Zuerst fiel es ihm gar nicht auf.

Die Zielwerte für die Sprint-Velocity stiegen. Die erwartete Bearbeitungszeit für Feature-Anfragen wurde kürzer. Sein Backlog wuchs in zwei Monaten um ein Drittel. Als er es bei seinem Vorgesetzten ansprach, kam die Antwort beiläufig — fast fröhlich: „Wir haben gerade Copilot und Claude Code für das gesamte Engineering-Team eingeführt. Wir sollten jetzt schneller vorankommen.“

Er ist Product Manager in einem mittelgroßen Technologieunternehmen. Sein Job ist es, zwischen Geschäftszielen und Engineering-Kapazität zu übersetzen. Und über Nacht änderte sich die Übersetzung. Die Führung hatte KI-Coding-Werkzeuge eingekauft und die Gleichung für simpel gehalten: dasselbe Team plus KI ergibt mehr Output. Sein Kalender wurde nicht leichter. Er wurde schwerer — denn nun wurde von ihm erwartet, im selben Tempo mehr Features zu spezifizieren, für ein Team, das noch dabei war herauszufinden, wie es die Werkzeuge benutzen sollte, die man ihm drei Wochen zuvor in die Hand gedrückt hatte.

Als er widersprach — und erklärte, dass KI-Werkzeuge eine Neugestaltung der Arbeitsabläufe erfordern, dass das Team Schulung brauchte, dass „schneller“ nicht „mehr“ bedeutet —, bestand die Antwort des Managements aus drei Worten, die ein 684-Milliarden-Dollar-Problem einfangen: „Bau einfach die Chat-Blase ein.“

Ein Button. Eine Blase. Eine kleine Zeichnung auf einem Bildschirm.

Er wusste es damals nicht, aber er hatte gerade beschrieben, wie 80 % der KI-Einführungen von innen aussehen — und zwei der größten KI-Unternehmen der Welt hatten soeben 11,5 Milliarden Dollar ausgegeben, um zu bestätigen, dass er recht hatte.

Die Zahlen, die niemand veröffentlichen wollte

2025 investierten Unternehmen weltweit 684 Milliarden Dollar in KI-Initiativen. Laut der Analyse der RAND Corporation lieferten 80,3 % dieser Projekte nicht den beabsichtigten geschäftlichen Wert.

Diese Zahl verdient einen Moment des Innehaltens. Acht von zehn KI-Projekten — finanziert, besetzt, gestartet — taten nicht, was sie tun sollten.

Die Aufschlüsselung ist aufschlussreich. Von den Fehlschlägen wurden 33,8 % abgebrochen, bevor sie die Produktion erreichten — sie starben im Pilotprojekt, im Proof of Concept, in jenem Meeting, in dem endlich jemand fragte: „Welches Problem lösen wir hier eigentlich?“ Weitere 28,4 % wurden fertiggestellt, lieferten aber nicht den erwarteten Wert — das System funktionierte technisch, aber niemand benutzte es, oder es löste das falsche Problem, oder der Arbeitsablauf, den es verbessern sollte, hatte sich bereits um es herum angepasst.

Der Anteil der Organisationen, die mindestens eine KI-Initiative aufgegeben haben, sprang in zwei Jahren von 17 % auf 42 %. Finanzdienstleistungen — die Branche, die am meisten für KI ausgibt — führt die Ausfallrate mit 82,1 % an. Das Gesundheitswesen liegt bei 78,9 %. Die Fertigung bei 76,4 %.

Und hier ist der Befund, der fast alles andere erklärt: Projekte mit dedizierten Ressourcen für Change Management sind 2,9-mal so häufig erfolgreich wie Projekte ohne. Der Unterschied zwischen den 20 %, die funktionieren, und den 80 %, die es nicht tun, ist nicht das Modell. Es ist nicht die Rechenleistung. Es sind nicht die Daten. Es ist die Frage, ob jemand die Menschen vorbereitet hat.

