YouMind
Anmelden

Produktentwicklung im KI-Zeitalter: Transkript des Vortrags von Manus-Gründer Zhang Tao an der Peking-Universität

@whereisvivien
CHINESISCH18. Nov. 2026
104K
741
195
29
1.4K

TL;DR

Manus-Gründer Zhang Tao teilt seine Produktphilosophie und erklärt, warum er den KI-Browser zugunsten eines Allzweck-Agenten aufgab. Dabei betont er die Bedeutung von Transparenz, dem Bezahlen für echten Mehrwert sowie dem Design für Modellfähigkeiten, die erst sechs Monate in der Zukunft liegen werden.

1.1 Von Chat-Fenstern zu echtem Handeln: Warum wir KI-Produkte neu denken müssen

Heute möchte ich teilen, wie wir den Aufbau von Produkten im KI-Zeitalter sehen.

Meine eigene Erfahrung ist relativ umfangreich. Ich bin das älteste Mitglied unseres Managementteams; meine anderen Partner wurden 1992 und 1993 geboren, während ich 1986 geboren wurde und nächsten Monat 40 werde. Wenn man eine fast 40-jährige Person unter Studenten sieht, könnte man denken, das sei ein typischer Mensch mittleren Alters.

Ich bin früh in diese Branche eingestiegen und habe direkt nach meinem Bachelor-Abschluss angefangen zu arbeiten, ohne ein Masterstudium anzuhängen.

Bevor ich zum Team stieß, wollte ich immer ein Produkt bauen, das rund um die Uhr (7×24) laufen kann: eines, das keine ständige menschliche Eingabe erfordert, sondern kontinuierlich schlussfolgern und Ergebnisse liefern kann. Damals hatte ich mir noch nicht einmal überlegt, welche genaue Form es annehmen sollte, aber ich wollte es unbedingt tun, weil ich glaubte, dass die Obergrenze der Modellintelligenz die des Menschen bereits überschritten hatte. Wir brauchten eine sinnvolle Produktform, um das Modell proaktiv und automatisch zu stimulieren, damit es kontinuierlich Output erzeugt. Unabhängig vom finalen Anwendungsszenario glaube ich, dass dies die ultimative Form ist, die ein KI-Produkt haben sollte. Viele dieser Gedanken entstanden bei der Erforschung der aktuellen Grenzen der Modellfähigkeiten.

Das war auch ein wichtiger Grund für meine Entscheidung mitzumachen. Damals kam Red auf mich zu und sagte, er wolle einen KI-Browser bauen, und intuitiv spürte ich, dass diese Richtung richtig war.

Später fasste ich das Kernproblem, auf das wir bei unserer Forschung stießen, in einem Punkt zusammen: Die Chatbot-Produktform selbst begrenzt die Fähigkeit von KI-Modellen, ihr Potenzial auszudrücken.

Das bedeutet: Du baust ein Produkt, aber die Obergrenze seines Wertes wird durch die Nutzer bestimmt. Die Nutzer müssen wissen, wie man Fragen stellt, UND bereit sein, sie zu stellen, um den Wert des Produkts freizusetzen. Was aber, wenn die Nutzer nicht wissen, wie sie fragen sollen? Dann wird der Wert des Produkts minimal.

Browser sind ein typisches Szenario: Du musst nicht ständig Prompts eingeben; E-Mails schreiben, suchen, Webseiten browsen – diese Verhaltensweisen selbst sind Ausdruck einer Absicht und können zu Modelleingaben werden, die im Hintergrund massiven Bedarf an Schlussfolgerungen erzeugen. Ein weiterer Grund, warum unser Chief Scientist und ich bereit waren mitzumachen, war, dass Red nicht nur ein sehr beeindruckender Produktmanager ist, sondern auch Unternehmensführung tiefgreifend versteht.

1.2 Den KI-Browser stoppen: Zeit ist wichtiger als versunkene Kosten

Bis Oktober 2024 war unser KI-Browser eigentlich fertig. Beim internen Testen fielen immer ein oder zwei besonders brillante Funktionen auf.

Aber als wir ihn Familie und Freunden empfahlen, traten ernsthafte Probleme auf: Jeder kennt Browser viel zu gut. Die erste Frage, die sie beim Ausprobieren stellten, war oft: „Wo ist denn die Funktion hin, die ich in Safari oder Chrome genutzt habe?"

Das ist das größte Problem, wenn man neue Erfahrungen auf alte aufpfropft: Nutzer messen dich immer an ihrer alten Erfahrungsgrundlage. Aber genau dort liegen deine Stärken eben nicht. Du willst, dass sie sich auf den KI-Teil konzentrieren, aber alle interessiert am meisten, wie gut das grundlegende Browser-Erlebnis umgesetzt ist.

