2026 ist die echte Revolution in der KI.

Nach drei Jahren des rasanten Fortschritts der KI hat dieses Jahr endlich das „Jahr der KI-Audits“ eingeläutet.

 Man prüft die ROI und die Leistungserbringungsfähigkeit; hinter dem scheinbar lebhaften Tagesaktifität wird nachgehakt, wie viel echtes Geld tatsächlich erwirtschaftet werden kann. Ehrlich gesagt, wenn man dieses Jahr über KI spricht, dreht sich alles um ein Wort: Geld.

Das ist eine Art von „kollektivem Erwachen“ im gesamten Netzwerk. Endlich haben die Leute begriffen, dass die praktischste Rolle der KI derzeit darin besteht, wie ein „bezahlter Praktikant“ am Arbeitsplatz zu sitzen.

01

Wer die Daten betrachtet, versteht es sofort. Auf der Seite der Verbraucher (C-Segment) scheint alles sehr lebhaft zu sein. Die wöchentliche Aktivität von ByteDance Doubao und DeepSeek hat bereits die 100-Millionen-Marke überschritten. AIGC-Tools wie Jianying und Meitu sind zu Standardausrüstungen in den Händen der Menschen geworden.

Insbesondere im Bereich der KI-basierten Bildungshilfe kann die Bezahlquote auf 25 % bis 30 % steigen, was in der Internetbranche ein sensationeller Wert ist. Wenn man jedoch tiefer graben geht, entdeckt man ein großes „Identitätsproblem“ dahinter.

Das Neugierige der Nutzer auf die KI hat sich allmählich in eine Gewohnheit des „kostenlosen Funktionsnutzen“ verwandelt. Die Leute sind daran gewöhnt, KI-Assistenten zu bitten, Informationen zu suchen und Gliederungen zu schreiben. Aber wenn es darum geht, für hochfrequente und tiefergehende Abonnementdienste zu bezahlen, ziehen sie ihre Hände sofort zurück.

Warum ist das so?

Die meisten KI-Anwendungen auf der C-Seite bieten nur ein „zusätzliches Erlebnis“. Sie können zwar die Zeit für das Schreiben einer Wochenbericht um zehn Minuten verkürzen, aber sie können nicht verhindern, dass man eine Stunde länger arbeitet. Solche „zeitsparenden, aber nicht bequemen“ Dinge können keine geschäftliche Wertschöpfung bewirken, die das Marktgefüge verändern kann.

Im Gegensatz zu der lebhaften Atmosphäre auf der C-Seite sind die Geschäftskunden (B-Segment) wirklich nüchtern.

Die traditionellen Branchen sind tatsächlich daran interessiert, die KI einzusetzen. Von der intelligenten Fahrzeugführung bis zur Finanzrisikokontrolle, von der Schweinezucht in der Landwirtschaft bis zur Arzneimittelentwicklung – alles rückt sich an die KI an. Aber man sollte nicht vergessen, dass diese Annäherung an die KI mit einem „KPI-Audit“ verbunden ist.

Unternehmen sind bereit, für die KI zu bezahlen, unter der Voraussetzung, dass sie ihre Kostenschwierigkeiten präzise lösen kann. Beispielsweise können Finanzinstitute durch die Verwendung von KI bei der Risikokontrolle Milliarden an Ausfallverlusten sparen. Pharmazeutische Unternehmen können die jahrelange Forschungs- und Entwicklungszeit durch die Verwendung von KI erheblich verkürzen.

Das sind echte Werte.

Es ist jedoch peinlich, dass viele KI-Start-ups überhaupt nicht in der Lage sind, solche Leistungserbringungen zu gewährleisten.

Sie können Ihrem Chef die coolsten Demo-Versionen zeigen, aber er wird Sie nur zwei zentrale Fragen stellen: Wie kann dieses Ding an mein ERP-System angeschlossen werden? Kann die Inference-Kosten niedriger als der Lohn eines Praktikanten sein?

Wenn Sie das nicht schaffen, ist Ihre KI-Logik ein Scheinproblem.

Der momentan widersprüchlichste Punkt ist, dass wir uns in einer Phase befinden, die ich als „Kutsche ohne Pferd“ bezeichnen würde. Viele Menschen betrachten die KI als ein hochwertiges Plugin.

