KI-Programmierung ist lukrativer, warum stürzen sich alle großen Tech-Unternehmen auf KI-Büroanwendungen?

Im März dieses Jahres wurde Tencents WorkBuddy veröffentlicht. Nach mehr als drei Monaten öffentlicher Testphase fragte Shuzhi Qianxian Wang Shengjie, den Autor der ersten Codezeile und ersten Produktmanager von WorkBuddy: Welcher Wert ist größer, der von CodeBuddy oder WorkBuddy? „Das hängt von der Nutzergruppe ab“, sagte er. Auf die Nachfrage „Werden langfristig nicht mehr Menschen WorkBuddy nutzen?“ lautete die Antwort „Nicht unbedingt“.

Zwei Monate später lagen die neuesten Daten vor. Nach Statistiken von Analysys International bis Ende Juni erreichte WorkBuddy 20,97 Millionen monatliche Besuche auf dem Markt für KI-native Büroagenten auf PCs in China und belegte damit den ersten Platz – ein Anstieg von fast dem 2,4-fachen gegenüber den 8,85 Millionen im Monat der Veröffentlichung im März. Aus aktueller Sicht der Einnahmen ist die KI-Programmierung jedoch profitabler.

Unmittelbar danach vollzogen drei große Technologieunternehmen innerhalb von zwei Wochen gleichzeitig organisatorische Anpassungen. Am 20. Juli wurde das mit Tencents QClaw verbundene Team in die sechste Abteilung für Cloud-Produkte verlegt und in dasselbe Managementsystem wie WorkBuddy integriert. Am 30. Juli wurde das Produktteam von ByteDancs Feishu in Doubao eingegliedert, wodurch ein neues Doubao-Produktteam entstand. Am 3. August startete Alibabas Qianwen Office die offene Betaphase, die aus der Integration der drei Produkte QoderWork, MuleRun und Wukong hervorging und von Chen Yusen, dem neuen CEO von DingTalk, koordiniert wird. Baidu stellte DuMate vor, Kimi brachte Kimi Work auf den Markt und 360 veröffentlichte Nano Work.

Dieser Wettbewerb brach nicht plötzlich aus. Dahinter verbirgt sich ein vierjähriger Zeitraum, der „überschattet“ wurde.

01 Organisatorische Anpassungen innerhalb von zwei Wochen

„Das Zeitfenster für Desktop-basierte Büroanwendungen schließt sich schnell im Monatsrhythmus“, heißt es in einer Analyse. Die organisatorischen Anpassungen der drei großen Technologieunternehmen innerhalb von zwei Wochen sind kein Zufall.

Zuvor hatte Anthropic fast ein Jahr nach der Einführung von Claude Code im Januar dieses Jahres Claude Cowork auf den Markt gebracht, das sich an normale Berufstätige richtet, die keine Kommandozeile beherrschen – Mitarbeiter aus den Bereichen Finanzen, Personal, Betrieb und Marketing. Yang Zhilin von Kimi hat im Juni dieses Jahres eine Rechnung aufgestellt: Mehr als 90 % des Token-Verbrauchs von Modellen entfallen auf Programmierszenarien, aber es gibt weltweit nur 30 Millionen Programmierer, während die Zahl der Wissensarbeiter über 1 Milliarde beträgt. „Die nächsten zwei bis drei Jahre werden wichtige Durchbrüche im Paradigma bringen.“

Die Basis von WorkBuddy ist CodeBuddy – ein KI-Programmierwerkzeug, das Tencent vor drei Jahren entwickelt hat. Liu Yi, Vizepräsident von Tencent Cloud und Leiter von CodeBuddy & WorkBuddy, erklärte, dass sie mehr als zwei Jahre lang Codeprodukte entwickelt haben, um einen „Coding-Agent-Kern“ zu verfeinern, der in WorkBuddy eingebettet wird. „Am ersten Tag seiner Einführung hatte es bereits eine stabile Grundlage“. Im Vergleich dazu erreichen viele Work-Produkte von Konkurrenten, die auf dem Open-Source-Projekt Openclaw aufbauen, keine zufriedenstellenden Ergebnisse.

