KI-Lizenzen überall, Lernkultur nirgends.

GitHub Copilot ist ausgerollt, ChatGPT Enterprise steht im Stack, Claude oder Gemini tauchen in einzelnen Teams auf — und das Unternehmen lernt trotzdem fast nichts. Robert Glaser, KI-Stratege und Podcast-Host von „und jetzt.ai“, hat in seinem Analyse-Beitrag „When everyone has AI and the company still learns nothing“ beschrieben, warum dieser Widerspruch kein Zufall ist.

drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen

Hand aufs Herz: Kennen Sie das Muster? Ein Team nutzt Copilot als Autocomplete und nennt es einen Tag. Ein anderes läuft Claude Code in engen Loops, mit Tests, Reviews und konstantem Steering. Ein Product Owner prototypiert plötzlich echte Software statt Figma-Mocks. Alles passiert gleichzeitig im selben Unternehmen, und niemand bekommt es zusammen.

Das Wichtigste in Kürze

• Individuelle KI-Produktivitätsgewinne übersetzen sich nicht automatisch in organisationales Lernen
• Die klassischen Change-Mechanismen sind zu langsam für KI-Adoption
• Glaser schlägt drei Fähigkeiten vor: Agent Operations, Loop Intelligence und Agent Capabilities
• Token-Kosten werden zur Spiegelfrage: Was hat sich durch diese Ausgaben wirklich verändert?

Warum die alten Change-Mechanismen zu langsam sind

Das eigentliche Problem liegt im Tempo. Nützliches KI-Wissen entsteht nicht in der nächsten Community-of-Practice-Sitzung, sondern mitten im Code-Review, im Verkaufsangebot, in der Produktentdeckung. Bis eine Erkenntnis durch Best-Practice-Folien aufbereitet ist, hat sie laut Glaser ihre Zähne verloren. Was eine Entdeckung nützlich macht, ist gerade die Reibung: der fehlende Kontext, der Test, der scheitert, der Moment, in dem ein Agent abdriftet und jemand ihn zurückziehen muss.

Für den deutschen Mittelstand hat das eine konkrete Konsequenz. Viele Unternehmen prozessieren KI-Adoption durch die vorhandene Change-Maschinerie: Befragungen, Dashboards, monatliche Demos. Das hilft dort, wo Experimentiererlaubnis noch fehlt. Aber wirklich relevante KI-Arbeit wartet nicht auf das nächste Meeting. Wer heute mit OpenAI oder Anthropic Enterprise-Verträge abschließt, etwa über das neue OpenAI Deployment Company-Modell, kauft Zugänge — keine Lernkurven.

Token-Kosten als Spiegel, den niemand nutzt

Glaser formuliert einen Gedanken, der für Entscheider unbequem ist: Die steigende Sichtbarkeit der Token-Ausgaben zwingt früher oder später zur ehrlichen Frage. Nicht „Wie minimieren wir die Kosten?“, sondern „Was hat sich verändert, weil wir diese Token ausgegeben haben?“ Pull Requests zu zählen ist dabei die schlechteste Metrik. Geschlossene Loops, schärfere Entscheidungen, früher erkannte Schwächen in Produktprototypen: Das sind die Maßzahlen, die zählen.

Dass Anthropic erstmals profitabel ist und den Enterprise-Markt mit Claude weiter ausbaut, zeigt: Die Branche hat begriffen, dass KI-Nutzung skaliert. Die organisationale Lernfähigkeit skaliert bisher nicht mit.

Was ein Loop Intelligence Hub leisten kann

Das Kernkonzept im Beitrag ist eine Feedback-Infrastruktur, die echte Arbeitsloops beobachtet. Nicht zur Überwachung von Mitarbeitenden, sondern um zu verstehen, welche KI-gestützten Abläufe tatsächlich Lerneffekte erzeugen. Glaser unterscheidet dabei drei Ebenen: Agent Operations für Kontrolle, Loop Intelligence für das Erkennen produktiver Loops und Agent Capabilities für die Verteilung nützlicher Fähigkeiten durch die Organisation. Fehlt eine der drei Ebenen, kippt das Konzept.

Für Führungskräfte in DACH-Unternehmen, die gerade KI-Budgets verteidigen oder ausbauen, liefert der Beitrag einen nüchternen Maßstab: Nicht die Zahl der Nutzer entscheidet, sondern ob das, was die Nutzer herausfinden, irgendwo landet, wo das Unternehmen es einsetzen kann. Den Überblick, welche Modelle für welche Anwendungsfälle passen, liefert der LLMs-Ratgeber auf Dr. Web.

Mehr Newshunger?

• OpenAI Deployment Company: Berater statt API?
• Anthropic profitabel: Erster Gewinn im Q2 2026
• Überholt Anthropic OpenAI? Mit 950 Milliarden ja.
• OpenAI Daybreak: KI-Cybersecurity gegen Glasswing
• Anthropic Credit-Meter für Agenten: Nutzer protestieren
• LLMs-Ratgeber: Welches Modell passt zu Ihrem Unternehmen?