Der Chef investiert Millionen in Rechenleistung und engagiert Algorithmus-Experten, nur um zu entdecken, dass die KI täglich nur dazu dient, die niemanden interessierenden PPTs zu verbessern oder ein paar nutzlose Bilder für den Freundeskreis zu generieren.

Das ist das von mir erwähnte „Produktivitätsparadoxon“. Wenn die KI nur die Produktionsgeschwindigkeit von Müllinhalten um das Zehnfache erhöht, hat diese Technologie nicht nur keinen Wert, sondern ist auch eine enorme Verschwendung von Ressourcen.

Deshalb ist die Illusion über die Rolle der KI im Jahr 2025 völlig gescheitert. Sie ist ein „Superarbeiter“, der in konkreten Szenarien eingesetzt werden muss, die schmutzigsten und anstrengendsten Arbeiten verrichtet und die feinsten Rechnungen führt.

02

Da die Leute jetzt so genau rechnen, warum können sie dennoch nicht einen echten KI-„Neuarzt“ hervorbringen?

Nach Meinung von Zhiyuan rufen die Leute in der KI-Branche ständig von Revolution und Umwälzung, aber letztendlich machen alle das Gleiche: Sie benutzen die fortschrittlichsten Maschinen, um die ältesten Kutschen zu ziehen.

Was heißt das? Wenn man sich konkrete Beispiele ansieht, versteht man es sofort.

Nehmen wir die Texterzeugung von Videos als Beispiel. Als Google VEO 2 veröffentlichte, riefen alle, dass das Jahr der Kommerzialisierung von Texterzeugung von Videos gekommen sei. Wenn man sich jedoch die bunten Pixel genauer ansieht, was macht es tatsächlich?

Es hilft nur Werbeagenturen, Plakate in Massen zu produzieren, Kurzfilmbloggern, Übergangsmaterialien zu erstellen und Film- und Fernsehproduktionen, einige Nachbearbeitungseffekte zu ersetzen.

Das ist keine Revolution. Im Grunde genommen ist es eine Verschärfung des Wettbewerbs auf dem bestehenden Markt. Was ist eine echte Revolution? Die Erfindung des Autos, um die Kutsche zu ersetzen; die Erfindung des Telegrafen, um die Fernkommunikation zu ermöglichen; die Schaffung von etwas, das zuvor überhaupt nicht existierte.

Darüber hinaus ist die heutige KI immer noch fest in der alten GUI-Logik (Graphical User Interface) gefangen. Wir müssen immer noch in das Dialogfeld schreiben, auf den Fortschrittsbalken warten und in den komplizierten Menüs suchen. Alles bleibt wie es ist.

Wenn eine KI nur die menschlichen Handlungen imitieren kann und im Rahmen der alten Regeln herumirrt, wird sie niemals die Gene eines Neuarzes entwickeln können. Eine echte KI-native Anwendung muss etwas sein, dessen Betriebslogik auch ohne Bildschirm selbstkonsistent ist.

Was ist mit dem derzeit von Mobiltelefonherstellern heiß umkämpften GUI Agent (Intelligenzagent)? Sie sieht sehr cool aus, oder?

Mit einem Wortbefehl kann das Mobiltelefon automatisch Kaffee bestellen, Flugtickets buchen und Kinotickets stornieren. Aber dahinter verbirgt sich ein sehr realistisches kommerzielles Dilemma: Die Kosten für die Verwendung und die daraus resultierenden Einnahmen stehen völlig im Widerspruch zueinander.

Die aktuelle Agent-Logik besteht darin, dass das Large Language Model immer wieder den Mobiltelefonbildschirm „ansieht“, die Pixelblöcke analysiert und die menschlichen Klicks simuliert. Die dahinter stehenden Rechenleistungskosten und Stromkosten sind möglicherweise höher als die Provision für Ihre Bestellung bei Lieferdiensten.

Dies ist der Kerngrund für die Schwierigkeiten bei der Entstehung eines KI-„Neuarzes“.

Wenn die „geistigen Kosten“ einer Technologie viel höher sind als die von ihr zu ersetzenden „menschlichen Kosten“, wird sie nur ein teures Spielzeug im Labor bleiben und niemals aus dem Labor hinauskommen.

