Amy Webb warnt: Der Produktivitätsschub durch KI hält Unternehmen im Pilotprojekt-Fegefeuer gefangen

Amy Webb hat in einem bei Google News hervorgehobenen Fortune-Bericht eindringlich gewarnt: KI verbilligt die Erstellung von Inhalten, macht Unternehmen aber zugleich komplexer und teurer im Betrieb.

Die Warnung stellt die Annahme infrage, dass schnellere Produktion automatisch wirtschaftlichen Wert schafft. Unternehmen können heute Präsentationen, Analysen, Code und Angebote innerhalb weniger Stunden erstellen. Vielen gelingt es jedoch nicht, diese Ergebnisse in Entscheidungen, Arbeitsabläufe oder messbare Erträge zu überführen.

Webb, CEO der Future Today Strategy Group, vergleicht diesen Markt mit einer schlechten Dating-App. Die Plattform profitiert, wenn Nutzer weiter suchen, statt dauerhafte Verbindungen einzugehen. Anbieter von Unternehmens-KI profitieren ähnlich, wenn Kunden fortlaufend Pilotprojekte starten, Tokens kaufen und Modelle testen, ohne eine dauerhaft tragfähige Implementierung abzuschließen.

Diese Dynamik lässt den aktuellen Boom an die Dotcom-Ära erinnern, allerdings mit einer zusätzlichen Komplikation. Die Internetblase finanzierte Unternehmen, denen häufig funktionierende Geschäftsmodelle fehlten. Die KI-Ökonomie verfügt bereits über nützliche Produkte, erhebliche Umsätze und echte Produktivitätsgewinne.

Ihre Schwäche liegt an anderer Stelle. KI kann mehr Arbeit erzeugen, als Organisationen bewerten, steuern oder aufnehmen können. Die Technologie erzeugt erfolgreich Ergebnisse, während das umgebende Unternehmen daran scheitert, diese Ergebnisse in konkrete Resultate zu verwandeln.

Amy Webbs Warnung verändert die Google-News-Debatte über die KI-Blase

Die wichtigste Veränderung besteht nicht darin, dass KI plötzlich nicht mehr funktioniert. Erfolgreiche Produktion kann vielmehr neue organisatorische Kosten schneller entstehen lassen, als Unternehmen sie erkennen.

Webb erläuterte dieses Argument in einer Fortune-Analyse vom 30. August zur KI-Ökonomie. Sie sagte der Publikation, KI mache die Produktion günstig, während fast alles andere innerhalb von Unternehmen teurer werde.

Damit unterscheidet sich ihre Warnung von den bekannten Behauptungen, generative KI sei bloß ein Hype. Die Modelle können überzeugende Dokumente schreiben, Informationen analysieren, Software generieren und Präsentationen erstellen. Genau diese Fähigkeiten erzeugen das neue Problem.

Als die Erstellung einer Präsentation eine Woche dauerte, erhielt ein Team möglicherweise ein sorgfältig vorbereitetes Deck. Wenn KI diese Arbeit auf einen Tag verkürzt, können Manager fünf Decks zu sich überschneidenden Fragen erhalten.

Die Kosten für die Erstellung jedes Dokuments sinken. Die Kosten für Prüfung, Vergleich, Validierung und Entscheidung zwischen ihnen steigen.

Webb nennt dies „in Decks ertrinken“. Ein Führungskraft berichtete ihr, dass direkte Mitarbeitende unter Entscheidungsparalyse litten, weil sie zu viel statt zu wenig Analyse erhielten. Eine andere beschrieb „Insta-Decks“, die fünfmal so häufig wie zuvor eintreffen.

Dies ist ein Kapazitätskonflikt. Generative Systeme erweitern das Angebot an plausibler Arbeit, ohne dass Führungsaufmerksamkeit, rechtliche Prüfung oder organisatorisches Urteilsvermögen im gleichen Tempo wachsen.

Die Warnung zur KI-Ökonomie führt auch den Vergleich mit Dating-Apps ein. Webb argumentiert, dass eine Dating-Plattform profitiert, wenn Nutzer weitersuchen, statt nach der Partnersuche abzuwandern.

Der Markt für Unternehmens-KI kann einen ähnlichen Anreiz erzeugen. Anbieter erzielen Umsätze, während Kunden experimentieren, Rechenressourcen verbrauchen und weitere Abonnements abschließen. Ein Kunde muss keine profitable Implementierung abschließen, damit diese Ausgaben weiterlaufen.

Führungskräfte können aktive Pilotprojekte derweil als Beleg dafür anführen, dass sie auf KI reagieren. Ein Pilotprojekt wirkt sicherer als die Neugestaltung eines wichtigen Arbeitsablaufs. Es begrenzt die unmittelbare Exponierung und vermeidet schwierige Entscheidungen über Verantwortlichkeit.

