Das wertvollste KI-Geschäft ist möglicherweise nicht das mit dem intelligentesten Modell. Es könnte dasjenige sein, das weiß, was vor der Einführung des Modells geschah, was es als Nächstes tun darf und ob seine Arbeit zu einem Ergebnis geführt hat.
Das klingt weniger revolutionär als allgemeine künstliche Intelligenz. Es ist aber ein Problem, das Unternehmen bereits heute testen können. Ein Modell kann einen Rechnungsstreit entwerfen, Code schreiben oder eine Bestellung vorschlagen. Ein Unternehmen muss dennoch wissen, welche Rechnung beanstandet wird, wessen Genehmigung zählt, was sich im Hauptbuch geändert hat und ob die Bestellung ausgeführt wurde. Der Unterschied zwischen der Generierung einer Antwort und der Erledigung einer nachweisbaren Arbeit ist der Punkt, um den sich ein großer Teil des nächsten KI-Marktes drehen könnte.
Die Output-Falle
Betrachten wir das, was einem natürlichen Experiment in der Softwareentwicklung am nächsten kommt. In einer Überarbeitung eines NBER-Arbeitspapiers vom September 2026 untersuchen Mert Demirer, Leon Musolff und Liyuan Yang mehr als 500.000 GitHub-Entwickler und deren Nutzung von KI-Tools. In ihrem Matched-Event-Study-Design werden autonome Programmieragenten mit einem kumulativen Anstieg der Commits um 240 % in Verbindung gebracht. Der Effekt verringert sich auf 80 % bei Projekten und auf 30 % bei Releases. Die Größenordnungen sind Schätzungen der Studie, keine allgemeingültigen Vorhersagen. Ihre wichtige Unterscheidung besteht zwischen Aktivität und einem gelieferten Ergebnis.
Ein Commit ist kein Release. Ebenso wenig ist ein generiertes Compliance-Memo ein akzeptiertes Audit, ein Vorschlag des Kundensupports ein gelöster Fall oder ein ausgefülltes Versicherungsformular eine ausgezahlte Forderung. Der Abstand zwischen diesen Dingen umfasst Identitäten, Genehmigungen, Ausnahmen, externe Systeme und menschliche Verantwortung. KI kann einen einzelnen Schritt beschleunigen, während der übergeordnete Prozess weiterhin Einschränkungen unterliegt.
Frühere Erkenntnisse aus der Arbeitswelt untermauern diesen Punkt. Eine Studie mit 5.179 Kundendienstmitarbeitern ergab, dass der Zugang zu einem generativen KI-Assistenten die Anzahl der pro Stunde gelösten Probleme um durchschnittlich 14 % erhöhte, wobei bei weniger erfahrenen Mitarbeitern größere Zuwächse gemessen wurden. Dies zeigt, dass KI bereits vor einer umfassenden Autonomie konkreten betrieblichen Mehrwert schaffen kann. Es zeigt jedoch nicht, dass jeder Unternehmensablauf von vergleichbaren Vorteilen profitieren wird.
Vier Hürden, nicht nur eine
Eine vom Autor bereitgestellte Forschungspräsentation mit dem Titel „AI Opportunity Gates 2026–2035“ (10. September 2026) schlägt vor, dass ein nützliches kommerzielles KI-System vier Hürden überwinden muss: Modellfähigkeit, Domänendaten, Handlungsbefugnis und beobachtbare Käuferkonditionen. Dabei handelt es sich um ein Rahmenkonzept, nicht um ein feststehendes Gesetz der Innovation. Der Reiz liegt darin, dass jede Hürde unabhängig geprüft werden kann.
Bei der Leistungsfähigkeit geht es darum, ob ein Modell eine abgegrenzte Aufgabe zuverlässig ausführen kann. Beim Zugang geht es darum, ob das System rechtmäßig und präzise an die Datensätze gelangen kann, die der Aufgabe Bedeutung verleihen. Bei der Handlungsbefugnis geht es darum, wer eine Aktion lesen, empfehlen, genehmigen, bezahlen, den Status ändern oder rückgängig machen darf. Die Wirtschaftlichkeit fragt, ob der Käufer schnellere Ergebnisse, weniger Fehler, geringere Kosten oder ein anderes akzeptiertes Ergebnis erhält – und nicht bloß mehr KI-generierte Aktivitäten.
