In der Technologiegeschichte folgt der Fortschritt meist einer berechenbaren S-Kurve. Nach einer turbulenten Anfangsphase flacht das Innovationstempo ab, Best Practices kristallisieren sich heraus und etablierte Unternehmen holen den anfänglichen Vorsprung agiler Pioniere durch standardisierte Abläufe auf. Bei generativer künstlicher Intelligenz geschieht derzeit jedoch das genaue Gegenteil: Die Kluft zwischen den Entwicklern an der technologischen Grenze und der breiten Masse der Wirtschaft schließt sich nicht - sie reißt immer weiter auf.
Darauf verweist Aaron Levie, Mitgründer und Chef des US-Cloud-Speicherspezialisten Box. In einer viel beachteten Lageeinschätzung warnt der Manager davor, dass herkömmliche Vorstellungen von IT-Einführung und organisatorischem Wandel an der aktuellen Entwicklungsdynamik zerschellen. Wer glaube, seine KI-Strategie mit dem Abschluss eines Pilotprojekts vor sechs oder zwölf Monaten erledigt zu haben, befinde sich in einer gefährlichen Illusion.
Die vertikale Kurve hebelt die Aufholjagd aus
Laut Levie ist der Abstand zwischen jenen, die direkt an der KI-Frontier arbeiten, und dem Rest der Unternehmenswelt inzwischen nahezu unbegreiflich groß. Wäre die Entwicklungskurve wie bei früheren IT-Wellen abgeflacht, hätte dies den meisten Organisationen genügend Zeit verschafft, Arbeitsabläufe zu kodifizieren und standardisierte Werkzeuge flächendeckend auszurollen. Ein Wettbewerbsvorteil wäre damit im Laufe der Zeit nivelliert worden, weil alle Marktteilnehmer am Ende auf dieselbe Weise gearbeitet hätten.
Tatsächlich verlaufe die Kurve des KI-Fortschritts derzeit jedoch fast vertikal. Wer Prozesse vor drei bis sechs Monaten festgeschrieben habe, sei heute höchstwahrscheinlich schon wieder ins Hintertreffen geraten. Noch dramatischer sehe es bei Unternehmen aus, die vor einem Jahr mit Pilotprojekten loslegten und das Thema intern als abgehakt betrachteten. Sie seien vom aktuellen Stand der Technik weiter entfernt als zu Beginn ihrer Bemühungen.
Diese Diskrepanz deckt sich mit Beobachtungen aus dem Markt: Während Pioniere bereits autonome Agentenketten orchestrieren, kämpfen viele Großkonzerne noch mit ernüchternden Basisdaten - wie die anhaltenden Schwierigkeiten bei der breiten Belegschaftsaktivierung in der Microsoft-Copilot-Adoptionskrise eindrücklich verdeutlichten.
Warum verfrühte Standardisierung zur Schuldenfalle wird
In klassischen IT-Architekturen gilt Standardisierung als Tugend: Prozesse werden in feste Handbücher gegossen, Schnittstellen fest verdrahtet und Workflows zertifiziert. Im Zeitalter wöchentlicher Modellsprünge verkehrt sich dieses Prinzip ins Gegenteil. Wer aufwendige Middleware oder starre Regeln um die Schwächen einer früheren Modellgeneration herum gebaut hat, sitzt plötzlich auf technologischen Altlasten.
Was vor wenigen Monaten noch komplexe Prompt-Ketten, externes RAG-Scaffolding oder menschliche Kontrollschleifen erforderte, lösen neuere Denkmodelle und Reasoning-Systeme heute oft mit einem einzigen Befehl. Unternehmen, die sich in langwierigen internen Abstimmungsprozessen auf ein starres Vorgehen festgelegt haben, optimieren so unwissentlich veraltete Übergangslösungen.
Wie Microsoft-Chef Satya Nadella treffend formulierte, wandelt sich die Bilanz von Unternehmen künftig in kognitive Kapazitäten um. Levie ergänzt diesen Gedanken um einen unbequemen Aspekt: Weder das menschliche Gehirn noch die traditionellen Change-Management-Verfahren von Konzernen seien evolutionär darauf ausgelegt, ihre Erwartungshaltungen in demselben exponentiellen Rhythmus nachzujustieren.
