oder tausende Male mit sehr wenig zusätzlichem Aufwand wiederholt werden.

CRM, Kampagnen, Akquise und Lead‑Recherche basieren auf Sprachmodellen. Wir sind bereits weit darüber hinaus, ChatGPT zu bitten, eine Kaltakquise‑E‑Mail zu schreiben. Ein System kann das LinkedIn‑Profil einer Person durchsehen, erkennen, was sie tut, woran sie interessiert ist und worüber sie postet, und diese Informationen nutzen, um etwas zu verfassen, das sehr persönlich wirkt.

Ich erhielt einmal eine Nachricht in etwa: „Michael, es muss unglaublich sein, in 4.000 Fuß Höhe zu fliegen und durch das Glas hinauszublicken …“ Sie bezog sich auf meine Luftfahrt‑Geschichten in den sozialen Medien. Meine erste Reaktion war, dass jemand tatsächlich mein LinkedIn‑Profil durchgegangen und es sorgfältig gelesen hatte. Natürlich hatte das niemand getan. Das System hatte die Informationen gefunden und die Kontaktaufnahme automatisch generiert.

Hier beginnen sich die Wirtschaftlichkeit der Personalisierung zu verändern. Forschung, die früher viel Zeit einer Person gekostet hat, kann jetzt von Werkzeugen unterstützt werden, die öffentliche Informationen durchsuchen und relevante Details identifizieren. Ein Mensch kann dann entscheiden, was tatsächlich nützlich, passend und einer Aufnahme wert ist.

Ich bemerkte dieselbe Veränderung bei Keymakr, obwohl unser Ziel nie darin bestand, menschliches Urteilsvermögen oder Beziehungen zu automatisieren. Ich ermutigte die Leute ständig, die repetitiven Teile ihrer täglichen Arbeit zu betrachten und zu fragen, wo Agenten Zeit sparen, mehr Konsistenz bringen oder ihnen helfen könnten, in größerem Maßstab zu arbeiten. 

Bei Scryon, haben wir diese Logik bereits im Unternehmen verankert. Ein Großteil der Marketingarbeit wird von mehreren Agenten über Artikel, den Blog, LinkedIn und die Website abgewickelt.

Der interessante Teil ist, dass ihr größter Vorteil oft nicht das Schreiben ist. Angenommen, Sie fügen einer Website zwanzig neue Seiten hinzu. Eine Person, die einen neuen Artikel schreibt, wird wahrscheinlich ein paar interne Links setzen. Fast niemand wird die 80 oder 800 älteren Beiträge durchgehen und prüfen, wo diese neuen Seiten jetzt verlinkt werden sollten. Ein Agent kann das. Bei dieser Art von Arbeit muss der Agent nicht schlauer sein als ein Mensch. Er wird einfach nicht müde, und der Unterschied zwischen 80 und 800 Seiten ist für ihn viel weniger wichtig als für uns.

Aber hier stoße ich bei der Automatisierung an ihre Grenzen. Gute PR kann nicht einfach an einen Agenten übergeben und vergessen werden. Das Gleiche gilt für einen Meinungsbeitrag, bei dem Positionierung, Zielgruppenverständnis und die Fähigkeit, zu entscheiden, was gesagt werden soll, entscheidend sind.

Selbst wenn Sie ein ziemlich komplexes System von Agenten aufbauen, benötigen Sie dennoch eine Person, die es steuert. Jemand muss die Ergebnisse beurteilen, entscheiden, was wichtig ist, und die Richtung vorgeben.

Kann man einen Gründer automatisieren?

In einem frühen Startup ist der Gründer oft gleichzeitig technisch, operativ und geschäftsführend. Daher kommt der Gedanke natürlich: Wenn Agenten dem Team viel Arbeit abnehmen können, warum ihnen nicht auch einen Teil der Aufgaben des Gründers übertragen?

Ich habe einen separaten Agenten, der mit Scryon Business verbunden ist und viel über das Unternehmen weiß. Ich kann ihn etwas fragen wie: „Wir wollen nächsten Monat 5.000 Nutzer gewinnen.“ Ist das realistisch, oder ist das nur eine schöne Zahl, die ich mir ausgedacht habe?

Er kann Daten abrufen, den Markt betrachten, Wettbewerber und verbundene Systeme prüfen und zurückkommen mit der Aussage, dass 5.000 wahrscheinlich zu viel und sogar 2.000 in diesem Stadium schon ambitioniert wären. Das hilft mir, meine eigenen Überlegungen zu testen. Aber der Agent gibt immer noch Ratschläge.