Diese Sicherheit kann zur Falle werden. Jedes Pilotprojekt erzeugt eine weitere Demonstration, einen Bericht oder ein Strategie-Deck. Das Unternehmen gewinnt Belege dafür, dass KI eine Aufgabe erledigen kann, aber keinen Nachweis, dass diese Aufgabe in einen nachhaltigen Betriebsprozess gehört.

Webb zufolge beschreiben Führungskräfte diesen Zustand als „Pilotprojekt-Fegefeuer“. Teams testen weiterhin Anwendungen, ohne sie in Rechtsabteilungen, Informationstechnologie, Beschaffung oder bestehende Geschäftssysteme zu integrieren.

Wenn ein Pilotprojekt endet, beginnt ein anderes Team möglicherweise wieder bei null. Das Unternehmen zahlt wiederholt für die Erkundung, behält jedoch kaum institutionelles Wissen aus früheren Versuchen.

Das Ergebnis ist eine eigentümliche Form des Überflusses. Mitarbeitende können mehr Material produzieren, doch Führungskräfte sind sich weniger sicher, was Maßnahmen verdient. Organisationen erwerben mehr KI-Fähigkeiten, können ihren wirtschaftlichen Beitrag jedoch weiterhin nicht erklären.

Dies ist kein Versagen der Generierung. Es ist ein Versagen der Umwandlung.

Ein Modell wandelt Prompts in Ergebnisse um. Ein Unternehmen muss Ergebnisse in Entscheidungen, Verhalten, Umsatz, Einsparungen oder geringere Risiken verwandeln. Das sind getrennte Prozesse mit unterschiedlichen Verantwortlichen und Beschränkungen.

Diese Unterscheidung ordnet die Blasendebatte neu. Die Frage lautet nicht mehr, ob KI beeindruckende Arbeit erzeugen kann. Sie lautet, ob Unternehmen diese Arbeit aufnehmen können, ohne eine teure zusätzliche Ebene aus Prüfung und Verwirrung zu schaffen.

Die Ausgaben für Unternehmens-KI steigen weiter, bevor Erträge eintreffen

Unternehmenskäufer stehen unter Druck aus beiden Richtungen: Vorstände erwarten sichtbare KI-Fortschritte, während operative Teams kaum nachweisen können, dass ihre Pilotprojekte die finanziellen Ergebnisse verbessern.

Eine von Fortune zitierte Bain-Umfrage umfasste 951 Unternehmen weltweit. Fast 40 Prozent der Befragten, die KI-Kosteneinsparungen messen, erreichten weniger als 10 Prozent, obwohl sie Renditen zwischen 11 und 20 Prozent anstrebten.

Die Lücke stoppte die Investitionen nicht. Neunzig Prozent der befragten Unternehmen gaben an, ihre KI-Budgets erhöhen zu wollen.

Diese Kombination ist wichtiger als jede der beiden Zahlen für sich. Schwach gemessene Einsparungen würden Ausgaben normalerweise senken. Bei KI veranlasst Wettbewerbsangst Unternehmen dazu, mehr auszugeben, bevor sie verstehen, warum bestehende Implementierungen hinter den Erwartungen zurückblieben.

Niemand möchte zu spät erscheinen. Führungskräfte haben gesehen, wie die Nutzung durch Verbraucher zunahm und sich die Fähigkeiten der Modelle verbesserten. Zudem hören sie Behauptungen, dass kleine KI-native Teams größere etablierte Unternehmen übertreffen können.

Die politisch sicherere Entscheidung in vielen Unternehmen ist daher ein weiteres Pilotprojekt. KI-Arbeit zu stoppen kann zaghaft wirken. Ein Experiment zu genehmigen wirkt reaktionsfähig, selbst wenn der Organisation ein Weg von der Demonstration zur Produktion fehlt.

Breitere Daten zur Einführung zeigen dieselbe Lücke. McKinseys Umfrage zur KI-Einführung ergab, dass 88 Prozent der Befragten von regelmäßiger KI-Nutzung in mindestens einer Geschäftsfunktion berichteten.

Nur etwa ein Drittel erklärte, dass ihre Organisationen begonnen hätten, KI-Programme im gesamten Unternehmen zu skalieren. Die meisten verblieben in Experimentier- oder Pilotphasen.

Die finanziellen Auswirkungen waren begrenzter. 39 Prozent schrieben KI einen gewissen Einfluss auf die Unternehmensgewinne zu. Die meisten dieser Gruppe sagten, KI mache weniger als 5 Prozent des Gewinns vor Zinsen und Steuern aus.

Diese Ergebnisse bedeuten nicht, dass der Technologie Wert fehlt. Sie zeigen, dass Nutzung, Skalierung und finanzieller Wert drei unterschiedliche Messgrößen sind.

Ein Mitarbeitender kann einen Chatbot regelmäßig verwenden, ohne die wirtschaftliche Lage eines Unternehmens zu verändern. Eine Abteilung kann einen Agenten einsetzen, ohne den Arbeitsablauf darum herum neu zu gestalten. Ein Unternehmen kann Arbeitszeit sparen, ohne diese Stunden als niedrigere Kosten oder höheren Output zu realisieren.

