Entscheiden, wenn niemand das Zieldatum kennt:
Was trägt, wenn KI-Prognosen um Jahrzehnte streuen

Eine Unterschrift, zwei Prognosen

Der Vertrag über sechzig Monate ist real und alltäglich: eine Unternehmenssoftware mit Einführungsprojekt, eine geleaste Fertigungslinie, ein Rahmenvertrag mit einem Dienstleister. Die beiden Einschätzungen vom selben Tag sind ebenso real. Chefs führender KI-Unternehmen haben öffentlich Zeiträume von zwei bis drei Jahren für Systeme genannt, die menschliche Fachleistung in weiten Teilen erreichen. Prominente Forscher am anderen Ende der Debatte setzen ein Jahrzehnt oder mehr an. Beide Lager verdienen denselben nüchternen Blick: Die kürzesten Angaben kommen von Anbietern, deren Bewertung an genau dieser Erwartung hängt — die langen Fristen wiederum wurden in den vergangenen Jahren regelmäßig einkassiert, sobald neue Systeme erschienen, und die Korrekturen liefen stets in dieselbe Richtung: nach vorn.

Auch die Fachwelt liefert keine Auflösung — sie liefert die Streuung gleich mit. Die bislang größte Befragung unter KI-Forschenden (2.778 Teilnehmende, AI Impacts 2023) ergab als Median das Jahr 2047 für eine 50-Prozent-Chance auf Maschinen, die jede menschliche Aufgabe besser und günstiger erledigen. Dieselbe Befragungsreihe hatte ein Jahr zuvor noch 2060 ergeben — die kollektive Schätzung sprang binnen eines Jahres um 13 Jahre nach vorn. Und für die Vollautomatisierung aller Berufe nennt dieselbe Erhebung den Median 2116. Je nachdem, welche dieser Zahlen man der Unterschrift zugrunde legt, ist der Vertrag völlig unkritisch oder läuft mitten in den Umbruch hinein.

Die Geschäftsführerin unterschreibt aus einem einfachen Grund: Eine praktikable Alternative kennt an diesem Tag niemand. Der Betrieb braucht die Software, die Bank verlangt Planbarkeit, der Anbieter gewährt bessere Konditionen für längere Laufzeit. Jeder einzelne Schritt ist vernünftig.

Bemerkenswert ist etwas anderes: Alle Beteiligten behandeln die Spannweite zwischen den Prognosen als Randnotiz — als gehöre sie in die Rubrik Meinungsvielfalt. Dabei ist die Streubreite selbst die zentrale Information. Wenn seriöse Schätzungen für dasselbe Ereignis um Jahrzehnte auseinanderliegen, dann existiert die Planungsgrundlage, auf der eine Sechzig-Monats-Bindung kalkuliert wurde, in dieser Frage schlicht nicht. Niemand kennt die Zukunft — das war immer so. Neu ist, dass die Unsicherheit größer geworden ist als die Laufzeit der Entscheidungen, die täglich getroffen werden.

Die Laufzeiten nebeneinander: fünf bis vierzig Jahre Bindung

Wie lange binden die Festlegungen, die Organisationen und Menschen heute treffen? Eine Auswahl, von der kürzesten zur längsten:

• Softwarevertrag: Laufzeiten von drei bis fünf Jahren sind im Unternehmensumfeld verbreitet — plus Einführungsprojekt und Datenmigration, die einen Wechsel zusätzlich verteuern.
• Ausbildungsvertrag: drei bis dreieinhalb Jahre Regeldauer in der dualen Ausbildung (BIBB).
• Neuordnung eines Ausbildungsberufs: Das eigentliche Ordnungsverfahren soll laut Bund-Länder-Vereinbarung etwa ein Jahr dauern; real vergehen von der Voruntersuchung bis zum Inkrafttreten rund drei Jahre — so dokumentiert das BIBB den Ablauf am Beispiel eines 2022 modernisierten Berufs.
• Studiengang: Wer heute im ersten Semester sitzt, folgt einer Prüfungsordnung, die Jahre vor dem ersten Vorlesungstag beschlossen wurde — und schließt Jahre nach dem heutigen Stand der Technik ab.
• Investitionsgüter: Die amtlichen Abschreibungstabellen setzen für viele Maschinen Nutzungsdauern von zehn und mehr Jahren an. Für Computer-Hardware und Software erkennt dieselbe Finanzverwaltung seit 2021 eine Nutzungsdauer von einem Jahr an — der Fiskus selbst stuft Digitaltechnik als extrem kurzlebig ein.
• Gewerbemietvertrag: Bindungen von fünf bis zehn Jahren sind üblich, oft mit Verlängerungsoptionen.
• Immobilienkredit: Zinsbindungen von zehn und mehr Jahren sind in Deutschland der Regelfall, Gesamtlaufzeiten reichen über zwanzig Jahre.
• Berufswahl: Das erwartete Erwerbsleben in Deutschland umfasst rechnerisch 40,2 Jahre (Eurostat, Berichtsjahr 2025).
• Gesetzgebung und Infrastruktur: Vom Referentenentwurf bis zur angewendeten Verwaltungspraxis vergehen Jahre; Infrastrukturprojekte und Unternehmensnachfolgen rechnen in Jahrzehnten.

Daneben der Zeitraum, über den in der KI-Entwicklung tatsächlich Einigkeit besteht: Er reicht wenige Jahre weit. Über Modelle, die bereits trainiert werden, über Rechenzentren, die bereits im Bau sind, und über Investitionen, die bereits zugesagt sind, lässt sich belastbar reden. Dahinter beginnt die Streuung — von „zwei Jahre bis zum breiten menschlichen Leistungsniveau" bis „nicht vor der zweiten Jahrhunderthälfte". Das heißt konkret: Verlässlich überblicken lässt sich die KI-Entwicklung für zwei, drei Jahre. Jede einzelne Bindung in der Liste oben läuft länger. Wer heute einen Ausbildungsvertrag unterschreibt, eine Maschine abschreibt oder einen Kredit aufnimmt, legt sich für einen Zeitraum fest, für den es keine belastbare Vorhersage der Rahmenbedingungen mehr gibt.

Der Grund für die Streubreite: KI entwickelt KI

Warum streuen die Schätzungen so weit? Die Antwort liegt in einer Besonderheit dieser Technologie, die sie von früheren Technikwellen unterscheidet — und die sich sauber in Beobachtung und Schlussfolgerung trennen lässt. Diese Trennung ist der Kern des Kapitels.

Was beobachtbar und belegbar ist

KI wird bereits heute in der Entwicklung von KI eingesetzt: bei der Codeerzeugung, bei der Erzeugung synthetischer Trainingsdaten, bei der automatisierten Suche nach Modellarchitekturen, beim Entwurf von Chip-Layouts und bei der maschinellen Auswertung von Experimenten. Das sind dokumentierte Arbeitsschritte in den Laboren der Anbieter, keine Zukunftsvision.

Messbar ist auch das Tempo. Das Forschungsinstitut METR misst seit 2019, wie lange die Arbeitsaufgaben sind — gemessen in der Zeit, die ein menschlicher Experte dafür bräuchte —, die Modelle mit 50-prozentiger Erfolgsquote eigenständig zu Ende bringen. Ergebnis: Diese Aufgabenlänge verdoppelte sich über den Gesamtzeitraum etwa alle sieben Monate; für 2024 bis 2025 weist die aktualisierte Auswertung eine Verdopplung von rund vier Monaten aus. Parallel dazu dokumentiert das Institut Epoch AI, dass die Rechenleistung für das Training führender Modelle seit Jahren um das Vier- bis Fünffache pro Jahr wächst — und dass sich der Rechenbedarf für ein gleichbleibendes Leistungsniveau durch bessere Algorithmen etwa alle acht Monate halbiert. Die Zyklen zwischen Modellgenerationen werden kürzer, während der Anteil menschlicher Zwischenschritte sinkt.

Was daraus geschlossen wird — eine Extrapolation

Aus diesen Beobachtungen ziehen Teile der Forschung eine weitreichende Schlussfolgerung: Wenn ein System den eigenen Entwicklungsprozess verbessert, verbessert das nächste ihn schneller. Am Ende dieser Rückkopplung stünde eine Fähigkeit, die menschliche Leistung in Forschung und Entwicklung breit übertrifft. Diese Aussage ist eine Extrapolation, keine Messung. Die Messreihen belegen einen Trend über wenige Jahre; ob er sich fortsetzt, abflacht oder beschleunigt, weiß niemand. Genau deshalb gehört die Schlussfolgerung offen als solche gekennzeichnet — wer sie als gesichertes Wissen ausgibt, verlässt den Boden der Daten.

