Zwei Arten von AI-Nutzern entstehen – und die Kluft zwischen ihnen ist erstaunlich

 (martinalderson.com)
43 Punkte von GN⁺ 2026-02-02 | 4 Kommentare | Auf WhatsApp teilen
  • Die Produktivitätslücke zwischen AI-Nutzern wächst rapide: „Power User“ nutzen fortgeschrittene AI-Tools wie Claude Code und MCPs aktiv, während die Mehrheit weiterhin bei einer konversationsbasierten Nutzung auf ChatGPT-Niveau bleibt
  • Große Unternehmen haben es wegen Sicherheitsrichtlinien, abgeschotteten IT-Umgebungen und Legacy-Systemen schwer, moderne AI-Tools einzuführen, während kleinere Unternehmen AI schnell internalisieren und so ihre Effizienz steigern
  • Diese Kluft führt zu einer Ära, in der kleine Teams deutlich produktiver sein können als Großunternehmen, und der Aufbau interner APIs und sicherer Umgebungen für die Code-Ausführung wird zum Kern künftiger Wettbewerbsfähigkeit
  • Werden Agenten mit einer bash-Sandbox kombiniert, die Zugriff auf Programmiersprachen und APIs hat, können selbst nichttechnische Nutzer nahezu alle Produktivitäts-Apps ersetzen – das ist die Zukunft der Wissensarbeit

Zwei Arten von AI-Nutzern

  • Die Produktivitätslücke zwischen AI-Nutzern vergrößert sich rasant
    • Die eine Seite nutzt Claude Code, MCPs und skillbasierte Workflows, und selbst Nichttechniker verwenden AI aktiv im Terminal
    • Besonders im Finanzbereich gibt es viele Fälle, in denen mit Python-basierter Automatisierung die Grenzen von Excel überwunden werden
  • Die andere Seite bleibt weiterhin bei einer einfachen Frage-und-Antwort-Nutzung auf ChatGPT-Niveau
    • Viele Beschäftigte gehören noch immer in diese Kategorie und schöpfen das Potenzial von AI nicht annähernd aus

Die Grenzen von Microsoft Copilot

  • M365 Copilot wird gebündelt mit Office-365-Abonnements angeboten und hat deshalb im Unternehmensmarkt einen hohen Marktanteil, bietet aber eine Art abgespeckte ChatGPT-Oberfläche
    • Die „Agent“-Funktion ist im Vergleich zu CLI-Coding-Agenten, einschließlich Microsofts eigenem GitHub Copilot CLI, geradezu lächerlich
      Sie scheitert häufig bei großen Dateien, und die Grenzen bei Speicher und CPU sind übertrieben restriktiv
  • Selbst intern bei Microsoft wird Claude Code in Teams eingeführt
    • Das ist ein Beispiel dafür, dass Copilot technisch zurückliegt
  • In Unternehmensumgebungen ist Copilot oft das einzige erlaubte AI-Tool, sodass Mitarbeitende andere Tools nur unter Inkaufnahme eines Kündigungsrisikos oder mit erheblichem Aufwand nutzen können
    — Führungskräfte erleben mit solchen Tools miserable Ergebnisse, werten danach AI insgesamt ab oder geben enorme Summen für große Beratungsunternehmen aus, ohne Resultate zu erzielen

Das strukturelle Risiko für Großunternehmen

  • Sicherheitszentrierte, geschlossene IT-Richtlinien blockieren Innovation
    • Extrem verriegelte Umgebungen: Nicht einmal einfache Skript-Interpreter lassen sich lokal ausführen (mit Glück vielleicht VBA, und selbst das ist oft per Group Policy eingeschränkt)
    • Legacy-Software: Für zentrale Workflows gibt es keine internen APIs, an die Agenten überhaupt andocken könnten
    • Siloisierte Engineering-Abteilungen: Oft vollständig ausgelagert, sodass intern das Personal fehlt, um die Infrastruktur für sicher gesandboxte Agenten aufzubauen
  • Natürlich sind Sicherheitsbedenken real – Coding-Agenten unkontrolliert auf Produktionsdatenbanken loszulassen, ist riskant
  • Aber Sandboxing ist schwierig, und das eigentliche Kernproblem ist das Fehlen eines Engineering-Teams, das dies sicher aufbauen kann