Unternehmen zählen häufig Aktivitäten, weil sie leicht zu beobachten sind. Sie verfolgen Lizenzen, Prompts, Nutzer, generierten Code und fertiggestellte Dokumente. Diese Kennzahlen belegen Nutzung, nicht zwingend Wert.

Eine aussagekräftige Messung muss das System mit einem Geschäftsergebnis verbinden. Dazu können schnellere Fallbearbeitung, niedrigere Supportkosten, höhere Vertriebsabschlüsse, kürzere Entwicklungszyklen oder weniger Compliance-Fehler gehören.

Selbst dann bleibt die Zuordnung schwierig. Ein Team kann sich nach der Einführung von KI verbessern, weil es zugleich die Führung verändert, seine Daten bereinigt oder einen Prozess vereinfacht hat. Das Modell verdient weder den gesamten Erfolg noch die gesamte Schuld.

Kosten schaffen eine weitere Quelle des Drucks. Fortune berichtete, dass die weltweiten KI-Ausgaben 2026 voraussichtlich 2,5 Billionen US-Dollar erreichen würden – ein Anstieg um 44 Prozent gegenüber dem Vorjahr.

Einige Chief Information Officers haben die Nutzung bereits eingeschränkt. Samsara überwacht beispielsweise KI-Ausgaben täglich und setzt je nach Arbeit der Mitarbeitenden unterschiedliche Verbrauchsgrenzen.

Docusign passte seine Coding-Agenten an, nachdem das Unternehmen festgestellt hatte, dass sie übermäßig große Teile der Codebasis nach Kontext durchsuchten. Das Unternehmen erklärte, dass die Eingrenzung des abgerufenen Materials den Token-Verbrauch um fast 50 Prozent senkte.

Diese Beispiele zeigen, dass der Produktionsbetrieb Kosten mit sich bringt, die eine überzeugende Demonstration verbergen kann. Eine Demo beweist, dass ein Modell eine Aufgabe erledigen kann. Sie offenbart nicht die Kosten der wiederholten Nutzung durch Tausende Mitarbeitende.

Der Produktionsbetrieb bringt außerdem Sicherheitsprüfungen, Identitätskontrollen, Datenberechtigungen, Audit-Anforderungen, Schulungen und Support mit sich. Jede Komponente erzeugt Arbeit über den sichtbaren Output des Modells hinaus.

Das eigentliche Druckziel ist der Unternehmenskäufer. Anbieter können wachsende Nutzung ausweisen, während Kunden die Kosten für Integration und organisatorischen Wandel tragen.

Vorstände werden letztlich eine klarere Antwort verlangen. Sie werden fragen, welche KI-Systeme messbare Ergebnisse verändert haben, welche lediglich Arbeit verlagerten und welche mehr Material erzeugten, als irgendjemand benötigte.

Ein gut gesteuerter KI-Workflow kann fragmentierten Aufwand reduzieren, indem er Informationen mit einer klar definierten Entscheidung verbindet. Entscheidend ist die definierte Entscheidung, nicht das Output-Volumen.

Ohne diesen Anker kann ein erweiterter KI-Zugang bestehende Verwirrung verstärken. Teams erstellen schneller, Manager prüfen länger, und Budgets wachsen weiter, während die Verantwortlichkeit diffus bleibt.

Die zentrale Umkehrung: Mehr Produktivität kann weniger Fortschritt bedeuten

Die zentrale wirtschaftliche Umkehrung von KI ist einfach: Günstigerer Output erhöht das Arbeitsvolumen, doch die Organisation verfügt weiterhin nur über begrenzte Kapazitäten, ihn zu beurteilen und zu nutzen.

Traditionelle Produktivitätsmaße behandeln mehr Output pro Stunde häufig als Verbesserung. Diese Logik funktioniert, wenn zusätzliche Einheiten auf klare Nachfrage und gleichbleibende Qualität treffen.

Wissensarbeit verhält sich nicht immer so. Ein Unternehmen profitiert selten davon, fünf strategische Empfehlungen zu erhalten, wenn Führungskräfte nur eine finanzieren können. Mehr Alternativen können Entscheidungen verzögern, statt sie zu verbessern.

KI senkt zudem die Kosten für die Erstellung mittelmäßiger Arbeit. Ein Vorschlag erfordert nicht länger genügend Überzeugungskraft, um mehrere Tage Aufwand zu rechtfertigen. Jeder kann ein professionell wirkendes Dokument erzeugen, bevor geprüft wird, ob die zugrunde liegende Idee überhaupt relevant ist.

Die Qualität einer Präsentation kann schwaches Denken verdecken. Ein Deck kann glaubwürdige Sprache, strukturierte Diagramme und detaillierte Empfehlungen enthalten. Sein professionelles Erscheinungsbild garantiert weder korrekte Annahmen noch hilfreiches Urteilsvermögen.

Dadurch entsteht eine Prüfungssteuer. Manager müssen feststellen, welche Teile auf verlässlichen Belegen beruhten, welche abgeleitet wurden und welche ohne ausreichenden Kontext erzeugt wurden.