Was den Verlauf um Jahre strecken kann

Vier Faktoren können den Verlauf strecken, jeder um Jahre:

• Rechenleistung und Energie: Das Vier- bis Fünffache pro Jahr an Trainingsrechenleistung setzt Kapital, Chips und Strom in einem Umfang voraus, der physisch und wirtschaftlich an Grenzen stößt.
• Datenqualität: Hochwertige, noch nicht verwertete Trainingsdaten werden knapper; synthetischer Ersatz ist ein offenes Forschungsfeld.
• Abnehmende Erträge: In einer Befragung des Fachverbands AAAI (2025) hielten 76 Prozent von 475 befragten Forschenden das reine Hochskalieren heutiger Ansätze für unzureichend, um allgemeine Intelligenz zu erreichen.
• Physische Welt: Jedes Wissen über Materialien, Maschinen und Menschen braucht Experimente in Echtzeit — die lassen sich nicht beliebig beschleunigen.

Jede dieser vier Bremsen ist ernst zu nehmen — sie kann den Zeitpunkt um Jahre nach hinten verschieben. Die Rückkopplung selbst bleibt dabei möglich. Genau aus diesem Zusammenspiel entsteht der Korridor: Die Richtung ist absehbar, das Tempo hängt an Faktoren, die heute niemand beziffern kann.

Die Interessenlagen hinter den Zahlen

Die lautesten Zeitangaben stammen von Unternehmen, die Kapital einwerben. Das gilt für Fortschrittsversprechen ebenso wie für dramatische Warnungen — beide erhöhen die wahrgenommene Bedeutung des eigenen Produkts, beide erscheinen bevorzugt vor Finanzierungsrunden. Auch die Gegenseite hat Interessen: Wer seine Reputation auf die Kritik der kurzen Fristen gebaut hat, verteidigt sie. Für die Einordnung genügt eine Faustregel: Die Messreihen sind belastbar, die Jahreszahlen sind es nicht. Wer aus der Streubreite eine präzise Jahreszahl macht, verkauft etwas.

Das Bruchkriterium: vier Bedingungen

Das Bruchkriterium beschreibt, unter welchen Bedingungen eine Tätigkeit von KI-Systemen übernommen wird — unabhängig davon, wann die nächste Fähigkeitsstufe erreicht ist. Es besteht aus vier Bedingungen, die zusammenkommen müssen:

1. Der Gegenstand liegt digital vor. Die Tätigkeit bearbeitet Text, Bilder oder strukturierte Daten — Dinge, die ein Modell ohne Umweg über die physische Welt aufnehmen und ausgeben kann.
2. Die Tätigkeit wiederholt sich. Sie folgt Mustern, die in großer Zahl vorkommen und deshalb gelernt werden können — auch wenn sich die Einzelfälle im Detail unterscheiden.
3. Das Ergebnis ist überprüfbar. Ob die Ausgabe stimmt, lässt sich mit vertretbarem Aufwand feststellen — durch Regeln, Tests, Abgleich oder eine kurze fachliche Sichtung.
4. Niemand haftet persönlich mit seiner Zulassung. Kein Berufsträger muss das Ergebnis mit Siegel, Unterschrift oder Approbation verantworten — die Verantwortung liegt bei der Organisation.

Die Regel dazu: Treffen alle vier Bedingungen zusammen, ist die Übernahme eine Frage kurzer Zeit. Fehlt eine Bedingung, verschiebt sich der Bruch. Fehlen zwei, kommt er nach heutigem Stand in diesem Jahrzehnt nicht.