Das Button-Problem

Der Entscheider, der KI für einen Button hält, verkörpert einen spezifischen Fehlermodus, den die Branche nur ungern beim Namen nennt: KI-Analphabetismus in der Führungsetage.

Es ist nicht so, dass diese Führungskräfte dumm wären. Viele von ihnen haben erfolgreiche Unternehmen aufgebaut, komplexe Märkte navigiert, jahrzehntelang unter Unsicherheit entschieden. Aber KI ist nicht wie frühere Technologieeinführungen. Als man einem Team Excel gab, konnte es am nächsten Tag damit anfangen — die Tabellenkalkulations-Metapher war intuitiv, die Lernkurve überschaubar, das Ergebnis sichtbar. Als man einem Team ein Projektmanagement-Werkzeug gab, war die Veränderung des Arbeitsablaufs erheblich, aber begrenzt — man konnte sehen, wo der alte Prozess endete und der neue begann.

So funktioniert KI nicht. KI verändert die Form der Arbeit selbst. Ein Coding-Assistent beschleunigt nicht nur das Tippen — er verschiebt, womit ein Entwickler seine Zeit verbringt, was verändert, was Code Review bedeutet, was verändert, wie technische Schulden verwaltet werden, was verändert, wie Projekte zugeschnitten werden. Ein Kundenservice-Agent antwortet nicht nur schneller — er verändert, was menschliche Mitarbeiter bearbeiten, was die Einstellungsprofile verändert, was die Schulungsprogramme verändert, was die gesamte Kostenstruktur des Supports verändert.

Die Führungskraft, die sagt „Bau die Chat-Blase ein“, wendet das alte Software-Denkmodell auf ein KI-Problem an. Werkzeug installieren, Team schulen, Output messen. Aber KI bringt keine begrenzte Veränderung des Arbeitsablaufs mit sich. Sie bringt eine kaskadierende. Und wenn die Führung das nicht versteht — wenn sie glaubt, einen Button zu kaufen, während sie eine Prozesstransformation kauft —, dann wird das Projekt sich zu den 80 % gesellen.

Es gibt einen Fehlermodus, den die Statistiken nicht erfassen: Scham. Wenn ein neues Werkzeug nicht so funktioniert, wie jemand es erwartet, meldet sich die Mehrheit nicht zu Wort. Sie versuchen es noch einmal. Und noch einmal. Und noch einmal — und erzeugen dabei stillschweigend Duplikate, Umgehungslösungen und Fehler, die sich anhäufen, bevor es irgendjemand bemerkt. In einem realen Einsatz, den wir beobachtet haben, legte eine Sachbearbeiterin vier doppelte Datensätze an, ohne es jemandem zu sagen, weil es ihr peinlich war, ihren Chef zu fragen, wie das System funktioniert. Das Problem war nicht das Werkzeug. Es war nicht die Schulung — es gab keine Schulung. Es war, dass niemand einen sicheren Raum geschaffen hatte, in dem man sagen kann: „Ich verstehe das nicht.“ Change Management ist nicht nur ein Prozessrahmen. Es ist die Erlaubnis, laut verwirrt zu sein.

Das Geständnis

Am 4. Mai 2026 — am selben Tag, innerhalb weniger Stunden — kündigten OpenAI und Anthropic jeweils Beratungssparten für Unternehmen an.

OpenAI startete „The Deployment Company“, ein 10-Milliarden-Dollar-Vehikel, getragen von TPG und 19 Investoren, mit einer garantierten Jahresrendite von 17,5 %. Geleitet von COO Brad Lightcap, verhandelt es bereits über die Übernahme von drei KI-Dienstleistungsfirmen. OpenAI vertiefte gleichzeitig Partnerschaften mit McKinsey, BCG, Accenture und Capgemini — denselben Beratungsriesen, die 500 Dollar pro Stunde verlangen, um Unternehmen zu erzählen, was ihre eigenen Mitarbeiter längst wissen.