Diese Prüfungssteuer breitet sich über Abteilungen hinweg aus. Rechtsteams prüfen Haftungsfragen. Sicherheitsteams bewerten die Datenexposition. Finanzteams hinterfragen Einsparschätzungen. Operative Führungskräfte entscheiden, ob Mitarbeitende ihr Verhalten tatsächlich ändern werden.

Ein Pilotprojekt kann einen Großteil dieser Reibung vermeiden, weil es in einer kontrollierten Umgebung arbeitet. Der Produktionsbetrieb kann das nicht.

Der Produktionsbetrieb erfordert einen festen Verantwortlichen, genehmigte Daten, Monitoring, Eskalationswege und einen Plan für Fehler. Er verlangt außerdem, dass jemand entscheidet, wann die KI nicht handeln sollte.

Diese Anforderungen erklären, warum technisch erfolgreiche Pilotprojekte dennoch ins Stocken geraten. Die Organisation hat nachgewiesen, dass ein Modell eine Aufgabe erledigen kann, aber nicht das umgebende System aufgebaut, das nötig ist, um dieser Leistung zu vertrauen.

McKinseys Forschung identifiziert die Neugestaltung von Arbeitsabläufen als wichtige Trennlinie. Organisationen, die Nutzen erzielen, tun mehr, als eine KI-Oberfläche neben einen alten Prozess zu stellen.

Sie verändern Rollen, Anreize, Schnittstellen und Kennzahlen. Sie etablieren Feedback-Mechanismen und schaffen klare Verantwortlichkeiten für die Einführung.

Diese Arbeit ist langsam, weil sie Meinungsverschiedenheiten offenlegt, die ein Pilotprojekt verbergen kann. Teams müssen entscheiden, wem die Daten gehören, wer das Risiko trägt und aus wessen Budget die laufende Nutzung finanziert wird.

Das Problem des „Ertrinkens in Präsentationen“ ist derselbe Mechanismus im kleineren Maßstab. KI beseitigt einen Produktionsengpass und legt anschließend einen Entscheidungsengpass offen.

Ein Marketingteam kann über Nacht 30 Kampagnenkonzepte erstellen. Das bedeutet nicht, dass die Marke 30 Kampagnen durchführen sollte. Menschen müssen weiterhin eine Zielgruppe auswählen, Aussagen freigeben, Geld zuweisen und Ergebnisse interpretieren.

Ein Softwareteam kann mehr Code erzeugen. Ingenieure müssen weiterhin die Architektur prüfen, Grenzfälle testen, Abhängigkeiten pflegen und den bereitgestellten Dienst unterstützen.

Ein Forschungsteam kann Hunderte Dokumente zusammenfassen. Dennoch muss jemand entscheiden, ob die Quellensammlung vollständig ist und ob widersprüchliche Belege die Schlussfolgerung verändern.

Diese Aufgaben erfordern Kontext, Verantwortlichkeit und Urteilsvermögen. Sie sind schwerer zu automatisieren, weil ihre richtigen Ergebnisse von organisatorischen Prioritäten statt von einer universellen Antwort abhängen.

Das Produktivitätsversprechen enthält daher eine versteckte Annahme. Es setzt voraus, dass die umgebende Organisation alles aufnehmen kann, was das Modell produziert.

Diese Annahme scheitert häufig. Führungskräfte stehen bereits überfüllten Postfächern, konkurrierenden Dashboards und wiederholten Meetings gegenüber. KI fügt einen weiteren Informationskanal mit hohem Volumen hinzu, sofern das Unternehmen nicht ältere Kanäle abschafft.

Die Lösung ist nicht automatisch ein weiteres Modell. Ein Modell mit besserem Schlussfolgerungsvermögen kann einzelne Ergebnisse verbessern, aber auch umfangreichere und überzeugendere Dokumente erzeugen.

Je leistungsfähiger das System wird, desto leichter ist es, Analysen zu erstellen, die eine ernsthafte Prüfung verdienen. Das kann die Belastung knapper Fachkräfte erhöhen.

Webbs Beobachtung zu generischen Ideen wirft eine weitere Frage auf. Wenn viele Teams auf ähnliche Modelle setzen, können sie ähnliche Strategien, Formulierungen und Empfehlungen hervorbringen.

Dadurch entsteht der Eindruck einer breiten Analyse ohne echte Vielfalt. Fünf generierte Präsentationen können einen statistischen Schwerpunkt darstellen, der auf fünf Arten ausgedrückt wird.

Unternehmen riskieren dann, Menge mit unabhängiger Bestätigung zu verwechseln. Wiederholung wirkt besonders überzeugend, wenn jedes Dokument professionell aussieht.

Die beste Reaktion besteht nicht darin, generierte Arbeit abzulehnen. Sie besteht darin, festzulegen, was die Arbeit verändern muss, bevor sie erstellt wird.