Liu Yi schätzt die Lücke sehr offen ein: „Es gibt sicherlich einen Abstand zwischen chinesischen Modellen und denen aus dem Silicon Valley. Wenn man nur inländische Modelle verwendet, wird man niemals über Fähigkeiten wie die von Claude Opus verfügen – das ist die Realität.“ Aber er fügte hinzu: Ab Mitte 2025 gibt es „kaum noch Unterschiede bei den Produktfunktionen“. Die Punktzahl von CodeBuddy im SWE-bench-Test ist „nicht niedriger als die von Open-Source-Projekten“.

Dennoch teilten Tencent-Mitarbeiter Shuzhi Qianxian mit, dass Coding-Produkte in der aktuellen Phase profitabler sind. Viele Unternehmen befinden sich noch in der Testphase von Büroprodukten und bewerten noch den Wert des hohen Token-Verbrauchs für die Kostensenkung und die Erschließung neuer Geschäftsfelder.

Warum bewegen sich also alle von der KI-Programmierung hin zur KI-Büroarbeit?

Ein erfahrener Mitarbeiter eines großen Technologieunternehmens erläutert die zugrundeliegende Logik. Erstens: Die Nutzergruppe ist sehr groß. Es gibt Hunderte Millionen Angestellte, die von Verwaltungsmitarbeitern über kaufmännische Mitarbeiter bis hin zu Personalmitarbeitern das Werkzeug nutzen können – „wenn sie es einmal verwenden, kehren sie nicht mehr zurück“. Zweitens: Die Nutzerbindung ist sehr stark. Programmierer vergleichen mehrere Angebote, wechseln schnell und nutzen das günstigste Werkzeug; Angestellte achten nicht auf technische Details und bleiben bei dem Werkzeug, in dem sie ihren eigenen Arbeitsbereich aufgebaut haben. Drittens und am wichtigsten: Die Daten. Programmierer arbeiten in einem engen Bereich, legen großen Wert auf Datenschutz und nutzen den Datenschutzmodus; bei Work-Produkten ist das anders: Nutzer laden 100 Dateien hoch, um sie sortieren zu lassen, was eine extrem reichhaltige Datenvielfalt bietet. In der Umgebung großer inländischer Technologieunternehmen mit ökologischen Barrieren sind diese Datenbarrieren langfristig sehr wertvoll.

„Die Kaufkraft eines Programmierers und einer Angestellten ist nicht auf demselben Niveau. Das ist der Wettbewerb, den große Technologieunternehmen mögen: Wenn das Work-Geschäft erst einmal in Gang kommt, wird es sich um das 100-fache oder 1000-fache vergrößern.“

Aber alle suchen noch nach Wegen, um im Unternehmensgeschäft Einnahmen zu generieren. Die guten Nutzungserfahrungen von Feishu-Meeting-Protokollen führen zu kostenpflichtigen Abonnements; nachdem WorkBuddy das Wissensnetzwerk integriert hat, könnte es Gebühren für den Speicherplatz erheben – in der Vergangenheit wurden Unternehmens-Netzfestplatten in China kaum akzeptiert, aber Feishu verfolgt im Grunde genommen genau dieses Geschäftsmodell. Wang Shengjies Vision ist es, WorkBuddy zu dem „allgemeinen Eingangstor für Arbeit und Leben“ zu machen. Auch Codex und ChatGPT aus dem Silicon Valley werden zusammengeführt: Wenn sich Nutzer an eine KI als Eingangstor für die Arbeit gewöhnt haben, werden sie sie auch nach dem Verlassen des Arbeitsplatzes acht Stunden lang weiter nutzen.

Hier stellt sich eine Frage: Wenn die Basis von Work der Coding-Agent ist, wer hat dann den vorherigen Coding-Wettbewerb gewonnen? Die Antwort ist nicht Tencent, Alibaba oder ByteDance. Wir müssen vier Jahre zurückgehen.

02 Die entstandene Lücke

Im Oktober 2024 hat das US-amerikanische KI-Programmier-Startup Bolt.new seinen Dienst gestartet. Vier Wochen später erreichte sein annualisiertes Einkommen 4 Millionen US-Dollar. Dario, Präsident von Anthropic, rief den CEO von Bolt aufgeregt an: „Ihr seid der Kunde mit dem schnellsten Wachstum, den wir je gesehen haben.“ Bolt nutzte das neu eingeführte Claude 3.5 Sonnet von Anthropic, und der sprunghaft angestiegene Aufrufvolumen hat die GPUs von Anthropic zeitweise vollständig ausgelastet.