Das schnelle Wachstum kleinerer Unternehmen

  • Kleine und mittlere Unternehmen ohne Legacy-Fesseln führen AI schnell ein und steigern ihre Produktivität explosionsartig
    • Auf der einen Seite stehen Finanzleiter, die Microsofts Copilot für Excel ausprobiert haben (bei Geminis Integration in Google Sheets ist es ähnlich schlecht), selbst einfache Aufgaben völlig misslingen sahen und das Tool danach nie wieder anfassen,
    • auf der anderen Seite stehen nichttechnische Führungskräfte, die Claude Code beherrschen und Python lokal ausführen
      • Die Umwandlung eines extrem komplexen Excel-Finanzmodells mit 30 Tabellenblättern in Python wird mit Claude Code mit nur 2–3 Prompts beinahe abgeschlossen
      • Sobald das Modell in Python vorliegt, lässt sich mit Claude Code Kompetenz auf dem Niveau eines Data-Science-Teams erreichen
      • Monte-Carlo-Simulationen ausführen, externe Datenquellen anbinden, Web-Dashboards bauen und Schwächen im Modell (oder im Geschäft) analysieren – all das wird möglich
  • Früher beneideten Mitarbeitende kleinerer Unternehmen oft die Ressourcen und Teams großer Konzerne,
    doch in dieser Umgebung zeigen kleine Teams weit höhere Effizienz als Großunternehmen, und der Produktivitätstrend kehrt sich um

Die künftige Arbeitsstruktur

  • AI-bedingte Produktivitätssteigerung entsteht bottom-up
    • Kleine Teams versuchen, für bestimmte Prozesse AI-gestützte Workflows aufzubauen, und erzielen gute Ergebnisse, weil sie diese Prozesse in- und auswendig kennen
    • Das steht im Kontrast zu ausgelagerten Software-Engineering-Teams ohne jede Prozesserfahrung
    • Das ist das genaue Gegenteil der meisten bisherigen „digitalen Transformations“-Projekte
  • Unternehmen mit APIs für ihre internen Systeme können deutlich mehr erreichen
    • Das Spektrum reicht von einem schlichten Read-only-Data-Warehouse, das Mitarbeitende anbinden können, um Abfragen in ihrem Namen auszuführen, bis hin zur APIisierung zentraler Geschäftsprozesse
  • Code-Agenten in sicher kontrollierten VM-Umgebungen auszuführen ist eine realistische Alternative
    • Für Read-only-Reporting geeignet, bei Datenänderungen aber noch mit Grenzen
  • Legacy-Enterprise-SaaS-Anbieter befinden sich entweder in einem starken Lock-in oder – je nach Perspektive – in einem extrem verwundbaren Zustand
    • Die meisten sind keine „API-first“-Produkte, und bestehende APIs wurden für Entwickler entworfen und sind nicht dafür optimiert, von Tausenden Mitarbeitenden ineffizient aufgerufen zu werden
    • Wenn sie jedoch die Single Source of Truth eines Unternehmens darstellen, ist ein Wechsel sehr schwierig, und sie werden zum Engpass für Produktivitätssteigerungen
  • Kleinere Unternehmen neigen dazu, neuere Produkte mit gut gestalteten APIs zu nutzen
    • Diese neuen SaaS-Produkte sind API-zentriert entworfen und daher für AI-Integration im Vorteil