Die Entscheidung bleibt meine. Nach all den Daten und Berechnungen muss ich manchmal noch nach draußen gehen, durch einen Park spazieren und entscheiden, wohin ich das Unternehmen führen möchte.

Für mich beginnt echtes Auslagern, wenn ich jemandem Verantwortung übertragen kann, etwa „Das ist deins“, und einen Monat später sehe, dass es ohne mich weiter funktioniert. Das sehe ich heute nicht in der Gründerrolle.

Das Gleiche gilt für C‑Level‑Positionen. Ihre Aufgabe ist es, die Richtung vorzugeben: In sechs Monaten wollen wir in den Automobilmarkt eintreten, oder wir wollen, dass Menschen in der Branche die Marke kennen. VPs, Leiter und Team‑Leads übersetzen das dann in konkrete Ziele und Arbeit.

KI‑Werkzeugkasten: Persönliche und Unternehmenskosten

Ich glaube nicht wirklich an ein einziges „bestes“ Modell. Viel wichtiger ist für mich, welches Modell für eine bestimmte Aufgabe am besten funktioniert und welche Kosten mir die Nutzung in großem Maßstab verursacht. Ich verwende häufig Codex zum Programmieren und wechsle innerhalb dessen die Modelle, je nach aktuellem Bedarf. Vielleicht probiere ich eines Tages Claude für Design und wechsle zu ChatGPT für stärker sprachbezogene Aufgaben, aber diese Entscheidungen ändern sich von Monat zu Monat und manchmal mitten in einer Aufgabe.

Letztendlich baut jeder im Laufe der Zeit seinen eigenen Stack auf und beurteilt, welches Modell für ein konkretes Ziel optimal ist. Wenn Sie ein technischer Gründer sind, der viel selbst programmiert, würde ich erwarten, dass Sie etwa 1.000 $ pro Monat für Ihren eigenen Stack ausgeben. Ich kenne jedoch Personen, die 10.000–15.000 $ pro Monat investieren, weil sie viel aggressiver automatisieren.

Sobald KI Teil des Kerngeschäfts wird, ändern sich die Zahlen erneut. Bei Scryon bin ich damit einverstanden, dass 30–40 % des Umsatzes direkt in die Infrastruktur und die Dienste fließen können, auf denen das Produkt läuft, noch bevor man die Personen, die es bauen, berücksichtigt.

Zuerst das Geschäftsziel, dann die Technologie

Im Wettlauf um Automatisierung und dem Etikett „AI companies“ halte ich die eigentliche Frage „Welche Art von KI sollten wir implementieren?“ für gefährlich. Sie geht vom falschen Ende aus.

Wir haben uns kürzlich ein ziemlich übliches Geschäftsziel gesetzt – die Kosten zu senken. Dafür haben wir einen Agenten erstellt, ihm Zugriff auf Informationen darüber gegeben, wo das Unternehmen Geld ausgibt, einschließlich Amazon, Google und anderer Dienste, und ihn gebeten, regelmäßig nach Anomalien zu suchen und Alarm zu schlagen, wenn etwas ungewöhnlich erscheint.

Schon in der ersten Woche haben wir die Kosten um etwa 30 % reduziert, weil das System schnell zeigte, wo Geld für Dinge ausgegeben wurde, an die wir praktisch vergessen hatten. Der Agent selbst kann nur $50 pro Monat kosten, aber die Einsparungen können in die Zehntausende gehen.

Bei Keymakr hat KI vor allem Menschen und einzelne Prozesse gestärkt. Bei Scryon ist sie bereits in die Unternehmensarchitektur eingebettet. Im Bereich des autonomen Fahrens würde das Produkt ohne sie verschwinden, und in der Wirkstoffforschung verändert sie den Umfang der Exploration.

Für mich ist die Frage nach den zugrunde liegenden Zielen ein viel gesünderer Ausgangspunkt als der Wunsch, ein KI‑native Unternehmen zu werden. Zuerst muss ein Geschäftsziel entstehen: mehr verdienen, schneller skalieren, Kosten senken, ein neues Produkt ermöglichen oder einen bestehenden Prozess radikal verändern. Nur dann macht es Sinn zu fragen, welche Technologie Sie dorthin bringt.