Fast zur selben Zeit war das KI-Programmierteam eines großen chinesischen Technologieunternehmens „relativ entspannt und musste keine Überstunden machen“. Ein anderes Unternehmen erhielt eine Reihe von kundenspezifischen Projekten, und mehrere Teams begannen, vor Ort beim Kunden zu arbeiten. Mehrere andere große Technologieunternehmen bereiteten sich auf den Verkehrsanstieg während des Frühlingsfestes vor. KI-Coding wurde später zu einer der klarsten kommerzialisierten Richtungen für große Modelle, aber zu diesem Zeitpunkt war es nicht der wichtigste Wettbewerb für chinesische Technologieunternehmen.

„Darin stecken viele zufällige Faktoren“, sagte ein erfahrener Mitarbeiter eines großen Technologieunternehmens.

Bis zum 6. August dieses Jahres entfallen auf Anthropic 24,9 % des Token-Verbrauchs auf der Entwicklerplattform Vercel, aber 71,8 % des Ausgabevolumens. Das annualisierte Einkommen von Cursor hat bereits 4 Milliarden US-Dollar überschritten. Im Vergleich dazu hat keines der Unternehmen Alibaba, Tencent oder ByteDance die Einnahmen aus ihren Coding-Produkten öffentlich bekannt gegeben.

Die Mitte des Jahres 2025 scheint eine Trennlinie zu sein. Davor haben drei Faktoren – strategische Ausrichtung, Geschäftsmodell und Datenschleife – die Lücke zwischen China und den USA vergrößert.

Vor Mitte 2025 waren die Hauptreferenzobjekte der chinesischen Unternehmen für große Modelle OpenAI. „Wir haben die allgemeinen Fähigkeiten, Text-to-Bild, Text-to-Video, C-Ende und B-Ende verfolgt – wir haben alles gemacht, was OpenAI auch gemacht hat“, erinnerte sich ein Mitarbeiter von Zhipu. Damals erreichte die Bewertung von OpenAI bereits mehrere hundert Milliarden US-Dollar. Im Vergleich dazu schien Coding nur ein kleiner vertikaler Markt zu sein.

Aber Anthropic hat schon sehr früh einen anderen Weg eingeschlagen. Im Juli 2026 veröffentlichte Anthropic die Oral History „The Making of Claude Code“. Darin wird offenbart, dass das Unternehmen bereits 2021 einen VS-Code-Programmierassistenten entwickelt hat; Anfang 2022 begann sein Team für verstärkendes Lernen mit dem Aufbau einer Plattform, um Modelle zu trainieren, die Software-Engineering-Aufgaben selbstständig erledigen können. Damals kam sie zu der Erkenntnis: Der Weg zur AGI führt höchstwahrscheinlich über die groß angelegte Automatisierung des Software-Engineerings. Von 2023 bis 2024 gab es bei Anthropic intern bereits ein Werkzeug namens „clide“. Es war sehr einfach, hatte aber bereits die Grundzüge des späteren Claude Code.

Huang Tiejun, Vorsitzender des Verwaltungsrats des Institute for Artificial Intelligence, Peking (Beijing) (AI-Tech), teilte Shuzhi Qianxian mit, dass der Code-Token, den Anthropic für das Training des Modells verwendet, 4,2 Billionen erreicht, was mehr als einem Drittel der Gesamtmenge entspricht, wovon etwa die Hälfte aus Codes von kommerziellen Software stammt. „Alle Unternehmen, die sich mit großen Sprachmodellen befassen, legen von Anfang an Wert auf Code, nur in unterschiedlichem Ausmaß.“ Seiner Meinung nach ist es wirklich reflektionswürdig, dass die chinesische KI-Industrie in der Vergangenheit die Bedeutung der digitalen Welt unterschätzt hat. „Die moderne Gesellschaft läuft auf Stromnetzen, auf denen wiederum ein Informationsnetz aufbaut. Alle unsere Informationssysteme basieren im Grunde auf Computercode, nicht wahr?“