Nichts davon erfordert das Warten auf eine Maschine, die jede kognitive Aufgabe bewältigen kann. Es erfordert die Auswahl einer wiederholbaren Aufgabe und den Nachweis einer Verbesserung über den gesamten Arbeitsablauf hinweg. Für einen Beschaffungsprozess könnte das bedeuten, dass von der genehmigten Bestellanforderung bis zum korrekt eingegangenen Auftrag weniger Tage vergehen, einschließlich Ausnahmen. Wenn der scheinbare Produktivitätsgewinn verschwindet, sobald Genehmigungen und Nacharbeiten mitgerechnet werden, ist das Potenzial geringer, als der Nachweis vermuten ließ.
Warum der Agent selbst ersetzbar sein könnte
Die Forschungspräsentation plädiert für eine beständige Ebene aus operativem Speicher, Herkunftsnachweis, Berechtigungen und Ergebnisverfolgung, die einen Modellwechsel überstehen kann. Sie bezeichnet diese Möglichkeit als „geregelte Kontinuitätsebene“. Die Bezeichnung ist weniger wichtig als der Test: Wenn das Sprachmodell morgen ersetzt würde, würde der Kunde dann immer noch über eine nützliche, vertrauenswürdige Aufzeichnung von Entscheidungen, Rechten, Integrationen und Ergebnissen verfügen?
Unabhängige Bewertungen unterstreichen sowohl das Potenzial als auch dessen Grenzen. METR misst die Leistungsfähigkeit von Agenten unter anderem anhand der Dauer von Aufgaben, für deren Erledigung Menschen bei einer bestimmten Erfolgsquote normalerweise benötigen. Die Arbeiten zu diesem Zeithorizont dokumentieren rasche Fortschritte bei begrenzten Softwareaufgaben, warnen jedoch davor, Benchmark-Trends direkt auf verlässliche reale Arbeitsabläufe zu übertragen. Ein längerer Aufgabenhorizont ist keine Betriebsgenehmigung. Zuverlässigkeit, Integration und Rechenschaftspflicht bleiben separate Fragen.
Das KI-Risikomanagement-Framework des US-amerikanischen National Institute of Standards and Technology fordert ebenfalls, den Kontext des KI-Einsatzes abzubilden, die menschliche Aufsicht zu definieren und Risiken über den gesamten Systemlebenszyklus hinweg zu managen. Dies ist kein Beweis dafür, dass sich ein eigenständiges Governance-Produkt durchsetzen wird. Es ist vielmehr ein Beleg dafür, dass Organisationen, die KI einsetzen, Governance-Verpflichtungen unterliegen, selbst wenn das zugrunde liegende Modell beeindruckend ist.
Der stärkste Einwand: Die Plattformen bauen dies bereits auf
Es gibt eine offensichtliche Gefahr für diese These. Der Governance-Bereich ist kein unerschlossener Markt. Microsofts „Copilot Studio“ dokumentiert bereits Umgebungen, Einschränkungen bei Konnektoren, Sicherheitsrollen sowie Prüf- und Genehmigungsprozesse. Im Jahr 2026 wurden das Agenteninventar und die identitätsbezogenen Kontrollen erweitert. Microsoft und andere Anbieter von Unternehmensplattformen können viele der vermeintlich fehlenden Komponenten mit Software bündeln, die Kunden bereits nutzen.
Das verändert das Geschäftsmodell. Ein neues Unternehmen, das generische „Speicherplätze plus Berechtigungen für Agenten“ verkauft, könnte lediglich Funktionen eines etablierten Anbieters neu verpacken. Die Präsentationsvorlage selbst schlägt eine Ausschlussregel vor: Geschäftsmöglichkeiten sind abzulehnen, wenn der Großteil des versprochenen Nutzens mit einer bestehenden Plattform zu moderaten Integrationskosten reproduziert werden kann. In der Präsentation gibt es keine unabhängigen Belege dafür, dass ein neuer horizontaler Anbieter diesen Test bestanden hat.
