# Der Motor wechselt, während wir fahren Der KI-Motor verändert sich schneller, als Organisationen sich neu bauen können. Stabilität muss deshalb in Richtung, Gedächtnis und austauschbaren Teilen liegen. - Forfatter: Mikkel Freltoft Krogsholm - Type: Essay - Udgivet: 2026-09-15 - Opdateret: 2026-09-15 - Sprog: de - Emner: ki, organisation, antifragilität, microservices, wandel - Kanonisk URL: https://mikkelkrogsholm.dk/de/articles/motoren-skifter-mens-vi-koerer/ --- Vor vielen Jahren war ich im Automuseum in Stuttgart. Besonders erinnere ich mich an den Teil der Ausstellung, in dem man die Entwicklung des Autos von den ersten Versuchen mit einem Verbrennungsmotor bis zu den Fahrzeugen verfolgen konnte, die wir heute kennen. Eines der frühen Gefährte sah nicht wirklich wie ein Auto aus. Es sah aus wie eine Pferdekutsche, die ihr Pferd verloren und stattdessen einen Motor bekommen hatte. Das war die Welt, die die Erfinder kannten. Wenn etwas Menschen auf einer Straße transportieren sollte, hatte es hohe Räder, einen Kutschenaufbau und Sitze wie eine Pferdekutsche. Der Motor war neu. Die Vorstellung vom Fahrzeug war alt. Heute kann man leicht darüber lächeln. Wir sehen all das, was noch nicht erfunden war: die Form des Autos, das Lenkrad, das Armaturenbrett und die gesamte Infrastruktur darum herum. Doch die ersten Menschen mit einem Motor konnten nicht direkt zum modernen Auto springen. Sie mussten den Motor in etwas einbauen, das sie bereits verstanden, damit fahren und entdecken, was nun möglich geworden war. Ich denke oft an diese Kutsche, wenn ich sehe, wie wir KI einsetzen. Wir setzen ein Sprachmodell in das E-Mail-Programm. Wir geben ihm Zugang zum Kundendienst und lassen es innerhalb des Arbeitsablaufs, dem der Mitarbeiter bereits folgt, eine Antwort vorschlagen. Wir platzieren einen Agenten in einem alten Organigramm und geben ihm eine Stellenbeschreibung, die der seines menschlichen Kollegen ähnelt. Wir haben einen neuen Motor bekommen, aber vieles von dem, was wir um ihn herum bauen, ähnelt noch immer der Pferdekutsche. Das ist nicht unbedingt dumm. Eine große Feldstudie unter Kundendienstmitarbeitern ergab, dass ein generativer KI-Assistent die Produktivität um etwa 14 Prozent steigerte, besonders bei weniger erfahrenen Mitarbeitern. Es kann also einen echten Wert haben, den Motor einfach in die bestehende Kutsche einzubauen. Dort lernen wir auch, was er kann, wo er scheitert und welche Teile der Arbeit wir bisher für selbstverständlich gehalten haben. Auch die spätere Form des Autos wurde nicht auf einmal erdacht. Sie entstand im Zusammenspiel von Geschwindigkeit, Straßen, Materialien, Gesetzen, Unfällen, Tankstellen und Bedürfnissen, die erst sichtbar wurden, als die Menschen zu fahren begannen. Das Neue wurde durch das Alte verständlich, bevor es eine eigene Form annehmen konnte. Es gibt nur einen Unterschied zwischen dem ersten Auto und der KI, mit der wir heute arbeiten. Der Motor in unserer Kutsche verändert sich ständig, während wir fahren. ## Eine Organisation kann sich nicht alle drei Monate neu erfinden Neue KI-Modelle werden nicht nur auf einer ruhigen und vorhersehbaren Kurve ein wenig besser. Sie erwerben neue Fähigkeiten, werden bei manchen Aufgaben günstiger und können plötzlich länger ohne Hilfe arbeiten. METR hat versucht, diese Entwicklung zu messen, indem untersucht wurde, wie lange abgegrenzte Aufgaben aus Softwareentwicklung, maschinellem Lernen und Cybersicherheit sind, die die besten Modelle lösen können. Historisch hat sich der Zeithorizont der Modelle in dieser Messung ungefähr alle sieben Monate verdoppelt. Das bedeutet nicht, dass alle sieben Monate ganze Berufe automatisiert werden können. Die Aufgaben von METR sind sauberer und leichter zu überprüfen