Die Grenze ist noch offen: Warum unternehmensweite KI-Einführungen scheitern, schlanke Teams gewinnen und die wahren Prioritäten größer sind als Entlassungen

Künstliche Intelligenz wird im Jahr 2026 als ausgereifte, einsteckbare Fähigkeit vermarktet — etwas, das man kauft, einschaltet und auf ein Problem ansetzt. Die Realität ist weniger gefestigt. Im vergangenen Jahr veröffentlichte OpenAI eine Studie, die argumentiert, dass große Sprachmodelle nicht aufgrund eines behebbaren Fehlers halluzinieren, sondern weil die Art, wie sie trainiert und bewertet werden, selbstbewusstes Raten gegenüber dem Eingeständnis von Unsicherheit belohnt; der Fehlermodus ist zum Teil struktureller Natur. Unabhängige Tests untermauern diesen Punkt: Forscher in Stanford fanden heraus, dass führende Modelle bei einem Großteil bestimmter spezialisierter juristischer Anfragen halluzinieren, und neue Benchmarks aus den Jahren 2025–2026 zeigen, dass die Fehlerraten in nicht-englischen und multimodalen Kontexten stark ansteigen. Dies ist keine gelöste Technologie.

Die Zuverlässigkeit ist nur die halbe Wahrheit. Die Praxis selbst ist in Bewegung. Modelle, Werkzeuge, Preise und beste Vorgehensweisen werden alle paar Monate neu geschrieben; eine im Januar verfasste Standardarbeitsanweisung ist bis zum Sommer veraltet. Ganze Kategorien von Werkzeugen, die Anfang 2025 prägend waren, sind bereits überholt. So sieht keine ausgereifte, industrialisierte Technologie aus — so sieht eine Grenze aus: hohe Belohnung, hohe Unsicherheit und kein gefestigtes Spielbuch, das ein Unternehmen einfach kaufen und installieren kann.

Grenzen haben eine strukturelle Tendenz. Sie belohnen die Menschen und Organisationen, die sich schnell bewegen, lernen und neu entscheiden können, und sie bestrafen jene, die im Voraus enorme Ressourcen binden müssen und ihren Kurs nicht ändern können. Diese eine Tatsache rückt die gesamte KI-Geschichte des Jahres 2026 in ein neues Licht. Der entscheidende Vorteil ist nicht Kapital oder Personalbestand — es ist Anpassungsfähigkeit. Genau das ist der Grund, warum so viele der größten und am besten finanzierten KI-Einführungen diejenigen sind, die die schlechtesten Schlagzeilen produzieren.

Die Zahlen sind ernüchternd. Im August 2025 berichtete die NANDA-Initiative des MIT, dass rund 95 % der unternehmensweiten Pilotprojekte für generative KI keine messbare Auswirkung auf Gewinn und Verlust hatten. Genau gelesen bedeutet das, dass sie keine schnellen Umsätze lieferten, und die Ursache, die die Forscher identifizierten, war organisatorischer Natur — eine „Lernlücke“ — und nicht eine schlechte Modellqualität. Bezeichnenderweise waren von Spezialanbietern gekaufte Werkzeuge weitaus häufiger erfolgreich als ambitionierte Eigenentwicklungen, ein Zeichen dafür, dass der Engpass in der Integration und im Urteilsvermögen liegt, nicht in der reinen Leistungsfähigkeit.

Die Rückzüge folgten. S&P Global stellte fest, dass der Anteil der Unternehmen, die die meisten ihrer KI-Initiativen aufgaben, innerhalb eines einzigen Jahres von 17 % auf 42 % sprang. Klarna, das sich gerühmt hatte, sein KI-Assistent erledige die Arbeit von 700 Mitarbeitenden, machte 2025 einen Rückzieher, nachdem der CEO eingeräumt hatte, dass der vollständig auf KI gestützte Ansatz einen Service „geringerer Qualität“ produzierte, und begann, wieder Menschen einzustellen. McDonald's beendete seinen IBM-gestützten Sprachtest am Drive-thru nach einer Reihe von Fehlern, und Taco Bell verlangsamte seine eigene Einführung öffentlich, nachdem ein Scherzbold 18.000 Becher Wasser bestellt hatte.

Der gemeinsame Nenner ist nicht, dass KI nicht funktioniert. Es ist, dass Geschwindigkeit und Umfang vor dem Urteilsvermögen angewandt wurden. Pilotprojekte wurden von oben angeordnet, der Erfolg wurde an abgebauten Stellen statt an gelösten Problemen gemessen, und die Organisation konnte nicht schnell genug lernen, um den Kurs zu korrigieren, bevor die Qualitätslücke zutage trat. Die Technologie war an der Grenze; das Management war industriell. Diese Diskrepanz — nicht das Modell — ist das Scheitern.