Rekursive Selbstverbesserung verändert die Spielregeln
Als wesentlichen Treiber dieses Auseinanderdriftens nennt Levie Mechanismen der rekursiven Selbstverbesserung. Wenn KI-Systeme zunehmend eingesetzt werden, um die nächste Generation von Modellen, Programmierwerkzeugen und Sicherheitsfiltern zu trainieren und zu überprüfen, gewinnt die Entwicklung eine Eigendynamik, die lineare Planungszyklen überfordert. Über die Risiken und die Notwendigkeit von Tempobremsern bei dieser rekursiven Selbstverbesserung an der Frontier streiten selbst führende Laborgründer intensiv.
Für die unternehmerische Praxis bedeutet dieser Effekt eine fundamentale Umkehrung bisheriger Denkmuster: Teams müssen Aufgaben, die noch vor wenigen Monaten als technisch unlösbar oder zu fehleranfällig verworfen wurden, in regelmäßigen Intervallen erneut testen. Was im Frühjahr an Halluzinationen oder Kontextgrenzen scheiterte, funktioniert im Herbst möglicherweise bereits zuverlässig.
Vor diesem Hintergrund genießen sogenannte AI-Native-Unternehmen einen massiven Vorsprung. Startups, die von vornherein ohne starre Altsysteme, schwerfällige Genehmigungshierarchien und vorgefasste Workflows operieren, können Modellsprünge binnen Tagen adaptieren. Für etablierte Großkonzerne stellt sich hingegen die existenzielle Frage, ob ihre organisatorische Anpassungsfähigkeit mit diesem Takt Schritt halten kann.
Die Realität der Konzerne: Zwischen Agilität und Governance
Bei aller berechtigten Warnung vor Trägheit greift Levies Diagnose in einem Punkt zu kurz: Konzerne verharren selten aus reiner Bequemlichkeit in langsamen Zyklen. Für regulierte Unternehmen in Europa und Nordamerika stehen rechtliche Pflichten, Datenschutz, Compliance nach dem EU AI Act sowie handfeste Haftungsfragen im Raum. Ein unkontrolliertes Hinterherjagen hinter jedem Modell-Update birgt das Risiko von Datenlecks, Audit-Mängeln und unkalkulierbaren Betriebsrisiken.
Zudem profitiert Levies eigene Firma Box davon, Unternehmen vor der Veralterung starrer IT-Systeme zu warnen: Box positioniert seine Plattform gezielt als flexiblen Daten-Hafen, der als neutrale Schnittstelle zwischen unstrukturierten Unternehmensdokumenten und wechselnden KI-Modellen fungieren soll. Die Mahnung zur permanenten Re-Evaluation ist somit auch ein Plädoyer für anpassungsfähige Cloud- und Schnittstellen-Infrastrukturen.
Dennoch bleibt der Kernbefund unbestritten: Wer KI als einmaliges Einführungsprojekt begreift, das mit einem Rollout abgeschlossen ist, verliert den Anschluss an die Produktivitätsspitze. Erfolgreiche Organisationen müssen den Widerspruch auflösen, indem sie einen verlässlichen Governance-Rahmen mit maximal flexiblen, modular austauschbaren Modellen kombinieren.
🎯 Was das für die Praxis bedeutet
1. Keine starren Workflows zementieren: Vermeiden Sie es, proprietäre Prozesse fest an die spezifischen Begrenzungen einzelner Modellversionen zu koppeln. Architekturen müssen so modular bleiben, dass Kernmodelle ohne Kernsanierung der Software ausgetauscht werden können.
2. Quartalsweises Re-Testing gescheiterter Aufgaben: Führen Sie eine systematische Liste aller Anwendungsfälle, die in früheren Pilotprojekten wegen mangelnder Genauigkeit oder hoher Fehlerquoten verworfen wurden. Testen Sie diese Anwendungsfälle alle drei bis sechs Monate mit aktuellen Frontier-Modellen erneut.
3. Change Management auf Dauerbetrieb umstellen: Begreifen Sie KI-Adoption nicht als befristetes Transformationsprojekt mit Meilenstein und Abschlussdatum. Teams benötigen kontinuierliche Freiräume, um neu entstehende Agenten-Fähigkeiten laufend in den Arbeitsalltag zu integrieren.
Anzeige · Buch und Angebot von Markus Kirchmair
Noch ein Tool. Oder endlich weniger Arbeit?
Prüfen Sie mit No More Tools, welche Software und Abläufe Ihr Unternehmen tatsächlich braucht. Im Workshop entsteht ein priorisierter Fahrplan.