Was wir wirklich brauchen, ist ein digitaler Geist, der direkt über diese bunten Oberflächen hinweggehen kann und „digitale Vertragsgeschäfte“ auf der Ebene der Protokollstapel durchführt. Erst wenn die KI das schwere Paket der „Mensch-Maschine-Schnittstelle“ endgültig abgeworfen hat, hat sie wirklich die Geburtsgenehmigung für einen Neuarz erhalten.

Ich habe immer die Meinung vertreten: Um zu beurteilen, ob eine KI-Revolution eingetreten ist, muss man sehen, wie viele traditionelle Arbeitsplätze und Rollen tatsächlich verschwinden.

Was sehen wir derzeit in den Bereichen Medizin, Fahrerei und Industrie? Die Ärzte haben einen KI-Assistenten, die Fahrer haben eine intelligente Fahrerassistenz und die Arbeiter tragen ein intelligentes Exoskelett.

Letztendlich handelt es sich immer noch um eine „Menschenorientierte Werkzeugverbesserung“, die die Fähigkeiten der Menschen verbessert, aber das Wesen nicht verändert.

Eine echte Revolution sollte aber so aussehen:

Die Patienten müssen nicht mehr in die Klinik gehen, um sich anmelden zu lassen, denn die KI ist bereits in ihrem Blut-Sensor integriert und kann in Echtzeit überwachen und präzise diagnostizieren. Auf der Straße gibt es keine „Fahrersitze“ mehr, denn der Verkehr selbst ist ein Protokoll der Cloud-Scheduling, das überhaupt keine menschliche Fahrer benötigt.

Im Werk braucht es keine einzige Lampe mehr, denn die Maschinen benötigen kein Sehvermögen. Solange es digitale Signale gibt, können sie präzise funktionieren.

Aber diese Anzeichen sind derzeit noch weit entfernt. Die heutige KI befindet sich immer noch in der Phase des „Kutsche ohne Pferd“. Wir sind immer noch daran gewöhnt, die KI dazu zu nutzen, die sichtbaren und greifbaren alten Probleme zu lösen, anstatt neue Möglichkeiten zu erschaffen, die wir uns zuvor nicht einmal vorstellen konnten.

Wenn wir im Jahr 2026 immer noch keinen Neuarz hervorbringen können, dann wird diese KI-Welle wahrscheinlich zu einer teuren „Effizienzübung“ werden, die keine wesentlichen Veränderungen bringt.

03

Viele Leute fragen sich: Warum scheinen die Implementierungslogiken der KI in China und den USA völlig unterschiedlich zu sein? Nach Meinung von Zhiyuan liegt der Kerngrund darin, dass in unserem Land noch viele alte Schulden nicht beglichen sind.

Welche Schulden?

Die erste wird als Daten-Schulden bezeichnet. In der „Umfragebericht über die KI-Anwendung von chinesischen Unternehmen (2025)“ gibt es eine ernüchternde Statistik:

Fast neun von zehn Unternehmen (89,84 %) haben begonnen, die KI zu verwenden, aber nur 11,72 % der Unternehmen haben ein ordentliches KI-Governance-System aufgebaut. Über 47 % der Unternehmen haben nicht einmal die grundlegende Mitarbeiterausbildung in Bezug auf die KI-Fähigkeiten gestartet.

Ich habe an vielen Konferenzen teilgenommen und viele Fälle betrachtet und festgestellt, dass viele Geschäftsführer voller Eifer sind und sich auf die „KI-Intelligente Planung“ konzentrieren. Aber wenn es darum geht, die Daten zusammenzuziehen, sind sie direkt perplex:

Die Produktionsdaten befinden sich im System A, die Verkaufsdaten sind im System B gesperrt. Die Lagerdaten sind noch schlimmer. Sie sind sogar im Notizbuch des Lagerleiters notiert.

Dies ist ein typisches Beispiel für „Daten-Schulden“.

KI-Intelligenzagenten sind von Natur aus auf hochwertige, vollständige Daten und Wissenssysteme angewiesen. Wenn Ihre Daten unterbrochen, zersplittert oder sogar fehlerhaft sind, kann die KI nicht nur die Probleme nicht lösen, sondern auch Ihre Fehler um das Zehnfache verstärken, dank ihrer starken Rechenleistung.