Ein sinnvolles Projekt beginnt mit einer operativen Entscheidung, einer messbaren Ausgangsbasis, einem verantwortlichen Eigentümer und einem Schwellenwert für die Fortsetzung. Die KI-Komponente dient dann dieser Struktur.

Pilot-Purgatorium beginnt in der entgegengesetzten Richtung. Ein Unternehmen startet mit einem Tool, sucht nach Anwendungen und feiert wiederholt die technische Machbarkeit.

Dieser Prozess kann unbegrenzt weiterlaufen, weil sich Modelle ständig verbessern. Jede Veröffentlichung schafft einen Grund, denselben Arbeitsablauf erneut zu testen.

Der Vergleich mit Dating-Apps wird hier klarer. Die Suche selbst wird zum Produkt. Unternehmen bleiben aktive Kunden, weil das nächste Modell oder der nächste Agent vielleicht endlich die versprochene Übereinstimmung schafft.

Warum der Dotcom-Vergleich passt – und wo er nicht greift

Die Dotcom-Parallele passt, weil Kapital Kapazitäten vor nachgewiesenen Renditen finanziert, doch die heutigen KI-Produkte bereits echten Nutzen und erhebliche Nachfrage liefern.

Während des Internetbooms erkannten Investoren zu Recht, dass Vernetzung und digitaler Handel die Wirtschaft verändern würden. Sie lagen oft falsch damit, welche Unternehmen diesen Wert abschöpfen würden und wie schnell Gewinne entstehen würden.

KI weist dieselbe Trennung zwischen technologischer Bedeutung und Investitionsdisziplin auf. Eine Technologie kann die Gesellschaft verändern, während viele um sie herum aufgebaute Unternehmen scheitern.

Webb argumentiert, dass die heutige Situation schlimmer sein könnte, weil KI mehr tut, als spekulatives Kapital anzuziehen. Sie überschwemmt auch funktionierende Organisationen mit günstig erzeugtem Output.

Ein gescheiterter Dotcom-Händler konnte Investorengelder verlieren und schließen. Eine schlecht gesteuerte KI-Einführung kann Entscheidungen, Personalstrukturen, Informationsflüsse und Betriebskosten innerhalb eines ansonsten gesunden Unternehmens verändern.

Infrastrukturausgaben erhöhen den Einsatz. George Lee, Co-Leiter des Goldman Sachs Global Institute, schätzte, dass die gesamten Investitionen in KI-Infrastruktur letztlich 7 bis 8 Billionen US-Dollar erreichen könnten.

Lee argumentierte, dass die Verdrängung bestehender Gewinnpools nicht genügend Rückfluss erzeugen würde. Die Investition würde netto neue wirtschaftliche Aktivität erfordern.

Das ist ein anspruchsvoller Maßstab. Kosteneinsparungen übertragen häufig Wert, statt ihn zu schaffen. Wenn jedes Unternehmen KI einsetzt, um ähnliche Arbeitskosten zu senken, kann der Wettbewerb einen Großteil des Vorteils an Kunden weitergeben.

Neue Produkte, Märkte und Nachfrage würden eine stärkere Grundlage bieten. Doch diese Chancen brauchen länger, um sich zu beweisen, als eine Produktivitätsdemonstration.

Jim Covello von Goldman hat das Timing-Problem hervorgehoben. Er akzeptiert, dass die Verbraucherakzeptanz und der technische Fortschritt seine Erwartungen übertroffen haben, bleibt aber skeptisch hinsichtlich der letztendlichen Rendite der Infrastrukturausgaben.

Sein Test ist praktisch. Wenn die Branche die Technologie nach weiteren zwei Jahren noch immer als „früh“ bezeichnet, wird verzögerte Rentabilität schwieriger zu rechtfertigen.

Dem optimistischen Szenario gebührt gleiches Gewicht. KI-Unternehmen erzielen reale Umsätze, und Coding-Tools haben in einigen Umgebungen messbare Verbesserungen gezeigt.

Eine Analyse von The Atlantic berichtete, dass die kostenpflichtige Unternehmensnutzung 2025 und 2026 erheblich zugenommen habe. Sie beschrieb zudem eine steigende Nachfrage nach Coding-Agenten von Anthropic, OpenAI und Anysphere.

Jüngste Forschung, auf die in dieser KI-Produktivitätsanalyse verwiesen wird, ergab, dass neuere Tools Entwicklern dabei halfen, zugewiesene Aufgaben fast 20 Prozent schneller als eine Kontrollgruppe zu erledigen.

Dieses Ergebnis kehrte ein früheres Experiment um, in dem Entwickler mit KI 20 Prozent länger brauchten. Die Qualität der Tools und die Nutzererfahrung hatten sich ausreichend verändert, um das gemessene Ergebnis zu beeinflussen.

Deshalb wäre die einfache Schlussfolgerung „KI ist eine weitere Dotcom-Blase“ irreführend. Die Fähigkeiten verbessern sich, Kunden zahlen, und bestimmte Anwendungen liefern direkte Vorteile.

