A16Z's neueste Erkenntnis: 80 % der Tokens sind unproduktiv, das Management von KI ist die nächste Billionen-Dollar-Chance
Viele Menschen glauben, dass künstliche Intelligenz die menschliche Arbeit ersetzen sollte.
Die Realität zeigt jedoch das genaue Gegenteil.
KI hat nicht nur keine Arbeitsplätze vernichtet, sondern schafft sie sogar. Eine Studie des Ramp Economics Lab mit 21.000 US-Unternehmen zeigt: Zwei Jahre nach der Einführung von KI wuchs die Belegschaft von Unternehmen mit hohem KI-Einsatz um 10,2 %, während Unternehmen mit niedrigen KI-Ausgaben praktisch stagnierten.
Der Grund ist einfach: Die Kosten für Menschen sind niedriger als für KI.
Laut Ramp-Daten werden die KI-Ausgaben pro Mitarbeiter in führenden Unternehmen voraussichtlich von etwa 20.000 USD pro Mitarbeiter Anfang 2025 auf 225.000 USD pro Mitarbeiter Ende 2026 steigen – weit über dem durchschnittlichen Jahresgehalt eines US-Arbeitnehmers und dem Gehalt von Software-Ingenieuren.
Warum tritt dieses Phänomen auf?
Kürzlich hat George Sivulka, CEO des von a16z investierten Unternehmens Hebbia, einen Artikel verfasst, der eine überraschende Erklärung liefert: 80 % der KI-Budgets laufen im Leerlauf.
Die Lösung, die er vorschlägt, ist ebenfalls einfach: Eine alte Disziplin, die vor 185 Jahren entstanden ist – das Management.
Dieser Artikel basiert auf der Übersetzung und Bearbeitung des am 15. Juli 2026 von George Sivulka, CEO von Hebbia, veröffentlichten Artikels „You just hired a million bad employees.“ Im Folgenden die bearbeitete Fassung:
/ 01 / Mehr Tokens bedeuten mehr Personal im digitalen Zeitalter
Wenn Organisationen auf Probleme stoßen, ist die häufigste Reaktion nicht, das Problem neu zu definieren, sondern mehr Ressourcen hinzuzufügen.
Früher hat man mehr Mitarbeiter eingestellt, heute fügt man mehr Tokens hinzu.
Wenn das Modell keine guten Antworten liefert und eine einzelne Inferenz nicht ausreicht, führt man mehrere Durchläufe durch. Oberflächlich betrachtet erhöht dies die „Intelligenzdichte“, aber im Wesentlichen unterscheidet es sich nicht von der „Massenpersonal-Taktik“ traditioneller Unternehmen – beide nutzen Ressourceneinsatz, um unklare Aufgabenbeschreibungen zu vertuschen.
Tokens an sich sind nie das Problem. Das Problem ist, dass die meisten Menschen nicht wissen, welche Informationen es wert sind, an die KI übergeben zu werden.
Ein hochwertiger Kontext bedeutet, dass man Prozesse klar beschreiben und die Ziele der Aufgabe verstehen kann – dies ist im Grunde eine Managementfähigkeit.
Wenn Aufgaben nicht klar definiert sind, führen mehr Tokens nicht zu mehr Intelligenz, sondern nur zu teurerem Chaos. Viele Unternehmen erleben eine ironische Situation: Die KI-Budgets steigen stetig, aber die Anzahl der tatsächlich gelösten Probleme nimmt nicht proportional zu.
Sie kaufen mehr „digitale Mitarbeiter“, haben aber keine entsprechenden Managementfähigkeiten aufgebaut.
/ 02 / Agent-Schleifen sind wie Besprechungen für die KI
Viele Agent-Systeme haben eine scheinbar clevere Konstruktion: Das Modell führt die Aufgabe aus, prüft das Ergebnis, korrigiert es bei Problemen und wiederholt diesen Zyklus, bis das Ziel erreicht ist.
Dieser Mechanismus funktioniert gut, wenn Aufgaben klar definiert und Bewertungsmaßstäbe eindeutig sind. In der realen Geschäftswelt sind diese Schleifen jedoch oft nur eine weitere Form von nutzlosen Besprechungen.
