1. Die Zahl, die das Muster sichtbar macht
Anfang September hat OpenAI Nutzungsdaten aus dem Unternehmensgeschäft veröffentlicht. Der Kern: Die intensivsten zehn Prozent der Firmen erzeugen inzwischen 8,3-mal so viel Modell-Output je aktivem Nutzer wie ein typischer Betrieb. Im Jänner lag dieser Faktor noch bei 2,6.
Zur Einordnung gehört, woher die Zahl kommt. Es sind die Daten des Anbieters über die eigenen Kunden, also weder neutral noch unabhängig geprüft. Und Output-Menge ist keine Wertschöpfung: Wer doppelt so viele Token verbraucht, hat nicht automatisch doppelt so viel erledigt.
Interessant ist trotzdem die Bewegung. Ein Abstand, der sich in acht Monaten von 2,6 auf 8,3 aufspreizt, entsteht nicht durch bessere Einzelnutzer. Ein Mensch, der besonders geschickt formuliert, ist vielleicht doppelt so schnell wie ein ungeübter. Er ist nicht achtmal so produktiv. Solche Faktoren entstehen, wenn etwas ohne zusätzlichen Menschen wiederholt läuft.
Man kann sich das an einem Betrieb vorstellen, den viele wiedererkennen werden. Zwei Mitarbeiterinnen nutzen ChatGPT für Angebotstexte und sind damit spürbar schneller als früher. Der Verbrauch pro Kopf steigt, aber er steigt linear mit dem, was diese zwei Personen an Zeit hineinstecken. Im Nachbarbetrieb liegt derselbe Vorgang als Ablauf vor: Der Auslöser ist eine eingehende Anfrage, die Preisliste und die letzten Vorgänge des Kunden werden automatisch mitgegeben, der Entwurf landet zur Freigabe im Postfach. Dort steigt der Verbrauch mit der Zahl der Anfragen, nicht mit der Zahl der Personen. Genau an dieser Stelle entstehen Faktoren jenseits von zwei.
2. Was die veröffentlichten Beispiele gemeinsam haben
Zusammen mit den Daten wurden drei Unternehmen beschrieben, die ihre KI-Nutzung vom Experiment in den Betrieb überführt haben. Die Branchen sind verschieden, das Muster ist dasselbe.
| Unternehmen | Was festgeschrieben wurde | Wirkung |
|---|---|---|
| Basis, Software für Steuerkanzleien | Wiederverwendbare Einarbeitungsroutine mit hinterlegten Anweisungen und Ressourcen | Erster Arbeitstag von zwei Stunden auf 30 Minuten |
| Clay, Vertriebssoftware | Dauerhafter Arbeitsbereich mit einem Teilagenten je Kundenkonto, nächtliche Aktualisierung | Rund eine Stunde Postfachsichtung pro Nacht entfällt |
| Exa Labs, Suchinfrastruktur | Laufende Beobachtung von Entwicklerprojekten, vorbereitete Änderungsvorschläge, Wochenbericht | Integrationsarbeit läuft dauerhaft statt kampagnenweise |
Drei Gemeinsamkeiten fallen auf. Erstens: In allen drei Fällen wurde der Ablauf zuerst von Hand durchgeführt und erst danach festgeschrieben. Niemand hat einen Agenten auf einen Prozess losgelassen, den er selbst noch nicht verstanden hatte.
Zweitens: Jeder Ablauf hat einen definierten Auslöser, feste Werkzeuge und eine klare Bedingung, wann er fertig ist. Das ist die Beschreibung eines Prozesses, nicht die eines Prompts.
Drittens, und das wird beim Lesen gern überblättert: In keinem der drei Fälle entscheidet die KI kommerziell. Bei Basis übernehmen Menschen die ungewöhnlichen Fälle, bei Clay liefert der Agent Prioritäten und keine Zusagen, bei Exa prüft ein Mensch, bevor etwas nach außen geht.
3. Warum Prompt-Sammlungen nicht skalieren
In vielen Betrieben ist die erste organisatorische Reaktion auf KI eine Sammlung guter Prompts. Ein geteiltes Dokument, eine Seite im Intranet, manchmal ein internes Werkzeug. Das ist gut gemeint und hilft am Anfang. Es hört aus drei Gründen früh auf zu helfen.
Ein Prompt trägt keinen Kontext
Die gute Formulierung ist der kleinere Teil des Ergebnisses. Der größere Teil ist, welche Daten das Modell zur Verfügung hat: die Preisliste, die letzten drei Vorgänge dieses Kunden, die internen Regeln. Ein kopierter Prompt bringt das alles nicht mit. Jeder Nutzer trägt es von Hand nach, jedes Mal, unterschiedlich vollständig.
Ein Prompt hat keinen Auslöser
Er wird angewendet, wenn jemand daran denkt. Damit hängt der Nutzen an Aufmerksamkeit, und Aufmerksamkeit ist die knappste Ressource im Betrieb. Ein Ablauf mit definiertem Auslöser läuft auch in der Woche, in der niemand an KI denkt.
Ein Prompt hat keine Abnahme
Ohne festgelegtes Ergebnis lässt sich nicht sagen, ob der Durchlauf gelungen ist. Damit lässt sich auch nichts verbessern, und die Sammlung veraltet still. Das ist einer der Gründe, warum KI-Projekte scheitern, obwohl die Technik funktioniert hat.
