Strategieexpert Zeng Ming: Viele KI-Systeme führen nur Aufgaben aus, ohne wirklich für die Ergebnisse verantwortlich zu sein

Stellen Sie sich zunächst ein Szenario vor.

Sie haben ein Auto gekauft und fahren es fünf Jahre lang. Nach fünf Jahren sind Ihre Fahrkenntnisse immer besser geworden, aber das Auto ist immer noch dasselbe. Es wird nicht besser, je mehr Sie es fahren – im Gegenteil: Die Teile verschleißen, die Leistung sinkt, der Lack altert und die Anzahl potenzieller Störungen nimmt zu. Die Erfahrungen, die Sie gesammelt haben – etwa wie man bei Regen bremst oder Kurven auf Bergstraßen meistert – bleiben in Ihrem Kopf und haben nichts mit dem Auto selbst zu tun.

In den letzten Jahrhunderten war die Welt, die wir kennen, größtenteils so: Fast alles wird mit der Nutzung älter und abgenutzter. Maschinen verschleißen, Menschen werden müde, und Unternehmen werden oft schwerfällig, wenn sie wachsen. Mit den Worten von Zeng Ming, Gründer der Zeng Ming Academy und ehemaliger Chefstratege der Alibaba Group: Früher bedeutete Wachstum oft Verbrauch.

Aber heute gibt es eine Kategorie von Dingen, die sich umgekehrt verhält: Je mehr sie genutzt werden, desto leistungsfähiger werden sie.

In seinem neuen Buch „Intelligenz: Das Wesen von Geschäft, Organisation und Strategie im Zeitalter der KI“ diskutiert Zeng Ming genau diesen Wandel: Welche grundlegenden Veränderungen werden in den wichtigsten Bereichen wie Wirtschaft, Organisation und Strategie stattfinden, wenn sich die KI-Technologie weiterhin rasant entwickelt?

Dieses Buch ist sein konzentriertes Nachdenken über das KI-Zeitalter nach seinen Werken „Intelligentes Geschäft“ und „Intelligente Strategie“. Er versucht, von den ersten Prinzipien aus die grundlegenden Gesetze hinter der zukünftigen Geschäftswelt abzuleiten.

„Intelligenz: Das Wesen von Geschäft, Organisation und Strategie im Zeitalter der KI“

Von Zeng Ming

Juni 2026

01 Warum ist Tesla anders – obwohl es dasselbe Auto zu sein scheint?

Kehren wir zum Beispiel des Autos zurück.

Der größte Unterschied zwischen dem autonomen Fahren von Tesla und dem normalen Auto von früher besteht darin, dass das Tesla-Auto nach dem Verkauf nicht aufgehört hat, sich weiterzuentwickeln. Jede Strecke, die jedes Tesla-Fahrzeug auf echten Straßen zurücklegt, jede komplexe Verkehrssituation, jedes extreme Wetter, jeder Grenzfall und jede ungewöhnliche Situation kann zu Daten werden, die an das System zurückgemeldet werden, um Modelle zu trainieren und Strategien zu optimieren. Das heißt: Jedes Mal, wenn Sie das Auto fahren, nutzen Sie es nicht nur – Sie helfen auch, das System intelligenter zu machen.

Zeng Ming nennt diesen Mechanismus „Intelligenz-Zinseszins“. Je mehr Aufgaben ein System erledigt, desto mehr Szenarien sieht es und desto mehr Feedback erhält es. Dieses Feedback optimiert das System weiter und stärkt seine Fähigkeiten. Je leistungsfähiger das System ist, desto komplexere Aufgaben kann es bewältigen – und desto hochwertigeres Feedback erhält es wiederum. Sobald dieser Kreislauf in Gang kommt, sammeln sich die Fähigkeiten wie Zinsen stetig an.

Für Zeng Ming ist dies einer der wichtigsten grundlegenden Mechanismen im KI-Zeitalter. Im Industriezeitalter gab es Skaleneffekte: Je größer die Skala, desto niedriger die Kosten. Im Internetzeitalter gab es Netzwerkeffekte: Je mehr Menschen das Netzwerk nutzen, desto wertvoller wird es. Im KI-Zeitalter entspricht dem der Intelligenz-Zinseszins: Je mehr das System genutzt wird, desto stärker wird es selbst. Früher war Wachstum oft nur ein Ergebnis. Heute kann Wachstum selbst die Fähigkeiten weiter stärken.

02 „Je mehr Nutzung, desto stärker“ bedeutet nicht automatisch, dass man gewinnt

Dass Intelligenz-Zinseszins Wert schaffen kann, bedeutet nicht, dass Unternehmen automatisch Wettbewerbsvorteile aufbauen. Zeng Ming warnt ausdrücklich: Dass das System stärker wird und dass sich ein Unternehmen von Konkurrenten abhebt, sind zwei verschiedene Dinge.