Anthropic kündigte ein 1,5-Milliarden-Dollar-Joint-Venture mit Goldman Sachs, Blackstone und Hellman & Friedman an, ausdrücklich nach dem Vorbild von Palantirs Forward-Deployed-Engineering-Ansatz: Ingenieure im Kundenunternehmen einbetten, um Arbeitsabläufe von innen heraus neu zu gestalten. Parallel dazu startete EPAM ein Programm zur Ausbildung von 10.000 „Claude-zertifizierten Architekten“ und 250 spezialisierten „Black Belt“-Ingenieuren.

Zwei Unternehmen. Derselbe Tag. Dasselbe Eingeständnis: das Modell allein reicht nicht.

Das ist kein Pivot. Es ist ein Geständnis. Vier Jahre lang verkauften die Frontier-Labs Modelle — APIs, Abonnements, Tokens. Das implizite Versprechen war, dass das Modell die Arbeit erledigen würde. Einfach einstöpseln. Je klüger das Modell, desto mehr Wert schafft es. Skaliere das Modell, skaliere den Wert.

Die Ausfallrate von 80 % ist die Quittung für dieses Versprechen.

Was sie tatsächlich verkaufen

Blickt man an den Pressemitteilungen und Partnerschaftsankündigungen vorbei: Was OpenAI und Anthropic jetzt verkaufen, ist keine Beratung. Es sind keine „KI-Transformationsdienstleistungen“. Es ist nicht einmal Expertise.

Sie verkaufen das Handbuch, das dem Produkt hätte beiliegen sollen.

Wenn man ein Auto kauft, setzt der Hersteller voraus, dass man fahren kann. Wenn 80 % der Käufer innerhalb eines Jahres einen Unfall bauten, würde der Hersteller nicht sagen: „Unser Auto ist in Ordnung, die Fahrer sind schlecht.“ Er würde entweder das Auto neu konstruieren oder anfangen, Fahrstunden zu verkaufen.

Die Frontier-Labs haben sich für die Fahrstunden entschieden. Aber sie nannten sie nicht Fahrstunden — sie nannten sie „Enterprise-KI-Dienstleistungssparten“ und bepreisten sie mit 10 Milliarden Dollar.

Das Geniale an diesem Schachzug — und er ist wirklich raffiniert — ist, dass er ein Produktversagen in eine Einnahmequelle verwandelt. Das Modell funktioniert im Unternehmen nicht? Das ist kein Problem. Das ist ein Markt. Verkauf das Modell. Dann verkauf die Beratung, damit das Modell funktioniert. Dann bette deine Ingenieure so tief im Unternehmen ein, dass ein Ausstieg bedeutet, nicht nur das Modell herauszureißen, sondern den gesamten Arbeitsablauf, der darum herum neu aufgebaut wurde.

Das ist Lock-in in einer Tiefe, von der SaaS-Unternehmen nur träumen konnten. Salesforce bettet sich in deine Vertriebs-Pipeline ein. Oracle bettet sich in deine Datenbank ein. OpenAI und Anthropic betten sich in deinen Betrieb ein, mit ihren eigenen Ingenieuren neben deinen Mitarbeitern, die neu gestalten, wie dein Unternehmen seine eigentliche Arbeit verrichtet.

Das Palantir-Muster

Der Vergleich mit Palantir ist kein Zufall — sowohl Anthropic als auch OpenAI verweisen ausdrücklich darauf. Und das Palantir-Playbook ist aufschlussreich.

Palantirs Forward-Deployed Engineers installieren nicht bloß Software. Sie lernen das Geschäft des Kunden kennen, identifizieren, wo Palantirs Werkzeuge Wert schaffen können, bauen maßgeschneiderte Integrationen und werden zu den Trägern des institutionellen Wissens darüber, wie das KI-System innerhalb dieser spezifischen Organisation funktioniert. Mit der Zeit wird der Palantir-Ingenieur unentbehrlich — nicht weil die Software unersetzlich wäre, sondern weil der Ingenieur der Einzige ist, der versteht, wie die Software mit den einzigartigen Prozessen des Unternehmens zusammenhängt.