Der Test: Nehmen Sie einen Ihrer besten Prompts und geben Sie ihn einer Kollegin, die den Vorgang nicht kennt. Kommt bei ihr ein brauchbares Ergebnis heraus, war es ein Workflow. Muss sie erst nachfragen, welche Daten sie einsetzen soll, war es persönliches Können. Persönliches Können ist wertvoll und skaliert nicht.
4. Vom Einzelfall zum Ablauf, in fünf Schritten
Der Weg ist unspektakulär und funktioniert deshalb. Er beginnt bewusst mit einer einzigen Aufgabe, nicht mit einer Strategie.
1. Eine Aufgabe wählen, die wehtut
Sie sollte häufig vorkommen, klar begrenzt sein und einen erkennbaren Adressaten haben. Angebotserstellung, Wareneingangsprüfung, Einarbeitung neuer Leute, Ausschreibungssichtung. Nicht „unsere Kommunikation verbessern“.
2. Das Ergebnis festlegen, bevor Sie beginnen
Woran erkennen Sie, dass ein Durchlauf gelungen ist? Wenn Sie das nicht in einem Satz sagen können, ist die Aufgabe noch zu groß.
3. Den Ablauf einmal selbst machen und mitschreiben
Welche Daten holen Sie woher, in welcher Reihenfolge, wo entscheiden Sie und woran. Dieser Mitschrieb ist die eigentliche Arbeit. Danach ist die Umsetzung fast mechanisch.
4. Das System um den Agenten bauen, nicht nur den Agenten
Wer prüft das Ergebnis, wer ist zuständig, wenn etwas schiefgeht, was passiert mit den Ausnahmen. Genau hier scheitern Einführungen, nicht an der Modellqualität. Das ist auch die Stelle, an der eine saubere Anbindung an die vorhandenen Systeme mehr bringt als ein besseres Modell.
5. Sichtbar und wiederverwendbar machen
Ein Ablauf, den nur die Person kennt, die ihn gebaut hat, ist kein Ablauf. Er gehört dokumentiert, an einer Stelle abgelegt und beim nächsten Anwendungsfall als Vorlage benutzt. Der Vorsprung der vorderen Gruppe entsteht in diesem Schritt, nicht in Schritt eins.
5. Woran Sie messen sollten
Die verbreitetste Kennzahl für KI-Einführung ist die Nutzung: wie viele Lizenzen sind vergeben, wie viele Leute haben sich diesen Monat angemeldet. Diese Zahl ist leicht zu erheben und sagt fast nichts.
Brauchbar sind vier andere Größen, und alle vier existieren in Ihrem Betrieb schon, bevor KI ins Spiel kommt.
| Größe | Konkrete Frage |
|---|---|
| Zeit | Wie lange dauert ein Vorgang vom Auslöser bis zum fertigen Ergebnis, vorher und nachher? |
| Qualität | Wie oft muss nachgebessert werden, und wie schwer sind die Fehler? |
| Kosten | Was kostet ein erfolgreich abgeschlossener Vorgang, nicht was kostet ein Modellaufruf? |
| Risiko | Welche Fehler kann der Ablauf produzieren, und wer bemerkt sie? |
Wer diese vier Zahlen vor der Einführung erhebt, hat nach drei Monaten eine Antwort. Wer sie nicht erhebt, hat nach drei Monaten eine Meinung. Der Unterschied zeigt sich spätestens, wenn die Verlängerung der Lizenzen ansteht.
Die Kostengröße hat einen Haken
Kosten je erfolgreich abgeschlossenem Vorgang ist die einzige der vier Zahlen, die regelmäßig falsch gerechnet wird. Der übliche Fehler ist, den Preis eines Modellaufrufs zu nehmen. Der richtige Nenner sind aber die gelungenen Durchläufe, nicht die gestarteten. Wenn ein günstiges Modell drei Anläufe braucht und ein teures einen, ist das teure am Ende billiger, und zwar deutlich.
Dazu kommt die Nacharbeit. Ein Ergebnis, das ein Mensch zwanzig Minuten lang geradebiegt, hat den Vorgang nicht verkürzt, sondern verlagert. Diese Minuten gehören in die Rechnung, sonst sieht jede Einführung im ersten Quartal gut aus und im dritten schlecht.
Fazit
Die Spreizung von 2,6 auf 8,3 ist kein Beleg dafür, dass die vordere Gruppe klüger prompten kann. Sie ist ein Beleg dafür, dass dort Abläufe laufen, die niemand jeden Morgen neu anstoßen muss. Der Weg dorthin führt über eine einzige gut gewählte Aufgabe, einen ehrlichen Mitschrieb und die Bereitschaft, den Ablauf so aufzuschreiben, dass ihn auch jemand anderes benutzen kann. Wer dabei feststellt, dass die eigentliche Hürde nicht die KI ist, sondern der Prozess dahinter, hat den wichtigsten Teil bereits erkannt. Wo intern niemand die Zeit hat, diese Struktur aufzubauen, ist ein Interim CTO der schnellere Weg als eine weitere Werkzeugentscheidung.