Der Grund für die wiederholten Versuche des Modells liegt meist darin, dass wir von Anfang an keine klaren Ziele vorgegeben haben. Die KI muss ständig generieren, reflektieren, verwerfen und neu generieren – und nutzt mehr Rechenleistung, um die Unklarheit der Ziele auszugleichen.
Wie teuer ist das? a16z hat Berechnungen angestellt: Für dieselbe Aufgabe zur Migration eines Code-Repositorys kostet es 4 USD, wenn die Anweisungen klar formuliert sind – aber 310 USD, wenn man sie einer unscharfen Schleife überlässt.
Beim ersten Test von Fable 5 im Juni 2026 lag der Unterschied der Kosten für die Erledigung derselben Aufgabe bei bis zum 17-fachen. 310 USD – das ist fast die gesamten Personalkosten eines durchschnittlichen US-Arbeitnehmers für einen vollen Arbeitstag.
Und es wird dieselbe Aufgabe erledigt wie für 4 USD.
Im Grunde unterscheidet sich das nicht von einer Gruppe Menschen, die sich um ein unklares Thema herum ständig in Besprechungen treffen. Die erste Besprechung bringt kein Ergebnis, also beschließt man, eine zweite abzuhalten – und die zweite Besprechung ergibt, dass mehr Personen an einer dritten Besprechung teilnehmen müssen.
Menschen verbrauchen Arbeitszeit in Besprechungen, Agenten verbrauchen Tokens in Schleifen. Das zugrundeliegende Problem ist identisch: Die Manager haben die Aufgabe, Probleme zu definieren, nicht erledigt.
/ 03 / Verschwendete Tokens sind die neue Organisationsaufblähung
In großen Unternehmen ist ein Phänomen verbreitet: Prozesse wurden ursprünglich geschaffen, um Probleme zu lösen – später werden die Prozesse selbst zu Problemen, die gewartet werden müssen.
Ein Genehmigungsknoten erzeugt einen weiteren Genehmigungsknoten, eine Abteilung beweist, dass sie mehr Personal braucht, und eine Zwischenebene erzeugt ständig Komplexität, die nur sie selbst koordinieren kann. Am Ende verbraucht die Organisation enorme Ressourcen, nur um sich selbst am Laufen zu halten.
Diese Art von Aufblähung tritt auch in KI-Systemen auf.
Ein Agent ist für die Zerlegung von Aufgaben zuständig, ein anderer für die Ausführung, ein dritter für die Überprüfung und ein vierter für die Bewertung der Überprüfungsergebnisse. Jede zusätzliche Ebene lässt das System vollständiger erscheinen – aber ohne strenge Prüfung des Nutzers erzeugen sie möglicherweise nur Arbeit füreinander.
Menschen erzeugen mehr Personal, Tokens erzeugen mehr Tokens.
Das bedeutet: Der zentrale Indikator für die Verwaltung von KI in der Zukunft ist, wie viel nachweisbarer Geschäftswert pro Einheit Token erzeugt wird.
Gute KI-Manager werden in Zukunft auch darin bestehen, nutzlose Inferenzen, Schleifen und Kontexte zu entfernen. Die Token-Effizienz wird zur neuen Organisations-Effizienz.
/ 04 / Den Effizienz-Hebel der KI finden
Der einzig unersetzbare Vorteil von KI ist ihre Skalierbarkeit.
Früher war es fast unmöglich, die Fähigkeiten eines hervorragenden Mitarbeiters zu kopieren. Man musste einstellen, schulen, bevollmächtigen und die unvermeidlichen Unterschiede zwischen Menschen akzeptieren. Aber ein bewährter KI-Arbeitsablauf kann in einem Augenblick zehntausendfach kopiert werden.
Das ist auch der Punkt, an dem die Aussage „Menschen sind günstiger als Software“ am häufigsten missverstanden wird.
Bei einer einzelnen Aufgabe kann eine erfahrene Person günstiger sein als eine KI, die ständig Versuche und Fehler macht. Aber bei Skalierung – sobald Unternehmen einen wirksamen Kontext, Arbeitsabläufe und Bewertungssysteme gefunden haben – sinken die Grenzkosten für qualitativ hochwertige Tokens schnell unter die Personalkosten.
