Andrew Ng: Wie können kleine Teams mit KI gegen große Unternehmen gewinnen?

„Es gibt immer mehr Leute, die Code schreiben, aber nur sehr wenige, die wirklich wissen, wie man mit KI Code schreibt.“

Am 12. November 2025, auf der gerade beendeten Snowflake-Entwicklerkonferenz,

sagte Andrew Ng:

Lass die KI für dich Code schreiben. Hör auf, manuell zu programmieren.

Dieser Gründer von Google Brain benutzt heute täglich KI, um Code zu schreiben. Er hat sogar gesagt, dass er ohne WLAN in der Flugzeugkabine nicht programmieren könnte.

Seine zentrale Einschätzung: Die Profiteure dieser Paradigmenwende werden nicht die Großunternehmen mit den meisten Ressourcen sein, sondern die Teams, die mutig genug sind, in kleinen Szenarien anzusetzen.

Warum?

Mit KI-gestützter Programmierung kann man ein Prototypen entwickeln, ohne ein Team von zehn Ingenieuren. Offene Modelle + private Daten, gut organisiert, bringen bessere Ergebnisse als die bloße Erhöhung von Parametern. Es geht nicht um die Größe der Parameter, sondern darum, echte Bedürfnisse zu treffen.

Die heutige Konkurrenz besteht nicht darin, wer das stärkere Modell bauen kann, sondern wer schon mit der praktischen Arbeit mit KI beginnt.

Das ist die Chance für kleine Teams.

Abschnitt 1 | Die Waffe kleiner Teams: Siegen Sie zuerst in einem kleinen Szenario

In diesem Gespräch wies Andrew Ng zuerst auf einen Irrtum hin:

„Wir haben in unserem AI Fund viele Startup-Projekte gefördert. Das Schwerste war nicht die Kostenkontrolle, sondern es, ein Produkt zu entwickeln, das die Benutzer wirklich mögen.“

Er sagte, dass viele Gründer sofort Sorgen haben, dass die Modelle teuer zu nutzen sind und die Kosten für die Inferenz hoch sind. Tatsächlich haben sie die Reihenfolge verkehrt.

Das erste Problem, das gelöst werden muss, ist nicht, wie viel man ausgibt, sondern ob man etwas entwickelt hat, das die Menschen nutzen und behalten wollen. Wenn man diesen Schritt noch nicht gemeistert hat, ist die Kostenoptimierung das Cart vor das Pferd setzen. Oftmals, wenn wir den richtigen Produktweg gefunden haben, können wir normalerweise auch die Kosten senken, wenn sie anfangen zu steigen.

Deshalb ist für kleine Teams, die KI-Produkte entwickeln möchten, der erste Schritt nicht, Finanzierung zu suchen oder Rechenleistung zu verbrennen, sondern ein klares, konkretes kleines Szenario zu finden und es erfolgreich umzusetzen.

Basierend auf diesem Gedanken betonte er besonders zwei Dinge:

Erstens die Beibehaltung von Optionen: Wenn wir am Anfang die Architektur entwerfen, sollten wir ein wenig zusätzliche Arbeit leisten, um später die Möglichkeit zu haben, das Modell zu wechseln.

Bindet euch nicht sofort an ein bestimmtes Modell oder eine Plattform. Lasst dem System die Möglichkeit, Modelle zu ersetzen. Wenn ihr heute GPT nutzt, könnt ihr morgen zu Claude, Gemini oder dem offenen Qwen wechseln. Wenn die Geschäftsprozesse klar sind, ist der Wechsel des Modells kein Problem.

Zweitens die Kontrolle über die Daten: Viele SaaS-Produkte schaffen in eurer Organisation eine Dateninsel. Je länger ihr sie nutzt, desto stärker seid ihr an sie gebunden.

Er warnte, dass die eigentlichen Kernressourcen eines KI-Produkts eure eigenen Daten sind. Wenn diese Daten auf fremden Plattformen gespeichert sind, wenn ihr für den Zugriff zahlen und API-Schlüssel beantragen müsst, dann baut ihr keine Schutzmauer, sondern eine Enge. Natürlich müsst ihr die Daten irgendwo hosten, aber wenn ihr die Kontrolle über eure Daten behalten könnt und die Anbieter bei euch arbeiten lassen, anstatt dass ihr die Daten an sie schickt, habt ihr mehr Macht.

Das erklärt auch, warum offene Modelle + eigene Daten für kleine Teams besonders wichtig sind.

Weil ihr kein Budget habt, um teure APIs zu nutzen, und nicht warten könnt, dass geschlossene Modelle langsam verbessert werden. Offene Modelle sind flexibel und steuerbar und eignen sich besser für die schnelle Validierung eines kleinen Szenarios.

