Du bist bereits Teil der obersten 1 % der KI-Nutzer. Ja, es gibt eine Kluft zwischen dir und den Leuten an der Spitze. Den verrückten Kids, die 20 Terminals gleichzeitig offen haben, mit einer Wissensdatenbank, die sich nach jedem Durchlauf neu schreibt.
Die schlechte Nachricht: Du wirst diese Leute nie einholen. Die gute Nachricht: Das musst du auch nicht. Diese Kluft – die Kluft vor dir – ist deutlich kleiner als die Kluft hinter dir.
Es fühlt sich vielleicht nicht so an, als wärst du in den obersten 1 %, weil du auf X Nerds siehst, die mal eben Agenten-Flotten hochziehen. Aber vertrau mir: Du bist in den obersten 1 %. Du nutzt wahrscheinlich täglich ein Modell, du hast eine Meinung dazu, wie man es am besten einsetzt, und du bastelst vielleicht sogar mit Agenten herum oder hast Hermes auf deinem eigenen Rechner eingerichtet.
Andererseits klafft zwischen dir und dem durchschnittlichen Angestellten in einem großen Unternehmen eine Kluft. Der hat ChatGPT in zwei Jahren vielleicht viermal geöffnet. Er hat 3.5-turbo benutzt und befunden, KI sei dumm – ohne zu merken, dass GPT-5.6 Sol Ultra gerade einen Beweis für eine graphentheoretische Vermutung geliefert hat, die 50 Jahre lang offen war. Jeder KI-Strategie-Artikel und jeder Post geht davon aus, dass diese Person, dieser durchschnittliche Angestellte, irgendwann aufholen wird.
Ich sage dir: Werden sie nicht.
Zur Einordnung: Ich bin der CEO von @varickagents. Wir arbeiten mit den größten Unternehmen der Welt zusammen, um KI-Agenten und -Strategien in ihren Organisationen zu implementieren. Wir wissen also einiges über die Realität von KI im Enterprise-Umfeld.
ABBILDUNG 1 – Die Kluft
Das beste KI-Tool der Welt hat sie nicht schneller gemacht
Ich habe kürzlich mit dem Leiter der Operations-Abteilung eines nicht-technischen Unternehmens gesprochen (tausende Mitarbeiter). Ohne KI, sagte er, sei sein Team ganz ordentlich vorangekommen. Keine großen Beschwerden.
Dann führten sie Claude Cowork ein, und was soll ich sagen? Das Team kam weiterhin im selben Tempo voran. Er fragte mich, warum.
Ich habe dieselbe Verteilung in jeder Organisation gesehen. Egal ob 50 oder 5000 Leute – es ist jedes Mal dieselbe Verteilung: eine Barbell. 5–10 % der Leute waren Power-User. Sie nutzten Cowork täglich, setzten Skill-Dateien, Connectoren zu Outlook und mehr ein. Das waren die Evangelisten, diejenigen, die Claude Cowork überhaupt erst vorangetrieben haben, weil sie auch außerhalb der Arbeit mit KI herumspielen und aus erster Hand sehen, wie wirkungsvoll sie sein kann.
Von den anderen 90 % nutzten es 20 % ein paar Mal am Tag – und das ziemlich schlecht. Sie ziehen einen gewissen Nutzen daraus, aber nur einen Bruchteil dessen, was die Leute an der Spitze herausholen. Und die restlichen 70 % haben es überhaupt nicht genutzt.
ABBILDUNG 2 – Ein Zehntel von ihnen ist gut
Die Dashboards in seiner Organisation zeigten, dass der Rollout als Adoption durchging. Aber für ihn wurde nichts schneller. Beides war gleichzeitig wahr.
Es zu nutzen und es gut zu nutzen, sind zwei verschiedene Fähigkeiten
Selbst unter denen, die KI tatsächlich nutzen, ist der Fähigkeitsunterschied enorm. KI-Nutzer, die keine Ahnung haben, was sie tun, stehen nach der KI-Einführung deutlich schlechter da als zuvor.
Es ist trivial, Claude zu installieren, sie auf ein Repository zu richten, einen Prompt aus vier Wörtern zu schicken und zuzusehen, wie etwas passiert (es könnte richtig sein, es könnte falsch sein).