Bei einfachen, standardisierten Aufgaben, die jeder erledigen kann, entwickeln sich alle gemeinsam weiter. Sie werden stärker – aber Ihre Konkurrenten auch. Am Ende lassen sich kaum Vorsprünge herausarbeiten, und der Wettbewerb kehrt zu den alten Mustern zurück: Preiskämpfe und Subventionswettläufe.

Was echte Vorsprünge schafft, sind komplexe Aufgaben.

Komplexe Aufgaben hängen stark von langfristig gesammelten Erfahrungen ab. Welche Fehler ein System in der Vergangenheit gemacht hat, wie es in schwierigen Situationen abgewogen hat – all das beeinflusst seine zukünftige Leistung. Für ein System sind dies Erfahrungen, die sich nicht einfach kopieren lassen. Wenn der Fähigkeitsunterschied so groß wird, dass er darüber entscheidet, „wem man diese Aufgabe überlässt“, ändert sich die Lage: Die Menschen übergeben die wichtigsten und schwierigsten Aufgaben dem zuverlässigeren System. Je schwieriger die Aufgabe, desto wertvoller das Feedback – und das Feedback macht das System noch stärker. Wenn es stärker ist, zieht es weitere wichtige Aufgaben an sich.

Zeng Ming nennt diesen schneeballartigen Vorteilszuwachs den „Schwarzen-Loch-Effekt“: Sobald ein kritischer Punkt überschritten ist, vergrößert sich der Vorsprung stetig. Man konkurriert nicht so sehr mit einem einzelnen Unternehmen, sondern mit der gesamten Strömung des Ökosystems. Da komplexe Aufgaben stark von den schrittweise gesammelten Erfahrungen abhängen, können Nachzügler selbst mit identischen Daten kaum die gleiche Leistungsfähigkeit erreichen, wenn sie nicht den gleichen Prozess durchlaufen haben. Im KI-Zeitalter bedeutet ein früher Vorsprung oft, eine ganze Phase lang vorne zu liegen.

03 Warum werden viele Unternehmen nicht stärker, obwohl sie KI einsetzen?

Intelligenz-Zinseszins klingt verlockend – aber in der Realität stellen wir fest, dass es kaum Systeme gibt, die wirklich „je mehr Nutzung, desto stärker“ werden. Viele Unternehmen haben zwar KI integriert, intelligente Kundenservices eingeführt und automatisierte Prozesse aufgebaut – aber ihre organisatorischen Fähigkeiten haben sich nicht deutlich verbessert.

Wo liegt das Problem? Zeng Mings Antwort lautet: Viele KI-Systeme erledigen nur Aufgaben, sind aber nicht wirklich für das Ergebnis verantwortlich.

Nehmen wir den KI-Kundenservice als Beispiel: Bei Standardfragen wie Auftragsabfragen, Lieferstatus oder Rückerstattungsregeln funktioniert er in der Regel problemlos. Aber sobald es um Regelkonflikte, ungewöhnliche Situationen oder verärgerte Nutzer geht, macht das System leicht Fehler. Dann müssen Unternehmen Menschen einsetzen, die das System überwachen, es jederzeit prüfen, korrigieren oder gar die Aufgabe vollständig übernehmen. Es sieht so aus, als ob die KI die Aufgabe erledigt – aber im Hintergrund sichern immer noch Menschen das Ergebnis ab.

Daraus ergeben sich zwei Probleme: Erstens lässt sich die Skala nicht vergrößern, weil jede Aufgabe überwacht werden muss – je mehr die KI erledigt, desto mehr Personal wird benötigt. Noch wichtiger: Die KI erhält kein vollständiges, echtes Feedback. Was sie sieht, sind oft Ergebnisse, die von Menschen gefiltert und verändert wurden. Sie hat keine Chance, von Anfang bis Ende zu verstehen, wie ein Fehler passiert, was die echte Reaktion des Nutzers ist und wie das endgültige Ergebnis zustande kommt. Sobald der geschlossene Kreislauf aus „Handlung – Ergebnis – Feedback“ unterbrochen wird, kann der Intelligenz-Zinseszins nicht richtig funktionieren.

Daher ist der entscheidende Wendepunkt für Zeng Ming, ob die KI von dem Zustand „Menschen sichern das Ergebnis für sie ab“ zu „sie ist selbst für das Ergebnis verantwortlich“ übergehen kann. Das ist die größte Hürde beim Aufbau intelligenter Systeme. Nur wenn Unternehmen es wagen, einen Teil der Ergebnisverantwortung an das System zu übergeben, kann die Aufgabenskala wachsen. Wenn die Aufgaben größer werden, strömt stetig echtes Feedback ein – und mit diesem Feedback kann das Schwungrad des Intelligenz-Zinseszins tatsächlich in Gang kommen.

Das erinnert Unternehmen auch daran, Wachstum neu zu betrachten. Kennzahlen wie Umsatz, Marktanteil oder tägliche aktive Nutzer wandeln sich von „Ursachen“ zu „Ergebnissen“. Die wirklich wichtige Frage ist: Hat Ihr System einen vollständigen, sich selbst tragenden Aufgabenkreislauf gebildet?