als ein Großteil der Arbeit in einer realen Organisation. Doch die Messung sagt etwas über das Tempo aus. Was zu Beginn eines KI-Projekts eine vernünftige Designentscheidung war, kann bereits zu einer Einschränkung werden, bevor das Projekt vollständig ausgerollt ist. Die naheliegende Reaktion ist, radikal zu denken. Die Arbeit zerlegen. Den alten Prozess vergessen. Das Unternehmen rund um die Intelligenz neu aufbauen, die nun günstig und verfügbar geworden ist. Das ist eine nützliche Übung, aber sie kann nicht jedes Mal von vorn beginnen, wenn ein neues Modell erscheint. Wenn die Organisation um jeden neuen Motor herum abgerissen und neu aufgebaut werden muss, wird sie kaum noch etwas anderes tun. Sie kann aber auch nicht darauf warten, dass die Technologie zur Ruhe kommt. Stabilität kann noch viele Jahre entfernt sein, und vielleicht kommt sie nie in der Form, an die wir gewöhnt sind. Die Frage lautet deshalb nicht nur, was wir mit dem derzeit besten Modell bauen können. Sie lautet, wie wir etwas bauen, das damit leben kann, dass sich das beste Modell immer weiter verändert. ## Die lebendige Antwort Die Biologie arbeitet schon sehr viel länger als wir an einer verwandten Herausforderung. Ein lebender Organismus steht nicht still. Er repariert Schäden, ersetzt Teile, reagiert auf seine Umwelt und lernt durch sein Immunsystem. Trotzdem wachen wir nicht als neuer Mensch auf, wenn der Körper einige Zellen ersetzt hat. Identität hängt nicht davon ab, dass jeder Bestandteil unverändert bleibt. Sie liegt in den Mustern, Beziehungen und Prozessen, die das Ganze über die Zeit zusammenhalten. Biologen, die Robustheit untersuchen, verweisen unter anderem auf Modularität, Redundanz und unterschiedliche Reaktionen auf dieselbe Störung. Wenn ein Weg durch das System ausfällt, kann manchmal ein anderer übernehmen. Wenn sich die Umwelt verändert, kann der Organismus sein Verhalten anpassen, ohne sich von Grund auf neu erfinden zu müssen. Die Biologie ist kein Märchen darüber, dass jeder Widerstand stärker macht. Ein Organismus kann überlastet, krank oder zerstört werden. Robustheit gilt nur innerhalb bestimmter Grenzen, und sie hat immer einen Preis. Doch das Leben zeigt, dass Stabilität nicht unveränderliche Teile bedeuten muss. Etwas kann seine Identität gerade deshalb bewahren, weil es sich verändern kann. Nassim Nicholas Taleb nennt die stärkere Form dieser Eigenschaft Antifragilität. Etwas Robustes hält einer Störung stand und bleibt ungefähr gleich. Etwas Antifragiles zieht innerhalb eines bestimmten Bereichs einen Vorteil aus Variation. Der Muskel ist das einfache Bild: Nach einer angemessenen Belastung bleibt er nicht nur ein Muskel. Er passt sich an und kann danach mehr tragen. Eine Organisation wird nicht allein dadurch antifragil, dass sie im Chaos lebt. Wenn jedes neue Modell Stress, verlorene Arbeit und noch eine Managementpräsentation über Transformation erzeugt, ist Veränderung nicht zu einer Stärke geworden. Sie ist nur zu einer wiederkehrenden Rechnung geworden. Die Veränderung muss etwas hinterlassen, das die Organisation beim nächsten Mal nutzen kann. Wenn ein Modell scheitert, kann der Fehler zu einem Test werden. Wenn ein Experiment gelingt, kann der Arbeitsablauf dokumentiert werden. Wenn ein Anbieter ausgetauscht wird, können die Erfahrungen in den eigenen Daten, Qualitätskriterien und Evaluationssätzen des Unternehmens bleiben. Dann beginnt jeder Technologiesprung, die Aufnahme des nächsten etwas günstiger und sicherer zu machen. ## Was uns Microservices gelehrt haben Die Softwarewelt verfügt bereits über eine praktische Sprache für Teile dieses Gedankens. Große IT-Systeme wurden lange als Monolithen gebaut. Viele Funktionen lebten in derselben Anwendung und waren miteinander