Wenn der Vertrag zur Verlängerung ansteht, lautet die Frage nicht: „Ist diese Software das wert?“ Die Frage lautet: „Können wir es uns leisten, die Person zu verlieren, die versteht, wie alles funktioniert?“

Das ist das Modell, das OpenAI und Anthropic übernehmen. Keine Softwarelizenzierung. Keine API-Preise. Organisationale Abhängigkeit. Jene Art von Lock-in, bei der die Ausstiegskosten keine Migration sind — sondern eine Reorganisation.

Was das für die 80 % bedeutet

Die unbequeme Wahrheit ist, dass die Beratungssparten die Einführungsraten von KI in Unternehmen wahrscheinlich verbessern werden. Eingebettete Ingenieure, die sowohl das Modell als auch das Geschäft des Kunden verstehen, werden bessere Ergebnisse erzielen als ein Entscheider, der KI für einen Button hält. Die Projekte werden häufiger gelingen. Der ROI wird sich materialisieren. Die Ausfallrate von 80 % wird sinken.

Und genau das ist das Problem.

Die Verbesserung wird zum Teil daher kommen, dass Unternehmen eigene KI-Fähigkeiten entwickeln — Menschen lernen durch Anwendung, und die Lernkurve ist real, auch wenn sie flach verläuft. Aber das Beratungsmodell staucht diese Kurve zusammen, indem es Expertise mietet, statt sie aufzubauen. Das Unternehmen lernt schneller, aber das tiefste Wissen — wie das Modell mit dem spezifischen Arbeitsablauf zusammenhängt, warum bestimmte Konfigurationen funktionieren und andere nicht — steckt im Kopf des Beraters, nicht im Organigramm des Kunden.

Wenn die nächste Modellgeneration eintrifft — und sie trifft immer ein —, wird das Unternehmen dieselben eingebetteten Ingenieure brauchen, um das neue Modell an dieselben Arbeitsabläufe anzupassen. Der Beratungsvertrag verlängert sich. Die Abhängigkeit vertieft sich. Der Lock-in verstärkt sich.

Die Ausfallrate von 80 % war ein Problem. Die Beratungssparten lösen es. Aber sie lösen es so, wie ein Medikament ein Symptom löst: indem sie eine Abhängigkeit erzeugen, die dasselbe Medikament auf unbestimmte Zeit erfordert.

Die Alternative, die niemand verkauft

Es gibt einen anderen Weg, und es ist der, den niemand in ein 10-Milliarden-Dollar-Vehikel verpackt: die Fähigkeit intern aufbauen.

Die Unternehmen, die zu den erfolgreichen 20 % zählen, haben eine Sache gemeinsam — nicht bessere Modelle, nicht größere Budgets, sondern dediziertes Change Management. Jemand innerhalb der Organisation, dessen Job es ist, das Werkzeug zu verstehen, die Prozesse neu zu gestalten, die Menschen zu schulen und die Implementierung iterativ zu verbessern. Nicht der Ingenieur eines Anbieters. Nicht ein Berater, der nach dem Mandat wieder geht. Jemand, der bleibt, der Kontext ansammelt, der versteht, warum das Unternehmen die Dinge so macht, wie es sie macht.

Die Ironie ist scharf. Die KI-Labs bauen Forward-Deployed-Engineering-Teams auf, weil sie wissen, dass Kontext — tiefer, spezifischer, institutioneller Kontext — das ist, was KI in der Praxis funktionieren lässt. Und sie haben recht. Aber sie verkaufen diesen Kontext als Dienstleistung, statt Unternehmen zu helfen, ihn selbst aufzubauen.