04 Von „Tausend Menschen, tausend Gesichter“ zu „Ein Mensch, tausend Gesichter“

Zeng Ming teilt die Entwicklung des Geschäfts in drei Phasen ein. Im Industriezeitalter galt „Tausend Menschen, ein Gesicht“: Das Angebot war begrenzt, und ein Produkt wurde an möglichst viele Menschen verkauft – standardisierte Waren und Dienstleistungen wie Coca-Cola oder McDonald's folgen diesem Prinzip. Im Internetzeitalter hieß es „Tausend Menschen, tausend Gesichter“: Plattformen teilten Nutzer über Empfehlungssysteme in verschiedene Gruppen ein und boten ihnen passendere Inhalte, Waren und Dienstleistungen an. Im KI-Zeitalter wird sich das Geschäft nach Zeng Mings Ansicht weiter zu „Ein Mensch, tausend Gesichter“ entwickeln: Geschäftssysteme werden nicht mehr nur beurteilen, „zu welcher Gruppe du gehörst“, sondern beginnen zu verstehen, „welches Problem du gerade lösen willst“.

Der entscheidende Unterschied zwischen „Gruppenzugehörigkeit“ und „konkretem Problem“ liegt darin: Das Verhalten einer Person ist sichtbar – aber ihre eigentliche Absicht verbirgt sich oft dahinter.

Das Buch nennt ein Beispiel: Eine Person schaut sich wiederholt Kinderbilderbücher an. Aus den Verhaltensdaten geht klar hervor, dass sie an Kinderbüchern interessiert ist. Aber warum? Vielleicht ist sie frischgebackener Vater und will das Leseverhalten ihres Kindes fördern. Vielleicht will sie ein Geschenk für das Kind eines Freundes aussuchen. Oder sie plant, ein Geschäft mit Kinderbüchern zu starten und sich über den Markt zu informieren. Das Verhalten sieht ähnlich aus – aber die Probleme, die gelöst werden sollen, sind völlig unterschiedlich.

Frühere Geschäftsmodelle konnten nur vermuten, „zu welcher Gruppe du ungefähr gehörst“, und dir dann eine Menge Bilderbücher empfehlen. KI hat zum ersten Mal die Chance, durch tiefe Interaktionen das konkrete Problem zu verstehen, das du lösen willst. Wie es in dem Buch „Intelligenz“ heißt: „Wer die Nachfrage definiert, definiert den Markt.“ Wenn Nachfrage und Angebot in Echtzeit erzeugt werden können, verlagert sich der Wettbewerbsfokus im Geschäft: Es geht nicht mehr nur darum, wie viele Ressourcen man besitzt, sondern darum, ob man Ressourcen organisieren kann, um echte Bedürfnisse nachhaltig zu erfüllen.

05 Tiefere Veränderungen: Organisation und Strategie

Die Auswirkungen der KI auf Geschäftsmodelle führen schließlich zu zwei grundlegenderen Umwälzungen.

Die erste Umwälzung betrifft die Organisation. Zeng Ming stellt eine sehr reale Frage: Warum werden Menschen durch KI individuell leistungsfähiger – aber Organisationen bleiben oft zurück, mit endlosen Sitzungen, wiederholten Berichten und Abteilungsstreitereien? Seiner Meinung nach ist das Unternehmenssystem, das wir heute kennen, ein Produkt des Industriezeitalters. Sein Ziel war es, eine große Anzahl von Menschen dazu zu bringen, vorgegebene Lösungen effizient umzusetzen. Aber im Vergleich zur Umsetzung ist die KI am besten darin, ständig neue Lösungswege zu generieren. Sie übernimmt zudem viele Aufgaben der Informationsverarbeitung und Koordination, die früher von mittleren Führungsebenen erledigt wurden. Dadurch wandelt sich die wichtigste Fähigkeit von Organisationen: Von effizienter Umsetzung zu stetig neu entstehendem Verständnis. Zukünftiger Wettbewerb wird wahrscheinlich zu einem Wettbewerb der Intelligenz zwischen Organisationen.

Die zweite Umwälzung betrifft die Strategie. Einige Unternehmen scheinen sehr klare Strategien und vollständige Pläne zu haben – und werden dann von Veränderungen überrascht. Die US-amerikanische Bildungsplattform Chegg ist ein typisches Beispiel. Lange Zeit konzentrierte sie sich auf den Markt für Lernunterstützung von Studenten, mit klarer Nutzergruppe und stabilem Abonnementmodell. Aus traditioneller strategischer Sicht gab es kaum Probleme. Aber nach dem Aufkommen generativer KI änderte sich die Art, wie Studenten Wissen erwerben, grundlegend. Das bisherige Modell aus „Inhaltsbereitstellung + Abonnementdienst“ verlor schnell seine Attraktivität.

Chegg hatte zwar eine Strategie – aber diese baute auf der Annahme auf, dass sich die Art des Wissenserwerbs von Studenten nicht strukturell ändern würde. Sobald diese Annahme zusammenbricht, verliert selbst die durchdachteste Strategie ihre Gültigkeit.