Drei Beispiele zur Einordnung: Die Vorkontierung von Belegen erfüllt alle vier Bedingungen — sie läuft bereits maschinell. Das Testat eines Wirtschaftsprüfers erfüllt die ersten drei, scheitert aber an der vierten: Hier haftet eine Person mit ihrer Zulassung. Die Fehlersuche an einer Heizungsanlage im Bestandsbau scheitert schon an der ersten — der Gegenstand liegt weder als Text noch als Datensatz vor. Sortieren Sie mit diesen vier Fragen die Tätigkeiten in Ihrem Betrieb — und die eigene. Das Ergebnis ist die belastbarste Prognose, die derzeit zu haben ist.

Drei Wellen, als Korridore

Aus dem Bruchkriterium ergibt sich eine Reihenfolge. Die folgenden Zeiträume sind Korridore — Einschätzungen auf Basis von Datenlage, Regelwerken und Hardware-Zyklen, keine Messwerte. Die Reihenfolge selbst ist der belastbare Teil.

Welle 1 — läuft bereits

Übersetzung, technische Dokumentation, Standardtexte und Standardgrafik, Belegerfassung und Vorkontierung, Recherche und Erstentwurf in praktisch jeder Sachbearbeitung, Codeerzeugung, einfache Kundenkommunikation. Die Diffusion ist messbar und schnell: Nach der ifo-Konjunkturumfrage nutzten Mitte 2025 rund 41 Prozent der Unternehmen in Deutschland KI, ein Jahr später 54,5 Prozent. Die amtliche Statistik zählte 2024 20 Prozent (Vorjahr: 12), das IAB-Betriebspanel 2025 25 Prozent der Betriebe mit generativer KI (2023: 5). Dass drei seriöse Erhebungen derart unterschiedliche Werte liefern, zeigt zweierlei: Die Verbreitung verdoppelt sich grob im Jahrestakt — und schon die Gegenwart ist schwerer zu vermessen, als die Debatte suggeriert.

Welle 2 — Korridor 2027 bis 2029

• Sachbearbeitung in Verwaltung und Behörden — sobald Regelwerke maschinenlesbar vorliegen. Der Engpass ist die Datenlage, das Modell könnte es heute.
• Angebots- und Ausschreibungsbearbeitung — strukturierte Anforderungen, wiederkehrende Muster, prüfbares Ergebnis.
• Erstberatung auf Informationsvorsprung: Rechts- und Steuerauskunft, Versicherungsvermittlung, IT-Support, weite Teile der Beratung. Wo der Wert einer Leistung im Wissensvorsprung lag, ist er zuerst betroffen.
• Befundung und Auswertung in der Bildmedizin — die Freigabe bleibt beim Arzt, die Vorarbeit wandert.
• Recherche und Erstfassung im Journalismus sowie die Prüfung standardisierter Arbeiten im Bildungswesen.
• Disposition und Personaleinsatzplanung sowie bildbasierte Kontrolle in der Produktion.

Zur Größenordnung: Das IAB beziffert den Anteil der sozialversicherungspflichtig Beschäftigten in Berufen, deren Kerntätigkeiten zu mehr als 70 Prozent technisch ersetzbar wären, für 2022 auf 38 Prozent — 2013 waren es 15. Die Institution selbst betont, dass technische Machbarkeit keine Umsetzungsprognose ist. Die Internationale Arbeitsorganisation kommt in ihrer Modellierung zu dem Ergebnis, dass generative KI überwiegend Tätigkeiten verändert statt Berufe zu ersetzen — am stärksten exponiert ist die Büro- und Verwaltungsarbeit. Beide Befunde stützen dasselbe Bild: Es trifft Tätigkeiten entlang des Bruchkriteriums, quer durch die Berufe. Wie sich dieser Rollenwandel im Mittelstand konkret anfühlt, haben wir im Beitrag zur Veränderung der Berufsbilder durch KI ausgeführt.

Welle 3 — ab 2030, breite Streuung

Entwurf und Variantenbildung in Konstruktion und Bauplanung, wissenschaftliche Vorarbeit, der Wechsel von der Erstellung zur Prüfung als Kern vieler Fachrollen. Die Robotik hängt an Hardwarezyklen und Stückkosten, kaum an der Modellfähigkeit — sie kommt später, als die öffentliche Debatte nahelegt. Eine Maschine, die Regale einräumt, braucht Motoren, Sensoren und Serienfertigung zu konkurrenzfähigen Kosten; ein Modell-Update genügt dafür nicht.