Die sichtbarste Variante des Fehlers ist die Entlassungsankündigung, die als KI-Strategie verkleidet wird. Marc Benioff von Salesforce sagte 2025, das Unternehmen habe das Kundensupport-Personal von rund 9.000 auf etwa 5.000 reduziert, weil er, nachdem sein Agentforce-System etwa die Hälfte der Interaktionen abwickle, „weniger Köpfe benötige“ — eine bemerkenswerte Kehrtwende seiner früheren Beteuerungen, die die verbleibenden Mitarbeitenden mit dem Schließen der Lücken zurückließ. Der CEO von Shopify wies Führungskräfte an, vor der Genehmigung jeder Neueinstellung zu belegen, dass eine Aufgabe nicht von KI erledigt werden kann. Duolingos „AI-first“-Memo zog eine derart heftige Gegenreaktion nach sich, dass der CEO es öffentlich zurücknahm: „Das geht auf meine Kappe. Ich habe nicht genug Kontext gegeben.“

Warum ist es ein Fehler? Weil man institutionelles Wissen, Kundenvertrauen und die Moral der Belegschaft gegen eine Fähigkeit eintauscht, die an der Grenze noch immer unzuverlässig ist, und darauf wettet, dass sich die Einsparungen einstellen, bevor die Qualitätslücke auftritt. Klarna ist der Beweis dafür, dass die Lücke zuerst auftritt. Außerdem sendet man ein unmissverständliches Signal an alle, die bleiben — dass sie die Nächsten sind —, was genau jene freiwillige Mehrleistung und jenen guten Willen untergräbt, von denen eine erfolgreiche KI-Einführung tatsächlich abhängt. Die Kürzung wirkt auf einer Folie entschlossen und überall sonst teuer.

Das aufschlussreiche Gegenbeispiel ist IBM. Sein AskHR-System automatisierte etwa 94 % der routinemäßigen Personalaufgaben und ersetzte rund 200 HR-Stellen — doch die Gesamtbeschäftigung bei IBM stieg, weil die Einsparungen in Programmierer und Vertriebsmitarbeitende reinvestiert wurden. Das ist der gesamte Unterschied zwischen dem Einsatz von KI, um ein Unternehmen zu verkleinern, und ihrem Einsatz, um Menschen auf höherwertige Arbeit umzulenken. Das eine ist ein Kostensenkungsreflex; das andere ist eine Strategie. Die Firmen, die aus KI einen Vorteil aufbauen werden, sind diejenigen, die frei gewordene menschliche Kapazität als etwas behandeln, das umzulenken und nicht zu verwerfen ist.

Nirgendwo ist der Entlassungsreflex verfehlter als im kundennahen Service, denn die Kunden bemerken es. Umfragen ergeben durchgängig, dass rund 79 % der Verbraucher einen Menschen gegenüber einem KI-Agenten bevorzugen, etwa 86 % sagen, menschliche Interaktion sei für ihr Markenerlebnis von Bedeutung, und 61 % empfinden, dass menschliche Mitarbeitende ihre Bedürfnisse besser verstehen als KI. Bei sensiblen Angelegenheiten — Betrug, Versicherungsansprüchen, allem, was mit Geld oder Not zu tun hat — wünschen sich etwa 67 % stets einen Menschen. Das ist keine Nostalgie; es sind Aussagen darüber, wo das Vertrauen verankert ist.

Doch dies ist kein Argument gegen KI. Etwa 69 % der Verbraucher sagen, es sei wichtig, dass KI und menschliche Mitarbeitende zusammenarbeiten. Das erfolgreiche Modell ist KI-gestützt und menschlich verwaltet: KI entwirft, ruft ab, fasst zusammen und sortiert vor in Maschinengeschwindigkeit, während ein Mensch die Beziehung, die Urteilsentscheidung und die Empathie verantwortet. Die KI beschleunigt die Arbeit; der Mensch bewahrt das Vertrauen. Reine Automatisierung optimiert die Kostenseite und beeinträchtigt still und leise genau das Gut — die Beziehung —, das die Kostenseite eigentlich schützen sollte.

