- Laut einer MIT-Studie scheitern zwar 95 % der AI-Projekte in Unternehmen, tatsächlich legt sie aber ein strukturelles Problem offen: Großunternehmen sind nicht in der Lage, AI selbst aufzubauen
- Großunternehmen versuchen, AI-Systeme über interne IT-Teams oder Beratungsfirmen zu entwickeln, scheitern jedoch meist an mangelnder Produktentwicklungskompetenz und politischen Hürden
- Projekte mit externen Startup-Anbietern hatten eine deutlich höhere Erfolgsquote als Eigenentwicklungen, weshalb Unternehmen inzwischen zwangsläufig auf Lösungen von Startups angewiesen sind
- In den Engineering-Teams großer Unternehmen sitzen zahlreiche AI-Skeptiker, sodass keine tatsächlich funktionierenden Produkte entstehen können — und genau das eröffnet Startups eine beispiellose Chance
- Der Aufbau AI-nativer Systeme und die hohen Wechselkosten schaffen hohe Eintrittsbarrieren und damit ein günstiges Umfeld für Startups, die wirklich funktionierende Lösungen bauen können
Was tatsächlich im MIT-Forschungsbericht steht
- Verzerrte Deutungen durch AI-Influencer: Auf X und YouTube wurde die „95-%-Fehlerrate bei AI-Projekten“ als Beleg dafür verbreitet, dass „AI Betrug ist“
- Tatsächlich analysiert die Studie die Art der AI-Einführung in Unternehmen und ihre Erfolgsfaktoren und zeigt, wie AI-Agenten in der Praxis funktionieren und welche Ansätze wirksam sind
- Sogar Studierende lasen nur die Tweet-Version und zogen fälschlich den Schluss, dass „die von YC beschriebenen AI-Startups nicht funktionieren“
Strukturelle Gründe für das Scheitern von AI in Unternehmen
- Chronische Probleme interner IT-Systeme: Die meisten internen IT-Systeme in Unternehmen sind von niedriger Qualität, und selbst wenn Firmen Beratungen wie Ernst & Young oder Deloitte beauftragen, verdoppeln sich die Probleme eher
- Sogar Apple scheitert an Softwareentwicklung: Selbst Apple mit praktisch unbegrenztem Kapital und Zugang zu Talenten hat täglich Bugs in seiner Kalender-App
- Ein Beispiel dafür, wie schwer es selbst für normale Unternehmen oder IT-Abteilungen ist, gute Software zu bauen
- Politische Konflikte innerhalb der Organisation: Wenn in Großunternehmen anspruchsvolle Software ausgerollt wird, sind viele Teams beteiligt, was zu politischen Kämpfen und Revierstreitigkeiten führt
- Berater moderieren zwischen Data-Science-Team, Kundensupport, IT-Team usw. und schreiben Anforderungsdokumente
- Aber Beratern fehlt oft die tatsächliche technische Expertise zum Bau von Software
- Grenzen von Legacy-Systemen: Interne Systeme in Unternehmen sind zu alt und zu stark in Silos aufgeteilt, sodass gleichzeitig externe Beratungsexpertise und echte Software-Baukompetenz nötig wären
- Das Endergebnis gleicht oft einem von einem Komitee entworfenen Kamel — ein unpraktisches Produkt aus Kompromissen
Erfolgreiche Startup-Beispiele
-
Tactile (Engine für Geschäftsentscheidungen)
- Echtzeitverarbeitung von KYC/AML in Banken: Prüfung der Kreditwürdigkeit von Kreditantragstellern und Validierung von Geschäftsregeln in Größenordnungen von Millionen Vorgängen pro Tag
- Citibank und JP Morgan versuchten eine Eigenentwicklung, hätten dafür aber 3 bis 5 Jahre und zig Millionen Dollar benötigt
- Tactile liefert Echtzeitentscheidungen per REST API, kann aktuelle AI-Modelle als Plugin einbinden und wurde mit einem Bruchteil des Budgets und in deutlich kürzerer Zeit aufgebaut
-
Greenlight (AI-System für Banken)