Der wichtigste Satz dieses Kapitels: Die Reihenfolge gilt unabhängig vom Tempo. Geht es schneller, laufen die Wellen enger zusammen — sie vertauschen sich nicht. Wer seine Position in der Reihenfolge kennt, hat deshalb auch dann Orientierung, wenn jede Jahreszahl fällt.

Der Fall, dass es schnell geht

Das Folgende ist ein Szenario — ausdrücklich als solches gekennzeichnet und ohne Jahreszahl. Angenommen, die Rückkopplung aus Kapitel 3 greift: Systeme beschleunigen die eigene Weiterentwicklung spürbar. Dann ändert sich weniger die Menge des Automatisierbaren als der Charakter des Problems. Sechs Verschiebungen:

1. Das Ziel bewegt sich während des Projekts. Wer eine Einführung über achtzehn Monate plant, plant gegen einen Stand der Technik, den es bei Inbetriebnahme nicht mehr gibt.
2. Qualifikation verfällt schneller, als sie erworben wird. Eine dreijährige Ausbildung endet in einer anderen Arbeitswelt, als sie begann. Das trifft Umschulungsprogramme genauso wie ganze Studiengänge.
3. Technologische Vorsprünge halten nicht mehr. Wer sein Geschäft auf einen Werkzeugvorsprung baut, verliert ihn im nächsten Zyklus an alle anderen — das Werkzeug steht jedem zur Verfügung.
4. Regulierung kommt strukturell zu spät. Ein Gesetzgebungsverfahren dauert länger als zwei Modellgenerationen. Das ist kein Versagen der Institutionen — es ist ein Taktproblem zwischen Rechtsetzung und Entwicklungszyklus.
5. Kapitalbindung wird zum Risiko. Der Vorteil des Etablierten — Anlagen, Lizenzen, eingespielte Systeme — kehrt sich um: Wer viel gebunden hat, kann nicht reagieren.
6. Die Bruchkante verschiebt sich. Bestand hat dann nur noch, was persönliche Haftung, physische Anwesenheit oder echte Verantwortungsübernahme verlangt. Alles dazwischen fällt schneller, als die Korridore aus Kapitel 5 nahelegen.

Genauso wichtig ist, was dieses Szenario nicht enthält: Es nennt kein Datum. Es unterstellt Maschinen weder Bewusstsein noch Absichten. Und es erzählt keinen Untergang. Seine ganze Behauptung lautet: Ausschließen lässt es sich nach heutigem Wissensstand nicht. Mehr braucht es nicht — denn eine Entscheidung, die nur im langsamen Fall trägt, ist damit schon heute unvollständig, gleichgültig, welcher Fall am Ende eintritt.

Den Einstieg in dieses Szenario würden Sie an vier Frühindikatoren erkennen: Die Zyklen zwischen Modellgenerationen verkürzen sich sichtbar. Fortschritt entsteht nachweislich ohne menschlichen Zwischenschritt. Der Aufwand je Fähigkeitssprung sinkt, statt zu steigen. Und Anbieter verlagern die eigene Forschung erkennbar auf ihre Systeme. Keines dieser Signale verlangt Insiderwissen — alle vier sind von außen beobachtbar.

Umbrüche zweiter Ordnung: Es trifft auch, was niemand automatisiert

Umbrüche zweiter Ordnung treffen Bereiche, deren Tätigkeiten gar nicht automatisiert werden. Sie entstehen, weil sich das Umfeld ändert, in dem eine Leistung erbracht, bezahlt und gelernt wird. Sieben davon sind heute absehbar:

• Die Abrechnungslogik bricht vor der Tätigkeit. Wer nach Stunden abrechnet und mit KI-Unterstützung doppelt so schnell arbeitet, stellt nur noch die halbe Stundenzahl in Rechnung — bei gleicher oder besserer Leistung. Die Arbeit bleibt, aber das Preismodell, das sie bisher getragen hat, funktioniert nicht mehr.
• Die Einstiegsstufe bricht zuerst, die Folge kommt Jahre später. Automatisiert wird die Arbeit, an der Berufsanfänger bisher gelernt haben: Recherche, Erstentwurf, einfache Fälle.
• Die Freigabe wird zum Engpass. Der Ausstoß an Entwürfen, Texten und Analysen vervielfacht sich; die Zahl derer, die ihn fachlich verantworten dürfen, bleibt gleich.
• Ausbildungsordnungen hinken. Rund drei Jahre vom Anstoß bis zum Inkrafttreten einer neuen Ordnung stehen Entwicklungszyklen von Monaten gegenüber — der Lehrplan beschreibt bei Inkrafttreten eine vergangene Arbeitswelt.
• Wettbewerb von unten. Einzelne liefern mit Werkzeugunterstützung, wofür bisher Abteilungen nötig waren — und treten in Märkte ein, die durch Mindestgröße geschützt schienen.
• Die Marge wandert stromaufwärts. Der eigene Lieferant automatisiert, senkt seine Kosten und gibt den Vorteil nicht weiter — die Wertschöpfungskette verteilt sich neu, ohne dass sich am eigenen Betrieb etwas ändert.
• Nachweise verlieren ihren Wert. Zeugnisse, Arbeitsproben, Bewerbungen, Gutachten und Prüfungsleistungen sagen immer weniger über die Fähigkeit der Person aus, die sie einreicht. Was an ihre Stelle tritt, haben wir im Beitrag zur KI-Affinität als Einstellungskriterium behandelt.

Wo es nicht bricht: Haftung, Zuwendung, Arbeit vor Ort

Die Reihe hat ein Ende, und es lässt sich mit demselben Kriterium bestimmen. Fünf Bereiche liegen dahinter:

• Persönliche Haftung: Testate, Approbationen, Siegel, richterliche Entscheidungen — überall dort, wo eine Person mit ihrer Zulassung einsteht, bleibt die Person der Kern der Leistung.
• Verhandlung mit Menschen: Interessenausgleich, Konfliktlösung, Führung — Situationen, deren Ergebnis von Vertrauen zwischen anwesenden Personen abhängt.
• Pflege und Zuwendung: Leistungen, deren Wert in der menschlichen Anwesenheit selbst liegt und die sich gegen Ersetzung strukturell sperren.
• Körperliche Arbeit in unstrukturierter Umgebung: Baustelle, Bestandsgebäude, Havarie — jede Situation ist anders, nichts liegt als Datensatz vor.
• Lokale Bindung und Vertrauen: Der Betrieb, den man seit zwanzig Jahren kennt, dessen Inhaber haftet und erreichbar ist.

Wer im Altbau eine undichte Leitung sucht, steht am Ende der Reihe: Der Gegenstand ist physisch, jede Wand ist anders, das Ergebnis verlangt Anwesenheit. Diese Aufzählung macht den Rest des Beitrags glaubwürdig — ein Trost ist sie nur für jene, die tatsächlich dort stehen. Für alle anderen benennt sie präzise, wie weit die Reihe reicht: bis an die eigene Position heran oder darüber hinaus.

Verharmlosung und Fatalismus: die zwei Ausweichbewegungen

Auf die Streubreite reagieren Menschen und Organisationen typischerweise mit einer von zwei Bewegungen. Beide ersparen die unbequeme Arbeit, die eigenen Bindungen zu prüfen.

Die erste: „Alles überschätzt"

Diese Position hat ernstzunehmende Argumente. Der Ökonom Robert Solow bemerkte 1987, das Computerzeitalter sei überall zu besichtigen, nur in den Produktivitätsstatistiken nicht — und behielt über ein Jahrzehnt recht. Der Wirtschaftshistoriker Paul David zeigte 1990 am Beispiel der Elektrifizierung, dass zwischen Verfügbarkeit einer Basistechnologie und messbarer Produktivitätswirkung dreißig bis vierzig Jahre lagen, weil Fabriken und Abläufe erst um die Technik herum umgebaut werden mussten. Die Forschung zur „Produktivitäts-J-Kurve" (Brynjolfsson, Rock, Syverson) erklärt, warum: Der Nutzen entsteht erst nach unsichtbaren Investitionen in Prozesse und Qualifikation. Wer also sagt „das dauert länger, als die Anbieter behaupten", hat die Wirtschaftsgeschichte auf seiner Seite.