Der Schlüssel liegt darin, dass Unternehmen KI-Anwendungsfälle mit einem hundertfachen Hebel finden müssen.
Die vorherige Generation von Technologieunternehmen kämpfte um „10-fache Ingenieure“ – die nächste Generation von Unternehmen wird um die Geschäftskontexte und Managementsysteme kämpfen, die die KI-Effizienz um das Hundertfache steigern.
/ 05 / Niemand bildet seinen eigenen Nachfolger kostenlos aus
Ein oft unterschätztes Problem bei der Verwaltung von KI ist, dass das wertvollste Wissen von Unternehmen meist in den Köpfen der Mitarbeiter steckt.
Ein erfahrener Verkäufer weiß, wann er den Preis senken sollte, ein Kundendienstleiter erkennt an einem Satz, ob ein Kunde eine Beschwerde einreichen wird, und ein Lieferkettenmanager weiß, welcher Lieferant zwar schnell zusagt, aber am unzuverlässigsten liefert.
Dieses Wissen lässt sich kaum in Standardprozessen niederschreiben – aber es bestimmt die tatsächliche Wettbewerbsfähigkeit des Unternehmens.
Die KI-Transformation verlangt von den Mitarbeitern, diese Erfahrungen zu strukturieren und zu Kontexten zu machen, die das Modell verstehen und nutzen kann. Das ist keine rein technische Maßnahme – es berührt direkt die Interessenstrukturen innerhalb der Organisation.
Seit Jahrhunderten ist das Wissen, das andere nicht haben, eine Arbeitsplatzsicherung. Mittelalterliche Gilden schützten Geheimrezepte, moderne Mitarbeiter schützen ihre „Erfahrungen“. Jetzt wollen Unternehmen, dass Mitarbeiter ihre einzigartigen Methoden vollständig an die KI übergeben – und sagen ihnen gleichzeitig, dass die KI nur ein Helfer zur Effizienzsteigerung ist.
Die Mitarbeiter wissen natürlich, was das bedeutet.
Niemand bildet bedingungslos einen Nachfolger aus, der ihn möglicherweise ersetzen kann. Deshalb gelangt die KI-Transformation von Unternehmen schließlich in die Tiefe der Organisationspolitik: Wem gehört das Wissen? Wie werden Beiträge berechnet? Wie werden die Interessen nach der Effizienzsteigerung neu verteilt? Warum sollten die Mitarbeiter mitmachen?
Daher wird die Gestaltung von Anreizen für den Wissenstransfer zum Schlüssel für die erfolgreiche Umsetzung von KI.
/ 06 / Bewertung ist das neue OKR
Warum schreitet die KI-Entwicklung im Programmierbereich am schnellsten voran? Ein wichtiger Grund ist, dass Code von Natur aus mit Bewertungsmaßstäben ausgestattet ist.
Aber viele Arbeiten in der realen Welt haben solche klaren Maßstäbe nicht.
Daher ist die wichtigste Aufgabe bei der KI-Umsetzung, ein Bewertungssystem aufzubauen – das sogenannte Eval. Der Grad der KI-Einführung hängt stark von der „Bewertbarkeit“ der zu verfolgenden Arbeiten ab.
Eval entspricht den OKRs der KI, ist aber konkreter als herkömmliche OKRs: Es zerlegt unklare Geschäftsbeurteilungen in Regeln, die Maschinen verstehen können. Das Modell bestimmt die Obergrenze der KI-Fähigkeiten – Eval bestimmt, ob Unternehmen diese Fähigkeiten stabil in Ergebnisse umwandeln können.
/ 07 / Die KI-Transformation wird die nächste Billionen-Dollar-Chance
In den letzten Jahren konzentrierte sich der Hauptwert der KI-Industrie auf Basismodelle, Rechenleistung und Anwendungsebene. Alle verkaufen „Werkzeuge“ und diskutieren, welche Dienstleistungen durch KI neu gestaltet werden.
Aber diese Diskussionen verdecken eine größere Realität: Es gibt bereits genügend Modelle und Anwendungen – was wirklich fehlt, ist die Fähigkeit, sie stabil in den Kernprozessen von Unternehmen zu betreiben.