Es gut zu nutzen, ist eine andere Fähigkeit. Zu wissen, wann man den Kontext zurücksetzen muss. Zu wissen, dass das, was man gerade zweimal gemacht hat, eine Skill-Datei werden sollte, die das Modell jedes Mal liest, statt eines Prompts, den man neu eintippt. Zu wissen, welche 15 % des Automatisierungsprojekts ein Modell für Entscheidungen brauchen und welche 85 % nur deterministischen Code erfordern. Und am wichtigsten: einen Diff richtig zu lesen, bevor man ihn übernimmt.
Gibst du zwei Ingenieuren dasselbe Ticket, zeigt sich diese Diskrepanz schon in den ersten fünf Minuten. Der erste fügt einfach den Text aus Jira in Claude ein und klickt auf Senden. Der Fix betrifft sechs Dateien, der Ingenieur überfliegt sie, sieht, dass die Tests noch durchlaufen, und merged den PR. Drei Wochen später, wenn die Produktion anfängt zu zicken, stellt jemand fest, dass dieser PR aus keinem ersichtlichen Grund einen Konfigurationswert geändert hat.
Der zweite Ingenieur startet genauso. Er fügt den Text aus Jira ein, markiert dann aber, wo im Repository der Code lebt, welche Ordner und Dateien angefasst und welche in Ruhe gelassen werden sollten. Außerdem hat er bereits Skill-Dateien, die sicherstellen, dass jeder von Claude eingereichte PR minimalistisch statt ausufernd ist und vor der Einreichung ausreichend getestet wurde. Dann liest er den Diff, entdeckt eine ungewollte Änderung, behebt sie mit einem kurzen Prompt und merged einen PR, der halb so groß ist wie der des ersten Ingenieurs.
ABBILDUNG 3 – Gleiches Tool, gleicher Arbeitsplatz, anderes Ergebnis
Mindestens die Hälfte jeder Organisation wird niemals zu dieser zweiten Variante gelangen. KI gut zu nutzen, ist ein Handwerk. Es braucht enorm viele Iterationen, um wirklich gut im Umgang mit KI zu werden, und die Trägheit von jemandem, der nicht mit KI arbeitet, ist für viele unüberwindbar. Jemanden, der nur Slop produziert, in einen versierten Power-User zu verwandeln, ist genauso schwer.
Ein perfekter Rollout erzeugt trotzdem eine Barbell
Der naheliegende Einwand ist: „Das sind eben Unternehmen, die es schlecht umsetzen. Ich würde es viel besser machen.“ Nein. Selbst wenn du es perfekt ausrollst, bekommst du trotzdem eine Barbell, egal was du tust.
Eine andere Führungskraft, mit der wir gesprochen haben, hatte gerade Enterprise-Lizenzen in ihrer Organisation ausgerollt. Ein Engagement im achtstelligen Bereich für das Jahr. Etwa 10 % der Leute verbrennen 90 % der Tokens.
Zur Einordnung: Wenn die anderen 90 % KI so nutzen würden wie das oberste Dezil, würden die Ausgaben um etwa das Zehnfache steigen. Aus 10 Mio. $ Engagement werden 100 Mio. $, und dein Best-Case-Szenario wird zum Worst Case.
ABBILDUNG 4 – 10 % deiner Lizenzen verbrennen 90 % der Tokens
Adoption ist binär, Fähigkeit ist ein Spektrum
McKinseys Umfrage von 2025 besagt, dass 88 % der Organisationen KI in mindestens einer Geschäftsfunktion einsetzen. Nur 6 % sehen mehr als 5 % ihres EBIT daraus entstehen. Eine weitere Statistik aus MIT NANDAs GenAI-Divide-Report: 5 % der integrierten Pilotprojekte erzielen Werte in Millionenhöhe, die anderen 95 % zeigen keine messbare P&L-Auswirkung.
Wenn du Adoption als Kennzahl verfolgst, fragst du damit höchstens eine Abstraktion einer Ja-oder-Nein-Frage ab. „Hat diese Person sich diesen Monat angemeldet?“ „Hat diese Person sich dieses Jahr angemeldet?“ „Hat diese Person mindestens 5 Prompts pro Tag geschickt?“ Wenn du unterscheiden willst zwischen „hat es nie geöffnet“, „fügt E-Mails zum Neuformatieren ein“ und „hat drei Agenten in Produktion, die das Hauptbuch anfassen“, brauchst du ein besseres Messsystem. Das ist bei 99,9 % der Enterprise-KI-Adoptionstracker nicht der Fall. Das ist aus offensichtlichen Gründen dumm (siehe: Barbell oben).
ABBILDUNG 5 – Was die Adoptionszahl verdeckt
Aber die Zahl ist technisch gesehen real, und niemand lügt über die Adoption. Das ist viel leichter zu messen als das, was wirklich zählt: Wie versiert ist jede Person im Umgang mit KI, und wie hoch ist ihr ROI pro verwendetem Token?
Deshalb ist KI-Adoption ein Mythos. Wenn du diese Kennzahl tatsächlich verfolgen würdest, würdest du erkennen, dass es für die überwältigende Mehrheit der Menschen keine Hoffnung gibt, im Enterprise AI-native zu werden. Heißt das, sie haben keinen Wert? Natürlich nicht. Es bedeutet nur, dass dein Implementierungs- und Rollout-Plan entsprechend angepasst werden muss.
Jeder Anreiz hält die Kluft offen
Jeder KI-Anbieter bewirbt auf seiner Roadmap erweiterte Agenten-Fähigkeiten, sagt aber nichts über die Fähigkeit der Teams, diese effektiv zu nutzen. Die einzigen, die sie effektiv nutzen, sind Frontier-User. Sie sind am lautesten und bekommen daher ihr Gehör. Es ist außerdem am schmeichelhaftesten, für sie zu entwickeln – ein klarer Win-Win. Jedes Feature-Release erhöht die Mindestanforderungen, um das Produkt gut zu nutzen, und das vergrößert die Kluft zwischen der Spitze und der Mehrheit in einer Organisation.
Ich sehe immer wieder Unternehmen, die sich von der Idee verführen lassen: „Schult eure Mitarbeiter im Prompting!“ Das sind 10 % des Spiels. Die anderen 90 % sind: „Schult eure Mitarbeiter darin zu verstehen, welche Workflows niemals ein Modell anfassen sollten und welche vollständig automatisiert werden sollten.“ Der Grund, warum sich das nicht so leicht verkaufen lässt wie Prompt-Training, ist, dass die Antwort in jedem Unternehmen anders ausfällt und es ein paar Wochen Vor-Ort-Arbeit braucht, um sie zu erarbeiten.
Und die KI-Ninjas in deinem Unternehmen haben auch keinen Anreiz, das zu beheben. Ihre Hebelwirkung IST die Kluft. Sie erledigen ihre Arbeit 70 % schneller und können dann einen Gang zurückschalten. Oder sie leisten die Arbeit von drei Personen. Aber in dem Moment, in dem alle auf dieser Welle sind, verlieren sie ihren Vorteil. Warum sollten sie es ohne zusätzlichen Anreiz beheben?
Was ist also die Lösung?
Nun, du musst sowieso schulen. Du weißt nicht, wer zum oberen Segment gehört und wer nicht, bevor du es tust. In diesem Sinne ist Schulung diagnostisch, nicht nachholend. Es gibt definitiv einige Leute in deinem Unternehmen, die sich für KI interessieren, denen aber Zeit und Hebel fehlen, um in die Tiefe zu gehen. Du solltest schulen, um Fähigkeiten und Komfortniveau aller sichtbar zu machen.
Für dein oberes Segment, deine Power-User: Gib ihnen einen Ort zum Veröffentlichen, zum Beispiel eine gemeinsame Datenbank, sodass jeder Skill, den sie erstellen, gepostet, bewertet und von anderen installiert wird. Das ist der einzige Mechanismus, den ich gesehen habe, der den Durchbruch einer einzelnen Person in etwas Teilbares verwandelt. Hier ist das Ranking der Anreiz: Power-User tauschen ihren Vorsprung gegen Status in der Organisation. Die Kluft bleibt aber bestehen: Du kannst das an alle verteilen, und trotzdem werden 50 % der Leute nie einen Skill nutzen.