Chinesische Unternehmen haben schon sehr früh erkannt, dass Coding profitabel sein kann. Mitarbeiter von Baidu Intelligent Cloud teilten Shuzhi Qianxian mit, dass bei den Ausschreibungen für große Modelle im Jahr 2024 der Transaktionsbetrag und die Anzahl der KI-Anwendungen im Code-Bereich bereits sehr weit vorne lagen, wobei Finanzwesen, allgemeine Technologie-Internetbranche, traditionelle Software und Fertigung die Hauptbedarfsbranchen sind. Aber in China haben sich hauptsächlich andere Geschäftsmodelle durchgesetzt: kundenspezifische Entwicklung und Vor-Ort-Einsätze bei Kunden. Alibabas Tongyi Lingma bietet sowohl Standardprodukte als auch kundenspezifische Entwicklungsdienstleistungen an; Zhipu hat zeitweise sein Team für Regierungs- und Unternehmensprojekte erweitert, wobei eine große Anzahl von Mitarbeitern in die Projektabwicklung eingebunden war. Dieses Modell kann Einnahmen erzielen, aber es ist schwierig, ein exponentielles Wachstum zu erreichen. „Kundenspezifische Entwicklung ist eine mühsame Arbeit mit einer offensichtlichen Wachstumsobergrenze“, sagte ein Mitarbeiter eines großen Technologieunternehmens. Ohne eine attraktive Wachstumskurve kann man im Inneren des Unternehmens keine Ressourcen gewinnen.

In Übersee hat sich jedoch eine andere Wachstumskurve entwickelt. „Ab Mitte 2024 ist die Coding-Branche in den Aufschwung gekommen“, sagte Chen Qiuwu, CTO von Coding Tech, das sich auf KI-Programmierung spezialisiert, zu Shuzhi Qianxian. „Die annualisierten Einnahmen von Lovable, Bolt.new und GitHub Copilot liegen alle in Höhe von Hunderten Millionen US-Dollar, und es sind nicht nur ein paar, sondern mehr als ein Dutzend Unternehmen.“ Sie verwenden hauptsächlich standardisierte Abonnement- und MaaS-Modelle. Jede Verbesserung der Modellfähigkeiten kann direkt in Einnahmen durch mehr Nutzer und ein höheres Aufrufvolumen umgewandelt werden.

Aber noch wichtiger als die Einnahmen sind die Daten.

Im September 2024 trat Boris Cherny Anthropic bei. Gerade eingestellt wurde sein selbst geschriebener Code von Kollegen abgelehnt, mit der Begründung: „Du solltest das interne Code-Werkzeug clide ausprobieren.“ Bald darauf führte Anthropic die Tool-Nutzung ein. Boris führte ein Experiment durch: Er gab dem Modell ein Werkzeug und fragte dann: „Welche Musik höre ich gerade?“ Das Modell schrieb selbst AppleScript, um den Player abzufragen – es gelang auf Anhieb. Dieses kleine Experiment ließ ihn erkennen, dass Modelle nicht auf feste Arbeitsabläufe beschränkt werden sollten. Menschen müssen ihm nur Ziele und Werkzeuge geben, damit es selbst Programme lesen, schreiben und ausführen und auf Basis der Ergebnisse weitere Aktionen durchführen kann. Dies wurde zu einem der wichtigsten Produktgedanken von Claude Code.

In der zweiten Jahreshälfte 2024 wuchsen die Coding-Startups, die auf dem Claude-Modell aufbauen, schnell an, und auch bei Anthropic beschleunigte sich die Entwicklung. Das Team entwickelte das Produkt in einem zweiwöchigen Sprint, und im Februar 2025 wurde Claude Code zusammen mit Claude 3.7 Sonnet offiziell veröffentlicht. Claude Code ist nicht nur ein Ausgangspunkt für Modellfähigkeiten, sondern auch ein Eingangspunkt für Daten. Es unterzeichnet Vereinbarungen mit Entwicklern: Welche Anweisungen Entwickler eingeben, wie sie Code ändern, warum Tests fehlschlagen und worauf Code-Prüfungen achten – all diese echten Software-Engineering-Prozesse erzeugen kontinuierlich Daten.

„Heutzutage sind die Fähigkeiten und Methoden zum Modelltraining nicht mehr das größte Hindernis. Der Kern ist das Datendrehkreuz“, sagte ein Mitarbeiter des Coding-Produkts MaDao von Huawei Cloud zu Shuzhi Qianxian. GitHub verfügt über eine riesige Menge an Code, kann dem Modell aber kaum zeigen, wie ein echter Software-Ingenieur arbeitet. Die eigenen Code-Repositorys großer Technologieunternehmen können dieses Problem ebenfalls nicht vollständig lösen.

„Die Menge an Code in großen