In Silicon Valley verbreitet sich die Annahme: Traditionelle Unternehmen haben komplexe Organisationsstrukturen, starke Politik und starre Prozesse – deshalb können sie die KI-Transformation nicht wirklich abschließen, und die zukünftigen Chancen gehören neuen Unternehmen, die ihre Geschäfte von Anfang an mit KI neu gestalten.
Das stimmt nur zur Hälfte.
KI-native Unternehmen sind tatsächlich agiler und können neue Technologien leichter einführen. Aber traditionelle Unternehmen besitzen nach wie vor die wichtigsten Vermögenswerte: echte Kunden, Vertriebskanäle, Branchenlizenzen, historische Daten und Geschäftserfahrungen, die noch in keinem Dokument festgehalten sind.
Diese Vermögenswerte verlieren nicht automatisch ihren Wert, wenn ein neues Modell veröffentlicht wird. Im Gegenteil: Wer sie in von KI nutzbare Arbeitsabläufe umwandeln kann, wird enorme Produktivität freisetzen.
Daher ist das größte zukünftige KI-Unternehmen nicht unbedingt ein weiteres Basismodell-Unternehmen oder ein „KI-nativer Dienstleister“, der alle traditionellen Unternehmen ersetzen will – sondern möglicherweise ein Unternehmen, das andere bei der fortwährenden KI-Transformation unterstützt.
Im Wesentlichen verkaufen sie eine fortwährende Managementfähigkeit: Prozesse strukturieren, Wissen extrahieren, Kontexte gestalten, Eval-Systeme aufbauen, Token-Kosten kontrollieren, Grenzen zwischen Mensch und KI festlegen – und die Geschäfte ständig neu gestalten, wenn sich die Modellfähigkeiten weiterentwickeln.
Das ist der Punkt, an dem Palantir besonders bemerkenswert ist. Oberflächlich betrachtet verkauft es Software – im Wesentlichen verkauft es die Fähigkeit, komplexe Organisationen in berechenbare Systeme umzuwandeln. Die Software ist nur das Trägermedium, die Transformation ist das eigentliche Produkt.
Im KI-Zeitalter wird diese Art von Nachfrage um das Zehnfache steigen.
Denn die KI-Transformation ist kein einmaliges Projekt. Wenn Unternehmen einen Anwendungsfall umgesetzt haben, entdecken sie zehn weitere. Jedes Mal, wenn das Modell seine Fähigkeiten verbessert, lohnt es sich, die ursprünglichen Prozesse neu zu gestalten. Je mehr KI genutzt wird, desto mehr KI muss verwaltet werden.
Das ist ein typisches Beispiel für das Jevons-Paradoxon: Je effizienter eine Technologie ist, desto größer wird die Gesamtnachfrage nach zugehörigen Ressourcen und Dienstleistungen. Das bedeutet: Die Verwaltung von KI wird die abschließende Phase nach dem Boom der großen Modelle sein – und sie ist selbst die wichtigste Industrie der nächsten Stufe.
/ 08 / Schlusswort
In der Vergangenheit ist jede technologische Revolution schließlich zu einem Managementproblem geworden.
In den 1830er Jahren expandierten die Eisenbahnen rasant: Die Länge der US-Eisenbahnlinien stieg in zehn Jahren um etwa das 120-fache. Die Technologie trieb die Transportkapazität auf ein nie dagewesenes Niveau – und brachte die alten Managementmethoden an ihre Grenzen.
1841 kollidierten zwei Züge in Massachusetts aufgrund von Fehlern bei der Fahrplangestaltung. Der Unfall zeigte nicht, dass die Dampfmaschinen nicht fortgeschritten genug waren – sondern dass Systeme ab einem bestimmten Komplexitätsgrad nicht mehr nur auf der Grundlage persönlicher Erfahrung betrieben werden können.
Die Eisenbahngesellschaften begannen daraufhin, Gebiete zu unterteilen, Manager einzusetzen, Pflichten schriftlich festzulegen und klare Berichtswege einzurichten. Das moderne Unternehmensmanagement, das wir heute für selbstverständlich halten, entstand im Zuge der Expansion der Eisenbahnnetze.
Die