Sucht nicht zuerst das Größte, strebt nicht nach Perfektion, sondern sucht zuerst die erste echte Aufgabe, die funktionieren und laufen kann.

In einer Zeit, in der KI in alle Branchen eindringt, liegt die Chance für kleine Teams nie im Alles-Tun, sondern im Klein-Machen, Schnell-Machen und Echt-Machen.

Abschnitt 2 | Der Code-Schwellenwert verschwindet, jeder kann ein Entwickler sein

Ein weiterer wichtiger Grund, warum kleine Teams Szenarien schnell validieren können, ist, dass die Entwicklungsschwellenwerte verschwinden.

Andrew Ng erzählte auf der Konferenz ein kleines Detail.

Am Vortag musste er vom Flughafen zurück nach San Francisco fliegen. Kurz vor der Bordung erhielt er die Nachricht, dass es kein WLAN an Bord des Flugzeugs geben würde. Seine erste Reaktion war nicht, dass er keinen Film anschauen konnte, sondern: Oh nein, ich kann im Flugzeug keinen Code schreiben.

Als er das sagte, lachte das Publikum. Aber dann fügte er hinzu:

„Das hat mich darauf aufmerksam gemacht, dass ich stark von KI-Programmierwerkzeugen wie OpenAI Codex und Claude code abhängig bin.“

Und das wird zur Norm.

Früher war das Schreiben von Code eine Fähigkeit von Ingenieuren. Heute, so sieht es Andrew Ng, ist das Schreiben von Code mit KI zu einer Fähigkeit geworden, die auch normale Menschen erlernen können.

Seine zentrale Meinung ist klar:

Hör auf, manuell Code zu schreiben. Hör auf, alte Methoden zu nutzen. Lass die KI es für dich tun.

Das ist Vibe Coding: Ihr sagt der KI einfach, was ihr erreichen wollt, und die KI schreibt die erste Version, die ihr dann anpassen oder feinjustieren könnt.

Er sagte: Jetzt ist die beste Zeit, um das Produkt zu entwickeln, das ihr mögt, denn ihr könnt es in kürzerer Zeit und mit geringeren Kosten erreichen. Menschen, die KI-Programmierung nutzen können, sind nicht nur Programmierer, sondern auch CEOs, Produktmanager und Marketingmitarbeiter, die ihre Aufgaben schneller erledigen können.

Deshalb glaubt er, dass die Fähigkeit zur Entwicklung immer häufiger wird und so natürlich wie das Nutzen von Excel oder Bildbearbeitungssoftware ist.

Die eigentliche Schwelle liegt nicht mehr darin, ob man programmieren kann, sondern ob man sich traut, anzufangen.

Er sagte sogar, dass die Arbeitslosigkeit in Informatikstudien an Universitäten steigt, nicht weil der Markt keine Code-Schreiber braucht, sondern weil die Universitäten ihre Kurse noch nicht angepasst haben, um den Studierenden beizubringen, wie man mit KI Code schreibt.

Selbst er hat dieses Problem: Selbst ich finde keine Menschen, die wirklich wissen, wie man mit KI Code schreibt.

Also denkt er, dass wer früher die Fähigkeit erlernt, mit KI Code zu schreiben, seine Ideen schneller umsetzen kann.

Viele Entwickler zahlen heute monatlich Hunderte oder sogar Tausende von Dollar für KI-Programmierwerkzeuge. Warum? Weil die Produktivität um ein Vielfaches gesteigert wird.

Und Andrew Ng hat festgestellt, dass die besten Ergebnisse erzielt werden, wenn Entwickler ihre echten Probleme mit KI lösen.

Das erklärt auch, warum kleine Teams eher von KI-Programmierung profitieren: Sie schreiben nicht für die Bedürfnisse anderer, sondern lösen ihre eigenen echten Probleme. Nicht weil sie klüger sind, sondern weil ihre Ziele klarer sind und sie sich mutiger mit KI zusammenarbeiten lassen.

Für jeden, der ein Produkt entwickeln möchte, ist die Frage nicht mehr, ob man programmieren kann, sondern:

„Habe ich schon angefangen, mit KI zu programmieren?“

Abschnitt 3 | Agenten sind Arbeitswerkzeuge, keine Präsentationsobjekte

Im vorherigen Abschnitt sprach Andrew Ng darüber, wie KI-Programmierung es jedem ermöglicht, an der Entwicklung mitzuwirken. In diesem Abschnitt lenkt er das Thema in eine realisierbare Richtung: Was sollen Agenten tun und wie sollen sie arbeiten?

In den letzten Monaten haben wir viele Konzepte, Demos und Marketing-Sprache rund um Agenten gehört.