Wie viele Unternehmen haben derzeit nur einen Digitalisierungsgrad von 30 Punkten. Wenn man die KI zwangsweise einführt, sind die Ergebnisse allesamt „ernsthaftes Unsinn“.

Die zweite Schuldenart betrifft das Problem der Information und der Automatisierungskollaboration.

Warum konzentrieren sich die Leute in den letzten Jahren so stark auf die KI-Schweinezucht und die industrielle Defekterkennung? Weil die Automatisierungs-Schulden und die Schulden bei der industriellen Software in diesen Bereichen am offensichtlichsten sind.

Bei vielen traditionellen Fabriken sind die unteren Ebenen der industriellen Software alle alte Versionen aus dem Ausland. Selbst die grundlegenden Sensoren sind nicht verbunden, so dass die Daten überhaupt nicht fließen können.

Hier muss man den Unterschied zwischen China und den USA erwähnen. In den USA sind die Branchen wie Forschung, Finanzwesen und Biomedizin bereits zu digitalen Hochhäusern geworden. Wenn die KI dort eingesetzt wird, handelt es sich im Grunde genommen um eine „Innenausstattung“. Ein wenig Aufräumen und die Effizienz steigt sofort. Die Ergebnisse sind augenblicklich sichtbar.

Und wir?

Die Branchen wie Fertigung, Energiegewinnung aus erneuerbaren Quellen und Landwirtschaft haben zwar eine große Skala, aber sie befinden sich noch in der Phase, von „Ziegeln und Steinen“ zu „Eisenbeton“ zu wechseln. Das digitale Fundament ist noch nicht fest genug.

Deshalb muss die KI zunächst helfen, die digitalen Lektionen aufzuholen, die in den letzten zehn Jahren ausgelassen wurden. Dies führt zu einer sehr ernüchternden Realität: Viele laut vorgeschriebene „KI-Implementierungsprojekte“ werden schließlich zu teuren Handarbeiten.

Nehmen wir die industrielle Defekterkennung als Beispiel:

Um die KI in der Lage zu sein, die Mängel an Teilen zu erkennen, müssen Unternehmen eine große Anzahl von Datenannotatoren anstellen, um Tausende von Fotos manuell zu markieren. Warum ist das so? Der Kern liegt darin, dass unser Grundniveau der Automatisierung zu niedrig ist und die Informationen keine einheitlichen Standards haben. Alles ist zerstreut.

Man muss bedenken, dass wenn das digitale Fundament nicht fest genug ist, kann man so viel man auch von der grandiosen Erzählung der KI-Intelligenzagenten redet, es ist wie ein Gebäude auf dem Sand und kann nicht standhalten.

Zum Ende des Jahres 2025 haben die Leute sich endgültig der Realität bewusst geworden. Die Implementierung der KI wird unweigerlich ein langfristiges Projekt sein.

Man muss zunächst die Daten-Schulden begleichen, die Lücken in der Automatisierung schließen und die Nervenenden (Sensoren) und das Nervenzentrum (Datenbank) der Unternehmen wirklich verbinden, damit die Daten reibungslos fließen können. Erst dann kann das KI-Gehirn wirklich funktionieren.

Deshalb wird die Explosion der KI im Jahr 2026 wahrscheinlich in den tatsächlichen Prozessskeletten der Unternehmen verborgen sein, indem die Grundprozesse reibungslos, glatt und solide funktionieren.

04

Ich glaube, dass im Bereich der KI im Jahr 2026 drei zentrale geschäftliche Transformationen stattfinden werden, von denen jede das gegenwärtige Implementierungsmodell vollständig verändern kann. Zunächst sollte man einen technologischen Wendepunkt im Auge behalten: Der Zusammenbruch der Inference-Kosten.

In einem Bericht von Goldman Sachs wurde kürzlich deutlich gemacht, dass die Inference-Kosten der KI mit einer Geschwindigkeit von fast dem Zehnfachen pro Jahr sinken. Wenn diese Kosten auf ein Prozent der Arbeitskosten gedrückt werden, wird die gesamte geschäftliche Logik der KI völlig verändert.

Zu diesem Zeitpunkt liegt die echte Chance in „engen, hochfrequenten und fehlerintoleranten“ harten Szenarien. Beispielsweise: