AI-first ist eine Disziplin, kein Slogan

Irgendwo zwischen dem Start von ChatGPT und dem letzten Earnings Call hat „AI-first“ aufgehört, eine technische Aussage zu sein, und ist zu einem Kostüm geworden. Unternehmen, die Waschmaschinen, Versicherungen und Buchhaltungsleistungen verkaufen, beschreiben sich heute als AI-first – oft ohne ein einziges Modell im Produktivbetrieb. Die Wendung kostet fast nichts. Die operative Disziplin dahinter kostet einiges. Dieser Beitrag handelt von der Disziplin: was AI-first bedeuten sollte, warum es für gewöhnliche Unternehmen wichtig ist und wie es aussieht, wenn man es ehrlich betreibt.

Was „AI-first“ bedeuten sollte

Ein AI-first-Unternehmen ist kein Unternehmen, das viel über AI redet. Es ist ein Unternehmen, in dem Intelligenz als Gestaltungsmaterial behandelt wird – sie wird am Anfang einer Produkt- oder Prozessentscheidung mitgedacht, mit derselben Strenge bewertet wie jede andere technische Entscheidung und nur dort eingesetzt, wo sie nachweislich hilft.

Drei Merkmale unterscheiden echte AI-first-Praxis von Dekoration:

1. Sie beginnt bei der Arbeit, nicht bei den Modellen. Die Analyseeinheit ist eine zu erledigende Aufgabe – ein Support-Ticket, ein Follow-up im Vertrieb, eine Underwriting-Prüfung – und die Frage lautet, ob ein Modell deren Kosten, Geschwindigkeit oder Qualität verändert.
2. Sie hat Evidenzschleifen. Aussagen über den Wert von AI werden an Baseline-Daten geprüft, nicht an Demos.
3. Sie hält Menschen verantwortlich. Modelle empfehlen, entwerfen und automatisieren; Menschen entscheiden, genehmigen und stehen für das Ergebnis ein.

Nichts davon setzt ein AI-Produkt voraus, das man verkaufen kann. Es braucht ein Managementsystem, das AI als gewöhnliche Infrastruktur mit ungewöhnlichen Eigenschaften behandelt.

Der Einsatz ist nicht mehr hypothetisch

Wer nur Marketing liest, kann AI leicht als Hype abtun. Die Belege aus gewöhnlicher Arbeit lassen sich schwerer wegwischen.

• Die Adoption war schneller als bei jeder früheren Technologie. ChatGPT erreichte 2023 innerhalb von zwei Monaten nach dem Start rund 100 Millionen Nutzer – die schnellste je verzeichnete Verbraucher-Adoption. Nutzung ist kein Beweis für geschäftlichen Nutzen, aber sie hat neu definiert, was Kunden von Software erwarten.
• Die Softwareentwicklung hat sich messbar verändert. In einem randomisierten Experiment bei GitHub im Jahr 2023 erledigten Entwickler mit GitHub Copilot eine Aufgabe 55,8 % schneller als eine Kontrollgruppe (arXiv:2302.06590). Programmieren war die erste Kategorie von Wissensarbeit, in der der Produktivitätseffekt in einer kontrollierten Studie gemessen statt behauptet wurde.
• Der Kundensupport hat sich messbar verändert. Eine Studie aus dem Jahr 2023 zu einem Kundensupport-Werkzeug (Brynjolfsson, Li & Raymond, NBER working paper 31161) ergab, dass ein generativer AI-Assistent die Zahl der pro Stunde gelösten Fälle um durchschnittlich etwa 14 % erhöhte – und bei den unerfahrensten Mitarbeitenden um rund 34 %. Wichtig ist, wer am meisten gewann: Das Modell verkürzte die Lernkurve, nicht nur das Tippen.
• Das Kapital folgte. Microsoft berichtete, sein AI-Geschäft habe 2024 eine annualisierte Umsatzrate von 10 Milliarden US-Dollar überschritten – nach eigener Darstellung das Geschäft, das diese Größenordnung in der Unternehmensgeschichte am schnellsten erreicht hat –, und die größten Technologieunternehmen stellten für 2025 jährliche Investitionen in zweistelliger Milliardenhöhe im AI-Bereich in Aussicht. Was man von der Blasenfrage auch hält: Die Budgets sind real.