Ein Entwickler in Santiago betreibt sieben KI-Instanzen auf einem Mini-PC, der weniger kostet als ein Monat Unternehmensberatung. Er hat seine CLI-Version gepinnt, Auto-Updates deaktiviert, seine eigenen Reasoning-Effort-Stufen gesetzt und ein Kommunikationsprotokoll zwischen den Instanzen gebaut, mit einfachem Text über HTTP. Kein Anbieter. Kein Berater. Kein eingebetteter Ingenieur. Nur jemand, der beschlossen hat, das Werkzeug zu verstehen, statt darauf zu warten, dass jemand anderes es für ihn versteht.

Das sind die 20 %. Kein Budget. Keine Partnerschaft. Eine Entscheidung.

Die Nadel im Heuhaufen

Der Product Manager, der das Verständnis seines Unternehmens von KI als „einen Button in der App“ beschrieb, wusste nicht, dass er ein 684-Milliarden-Dollar-Problem beschrieb. Er machte nur seinem Ärger über seinen Job Luft.

Aber genau dieser Frust — die Lücke zwischen dem, was die Führung glaubt, das KI leistet, und dem, was sie tatsächlich erfordert — ist der Markt, den zwei Billionen-Dollar-Unternehmen soeben mit 11,5 Milliarden Dollar adressiert haben. Nicht weil sie sich um den Frust des Product Managers scheren. Sondern weil sie erkannt haben, dass der Frust eine Einnahmequelle ist.

Die Ausfallrate von 80 % war das Beste, was den Frontier-Labs je passiert ist. Sie bewies, dass das Modell nicht genug war. Und indem sie bewies, dass das Modell nicht genug war, schuf sie den Markt für alles andere, was sie verkaufen wollten.

Warum sie wirklich scheitern

Unter den Statistiken, unter den Beratungssparten und den Lock-in-Strategien liegt eine einfachere Erklärung dafür, warum 80 % der KI-Einführungen scheitern. Sie ist nicht technisch. Sie ist nicht finanziell. Sie ist philosophisch.

Die Unternehmen, die scheitern, fragen: „Wie viele Menschen können wir ersetzen?“

Die Unternehmen, die Erfolg haben, fragen: „Was können diese Menschen jetzt tun, was sie vorher nicht konnten?“

Die erste Frage führt zum Button — Werkzeug installieren, Personal reduzieren, Marge erhöhen. KI als Kostensenkung. Der Entscheider, der sagt „Bau die Chat-Blase ein“, beantwortet die erste Frage. Er muss das Werkzeug nicht verstehen, denn die Aufgabe des Werkzeugs ist es, die Notwendigkeit des Verstehens zu beseitigen. Einstöpseln, das Team verkleinern, die Einsparungen melden.

Die zweite Frage führt zu Infrastruktur. Sie führt zu einem Entwickler, der seine CLI-Version pinnt, weil er will, dass das Modell genau das tut, was er braucht, und nicht das, was die Voreinstellung liefert. Sie führt zu einer Flotte von neun KI-Instanzen, verteilt auf drei Maschinen, jede spezialisiert, jede Kontext ansammelnd, der sie mit der Zeit nützlicher macht. Sie führt zu einer Sachbearbeiterin in einem Notariat, die — nachdem sie viermal im Stillen gescheitert war — einen eigenen Support-Kanal bekommt, eigens dafür gebaut, dass sie ohne Scham Fragen stellen kann. Niemand wurde ersetzt. Das System gewann Fähigkeiten, die es vorher nicht hatte.

Die 80 % behandeln KI als Ersatz für menschliches Urteilsvermögen. Die 20 % behandeln sie als Erweiterung menschlicher Fähigkeiten. Der Unterschied ist nicht das Modell. Es ist nicht das Budget. Es ist das, was die Person an der Spitze glaubt, gekauft zu haben.

Das Geständnis liegt auf dem Tisch. Die Frage ist, ob Unternehmen es als Warnung hören werden — bereitet eure Leute vor, sonst tut es jemand anderes für euch, zu einem Preis, den ihr nie aufhören werdet zu zahlen — oder als Einladung, den nächsten Vertrag zu unterschreiben.