Für alle anderen muss die Arbeit erledigt werden, ohne dass sie ihre Arbeitsweise ändern. Das bedeutet: Die KI geht in den Hintergrund. Warum muss KI überhaupt von einem Menschen gepromptet werden? Finde einfach heraus, welche Prozesse am repetitivsten sind, baue Agenten in deine bestehenden Systeme of Record ein, die die Mitarbeiter gewohnt sind (Salesforce, NetSuite, Dynamics usw.), und ziehe Menschen nur dort hinzu, wo ein zweiter Blick nötig ist.
Zum Beispiel: Du hast Dutzende AP-Analysten, die den ganzen Tag Rechnungen bearbeiten. 90 % davon ist automatisierbar. Du kannst nicht erwarten, dass sie selbst Agenten aufsetzen oder sich zuverlässig per Prompt durcharbeiten, ohne in der Produktion etwas zu zerschießen. Bau also die Agenten, die jeden einzelnen Tag laufen, und jetzt genehmigen, lehnen oder bearbeiten diese Analysten nur noch die Arbeit, die die Agenten erledigen.
Eins solltest du nicht vergessen: Die Leute suchen kein Werkzeug, das ihnen hilft, die Arbeit zu erledigen. Sie wollen einfach, dass die Arbeit erledigt wird.
ABBILDUNG 6 – Zwei Wege, skaliert nach ihren tatsächlichen Nutzern
Hör also auf, deinem Vorstand „Adoption“ zu melden. Melde, welcher Anteil der Arbeit heute manuell, hybrid oder vollautomatisiert ist. Das ist das einzige Reporting und das einzige Gespräch, das zählt.
Wie baust du diese Hintergrund-Agenten auf und bringst sie zum Laufen? Das ist ein eigener Artikel. Aber zur weiteren Einordnung: Genau das machen wir bei Varick, und es ist das Einzige, das bei den Kunden funktioniert hat, für die wir KI ausgerollt haben. Es sind extrem große Unternehmen mit tausenden Mitarbeitern, und das Playbook ist immer dasselbe:
Wir prüfen, wo die Arbeit in einer Organisation tatsächlich passiert, und bauen dann Agenten in deine bestehenden Systeme of Record ein. So wird die Arbeit erledigt, ohne fünftausend Menschen darum zu bitten, gut in einem Handwerk zu werden, für das sie sich nie angemeldet haben.
Wir arbeiten mit Unternehmen mit mehr als 500 Mio. $ Umsatz, quer durch Finance, Sales, Procurement, Operations, HR und mehr. Wirf einen Blick auf uns unter varickagents.com. Und wenn du mehr Inhalte wie diesen willst, abonniere unseren Newsletter unter varickagents.com/newsletter.
TLDR
- Du gehörst wahrscheinlich zu den obersten 1 %, und während vor dir noch eine Lücke liegt, klafft hinter dir eine Kluft. Der durchschnittliche Mitarbeiter in deinem Unternehmen ist meilenweit hinter dir, und die Kluft wird mit jedem Release größer.
- Ein durchschnittlicher Claude-Cowork- oder vergleichbarer Rollout läuft so ab: 5–10 % werden Power-User, 20 % nutzen es schlecht, 70 % nutzen es kaum, nichts wird schneller, aber du verbrennst auf jeden Fall Millionen.
- Ein Tool zu benutzen und es gut zu benutzen, sind zwei getrennte Fähigkeiten, und mindestens die Hälfte jeder Organisation nutzt es nie gut.
- Ein großartiger Rollout behebt das nicht. Du kannst KI vor Tausende bringen, aber 10 % deiner Organisation werden trotzdem 90 % deiner Tokens verbrennen.
- Adoptionskennzahlen reduzieren ein ganzes Spektrum auf ein binäres Ja oder Nein – so kommst du auf 88 % Adoption, während nur 6 % echte EBIT-Auswirkungen sehen.
- Du musst das obere Segment schulen und seine Arbeit veröffentlichen. Für alle anderen: Setze die KI in den Hintergrund der Systeme, in denen sie bereits arbeiten.