Coding könnte für KI zudem besonders günstig sein. Software bietet große Trainingsdatensätze, strukturiertes Feedback und Ergebnisse, die Teams testen können.

Andere Formen der Wissensarbeit verfügen nicht über diese Vorteile. Eine Strategieempfehlung lässt sich nicht immer durch einen automatisierten Test bewerten. Eine Managemententscheidung kann Monate brauchen, bis sich ihre Qualität zeigt.

Der aktuelle Boom kann daher sowohl dauerhafte Gewinner als auch schwere Überinvestitionen enthalten. Diese Bedingungen widersprechen sich nicht.

Cloud-Anbieter, Chiphersteller, Modellentwickler, Anwendungsanbieter, Berater und Unternehmensteams nehmen unterschiedliche Positionen ein. Umsatz auf einer Ebene kann auf einer anderen zu einer unproduktiven Ausgabe werden.

Ein Modellanbieter kann wachsen, weil Kunden weiter experimentieren. Ein Cloud-Unternehmen kann wachsen, weil Modellanbieter Rechenkapazität benötigen. Keines der beiden Ergebnisse beweist, dass Unternehmenskäufer angemessene Renditen erzielen.

Die Kette bleibt nur gesund, wenn Endnutzer letztlich genügend wirtschaftlichen Wert schaffen, um die vorgelagerten Ausgaben zu tragen.

Hier wird Webbs Warnung vor den „Kosten des Überflusses“ nützlicher als das Blasenetikett. Debatten über Blasen laufen oft auf Prognosen über einen Markteinbruch hinaus.

Ihr Argument konzentriert sich auf die Betriebsökonomie. Selbst wenn die Bewertungen an den öffentlichen Märkten hoch bleiben, können Unternehmen durch doppelte Pilotprojekte, übermäßigen Output und schwache Integration weiterhin Geld verschwenden.

Das stärkste Argument der Skeptiker ist kein spektakuläres Scheitern. Es ist die anhaltende Lücke zwischen breiter Einführung und begrenzten Auswirkungen auf die Erträge im Unternehmensmaßstab.

Das stärkste Argument der Optimisten ist kein Benchmark. Es ist zahlende Nachfrage, die mit messbaren Verbesserungen in der realen Arbeit verbunden ist.

Beides kann während eines Übergangs zutreffen. Die ungelöste Frage lautet, ob sich die heutigen starken Anwendungen über genügend Branchen verbreiten, bevor Infrastruktur- und Betriebskosten die Renditen übersteigen.

Pilot-Purgatorium ist ein Integrationsproblem, nicht nur ein Modellproblem

Unternehmen entkommen dem Pilot-Purgatorium, wenn sie KI nicht mehr als eigenständiges Produkt behandeln, sondern die Einführung als Veränderung des Betriebssystems verstehen.

Ein Pilotprojekt fragt in der Regel, ob ein Modell eine Aufgabe ausführen kann. Ein Produktionsprogramm fragt, ob das Unternehmen unter realen Einschränkungen von dieser Leistung abhängen kann.

Zu diesen Einschränkungen gehören Datenschutz, Berechtigungen, Latenz, Kosten, Genauigkeit und das Verhalten der Mitarbeiter. Sie umfassen auch alltägliche Fragen zu Budgets und Eigentümerschaft.

Viele Pilotprojekte bleiben von Rechts- und IT-Teams isoliert. Das ermöglicht schnelles Experimentieren, verschiebt jedoch die für die Einführung notwendige Arbeit.

Wenn diese Funktionen das Projekt schließlich prüfen, ist das ursprüngliche Design möglicherweise nicht mehr tragfähig. Das Team verändert dann das Pilotprojekt, wechselt den Anbieter oder beginnt erneut.

Altsysteme verschärfen das Problem. Unternehmensdaten liegen oft in inkompatiblen Anwendungen mit uneinheitlichen Definitionen und Zugriffsregeln.

Ein Agent kann einen Arbeitsablauf nicht zuverlässig abschließen, wenn die relevanten Informationen fragmentiert oder schlecht gesteuert sind. Besseres Schlussfolgerungsvermögen kann fehlende Berechtigungen oder widersprüchliche Datensätze nicht ausgleichen.

Deshalb liefert Enterprise-KI oft eine überzeugende Demonstration, bevor sie verlässliche Automatisierung liefert. Die Demonstration nutzt ein sauberes Beispiel. Die Produktion begegnet dem Unternehmen, wie es tatsächlich existiert.

Mitarbeiter schaffen zudem informelle Umgehungslösungen. Sie kopieren Informationen zwischen Tools, pflegen persönliche Tabellen und verlassen sich auf undokumentiertes Wissen.

Ein auf offiziellen Prozessen trainiertes KI-System könnte übersehen, wie Arbeit tatsächlich erledigt wird. Ein System mit weitreichendem Zugriff könnte sensible Informationen offenlegen oder nicht autorisierte Änderungen vornehmen.