- Eine Bank beauftragte zunächst ihren bestehenden Anbieter Ernst & Young mit dem Aufbau eines AI-Systems
- Ernst & Young entwickelte ein Jahr lang und scheiterte komplett
- Danach wandte sich die Bank erneut an Greenlight; das System ist inzwischen vollständig ausgerollt und im Einsatz
-
Forschungsergebnis: externer Anbieter vs. interne Entwicklung
- Bei den untersuchten Projekten wurden 2/3 intern entwickelt oder mit Beratungsfirmen umgesetzt
- Nur 1/3 kaufte Produkte externer Anbieter wie Greenlight oder Tactile
- Mit externen Anbietern war die Erfolgsquote deutlich höher als bei Eigenentwicklungen
Warum Startups erfolgreich sind
- Mangel an Polymaths: Menschen, die sowohl Produkt als auch Engineering beherrschen, sind extrem selten
- Hervorragende Engineers konzentrieren sich oft nur aufs Coden und können nicht mit Domain-Nutzern wie Bankmitarbeitern kommunizieren
- Domain-Experten fehlen im Gegenzug Fähigkeiten in Coding, Technik, Design und Produkteinführung
- Beispiel Windsurf: Eine Vertriebsführungskraft ohne Engineering-Abschluss baute mit Windsurf eigene Tools
- In Organisationen mit einem IQ von 150 passiert das bereits, in den meisten anderen aber noch nicht
- Lücke in Startup-Form: In praktisch allen Geschäftsprozessen und Systemen gibt es Lücken, die von Startups gefüllt werden müssen
- Seltene Kompetenzkombination nötig: Verständnis moderner AI, Produktsinn und Verständnis menschlicher Prozesse zugleich
-
Beispiel Castle AI (Hypothekenserver)
- Versuche von Legacy-Anbietern, AI nachzurüsten: Jahrzehntealte Systeme werden mit AI überklebt, um wettbewerbsfähig zu bleiben
- Banken verlangen zwangsläufig einen Bake-off mit den etablierten Anbietern, denen sie bereits vertrauen
- Oft ist die Anbieter-Lösung nur ein „einfach draufgesetztes AI“ und entsprechend schwach
- Castle AI gewann Verträge mit Großbanken dank eines von Grund auf nativ aufgebauten Produkts mit echtem Produktsinn
- Der Erfolg stellte sich innerhalb eines Jahres nach dem Rollout ein
-
Beispiel Reducto (Dokumentenverarbeitung)
- Direkt von einem FAANG-Unternehmen über den YC Launch entdeckt: Vertragsabschluss mit einem FAANG-Unternehmen nur 154 Tage nach dem Batch
- Dieses Unternehmen hatte jahrelang versucht, eine eigene Lösung zu bauen
- Verschiedene OCR-Lösungen wie Open Source und AWS Tesseract wurden ausprobiert, aber ohne Erfolg
- Der Vertrag wurde durch Produktqualität (product excellence) gewonnen
- Dabei musste das Startup im Wettbewerb mit internen Teams die Organisationspolitik feinfühlig navigieren
- Eine Herausforderung, die auch im MIT-Bericht erwähnt wird
- Das Produkt läuft inzwischen seit mehr als 1–2 Jahren in Produktionsumgebungen
Erfolgsstrategie
- Champions aufbauen: interne Fürsprecher finden, die klugen jungen Leuten Chancen geben wollen
- Typische ideale interne Champions
- Mitarbeitende mit Startup-Traum, aber hoher Risikoaversion: Menschen, die realistisch gesehen nicht selbst gründen werden
- Sie wollen über spannende Startups stellvertretende Erfüllung erleben
- Sie möchten das Gefühl haben, Teil der Startup-Reise zu sein und wünschen den Gründern Erfolg
- Gesucht sind Menschen, die ihren inneren Startup-Traum nähren wollen
- Haltung für Gründer
- Keinen Formalismus nachahmen, etwa Anzug tragen oder die Microsoft-Website kopieren
- Wichtig ist, authentisch und wie ein echtes Startup aufzutreten
- Intelligent und klug zu wirken ist wichtig, übertriebene Förmlichkeit aber unnötig
Der AI-Wille der Unternehmen und die Chance für Startups