Eine engere Lücke ergibt sich dort, wo eine Organisation einen dauerhaften, überprüfbaren Zustand über Systeme und Anbieter hinweg benötigt, die kein gemeinsames Autoritätsmodell nutzen – und wo ein bestimmter Käufer nachweisen kann, dass es sich lohnt, für die Behebung dieser Diskrepanz zu zahlen. Selbst dort können vertragliche Datenrechte, der Zugriff auf APIs etablierter Anbieter, Wechselkosten und Integrationsaufwand den Business Case zunichte machen. Ein Diagramm des Arbeitsablaufs zu besitzen bedeutet nicht, dessen Wirtschaftlichkeit zu beherrschen.
Was sollte vor der AGI aufgebaut werden?
Kein universeller KI-Mitarbeiter. Beginnen Sie mit einem teuren, häufig wiederkehrenden, abgegrenzten Arbeitsablauf. Messen Sie dessen aktuelle Durchlaufzeit, Fehlerquote, den Aufwand für Eingriffe und die insgesamt akzeptierte Leistung. Weisen Sie der KI zunächst eine begrenzte Rolle zu: eine Empfehlung vorbereiten, die Quellen beifügen und den befugten Mitarbeiter um Genehmigung bitten. Erweitern Sie den Anwendungsbereich nur auf reversible Aktionen, bei denen Überwachung und Wiederherstellung funktionieren. Speichern Sie jede Entscheidung und jedes Ergebnis in einem Format, das unabhängig vom aktuellen Modell nutzbar ist.
Drei Ergebnisse würden die wirtschaftliche Tragfähigkeit untermauern: eine wiederholte Verbesserung der vom Käufer akzeptierten Ergebnisse; ein rechtmäßiger, stabiler Weg zu den erforderlichen Informations- und Handlungsrechten; und ein Vorteil, der auch nach dem Vergleich des Produkts mit bestehenden Unternehmensplattformen bestehen bleibt. Ein Scheitern in einem dieser Punkte sollte die Investitionsentscheidung beeinflussen.
Der wichtigste Meilenstein könnte daher noch vor der allgemeinen Intelligenz erreicht werden: der Punkt, an dem Software einen eng definierten Prozess zuverlässig abschließen, ihre Vorgehensweise nachweisen und gegenüber den Personen und Institutionen, die sie autorisiert haben, rechenschaftspflichtig bleiben kann. Das ist ein bescheideneres Versprechen als AGI. Es ist auch eines, das ein Käufer bereits am Montagmorgen überprüfen kann.
Quelle und Status, 11. Oktober 2026 – Veröffentlichungsversion 1. Das Vier-Tore-Modell und die These der „Governed Continuity“ sind dem vom Autor bereitgestellten Dokument „AI_Opportunity_Gates_2026_2035(1).html“ vom 10. September 2026 entnommen. Die darin enthaltenen Wahrscheinlichkeiten, Chancenranglisten und Prognosen sind Einschätzungen von Analysten, keine gemessenen Vorhersagen, und werden hier bewusst nicht wiedergegeben. Zu den unabhängigen Ankerquellen zählen Demirer, Musolff und Yang, „Writing Code vs. Shipping Code“ (NBER, überarbeitet im September 2026), Brynjolfsson, Li und Raymond, „Generative AI at Work“ (NBER), die Autonomieforschung von METR, das NIST AI RMF Core sowie die Governance-Dokumentation zu Microsofts Copilot Studio. Die kommerzielle These ist eine Schlussfolgerung; es wurden keine Schätzungen zu Umsätzen in neuen Märkten, zur Erfolgswahrscheinlichkeit für Gründer oder zur Amortisationsdauer festgelegt. Eine begleitende Überprüfung der Belege ist in der öffentlichen Untersuchung verfügbar. Es wurden keine Korrekturen verzeichnet.