Menschliche Prüfung bleibt unverzichtbar, muss jedoch in den Arbeitsablauf integriert sein. Den Mitarbeitern einfach zu sagen, sie sollten jeden Output prüfen, kann die versprochenen Zeiteinsparungen zunichtemachen.

Die Prüfung sollte sich auf wesentliche Risiken konzentrieren. Eine kundenorientierte Aussage verdient mehr Kontrolle als eine interne Brainstorming-Liste. Eine Zahlungsentscheidung braucht stärkere Kontrollen als eine Meeting-Zusammenfassung.

Unternehmen benötigen außerdem Abbruchregeln. Ein Pilotprojekt sollte definieren, welche Leistung, Nutzung und welches wirtschaftliche Ergebnis die Produktion rechtfertigen.

Ohne diese Schwellenwerte wird Erfolg subjektiv. Sponsoren können ein beeindruckendes Beispiel hervorheben und gleichzeitig geringe Nutzung oder steigende Kosten ignorieren.

Die skeptische Perspektive lautet, dass organisatorische Reformen nicht jeden Fall lösen können. Manche Aufgaben sind zu mehrdeutig, zu selten oder zu riskant, um einen KI-Einsatz zu rechtfertigen.

Ein Unternehmen kann ein Modell korrekt integrieren und dennoch feststellen, dass der Anwendungsfall wenig Wert erzeugt. Das ist ein gültiges Ergebnis, nicht zwangsläufig ein Fehler bei der Umsetzung.

KI-Anbieter haben Anreize, jedes ins Stocken geratene Projekt als Integrationsherausforderung darzustellen. Diese Erklärung schützt das zugrunde liegende Produkt vor Kritik.

Käufer sollten sich dieser Einordnung widersetzen, wenn die Belege auf etwas anderes hindeuten. Ein Modell kann für die Aufgabe zu unzuverlässig, zu teuer, zu langsam oder zu generisch sein.

Die Unterscheidung erfordert kontrollierte Messungen. Unternehmen sollten KI-unterstützte Arbeit mit einer angemessenen Ausgangsbasis vergleichen, einschließlich Prüfzeit und Fehlerkorrektur.

Sie sollten auch die dauerhafte Nutzung messen. Mitarbeiter können ein System während der Einführung begeistert testen und es dann aufgeben, sobald der Neuheitseffekt nachlässt.

Ein erfolgreiches Pilotprojekt muss Routinebedingungen standhalten. Es benötigt echte Daten, gewöhnliche Nutzer, wiederkehrendes Volumen und dieselben Kontrollen wie in der Produktion.

Es benötigt außerdem Wissenskontinuität. Teams sollten frühere Prompts, Bewertungen, Fehlerfälle und Entscheidungen bewahren, statt bei jeder Anbieter- oder Modellveröffentlichung neu zu beginnen.

Dieses institutionelle Gedächtnis verhindert wiederholte Experimente. Es hilft Käufern zudem zu bestimmen, ob ein neues Modell die Wirtschaftlichkeit verändert oder lediglich die Demonstration verbessert.

Die tiefere Lehre lautet, dass die Transformation im Unternehmen weiterhin Verantwortung des Unternehmens selbst bleibt. Anbieter können Modelle und Tools bereitstellen. Sie können jedoch nicht jeden Konflikt in den Prozessen eines Kunden lösen.

Führungskräfte müssen entscheiden, welche Arbeitsabläufe eine Neugestaltung verdienen. Sie müssen redundante Schritte streichen und verantwortlichen Teams die Befugnis geben, Abläufe zu verändern.

Andernfalls wird KI zu einer weiteren Ebene. Beschäftigte behalten den alten Prozess zur Absicherung bei und führen zugleich einen neuen, KI-gestützten Prozess für mehr Sichtbarkeit aus.

Diese Doppelarbeit erhöht die Kosten. Sie kann zudem die Produktivität während der Umstellung schlechter erscheinen lassen, weil Teams zwei Systeme gleichzeitig pflegen.

Ein glaubwürdiger Einführungsplan sollte erklären, welche alte Arbeit wegfällt. Wenn kein Meeting, Bericht, Genehmigungsschritt oder manueller Vorgang entfällt, erhöht das KI-System wahrscheinlich die Komplexität.

Worauf Unternehmen in den nächsten drei Monaten achten sollten

Drei Signale werden zeigen, ob Webbs Warnung zu einem dauerhaften wirtschaftlichen Muster wird: die Überführung in die Produktion, der realisierte finanzielle Wert und strengere Kontrollen des KI-Verbrauchs.

Das erste Signal ist der Anteil der Pilotprojekte, die in den laufenden Produktionsbetrieb übergehen. Ankündigungen neuer Experimente sind weniger wichtig als Systeme, die gewöhnliche Beschäftigte in etablierten Arbeitsabläufen nutzen.

Eine höhere Umsetzungsquote würde die These vom Pilotprojekt-Limbo schwächen. Sie würde zeigen, dass Unternehmen Hürden bei Governance, Daten und Integration überwinden.

Anhaltendes Wachstum bei Pilotprojekten ohne Wachstum im Produktionsbetrieb würde Webbs Argument stärken. Es würde darauf hindeuten, dass Experimentieren zu einer dauerhaften Beschaffungskategorie geworden ist, statt eine Brücke zur Einführung zu sein.

Achten Sie darauf, wie Unternehmen diese Programme beschreiben. „Für Beschäftigte verfügbar“ ist nicht dasselbe wie regelmäßig genutzt. „Eingeführt“ ist nicht dasselbe wie wirtschaftlich wertvoll.

Das zweite Signal ist die finanzielle Wirkung auf Unternehmensebene. McKinsey stellte fest, dass die meisten Organisationen, die überhaupt einen Ergebnisbeitrag meldeten, KI noch immer weniger als 5 Prozent des EBIT zuschrieben.

Künftige Umfragen und Analystenkonferenzen sollten zeigen, ob dieser Beitrag wächst. Unternehmen sollten messbare Einsparungen, Umsätze, Verbesserungen bei Durchlaufzeiten oder Risikoreduktionen ausweisen.

Vage Produktivitätsbehauptungen verdienen Vorsicht. Eingesparte Zeit hat nur dann Wert, wenn die Organisation sie für zusätzliche Leistung, besseren Service oder niedrigere Ausgaben nutzt.

Wenn Unternehmen beginnen, KI mit nachhaltigen Ergebnissteigerungen zu verknüpfen, wird der Vergleich mit einer Blase schwächer. Infrastrukturausgaben hätten dann eine klarere Quelle für ihre Refinanzierung.

Wenn die Ausgaben steigen, während die gemessenen Erträge unverändert bleiben, verstärkt sich die Warnung. Der Markt würde mehr Aktivität finanzieren, ohne dass der realisierte Wert entsprechend zunimmt.

Das dritte Signal ist die Verbreitung von Verbrauchslimits und Modell-Routing-Systemen. Diese Kontrollen leiten Aufgaben anhand von Kosten, Geschwindigkeit und erforderlicher Leistungsfähigkeit an passende Modelle weiter.

Die Nutzungslimits von Samsara und die engere Kontextabfrage von Docusign zeigen, wie Unternehmen reagieren, nachdem sie versteckte Betriebskosten entdeckt haben.

Mehr Kontrollen würden nicht beweisen, dass die KI-Wirtschaft zusammenbricht. Sie würden zeigen, dass der Markt seine Experimentierphase hinter sich lässt und sich mit Unit Economics auseinandersetzt.

Dieser Übergang kann gesund sein. Auch Cloud Computing erforderte Jahre des Kostenmanagements, der Governance und der Optimierung von Workloads.

Aggressive Einschränkungen, die nach Budgetüberschreitungen eingeführt werden, würden jedoch Webbs Bedenken stützen. Sie würden darauf hindeuten, dass Organisationen Überfluss gekauft haben, bevor sie dessen Kosten verstanden.

Leser sollten außerdem zwischen Branchen unterscheiden. Programmierung, Kundenservice, Wissensmanagement und Dokumentenverarbeitung bieten unterschiedliche Grade an Struktur und messbarem Feedback.

Ein Erfolg im Software Engineering garantiert kein ähnliches Ergebnis in Strategie oder Management. Ein Misserfolg in einem regulierten Arbeitsablauf widerlegt nicht jeden internen Assistenten.

Google News wird weiterhin Geschichten für beide Seiten hervorheben, weil die Belege tatsächlich gemischt sind. Akzeptanz und Umsatz können steigen, während die Erträge für Unternehmen uneinheitlich bleiben.

Die hilfreiche Frage lautet nicht, ob KI real ist. Sie erledigt eindeutig wertvolle Arbeit. Die hilfreiche Frage lautet, ob jede Einführung ein operatives Ergebnis ausreichend verändert, um ihre Gesamtkosten zu rechtfertigen.

Diese Kosten umfassen Tokens, Abonnements, Infrastruktur, Integration, Prüfung, Schulung und organisatorische Aufmerksamkeit. Sie umfassen auch die Opportunitätskosten von Projekten, die nie über den Pilotstatus hinauskommen.

Webbs Dating-App-Metapher beschreibt die Gefahr endloser Suche treffend. Unternehmen können weiterhin Tools mit Anwendungsfällen zusammenbringen, ohne jemals eine stabile operative Beziehung aufzubauen.

Der Ausweg beginnt mit weniger Experimenten und strengeren Kriterien. Jedes Projekt braucht einen verantwortlichen Eigentümer, eine wirtschaftliche Ausgangsbasis, einen Produktionspfad und eine ausdrückliche Abbruchregel.

Führungskräfte sollten vor der Genehmigung eines weiteren Pilotprojekts eine letzte Frage stellen: Welche Entscheidung, welcher Arbeitsablauf oder welche Kosten werden verschwinden, wenn dies erfolgreich ist?

Wenn niemand darauf antworten kann, braucht das Unternehmen wahrscheinlich keine weitere Präsentation. Es braucht Klarheit über die Arbeit selbst.