- Die positive Kernbotschaft des MIT-Berichts: Unternehmen haben einen überwältigend starken Wunsch, AI einzuführen
- Im Vergleich zur TripleByte-Zeit ist es heute deutlich einfacher, AI-Agenten an FAANG-Unternehmen zu verkaufen
- Unternehmen kaufen Lösungen bevorzugt von bestehenden Softwarefirmen oder Startups in späteren Phasen
- Bevorzugt werden Anbieter mit mehr Kapital und geringer wirkendem Risiko
- Grundlegendes strukturelles Problem, Produkte überhaupt zu bauen:
- Engineering-Teams in Großunternehmen bestehen aus Menschen, die nicht an AI glauben
- Sie nutzen keine Tools zur Codegenerierung
- Wenn jemand sagt, die MIT-Studie werde überbewertet, retweeten und liken sie das sofort
- Sie hängen an dem Narrativ, an das sie glauben wollen
- Wenn Engineers nicht daran glauben, ist es unmöglich, funktionierende Produkte zu bauen
- Beispiellose Chance für Startups: Wer ein funktionierendes Produkt baut, zwingt Unternehmen zum Gespräch
- Sie können es intern nicht bauen und auch nicht einfach zu bestehenden Firmen gehen
Botschaft an AI-Skeptiker
-
Probiert es selbst aus
- Wer Engineer ist, sollte selbst in ein echtes Projekt investieren und die Tools benutzen
- Nicht nach einem ersten Fehler bei einem Variablennamen sofort aufgeben
- Es kann auch ein spaßiges Side-Project neben der Hauptarbeit sein
- Beispiel „Vibe Coding Dad's Night“: ein technisch nicht versierter Vermieter baute ein System zur Prüfung von Mietzahlungen
- Werkzeuge, die einen 10x-Engineer zu einem 100x-Engineer und einen 1x-Engineer zu einem 10x-Engineer machen
- Die eigentliche Hürde ist, innere emotionale Widerstände zu überwinden
-
Verzerrung des Andrej-Karpathy-Interviews
- Tweet: „Karpathy sagt, Agenten seien überbewertet“
- Tatsächliche Aussage: Man kann Agenten nicht einfach nur einen Prompt geben und perfekte Ergebnisse erwarten; es braucht die richtigen Daten, Kontext, Evaluation und Tooling-Arbeit
- Die eigentliche Bedeutung: eine riesige Chance für Startups und Softwareentwickler
- Es gibt noch Berge großartiger Tools zu bauen
- AI ist ein Werkzeug und muss aktiv dabei unterstützt werden, besser zu funktionieren; man darf nicht erwarten, dass sie magisch arbeitet
Der Neuaufbau AI-nativer Systeme als Chance
- Alle Systeme müssen vollständig AI-nativ neu geschrieben werden
- Software muss vollständig neu entwickelt werden, damit sie mit AI zusammenarbeitet
- Das eröffnet Gründern unbegrenzte Möglichkeiten
- „Sobald man Zeit in das Training des Systems investiert hat, werden die Wechselkosten untragbar hoch“
- Genau das ist der Burggraben (moat): eine klare Antwort an alle, die sich Sorgen machen, ChatGPT-Wrapper hätten keinen Burggraben
Fazit: die Chance für Startups
- Die Fehlinterpretation der AI-Pessimisten: Die 95-%-Fehlerrate wird als Beweis dafür verdreht, dass AI unmöglich sei
- Die eigentliche Aussage: AI umzusetzen ist extrem schwierig, und nur 5 % schaffen es
- Aber die YC-Aufnahmequote liegt unter 1 %: Genau diese Top-1-%-Gründer schaffen erfolgreiche Implementierungen innerhalb dieser 5 %
- Erfolgsfaktoren: herausragende technische Fähigkeiten + polymathe Fähigkeiten + Verständnis für andere Menschen
- Verstehen, was ein Fintech-CIO mit einem Unternehmen im Wert von 5 Milliarden Dollar wirklich will
- Selbstvertrauen, zu diesen 5 % gehören zu können: Wer wirklich exzellent ist, kann das absolut schaffen, und bei YC gibt es zahlreiche Beispiele dafür
Noch keine Kommentare.