Eine neue Form der Wissensarbeit

  • Die Kombination aus einer bash-Sandbox mit Zugriff auf Programmiersprachen und System-APIs und einem Agent-Framework wirkt auch für Nichttechniker als leistungsstarkes Produktivitätswerkzeug
    • Nutzer geben einen Prompt ein, und der Agent erzeugt über APIs das Ergebnis
    • Berichte schreiben, Daten analysieren, Dokumente erstellen und alles, was der Nutzer verlangt, im gewünschten Format ausgeben – damit lässt sich der Großteil bestehender Office-Apps ersetzen
  • Das Modell, bei dem der Nutzer promptet, der Agent sich mit APIs verbindet und auf Anforderung Outputs erzeugt, ist die Zukunft der Wissensarbeit
    • Diese Polarisierung ist real und beschleunigt sich rapide
  • Dieser Wandel eröffnet eine Ära, in der kleine Teams schneller Wettbewerbsvorteile aufbauen können als Großunternehmen
    • Die Lücke in der AI-Nutzung existiert tatsächlich, und ihr Tempo nimmt weiter zu
    • Noch nie in der Geschichte konnten kleine Teams Unternehmen, die tausendmal größer sind, so leicht überholen

Verwandte Beiträge

4 Kommentare

 
GN⁺ 2026-02-02
Hacker-News-Kommentare

  • Ich denke, man kann Nutzer in zwei Gruppen einteilen
    Die einen nutzen AI als Werkzeug, kennen ihre Grenzen und verwenden sie für wiederholende oder langweilige Aufgaben oder um Zusammenfassungen zu bekommen
    Die anderen lagern das Denken selbst aus, haben kaum Verständnis für das Thema, wollen nur Ergebnisse und haben keine Lernbereitschaft
    Letztere sind die Sorte, die glaubt, dass Chatbots Senior-Entwickler ersetzen können

    • Als mir klar wurde, dass das Unternehmen keine „denkenden Engineers“ will, habe ich auch begonnen, bei der Arbeit mein Denken auszulagern
      Wichtig sind nur schnelle Liefertermine, und Kundenfeedback kommt erst ein halbes Jahr später, also ist es bedeutungslos
      Jetzt mache ich nur noch das Minimum und halte bis zum Gehaltsscheck durch
    • Es gibt noch einen anderen Typ. Menschen, die ihre Denkfähigkeit nutzen, um fortgeschrittenere Werkzeuge zu bauen, und dadurch immer mehr Denken und technische Arbeit an AI delegieren. Ich und mein Umfeld gehören dazu
    • Das Auslagern von Denken ist nicht immer schlecht
      Ich habe mit Claude Code und ElevenLabs eine App zum Üben des Hörverstehens auf Deutsch gebaut, und sie war so effektiv, dass sogar meine Lehrerin überrascht war
      Ich hatte kein Interesse daran, Programmieren zu lernen; das Ziel war meine Deutschkenntnisse zu verbessern
    • Ich denke, es gibt auch eine dritte Gruppe. Menschen, die AI wie einen virtuellen Teamkollegen nutzen, um Ideen hin- und herzuspielen. Das ist meiner Meinung nach der interessanteste Anwendungsfall
    • Eine weitere Gruppe nutzt sie als Suchmaschine, Arzt oder Berater oder als Ersatz für Dokumentation.
      Also nicht nur als simples Werkzeug, sondern als konversationellen Partner

  • Wenn man AI in Greenfield-Projekten und Brownfield-Projekten einsetzt, ist der Produktivitätsunterschied groß
    Am ersten Tag eines neuen Projekts schafft man Arbeit für eine Woche, aber in bestehenden Systemen bleibt es bei etwa 20 % Verbesserung
    Im Grunde führt das dazu, dass AI das „Innovator’s Dilemma“ schnell nachbildet
    Die Frage ist, welche Rolle AI in der Phase spielen kann, in der komplexe Systeme reifen müssen