Nur trägt das Argument weniger, als es scheint. Die Diffusionsträgheit bremst die Umsetzung in Organisationen — die Messreihen zum Fähigkeitstempo der Modelle laufen davon unberührt weiter. Und selbst wenn die Wirkung dreißig Jahre bräuchte: Eine Berufswahl bindet vierzig. Die historischen Einwände verschieben den Zeitpunkt. Ort und Reihenfolge der Brüche lassen sie unverändert.

Die zweite: „Dann ist ohnehin alles egal"

Der Fatalismus ist die gefährlichere Bewegung, weil er wie Realismus klingt. Wer sagt „wenn wirklich eine Superintelligenz kommt, spielt meine Planung keine Rolle mehr", wirkt abgeklärt — und erzeugt exakt dieselbe Untätigkeit wie die Verharmlosung. Der Denkfehler liegt im Alles-oder-Nichts: Zwischen „nichts ändert sich" und „alles wird bedeutungslos" liegt der gesamte realistische Ereignisraum, und in jedem Punkt dieses Raums entscheidet die Ausgangsposition darüber, wer reagieren kann. Kürzere Bindungen, gesicherte Daten, dokumentiertes Wissen zahlen sich in jedem Szenario unterhalb der Apokalypse aus — und im apokalyptischen wäre ohnehin nichts verloren gewesen. Warum das Aufschieben solcher Entscheidungen selbst die teuerste Entscheidung ist, haben wir im Beitrag über das Aufschieben digitaler Entscheidungen ausgeführt.

Was in beiden Fällen richtig bleibt: sechs robuste Entscheidungen

Robust ist eine Entscheidung dann, wenn sie im langsamen wie im schnellen Szenario trägt. Sechs Festlegungen erfüllen diese Bedingung:

1. Bindungsdauern verkürzen — auch gegen schlechtere Konditionen. Der Aufpreis für kürzere Laufzeiten ist der Marktpreis für Reaktionsfähigkeit. Er ist derzeit die am klarsten unterbewertete Position in Vertragsverhandlungen.
2. Datenhoheit und Exportierbarkeit vertraglich sichern. Entscheidend ist die Frage, ob Sie Ihre Daten in maschinenlesbarer Form jederzeit vollständig herausbekommen — sie gehört in jeden Vertrag, vor der Preisverhandlung.
3. Nichts selbst bauen, was ein Basismodell in anderthalb Jahren mitbringt. Eigenentwicklungen lohnen dort, wo Ihr Betrieb Wissen hat, das kein Modell hat — nirgendwo sonst.
4. Wissen dokumentieren, statt es in Köpfen zu lassen. Dokumentiertes Prozesswissen bleibt nutzbar, wenn Werkzeuge und Personen wechseln — und es ist die Voraussetzung, um Automatisierung überhaupt sauber anzusetzen.
5. Wechselfähigkeit vor Optimierung. Ein um zehn Prozent günstigeres System, das Sie fünf Jahre bindet, ist im Zweifel teurer als das wechselbare — die Option zu reagieren hat einen eigenen Wert.
6. Auf das setzen, was im Bruchkriterium nicht vorkommt. Urteilsfähigkeit, Verantwortungsübernahme, Beziehungen. Werkzeugwissen verfällt mit dem Werkzeug — die Fähigkeit, Ergebnisse zu beurteilen und dafür einzustehen, verfällt nicht.

An die Stelle der Jahreszahl treten Frühindikatoren aus dem eigenen Geschäftsalltag: Ausschreibungen fragen die KI-Nutzung ab. Gegenüber erscheinen mit fertigen Analysen zum Erstgespräch. Eingehende Bewerbungen sind plötzlich durchgehend perfekt formuliert — und taugen damit nicht mehr zur Vorauswahl. Ein Wettbewerber senkt Preise, ohne Personal abzubauen. Der eigene Software-Anbieter kündigt eine Funktion an, die Arbeit übernimmt, für die bisher ein Mitarbeiter bezahlt wurde — die Vorkontierung etwa, die Disposition oder den Erstentwurf. Jedes dieser Signale ist konkreter als jede Prognose — und jedes ist ein Anlass, die eigene Position neu zu bestimmen. Ein strukturiertes Verfahren dafür beschreibt unser Beitrag zur Bestimmung des eigenen KI-Reifegrads.