Das sind keine Science-Fiction-Zahlen. Es sind Produktivitäts- und Kosteneffekte, gemessen in gewöhnlicher Support- und Engineering-Arbeit. Für ein Unternehmen, das kein AI-Unternehmen ist, lautet die strategische Frage daher nicht „Sollen wir ein AI-Produkt bauen?“, sondern: „Halten unsere Kostenkurve, unsere Antwortqualität und unser Tempo mit Wettbewerbern mit, die dieselbe Art von Arbeit neu strukturieren?“

Warum die meisten „AI-first“-Initiativen scheitern

Das übliche Scheitern ist nicht technisch, sondern organisatorisch – und es folgt einem erkennbaren Muster:

1. Abonnements kaufen, einen Chatbot auf die Website setzen, den Sieg ausrufen. Sonst ändert sich nichts.
2. Überall einen Piloten starten, nirgends messen. Ohne Baseline und Kennzahl ist ein Pilot eine Demo mit Deadline.
3. Modellbeschaffung mit Strategie verwechseln. Die Wahl des Anbieters wird zum ganzen Gespräch, während die eigentliche Arbeit, die das Modell verbessern soll, nie neu gestaltet wird.
4. Kein Verantwortlicher, keine Budgetzeile. AI-Arbeit lebt in einer Präsentation, die zu keiner Abteilung gehört, und verkümmert in der Lücke zwischen IT, Produkt und Betrieb.
5. Die Angst, zurückzuliegen, führt dazu, sich Fähigkeiten zuzuschreiben, die nicht im Produktivbetrieb sind.

Der gemeinsame Nenner ist, AI als Einkauf zu behandeln statt als Veränderung der Art, wie Arbeit erledigt wird. Deshalb ist „AI-Theater“ – beeindruckende Folien, nichts im Produktivbetrieb – so verbreitet und so billig zu produzieren.

Wie man AI-first gut umsetzt

Das Folgende ist kein Rezept mit fünf Schritten zur Transformation. Es sind operative Gewohnheiten, die – wie wir gesehen haben – den Kontakt mit echten Budgets überstehen.

1. Erst die Arbeit wählen, dann das Modell

Wählen Sie Aufgaben, die häufig, teuer und urteilintensiv sind – Triage, Texterstellung, Zusammenfassung, Routing, Erstdurchsicht. Definieren Sie die Kennzahl, bevor Sie irgendetwas bauen: Bearbeitungszeit, Kosten pro Ticket, Fehlerquote, Conversion. Messen Sie zuerst die Baseline. Wenn Sie die Kennzahl nicht benennen können, sind Sie nicht startbereit; wenn das Modell sie nicht plausibel bewegen kann, wählen Sie eine andere Aufgabe.

2. Modelle als austauschbare Komponenten behandeln

Frontier-Modelle werden schnell besser, und die Preise fallen schneller, als die meisten Unternehmen ihre Pläne aktualisieren. Handeln Sie entsprechend:

• Kapseln Sie Modellaufrufe hinter einer kleinen internen Schnittstelle, damit ein Anbieterwechsel eine Konfigurationsänderung ist und keine Neuentwicklung.
• Benchmarken Sie mit Ihren eigenen Aufgabenbeispielen, nicht mit Leaderboards, die etwas anderes messen.
• Wiederholen Sie den Benchmark regelmäßig; das beste Modell des letzten Jahres ist vielleicht die zweite Wahl dieses Jahres.
• Ziehen Sie kleine oder offene Modelle in Betracht, wo Datenregeln, Latenz oder Kosten den Ausschlag geben; die Frontier ist nicht immer die richtige Antwort.

Vendor-Lock-in ist eine Entscheidung, die Sie einfach nicht treffen müssen.

3. Den Kreislauf neu gestalten, nicht nur die Oberfläche

Die größten Gewinne entstehen daraus, die Arbeitsteilung zwischen Menschen und Modellen zu verändern, nicht daraus, ein Formular durch ein Chatfenster zu ersetzen. Legen Sie fest, wo das Modell entwirft und wo ein Mensch freigibt; setzen Sie Konfidenzschwellen; gestalten Sie Eskalationswege. Die für das Ergebnis verantwortliche Person muss bei jedem Schritt erkennbar sein – aus rechtlichen, regulatorischen und praktischen Gründen muss jemand für Ergebnisse einstehen, für die ein Modell nicht haftbar gemacht werden kann.

4. In Daten- und Evaluationsinfrastruktur investieren

Modelle werden schnell besser, aber Ihre Fähigkeit zu erkennen, ob sie besser werden für Sie, muss noch schneller wachsen. Das bedeutet: jeden Produktivaufruf mit Ergebnis-Labels protokollieren, Golden Sets aus der realen Nutzung aufbauen, Nutzerfeedback erfassen, wo es existiert, und ein kleines Team unterhalten, das die Evaluation verantwortet. Die meisten gescheiterten AI-Projekte scheitern hier: Sie können demonstrieren, aber nicht messen.

5. Für probabilistisches Scheitern entwickeln

Ein Modell ist ein junger Kollege, der schnell, selbstsicher und gelegentlich falsch liegt. Entwickeln Sie entsprechend:

• Validieren Sie Ausgaben, wo möglich, gegen Schemas.
• Bauen Sie Fallbacks und Wiederholungsversuche ein; lassen Sie einen Modellfehler niemals einen Workflow lahmlegen.
• Beobachten Sie Kosten und Latenz pro Aufruf genauso sorgfältig wie Fehlerquoten.
• Setzen Sie Budgets und Alarme; Modellausgaben summieren sich schneller als erwartet.

Behandeln Sie falsche Antworten als eine Fehlerklasse, gegen die man entwirft, nicht als Überraschung, die man entdeckt.

6. Die Organisation darauf ausrichten

Geben Sie der AI-Arbeit einen einzigen Verantwortlichen mit einem echten Budget. Halten Sie das Kernteam klein. Verankern Sie es in den Geschäftseinheiten, in denen die Arbeit tatsächlich stattfindet. Heben Sie das Grundniveau der AI-Kompetenz im ganzen Unternehmen – einschließlich der Führungsebene, die einen Benchmark von einer Demo unterscheiden können sollte. Überprüfen Sie den Fortschritt vierteljährlich anhand von Geschäftskennzahlen und seien Sie in öffentlichen Berichten ehrlich darüber, was nicht funktioniert hat. Unternehmen, die mit AI Vertrauen gewinnen, berichten über Misserfolge genauso selbstverständlich wie über Erfolge.

Woran gutes Arbeiten zu erkennen ist

Von außen betrachtet ist ein AI-first-Unternehmen fast langweilig. Die AI steht nicht in der Pressemitteilung, sondern im Workflow. Support-Antwortzeiten sinken, ohne dass Qualitätsbeschwerden zunehmen. Entwickler verbringen mehr ihrer Zeit mit Design statt mit Boilerplate. Underwriting, Vertriebsqualifizierung oder Dokumentenprüfung zeigen über Quartale hinweg sinkende Stückkostenkurven – belegt durch Evaluationsberichte, die ein Außenstehender prüfen könnte.

Die Unternehmen, die mit AI gewinnen, werden nicht die mit dem besten Slogan sein, sondern die mit der besten Feedback-Schleife: ein klares Problem, eine gemessene Baseline, ein Modell im Kreislauf mit einem verantwortlichen Menschen und die Disziplin, weiter zu iterieren, wenn der erste Versuch hinter den Erwartungen bleibt. AI-first ist keine Aussage über den Ehrgeiz Ihres Unternehmens. Es ist eine Aussage über das Betriebssystem Ihres Unternehmens – und diesen Anspruch müssen Sie mit Belegen verdienen.