Produktive Einzelne schaffen keine produktiven Unternehmen

• KI hat die Produktivität Einzelner zwar um das 10-Fache gesteigert, aber es gibt kein Unternehmen, dessen Wert im gleichen Maß um das 10-Fache gestiegen wäre — wohin ist die zusätzliche Produktivität also verschwunden?
• In der Einführungsphase der Elektrifizierung ersetzten Textilfabriken in Neuengland in den 1890er Jahren ihre Dampfmaschinen durch Elektromotoren, doch die Produktion stieg 30 Jahre lang kaum; erst nachdem die Fabriken in den 1920er Jahren rund um die Fließbandfertigung neu konzipiert wurden, realisierten sich die Erträge
• Ergebnisse entstehen nicht durch die Technologie selbst, sondern erst dann, wenn Technologie und Organisation (institution) gemeinsam neu gestaltet werden; bei KI im Jahr 2026 wurden lediglich „die Motoren ausgetauscht, die Fabrik aber nicht neu entworfen“
• Die meisten KI-Produkte vermitteln nur ein Gefühl von Produktivität, bewegen aber keinen realen Wert; produktive Organisationen brauchen Institutional Intelligence
• Die 7 Faktoren, die Institutional AI von Individual AI unterscheiden, bilden in den kommenden zehn Jahren das Fundament von B2B-KI-Unternehmen

---

Die verschwundene Produktivität: die Kernfrage

• KI hat alle Einzelnen 10-mal produktiver gemacht, aber daraus ist kein Unternehmen hervorgegangen, das 10-mal wertvoller geworden wäre
• Die Frage „Wohin ist die gestiegene Produktivität verschwunden?“ ist der Ausgangspunkt des gesamten Textes
• Es ist kein erstmaliges Phänomen; beim Aufkommen der Elektrizität geschah bereits dasselbe

Historische Lehre: die Elektrifizierung der Textilfabriken in den 1890er Jahren

• Elektrizität versprach in den 1890er Jahren enorme Produktivitätssteigerungen, und Textilfabriken in Neuengland, die die Rotationskraft von Dampfmaschinen nutzten, installierten an deren Stelle sofort schnellere Elektromotoren
• Doch 30 Jahre lang stieg der Output elektrifizierter Fabriken kaum; die Technologie war deutlich überlegen, die Organisation jedoch nicht
• Erst in den 1920er Jahren entstanden nennenswerte Erträge, als die Fabriken erneut vollständig neu entworfen wurden
  • Einführung der Fließbandfertigung, individuelle Motoren an jeder Maschine, völlig neue Rollen von Arbeitern und Maschinen
• Veranschaulicht wird dies durch die dreistufige Entwicklung der Lowell-Textilfabrik
  • Dampfmaschinenfabrik 1890 → Elektromotorfabrik 1900 → „unit drive“-Fabrik 1920 (vollständiger Umbau zur elektrischen Fließbandfertigung)
• Der Ertrag entstand nicht aus der Technologie selbst oder daraus, einzelne Arbeiter und Maschinen schneller zu machen, sondern erst, als Organisation und Technologie gemeinsam neu gestaltet wurden
• Das ist die teuerste Lektion der Technikgeschichte — und wir lernen sie gerade erneut

Warum Institutional Intelligence nötig ist

• Im Jahr 2026 steigert KI die Produktivität von Einzelnen, die sie zu nutzen verstehen, zwar um das 10-Fache, aber es wurden nur die Motoren getauscht, die Fabrik aber noch nicht neu entworfen
• Die meisten KI-Produkte auf dem Markt erzeugen lediglich ein Gefühl von Produktivität, bewegen aber keinen realen Wert; viele öffentlich sichtbare KI-Anwendungen sind selbstzufriedenes „productivity-maxxing“ auf Twitter oder im internen Slack — ohne jede reale Wirkung
• Das seit einem Jahr wiederholte Motiv „services as software“ weist zwar in die richtige Richtung, liefert aber keinen Bauplan und verfehlt das größere Bild
  • Der eigentliche Wandel führt nicht von Tools zu Services, sondern dahin, Technologie und Organisation (bestehend oder neu) gemeinsam aufzubauen
• Produktive Organisationen brauchen Institutional Intelligence; das ist die neue Produktkategorie, die dem „Fließband von morgen“ entspricht

Die 7 Säulen von Institutional Intelligence

• 1. Coordination (Koordination)

  • Individual AI erzeugt Chaos, Institutional AI erzeugt Koordination
  • Gedankenexperiment: Angenommen, man könnte morgen sofort nur die besten Mitarbeiter klonen und die Organisation damit verdoppeln
    • Jeder hätte kleine Unterschiede, Eigenheiten und Perspektiven (insbesondere die besten Mitarbeiter); wenn Management, Kommunikation und Rollen (swim lane, OKR, R&R) nicht ausreichend definiert sind, entsteht Chaos
    • Auf individueller Ebene mag jeder produktiver sein, doch wenn Tausende Agenten (oder Menschen) in entgegengesetzte Richtungen rudern, bedeutet das im besten Fall Stillstand und im schlimmsten Fall den Zerfall des organisatorischen Zusammenhalts
  • Das ist keine Hypothese, sondern genau das, was heute in jeder Organisation geschieht, die KI ohne Koordinationsschicht (coordination layer) eingeführt hat
    • Jeder Mitarbeiter hat eigene ChatGPT-Gewohnheiten, Prompt-Stile und Outputs, und diese Outputs sind nicht miteinander verbunden
  • Institutional Intelligence entwickelt sich zu einer Industrie des „Agentic Management“, die Rollen und Verantwortlichkeiten von Agenten, Kommunikation zwischen Agenten sowie zwischen Agenten und Menschen und die Messung des Agentenwerts behandelt
    • Reine nutzungsbasierte Abrechnung reicht dafür nicht aus

• 2. Signal (Signal)

  • Individual AI produziert Rauschen, Institutional AI findet Signal
  • Menschen können inzwischen Essays, Präsentationen, Tabellen, Fotos, Videos, Songs, Websites, Software und fast alles erzeugen, was sie sich vorstellen können
  • Das Problem ist, dass fast alles, was KI erzeugt, slop (Müll-Output) ist; manche Organisationen reagieren darauf über und verbieten KI-Outputs komplett
    • Selbst der Autor, obwohl er ein KI-Unternehmen führt, bittet sein Führungsteam, für finale Fassungen keine KI zu verwenden
  • Beispiel aus dem PE-Bereich: Wenn im letzten Jahr 10 Fälle auf dem Tisch landeten, kommen dieses Jahr 50 pro Quartal an — jeweils mit KI perfekt poliert — und die Zeit, den einen echten Deal zu finden, bleibt gleich
  • Es ist heute nicht mehr das Problem, irgendetwas zu erzeugen; das eigentliche Problem ist, das Richtige zu erzeugen und auszuwählen
    • Der zentrale wirtschaftliche Treiber der nächsten zehn Jahre wird darin liegen, in exponentiell wachsendem slop das Signal zu finden
  • Intelligenz auf Institutional-Niveau muss Signale finden, Rauschen strukturieren und definiert, deterministisch und auditable sein
    • Während Individual AI die „always on“-Produktivität nichtdeterministischer 24-Stunden-Agenten („Clawdbot“) betont, stützt sich Institutional AI auf deterministische Agenten mit vorhersehbaren Checkpoints, Stufen und Prozessen
  • Matrix wird als Tool präsentiert, das mit der Kraft generativer Technologie Rauschen herausfiltert

• 3. Bias (Verzerrung)

  • Individual AI verstärkt Verzerrungen, Institutional AI schafft Objektivität
  • Debatten über gesellschaftspolitische Verzerrungen beherrschten den KI-Diskurs jahrelang, doch Foundation-Model-Labs haben das mit ausreichend RLHF faktisch umgangen, indem sie Modelle zu Schmeichlern (sycophant) gemacht haben
    • ChatGPT, Claude und andere sind heute so stark ausgerichtet, dass sie praktisch jeder Position innerhalb des Overton Window zustimmen
  • Diese Überanpassung ist inzwischen so absurd, dass sie zum Meme geworden ist; typisch ist Claudes reflexartiges „you're absolutely right!“, egal was man sagt
  • Das wirkt harmlos, ist es aber nicht
    • Der lautstärkste KI-Befürworter in einer Organisation könnte zugleich historisch der leistungsschwächste Mitarbeiter sein
    • Wenn der schlechteste Mitarbeiter, der fast nie positive Verstärkung bekam, nun die Zustimmung einer ASI erhält, flüstert das: „Die intelligenteste Intelligenz stimmt mir zu, mein Manager liegt falsch“ — süchtig machend und organisatorisch toxisch
  • Persönliche Produktivitätstools bestärken den Nutzer, doch das Wichtigste, das bestärkt werden müsste, ist die Wahrheit (truth)
  • Organisationen haben über Jahrtausende Systeme entwickelt, um genau dieses Problem auszugleichen
    • Investment-Committee-Meetings, Third-Party-Due-Diligence, Aufsichtsräte, Exekutive, Legislative und Judikative der US-Regierung, repräsentative Demokratie und Demokratie insgesamt
  • Organisationen scheitern nicht, weil Menschen zu wenig Selbstvertrauen haben, sondern weil niemand „Nein“ sagen kann
  • Institutional AI muss diese Rolle übernehmen und statt per RLHF darauf trainiert zu sein, den Nutzer zu bestärken, Verzerrungen hinterfragen
    • Die wichtigsten Agenten sind keine „yes-men“, sondern disziplinierte „no-men“, die Denkprozesse verhören, Risiken offenlegen und Standards durchsetzen
    • Künftige Anwendungen: KI-Aufsichtsräte, KI-Prüfer, KI-Drittvalidierung, KI-Compliance usw.

• 4. Edge (Vorsprung)

  • Individual AI optimiert Nutzung (usage), Institutional AI optimiert Vorsprung (edge)
  • Die Torpfosten der KI verschieben sich wöchentlich, manchmal täglich, während Foundation-Model-Unternehmen ihre Fähigkeiten schnell iterieren
  • Doch wie beim klassischen innovator's dilemma gilt in bestimmten Anwendungen immer wieder: Tiefe (depth) schlägt Breite (breadth)
    • Midjourney spielt die Rolle des leicht überlegenen Tools für Designbilder
    • ElevenLabs spielt die Rolle des leicht überlegenen Tools bei Sprachmodellen
    • Decagon spielt die Rolle des dauerhaft führenden Produkts im Full-Stack-Kundendienst-Erlebnis
  • Selbst wenn Foundation Models nahe herankommen, zählt für Experten echter Vorsprung; viele der besten Designer nutzen Midjourney, die besten Voice-AI-Unternehmen nutzen ElevenLabs
    • Dass ein zweckgebundenes Produkt kompromisslos auf seinen Vorsprung fokussiert, definiert diesen Vorsprung überhaupt erst
  • Der Finanzsektor wird als derzeit heißestes Feld der LLM-Entwicklung dargestellt
    • Wenn eine Fähigkeit breit verfügbar ist, hilft sie per Definition nicht mehr, den Markt zu schlagen; wenn Frontier-Technologie jedoch vorübergehend einen Nischenvorsprung von 1 % liefert, lässt sich dieses 1 % in Milliardenwerte hebeln
  • Nutzer waren der Frontier schon immer voraus; das Kontextfenster von LLMs ist in vier Jahren von 4K auf 1M Token gewachsen
    • Manche Nutzer verarbeiten in einer einzelnen Aufgabe 30B Token und haben dieses Jahr bereits 100B-Token-Aufgaben im Blick (Hebbia)
  • Die Zukunft ist nicht ChatGPT/Claude „oder“ domänenspezifische Lösungen, sondern ChatGPT/Claude „und“ domänenspezifische Lösungen
  • Die Kernfrage lautet: „Welchen Agenten würde AGI als Abkürzung nutzen? Selbst Superintelligenz würde in bestimmten Domänen spezialisierte Werkzeuge wollen“

• 5. Outcomes (Ergebnisse)

  • Individual AI spart Zeit, Institutional AI skaliert Umsatz
  • Laut MaVolpi antworten fast alle CEOs auf die Frage nach der höchsten Priorität zwischen Kostensenkung und Umsatzwachstum mit Umsatz
    • Dennoch versprechen derzeit fast alle KI-Produkte am Markt Kostensenkung durch Zeitersparnis, Personalersatz usw.
  • Institutional AI muss upside liefern; das ist weit schwerer zu kommoditisieren als eingesparte Zeit
  • Beispiel agentenbasierte Softwareentwicklung
    • Coding-IDEs sind die besten persönlichen KI-Produktivitätstools, geraten aber durch ein weiteres persönliches Tool, Claude Code, stark unter Druck
    • Cognition baut Technologie, die nicht ein Tool, sondern transformation verkauft — ein völlig anderes Spiel
  • Naval-Zitat: „Reine Software wird schnell un-investable“
    • Reine Services skalieren nicht; dauerhafter Wert sammelt sich in der solution layer, die Technologie und Ergebnisse verbindet
  • M&A-Beispiel: Individual AI hilft Analysten, Modelle schneller zu bauen; Institutional AI identifiziert unter 100 Möglichkeiten den einen wirklich verfolgbaren Gegenpart und skaliert diese Population auf 1.000 — das eine spart Zeit, das andere schafft Umsatz
  • Die natürliche Schwerkraft des Marktes führt „upstream“
    • Foundation Models bewegen sich in die App-Schicht, App-Unternehmen in die Solution-Schicht
  • Institutional Intelligence ist genau diese solution layer; hier entstehen Ergebnisse, und diese Ebene fängt dauerhaften Wert und das größte Upside ein

• 6. Enablement (Befähigung zur Umsetzung)

  • Individual AI gibt Tools, Institutional AI zeigt, wie man diese Tools nutzt
  • Menschen scheuen trotz all ihrer Kreativität Veränderungen
    • In New York gibt es erfolgreiche Unternehmen, die trotz Nachteilen immer noch keine Kreditkarten akzeptieren; ebenso werden manche Mitarbeiter in manchen Organisationen den Einsatz von KI auf unbestimmte Zeit verweigern
  • Der Übergang von rein menschlichen Organisationen zu KI-first-Hybridorganisationen ist die dauerhafte und entscheidende Aufgabe der kommenden zehn Jahre
    • Oft übernimmt gerade die ranghöchste und wichtigste Ebene am langsamsten
  • Palantir wird als einziges „Software“-Unternehmen genannt, das trotz eines Abverkaufs von Tech-Aktien im Umfang von 1 Billion Dollar in den letzten zwei Monaten zu einem außergewöhnlichen Multiple gehandelt wird
    • Palantir ist eines der ersten wirklich echten Unternehmen für „process engineering“
    • Ob „process engineering“ oder das Schreiben von „Claude skills files“: Die Institutional AI der Zukunft formt eine Industrie, die Unternehmensprozesse in Agenten kodiert und das notwendige Change Management umsetzt
  • Process Engineering wird kurzfristig die wichtigste „Technologie“ sein
    • Hier ist Business- und Branchenexpertise wichtiger als reine Software-Expertise; domänenspezifische Lösungen bauen auf dem Fachwissen von Experten auf, die forward deployed Engineering, Rollout und Change Management leisten
  • Beispiel einer Top-3-Bulge-Bracket-Bank, die Hebbia für einen unternehmensweiten Rollout auswählte
    • Das Interesse schwand, als man bei der Zusammenarbeit mit großen Modell-Labs dem Team erklären musste, was ein CIM ist
    • Claude oder GPT kannten die Domäne offensichtlich, aber das Rollout-Design-Team des Labs nicht — das war der entscheidende Unterschied

• 7. Unprompted (proaktives Handeln)

  • Individual AI reagiert auf menschliche Prompts, Institutional AI arbeitet proaktiv ohne Prompt
  • Es gibt viele Diskussionen über Agent-zu-Agent-Kommunikation und darüber, ob Unternehmen, Software und Institutionen der Zukunft überhaupt noch Menschen brauchen
    • Die bessere Frage ist, ob künftige KI-Agenten überhaupt noch Prompts brauchen
  • AGI zu prompten ist so, als würde man einen Elektromotor an einen angetriebenen Webstuhl anschließen; man bleibt grundlegend an das schwächste Glied der Lieferkette (= den Menschen) gebunden
    • Menschen wissen oft nicht einmal, was sie fragen sollten, geschweige denn wann
  • Die wertvollste Arbeit ist die, an deren Anforderung niemand überhaupt denkt
    • KI muss Risiken finden, auf die niemand hingewiesen hat, Gegenparteien, an die niemand gedacht hat, und Vertriebspipelines, von denen niemand wusste
  • Beispiel für ein proaktives (unprompted) System
    • Es überwacht laufend die Zuflussdaten eines gesamten Portfolios und erkennt, dass sich bei einem Unternehmen der Working-Capital-Zyklus drei Monate in Folge verschlechtert hat
    • Es gleicht dies mit Covenant-Schwellenwerten in Kreditverträgen ab und sendet dem Operating Partner proaktiv eine Warnung, noch bevor jemand ein PDF geöffnet hat
  • Wenn Menschen KI nicht mehr prompten müssen, entstehen neue Interfaces und neue Arbeitsweisen; Hebbias starke Meinung dazu bleibt mit „to be continued“ angekündigt

Fazit

• Nichts davon bestreitet die Notwendigkeit von Chatbots, Agenten oder Individual AI insgesamt
• Individual AI ist für die meisten Unternehmen weltweit der erste Zugang, um die transformative Magie von KI überhaupt zu erleben; auf Nutzung und universelle Bedienbarkeit zu setzen, ist der zentrale erste Schritt im Change Management hin zu einer KI-first-Ökonomie
• Gleichzeitig gibt es eine klare und dringende Nachfrage nach Institutional Intelligence
  • Jede Organisation der Zukunft wird Chatbots großer Labs besitzen und zusätzlich eigens entwickelte Institutional AI für domänenspezifische Probleme; Individual AI wird diese als ihre Kernwerkzeuge nutzen
• Die „better together“-Erzählung von Institutional AI und Individual AI ist unvermeidlich
• Wie die Lehre aus den Textilfabriken der 1890er Jahre zeigt, wurden die zuerst elektrifizierten Fabriken von den Fabriken geschlagen, die den Boden (die Fabrik) neu entworfen hatten
  • „Wir haben jetzt Elektrizität — jetzt ist es Zeit, die Fabrik neu zu entwerfen“

[master6559]

Das Fazit ist also, dass man, wenn man jetzt kein Geld verdient, auch in Zukunft keins verdienen wird, wenn man so weitermacht.