Über Kulturen hinweg gilt dies doppelt. In einem Markt wie Japan, wo Service als Handwerk betrachtet und kulturelle Präzision belohnt wird, wirkt eine reine KI-Supportschicht eher wie eine Verschlechterung als eine Verbesserung. Das richtige Muster — jenes, das Medusa Japan auf seine eigene mehrsprachige Arbeit anwendet — ist KI-beschleunigt, aber menschlich vollendet: Maschinengeschwindigkeit bei den mechanischen Teilen, menschliche Urheberschaft bei allem, was ein Kunde tatsächlich sieht, hört und fühlt. So skaliert man die Leistung, ohne die Nuance einzuebnen, die die Arbeit überhaupt erst des Geldes wert machte.

Der zweite Unternehmensfehler ist das Spiegelbild des ersten: der Belegschaft KI-Werkzeuge mit einem Mandat, aber ohne Plan und ohne Schulung in die Hand zu geben. Das Ergebnis ist Schatten-KI — eine Umfrage aus dem Jahr 2025 ergab, dass 78 % der Mitarbeitenden KI-Werkzeuge nutzten, die ihr Arbeitgeber nicht freigegeben hatte, und 51 % widersprüchliche Anweisungen erhielten, wann sie diese einsetzen sollten — sowie ein Produktivitätsparadox, bei dem fast 60 % berichten, dass es oft länger dauert, das Werkzeug zu durchschauen, als die Aufgabe von Hand zu erledigen. Eine kontrollierte Studie von METR aus dem Jahr 2025 ergab, dass die KI-Werkzeuge von Anfang 2025 erfahrene Open-Source-Entwickler tatsächlich um etwa 19 % verlangsamten, obwohl diese Entwickler glaubten, schneller zu arbeiten.

Kombiniert man nun beide Fehler: Man entlässt einen Teil der Belegschaft und zwingt die Verbliebenen, Werkzeuge zu übernehmen, für die sie nie geschult wurden, unter Nutzungsquoten. Man erhält keine Produktivität; man erhält Theater und Groll. Berichte aus dem Jahr 2026 beschreiben „Tokenmaxxing“, bei dem die KI-Nutzung in Leistungsbeurteilungen einfließt und Mitarbeitende Credits verbrauchen, um die Zahl zu erreichen — ein Entwickler soll in einer einzigen Woche 210 Milliarden Token verbraucht haben. Andere Umfragen berichten, dass rund 16 % der Fachkräfte zugeben, vorzutäuschen, KI zu nutzen, und bis zu 29 % zugeben, die KI-Strategie ihres Arbeitgebers aktiv zu untergraben, bei der Gen Z steigt dieser Wert auf 44 %. (Diese letzten Zahlen sind als von Medien wie Inc., Gizmodo, Newsweek und Fortune berichtet zu behandeln und nicht als von Fachleuten begutachtete Erkenntnisse.)

Die Lehre ist nicht, dass Mitarbeitende faul sind. Es ist, dass Mandate ohne Sinn böswillige Befolgung hervorrufen. Menschen wehren sich dagegen, daran gemessen zu werden, wie viel Rechenleistung sie verbrauchen, besonders während sie zusehen, wie Kollegen durch eben dieselben Werkzeuge ersetzt werden. Die Einführung ist ein Problem des Veränderungsmanagements, bevor sie ein Technologieproblem ist: Sie braucht Schulung, Vertrauen und eine glaubwürdige Geschichte darüber, wie KI die Arbeit der Menschen besser macht und nicht kurzlebiger. Lässt man das aus, erzeugt das Mandat genau die Verschwendung, die es eigentlich beseitigen sollte — Credits, die absichtlich verbrannt werden, statt Wert, der geschaffen wird.

Stellt man die Fehlschläge nebeneinander, entsteht ein positives Bild. Der Vorteil bei einer Grenztechnologie geht an Organisationen, die ein neues Modell in der Woche seiner Veröffentlichung übernehmen, ein unterdurchschnittliches Werkzeug ohne Lähmung durch versunkene Kosten fallen lassen, in jedem Prozess, der einen Kunden berührt, einen Menschen einbinden und KI als Ergänzung statt als Ersatzprogramm behandeln können. Das sind nicht die Merkmale eines Unternehmens mit 200.000 Mitarbeitenden, einem Lenkungsausschuss und einem jährlichen Planungszyklus. Es sind die Merkmale eines schlanken, agilen Teams.

Dies ist die strukturelle Begründung für Firmen wie Medusa. Ein kleines grenzüberschreitendes Studio kann an einem Nachmittag das Experiment durchführen, für dessen Genehmigung ein Megakonzern einen Ausschuss benötigt. Es kann KI nutzen, um auf den mechanischen Ebenen — Recherche, Entwürfe, Lokalisierungsdurchläufe, Qualitätssicherung — die Arbeit eines weitaus größeren Teams zu erledigen, während es bei allem, was ausgeliefert wird, die menschliche Urheberschaft und das Urteilsvermögen bewahrt. Es trägt keinen Altbestand an Personal mit sich, dessen Abbau es unter vierteljährlichem Druck rechtfertigen müsste, und keine Investorenerzählung, die es zwingt, für eine Pressemitteilung über zu automatisieren. Es kann schlicht das Beste der Grenze nutzen und die Arbeit von Hand vollenden.

Die richtige Einordnung für 2026 lautet also nicht „KI gegen Menschen“. Sie lautet „wer ist organisiert, um eine Grenztechnologie gut einzusetzen“. Die Giganten lernen, teuer und in aller Öffentlichkeit, dass Umfang ohne Anpassungsfähigkeit hier eine Belastung ist — dass groß zu sein nicht dasselbe ist wie schnell zu sein. Die Chance für schlanke Akteure liegt darin, diejenigen zu sein, die die Ergänzung richtig hinbekommen: das Aufwärtspotenzial der Grenze still, profitabel und Wochen vor den Institutionen abzuschöpfen, die noch ihre Ausschüsse bilden, um zu entscheiden, wie ihre Richtlinie dazu lauten sollte.

Tritt man vom Organigramm zurück, ändert sich die Frage vollständig. Wenn KI tatsächlich den Überfluss erzeugt, den ihre Verfechter versprechen, dann lauten die zentralen Probleme nicht „wie viele Menschen können wir dieses Quartal abbauen“, sondern „wie verteilen wir die Gewinne“ und „wie versorgen und beherbergen wir die Rechenleistung“. Beim Ersten hat sich das bedingungslose Grundeinkommen vom Gedankenexperiment zum Beleg gewandelt. Die Studie von OpenResearch — 3.000 Teilnehmer, von denen 1.000 drei Jahre lang 1.000 $ im Monat erhielten, unterstützt von Sam Altman — ergab, dass die Empfänger nur etwa 1,3 Stunden pro Woche weniger arbeiteten und mehr für Grundbedürfnisse und die Hilfe für andere ausgaben, was die Befürchtung, eine Einkommensuntergrenze halte Menschen vom Arbeiten ab, direkt entkräftet.

Das Grundeinkommen ist noch immer ein politischer Vorschlag, der größtenteils von KI-Insidern vertreten und nicht im großen Maßstab umgesetzt wird, und die Studie beantwortet einen Einwand und nicht alle. Doch sie rückt die Entlassungsdebatte ehrlich in einen neuen Rahmen. Wenn die Technologie wirklich Arbeit verdrängen wird, ist die reife gesellschaftliche Antwort, eine Untergrenze unter die Menschen zu legen, und nicht, jede Kürzungsrunde als vierteljährlichen Sieg zu behandeln. Ein weltweites Grundeinkommen ist eine weitaus ernsthaftere Antwort auf die durch KI getriebene Verdrängung als eine weitere Pressemitteilung über den Personalbestand — und es verdient es, eine globale Priorität zu sein und keine Fußnote.

Bei der Rechenleistung selbst verlässt die Grenze buchstäblich den Planeten. Im November 2025 brachte das Start-up Starcloud eine Nvidia H100 in den Orbit und trainierte dort ein kleines Modell — das erste jemals im Weltraum trainierte Modell —, und Google enthüllte Project Suncatcher, eine vorgeschlagene Konstellation solarbetriebener, mit TPUs ausgestatteter Satelliten, mit zwei für Anfang 2027 geplanten Pilotsatelliten. Jeff Bezos hat orbitale Rechenzentren im Gigawatt-Maßstab innerhalb von ein bis zwei Jahrzehnten vorausgesagt; der eigentliche Antrieb ist rund um die Uhr verfügbare Solarenergie ohne Wetter, und das eigentliche ungelöste Hindernis ist die Abfuhr von Abwärme im Vakuum. Diese Zeitpläne sind eher Ziele als Zusagen, doch die Richtung ist klar. Die lohnende Arbeit besteht darin, den Energie- und Fußabdruck der KI ins All zu verlagern und ihre Gewinne breit zu teilen — und nicht darin, ein Supportteam auf eine Notbesetzung herunterzuoptimieren. Die Grenze ist noch offen. Die eigentliche Frage ist, ob wir sie nutzen, um etwas Größeres als eine Kosteneinsparung zu schaffen.