    • Aus Sicht von jemandem, der in Enterprise-IT arbeitet, kann ich dem nur zustimmen
      Ich habe mit AI fast eine komplette Hashicorp-Packer-Build-Datei erstellt, und lokale AI war dabei eine große Hilfe
      Aber bei alter Infrastruktur ist die Unvorhersehbarkeit so groß, dass LLMs eher alles verschlimmern können
    • Eigentlich tritt dieses Phänomen auch ohne AI bei neuen Projekten immer auf
      Am Anfang geht alles schnell, aber später zeigen sich die Grenzen der Architektur
    • Ich nutze AI als Produktivitätsschmiermittel. Wenn ich müde bin oder zu viel grüble, hilft sie mir, einen Startpunkt zu finden
      Sie hilft auch dabei, Overengineering zu reduzieren
    • Dieser Geschwindigkeitsschub endet aber an den Grenzen des Kontextfensters
      Wenn ein Projekt 200k Token überschreitet, fällt die Produktivität auf 0
      Am Ende gewinnen Organisationen mit Prozessen, die nicht auf Gedächtnis angewiesen sind
    • Normalerweise sind es 10–20 % Verbesserung, aber bei privaten Projekten hatte ich auch schon 200–500 %

  • Als ich hörte, dass ein Manager mit Claude Code ein komplexes Excel-Finanzmodell mit 30 Tabellenblättern in Python umgewandelt hat, wurde mir fast schlecht
    Mit meinem Hintergrund in Mathematik und Geophysik ist so ein Excel-Modell an sich schon ein Albtraum
    Trotzdem räume ich ein, dass die Python-Version wahrscheinlich nicht schlechter ist als das Original

    • Das Geheimnis in solchen code-nahen Bereichen ist, dass es fast keine Tests gibt
      Wer soll fehlerhafte Modellierung entdecken? Fast niemand
      Von LLMs erstellte Simulationen haben noch weniger Validierungsprozesse
    • Im Finanzsektor werden produktive Excel-Spreadsheets tatsächlich wie Code versioniert und getestet
      Anfangs nutzt man sie für schnelle Experimente, und wenn die Erträge groß genug werden, wandelt das Tech-Team sie in eine offizielle Anwendung um
    • Aber ich bin sicher, dass die Claude-Code-Version viel schlechter sein wird
      Das ursprüngliche Excel wurde über Jahre hinweg angepasst, während die Umwandlung nur ein gefälschtes Duplikat ist
    • Über die Aussage „wahrscheinlich nicht schlechter“ musste ich lachen
    • Wir bewegen uns jetzt von einer Zeit, in der „Excel Rezessionen verursacht“, zu einer Zeit, in der von AI erstellte Finanzmodelle Rezessionen verursachen
    • Selbst wenn Claude Code die Umwandlung fast in einem Durchgang geschafft hat, ist die Wahrscheinlichkeit hoch, dass dabei wichtige Logik kaputtgegangen ist
      • Natürlich könnte die Genauigkeit steigen, wenn man Excel und Python parallel laufen lässt und die Ergebnisse vergleicht
      • Aber auch die Wahrscheinlichkeit, dass das Excel-Modell selbst korrekt validiert wurde, ist gering
      • „Fast in einem Durchgang“ zu sagen ist so, als würde man behaupten, eine CPU sei „fast zu 100 % zuverlässig“
      • Letztlich macht mir Angst, dass unsere 401k vielleicht von AI-erstellten Modellen verwaltet werden könnten

  • Es ist beängstigend, dass es Nichtfachleute gibt, die mit AI Finanzmodelle bauen

    • Vermutlich braucht es erst einen großen Unfall, bevor Kapitalgeber aufwachen
    • Man kann immerhin Excel danebenlegen, Vergleichstests machen und die AI bei Auffälligkeiten um Erklärungen bitten
    • Wenn das in den medizinischen Bereich übergeht, wird es noch beängstigender
    • Ich lerne gerade von Python zu Rust, und wenn ich sehe, wie oft LLMs Fehler machen, wird mir das Risiko blinden Vertrauens in AI sehr deutlich
    • Tatsächlich werden viele Excel-Modelle ebenfalls nicht ordentlich getestet. Es ist oft nur ein „scheint schon zu passen“