verflochten. Das konnte effizient sein, solange das System überschaubar und die Welt darum herum stabil war. Doch eine kleine Änderung an einer Stelle konnte verlangen, dass das gesamte System erneut getestet und veröffentlicht wurde. Microservices entstanden als Versuch, das System in kleinere Teile mit klaren Grenzen aufzuteilen. Martin Fowler und James Lewis beschreiben sie als Dienste, die um eine geschäftliche Fähigkeit herum gebaut sind und unabhängig voneinander bereitgestellt werden können. Es geht nicht darum, dass kleine Dienste immer besser sind. Es geht darum, dass ein Teil tatsächlich ersetzt oder aktualisiert werden kann, ohne dass gleichzeitig der Rest neu gebaut werden muss. Ein verwandtes Muster heißt Circuit Breaker. Wenn ein Dienst zu versagen beginnt, werden Aufrufe an ihn unterbrochen, bevor sich der Fehler im gesamten System ausbreiten kann. Das System erhält Zeit, sich zu erholen, und die anderen Teile können weiterarbeiten. Es ist die Softwareversion einer Sicherung im Haus: Ein Fehler braucht eine Grenze. Auf eine KI-Organisation übertragen bedeutet das, dass das Modell nicht zum Ort werden darf, an dem das gesamte Gedächtnis, die Logik und die Qualität des Unternehmens liegen. Stellen wir uns ein Unternehmen vor, das KI zur Bearbeitung von Kundenanfragen einsetzt. Der langsame Kern kann aus der Verantwortung des Unternehmens gegenüber dem Kunden, seinem Produktwissen, den Regeln für die Übergabe an einen Menschen und den Testbeispielen bestehen, die zeigen, wie eine gute Antwort aussieht. Das Modell selbst, der Prompt und die Verbindung zum Anbieter können der schnelle Teil sein. Wenn ein besseres Modell erscheint, sollte das Unternehmen dieselben Testanfragen hindurchschicken, die Antworten vergleichen und einen kleinen Teil des Verkehrs umstellen können. Wenn die Qualität sinkt, muss es zurückrollen können. Wenn das Modell eine neue Fähigkeit zeigt, sollte das Unternehmen sie in einem abgegrenzten Bereich ausprobieren können, ohne alle Kunden zu Versuchspersonen zu machen. Das klingt technisch, doch die organisatorische Idee ist einfach: Die Veränderung lokal halten, ihre Folgen sichtbar machen und die Möglichkeit zur Rückkehr bewahren. Man kann fünfzig Dienste haben und trotzdem in einem verteilten Monolithen enden, in dem sich kein Teil ändern lässt, ohne alle anderen zu beeinflussen. Dasselbe kann mit KI-Agenten geschehen. Ein großes Diagramm mit spezialisierten Agenten sieht modern aus. Doch wenn sie verborgene Annahmen, undurchsichtiges Gedächtnis und die Eigenheiten eines bestimmten Modells teilen, ist die Organisation weiterhin auf fragile Weise gekoppelt. Modularität lässt sich nicht an der Anzahl der Kästchen messen. Sie zeigt sich erst an dem Tag, an dem man versucht, eines davon auszutauschen. ## Der langsame Kern Wenn sich Technologie schnell bewegt, ist es verlockend, alles fließend zu machen. Doch manche Dinge werden wertvoller, wenn sie stehen bleiben. Der Zweck der Organisation sollte sich nicht mit der Modellversion ändern. Die Verantwortung für eine Entscheidung kann nicht an den Anbieter weitergereicht werden, der in diesem Monat zufällig die Intelligenz liefert. Kunden und Mitarbeiter müssen wissen, welche Versprechen gelten. Daten, Testhistorie und Erfahrungen müssen länger leben können als das Modell, das an ihrer Entstehung beteiligt war. Langsam sind deshalb Zweck, Verantwortung, Beziehungen, Gedächtnis und die Kriterien für gute Arbeit. Schnell sind die Modelle, Prompts, Integrationen und die konkreten Arten, die Aufgabe zu verteilen. Wenn diese beiden Ebenen vermischt werden, wird jeder Modellsprung zu einer Identitätskrise. Wenn sie sauber getrennt sind, kann der neue Motor angeschlossen werden, ohne dass das Unternehmen vergisst, wer