Aber Andrew Ngs Fokus ist einfach: KI ist nicht für die Demonstration da, sondern soll für dich arbeiten.

Er sagte, dass es nicht darum geht, einen sprechenden Chat-Box zu entwickeln, sondern darum, ob man mit Agenten die Probleme in Unternehmen lösen kann, die am wenigsten gerne bearbeitet werden.

Er gab ein konkretes und realistisches Beispiel: Ich interessiere mich besonders für PDF-Dateien. Sie sind der am häufigsten vorkommende und am schwierigsten zu handhabende Datentyp in jedem Unternehmen. Denn jedes Unternehmen hat eine Menge solcher PDF-Dokumente: Finanzberichte, medizinische Aufzeichnungen, Verträge, Logistiklisten, die alle in den Ecken des Systems verteilt sind.

„Unser Unternehmen entwickelt ein Verfahren zur automatischen Extraktion von Daten aus PDF-Dokumenten. Es kann Felder in diesen PDF-Dateien erkennen und strukturierte Daten extrahieren.“

Er sagte, dass dies kein zukünftiges Szenario ist, sondern bereits jetzt umgesetzt wird. Einige Unternehmen haben Agenten integriert, die automatisch Finanzberichte mit mehreren Seiten auswerten, die Daten in die Datenbank einfügen und für die anschließende Analyse bereitstellen.

Es geht nicht darum, Menschen zu ersetzen oder die Kognition zu verbessern, sondern einfach zu arbeiten. Arbeiten, die früher von Menschen Seite für Seite, Zeile für Zeile kopiert und eingefügt werden mussten.

Der Moderator machte einen Witz: Die stärkste PDF-Suchmaschine meines Lebens ist Command + F.

Andrew Ng antwortete:

„Das stimmt. Manchmal müssen wir noch die PDF-Dateien herunterladen und die Tabellen selbst suchen. Jetzt können Agenten die Tabellen direkt extrahieren und an die Analysten geben oder sogar direkt die anschließenden Workflows starten.“

Das ist die Realität. Dies ist die neue Definition von KI-Werkzeugen:

Es ist nicht eine beeindruckende Demonstration;

Es ist nicht ein System mit mehreren Ebenen von Architektur;

Es ist ein virtueller Assistent, der die lästigen Aufgaben in deinem echten Geschäftsprozess erledigen kann.

Er meint:

Die nächste Phase der KI besteht darin, unstrukturierte Daten wie PDF-Dateien, Audio-Dateien, E-Mails, Rechnungen usw. wirklich nutzbar zu machen.

Und er betont, dass solche Agenten nicht nur für Großunternehmen geeignet sind, sondern dass kleine Teams sogar Vorteile haben.

Warum? Weil sie keine alten Systeme haben, die es zu koordinieren gilt. Mit einem oder zwei Entwicklern und einem Szenario können sie die Agenten integrieren.

Also, haltet nicht mehr Agenten als Präsentationsprojekte an.

Der richtige Weg ist, dass sie zu einem unermüdlichen, nie fehlenden und nie kranken Mitarbeiter in deinem Geschäft werden.

Wer die Agenten zuerst in seinen Arbeitsablauf integriert, wird in lokalen Szenarien echte Effizienz erzielen.

Abschluss | Der Schwellenwert ist gesunken, die Geschwindigkeit ist der Schlüssel

In diesem Gespräch sprach Andrew Ng nur über praktische Dinge:

Finde ein echtes kleines Szenario und entwickle es zuerst;

Nutze offene Modelle + eigene Daten, anstatt zu warten, bis die großen Modelle billiger werden; behalte die Kontrolle über deine Daten; lerne, mit KI Code zu schreiben und beginne jetzt mit der Entwicklung.

Die Technologie wird immer populärer. Die Schwellenwerte für KI-Produkte sind von technischen Fähigkeiten zu Handlungsgeschwindigkeit geworden.

Der Unterschied zwischen kleinen Teams und Großunternehmen liegt jetzt nicht mehr in den Ressourcen, sondern in der Umsetzungskraft.

📮Original-Link:

https://www.youtube.com/watch?v=-HWNc-Hd90U

https://www.deeplearning.ai/the-batch/issue-326/

https://www.deeplearning.ai/the-batch/tear-down-data-silos/

https://www.deeplearning.ai/the-batch/improve-agentic-performance-with-evals-and-error-analysis-part-2/

https://ca.news.yahoo.com/google-brain-founder-andrew-ng-053503359.html

Quelle: Offizielle Medien/Online-Nachrichten

Dieser Artikel stammt aus dem WeChat-Account „AI Deep Researcher“, Autor: AI Deep Researcher, veröffentlicht von 36Kr mit Genehmigung.