  • Gerade erleben wir die Geburtsstunde von Shadow AI
    Wie bei Shadow IT in den 2000ern lassen Mitarbeiter heimlich Claude Code im Terminal laufen
    Weil das offizielle Copilot nicht einmal vernünftig mit CSV umgehen kann
    CISOs bekommen Angst, aber wenn sie es verbieten, werden die fähigen Mitarbeiter gehen

    • Das Problem ist, dass diese Leute Tokens oder Kontoberechtigungen einfach an die AI weitergeben. Ein Sicherheitsalbtraum

  • In der Sprache der 1980er gesagt kommt echte Innovation aus spontan von Mitarbeitern an der Front entwickelten Workflows
    Denn sie kennen die Prozesse am besten
    Erst danach folgen CIO-freundliche Softwarepakete

    • Letztlich liegt die Macht in der Long Tail, also darin, dass wenige experimentelle Versuche den Wandel antreiben

  • In den letzten Monaten sind Agenten brauchbar geworden, und alle fangen jetzt gerade erst an, sie zu nutzen
    MCP, LangChain und Vector DBs waren zeitweise ein Hype, aber jetzt ist es ruhig darum
    Es ist noch viel zu früh, um von einem Trend zu sprechen

    • Der MCP-Hype diente größtenteils Verkaufszwecken. Als Protokoll ist es aber ziemlich nützlich
      Ich habe context7- und playwright-MCP-Server verwendet, und sie waren effektiv für Planung und Feedback-Schleifen
    • Die meisten Leute, die über MCP reden, sind Manager, die nur auf LinkedIn aktiv sind
    • Selbst für langjährige Linux-Nutzer wie mich ist es mit Claude Code so einfach geworden, dass ich jedes Wochenende 2 Apps fertigstelle
    • In der Praxis nutze ich statt MCP häufiger REST oder bestehende APIs

  • Die Excel-Integration von Microsoft Copilot ist miserabel
    Wegen 30 Jahren komplexer XML-Formate kann ein LLM das nicht verstehen
    Deshalb migriert unser Unternehmen Word-Dokumente nach Markdown. Eine Art Karma

    • Der Traum vom maschinenlesbaren Web, den Tim Berners-Lee vorausgesehen hat, wird erst jetzt Realität
      Aber die Zeit, die man investieren muss, um Dokumente AI-freundlich zu machen, wird immer größer
    • Ironischerweise hat Claude Code in Excel viel besser funktioniert
      Copilot ignorierte sogar die Anweisung, nach CSV zu konvertieren, und scheiterte
    • Früher habe ich Praktikanten ein Projekt gegeben, bei dem sie Visio-XML parsen und in JSON umwandeln sollten; es hat funktioniert, verschwand aber schnell wieder

  • Früher hörte ich oft den Satz: „Heute schlagen nicht mehr große Unternehmen die kleinen, sondern schnelle Unternehmen schlagen langsame Unternehmen“
    Im AI-Zeitalter wirkt das noch wahrer. Das Problem ist, wie man schnell bleibt

    • Aber schnell zu sein ist nicht immer gut. Man kann auch als Erster die Klippe hinunterstürzen
    • Genauso wichtig ist es zu wissen, wann man langsamer werden muss. Entscheidend ist, sich schnell zu bewegen, ohne Sicherheit und Compliance zu gefährden
    • Natürlich ist das typische Startup-Weisheit, aber manchmal gewinnt auch die langsamere Seite (z. B. Teams vs Slack)
 
tazuya 2026-02-05

Copilot wird immer noch kritisiert. Wann verbessert MS es endlich?
 
bichi 2026-02-03

Ich nutze es als Knecht 1, 2, 3.
 
xguru 2026-02-03

Zwischendurch gibt es viel Kritik an Copilot, aber tatsächlich
Claude Code verbreitet sich intern bei Microsoft rasant

Das dürfte sich wohl eindeutig auch auf große koreanische Unternehmen übertragen lassen.
Es wird sicher einige Firmen geben, in denen man es nutzt, weil die Firma es vorgibt, aber ChatGPT/Claude nicht erlaubt sind und nur Copilot verwendet werden darf.