es ist oder für wen es da ist. Hier gibt es auch eine menschliche Grenze. Ein Unternehmen ist nicht antifragil, wenn seine Eigentümer von den schnellen Veränderungen profitieren, während die Mitarbeiter die Unsicherheit, die ständigen Umstellungen und die Fehler gegenüber den Kunden tragen. Dann wurde die Fragilität nur aus der Tabelle heraus und in Menschen hinein verschoben. Abgegrenzte Experimente, klare Abbruchregeln und die Möglichkeit zum Zurückrollen sind keine Vorsicht im Gegensatz zu Innovation. Sie machen es möglich, morgen erneut zu experimentieren. Ökonomen haben bei Basistechnologien wie KI eine Produktivitäts-J-Kurve beschrieben. Bevor die Gewinne sichtbar werden, müssen Unternehmen in neue Prozesse, Produkte, Geschäftsmodelle und menschliches Wissen investieren. Am Anfang kann diese Arbeit die Produktivität enttäuschend aussehen lassen, weil die Organisation etwas aufbaut, das die Bilanz noch nicht richtig sehen kann. Die Pferdekutschenphase ist deshalb nicht bloß ein peinliches Zwischenstadium. Sie kann der Ort sein, an dem wir die Erfahrungen sammeln, die später das Auto möglich machen. Aber nur, wenn diese Erfahrungen erhalten bleiben. Sonst bauen wir alle sechs Monate lediglich einen neuen Motor in dieselbe Kutsche ein und nennen es eine weitere Transformation. ## Während wir noch unterwegs sind Im Museum konnte ich die Entwicklung als abgeschlossene Reihe betrachten. Die Kutsche stand am Anfang. Das moderne Auto kam später. Der Abstand zwischen ihnen wirkte fast logisch, weil andere bereits all die seltsamen Zwischenschritte gegangen waren. So fühlt sich technologischer Wandel nicht an, wenn man mittendrin steht. Wir wissen nicht, wie das Auto der KI aussehen wird. Wir wissen nicht einmal, ob die Organisation weiterhin das richtige Fahrzeug sein wird oder ob nahezu kostenlose Intelligenz Formen hervorbringen wird, für die uns noch die Worte fehlen. Wir können die endgültige Konstruktion deshalb nicht zeichnen. Wir können etwas anderes tun. Wir können klare Verbindungen zwischen den Teilen bauen, dafür sorgen, dass Fehler nicht das Ganze zu Fall bringen, und jeden Versuch nutzen, um für den nächsten klüger zu werden. Wir können an Zweck und Verantwortung festhalten, während sich die Werkzeuge darum herum verändern dürfen. Die KI-Organisation der Zukunft sollte nicht um das beste Modell herum gebaut sein. Sie sollte so gebaut sein, dass sie jedes Mal besser wird, wenn sich das beste Modell ändert. Der Motor wechselt, während wir fahren. Der Motor selbst kann nicht länger das Stabile sein. Stabilität muss in unserer Fähigkeit liegen, ihn auszutauschen, ohne dabei die Richtung, das Gedächtnis oder die Menschen auf dem Weg zu verlieren. --- ## Quellen und weiterführende Lektüre - Mercedes-Benz Group: [The beginnings of the automobile: the predecessor companies (1886–1920)](https://group.mercedes-benz.com/company/tradition/company-history/1886-1920.html). - Erik Brynjolfsson, Danielle Li und Lindsey R. Raymond: [Generative AI at Work](https://www.nber.org/papers/w31161), NBER. - METR: [Task-Completion Time Horizons of Frontier AI Models](https://metr.org/time-horizons/). - Nassim Nicholas Taleb und Raphael Douady: [Mathematical Definition, Mapping, and Detection of (Anti)Fragility](https://arxiv.org/abs/1208.1189). - Hiroaki Kitano u. a.: [Biological Robustness: Paradigms, Mechanisms, and Systems Principles](https://pmc.ncbi.nlm.nih.gov/articles/PMC3350086/). - James Lewis und Martin Fowler: [Microservices](https://martinfowler.com/articles/microservices.html), und Martin Fowler: [Circuit Breaker](https://martinfowler.com/bliki/CircuitBreaker.html). - Erik Brynjolfsson, Daniel Rock und Chad Syverson: [The Productivity J-Curve](https://www.nber.org/papers/w25148), NBER.