Für ein Startup-Team ist es nahezu unmöglich, bei einem Produkt mit über 20 Jahren reifen Vergleichsmaßstäben die Basisfunktionen an Giganten wie Apple und Google anzugleichen. Es zu erzwingen würde übermäßig viel zusätzliche Energie kosten und dazu führen, dass wir die KI-Entwicklung vernachlässigen. Damals dachte ich, das Produkt hätte echte Highlights und Hardcore-Nutzer würden es nach dem Release lieben – vielleicht würde es nach ein paar Iterationen richtig durchstarten. Aber Red war im September und Oktober extrem hin- und hergerissen. Einerseits hielt er es logisch für unsinnig, neue Erfahrungen auf alte aufzuhängen; andererseits befürchtete er, dass das gesamte Team nach dem Release drei bis sechs Monate darin feststecken könnte. Gründer zögern oft aufzugeben; wenn die erste Version schlecht abschneidet, denken sie: „Vielleicht ist sie einfach noch nicht gut genug, lass uns iterieren" – und verschwenden so ein halbes Jahr.

In der Schule begreift man das Konzept von Zeit vielleicht nicht ganz, aber für Startups ist Geld tatsächlich die am leichtesten zu lösende Ressource – solange die Richtung stimmt, kann man immer Kapital beschaffen. Die wertvollste und unersetzlichste Ressource ist Zeit. Zeitverschwendung saugt nicht nur persönliche Energie aus; noch erschreckender ist, dass man dadurch phasenweise Marktchancen und Trends verpasst.

Damals, im Oktober 2024, bestand unser gesamtes Unternehmen aus nur 30 Personen. Mit der Unterstützung von ZhenFund hatten wir lediglich Angel- und Pre-A-Runden abgeschlossen und wenig Bargeld zur Verfügung. Nachdem wir sieben Monate in ein neues Projekt investiert hatten, das bereits ausgereift war und den Markt bei Veröffentlichung wahrscheinlich umhauen würde, entschied Red letztlich, das Projekt einzustellen. Rückblickend war das eine entscheidende Entscheidung, denn hätten wir den Browser nicht gestoppt, hätte es später kein Manus gegeben.

Als wir diese Geschichte letztes Jahr zum ersten Mal teilten, sagten Kritiker, wir sollten den KI-Browser-Sektor nicht schlechtreden, da wir selbst keinen gebaut hätten. Aber heute können wir selbstbewusst sagen, dass es im KI-Browser-Sektor tatsächlich keine wirklich erfolgreichen Produkte gibt. Der wesentliche Grund dafür ist: Um neue Erlebnisse zu schaffen, baut man am besten völlig neue, anstatt zu versuchen, „KI + altes Erlebnis" umzusetzen.

1.3 General-Agent-Chancen in Coding-Tools erkennen

Nachdem wir den Browser im Oktober 2024 eingestellt hatten, begann das Team darüber nachzudenken, was das nächste Produkt sein sollte. Das Team in Peking war damals sehr klein und belegte nur ein kleines Büro in einem Co-Working-Space mit insgesamt fünf Personen. Als CPO kümmerte ich mich um das Produkt; der Chief Scientist um die Modelle; und dann gab es noch einen Full-Stack-Entwickler namens Abin. Obwohl unsere Rollen unterschiedlich waren, hatten wir alle drei einen Coding-Hintergrund. Ich habe schon in der dritten Klasse angefangen zu programmieren.

Das phänomenalste Produkt des Jahres 2024 war Cursor, das im Juli regelrecht explodierte. Wir nutzten es täglich, entwickelten dabei aber unterschiedliche Gefühle. Besonders als Nicht-Profi-Programmierer fing ich an, Cursor für viele andere Dinge zu nutzen: Spesenabrechnungen bearbeiten, MP4 für meine Frau in MP3 umwandeln, beim Romanschreiben helfen usw.

Dabei spürten wir zunehmend die Kraft des Claude-3.5-Sonnet-Modells hinter Cursor. Besonders nach den Folgeversionen sahen sowohl Cursor als auch Windsurf deutliche Verbesserungen ihrer Fähigkeiten. Viele Startups im In- und Ausland ahmten Cursor nach, was zu einem Boom bei Coding-Tools führte, obwohl sie damals noch nicht wirklich „Coding Agents" genannt wurden.

Die wahre Chance, die wir sahen, war folgende: Sonnet 3.5 v2 schaltete weit mehr frei als nur einfache Programmierfähigkeiten – es schaltete autonome Planungs- und Handlungsfähigkeiten frei.

Autonome Planungs- und Handlungsfähigkeiten zeigen sich hauptsächlich in zwei Aspekten:

Erstens: Long-horizon Planning (langfristige Planung).

Heute mag das wie gesunder Menschenverstand wirken, aber Ende 2024 war es das nicht. Damals taten sich die Modelle von OpenAI damit schwer und bevorzugten einen ChatGPT-artigen Zug-für-Zug-Dialog, bei dem Probleme direkt innerhalb einer Interaktion gelöst wurden. Beginnend mit Claude 3.5 Sonnet und stark verbessert in späteren Versionen entstand die Fähigkeit zur langfristigen Aufgabenplanung: Das Modell weiß, dass es die Aufgabe nicht in einem einzigen Zug überstürzt abschließen darf, sondern ruft aktiv Tools auf, stellt Nutzern Fragen, sammelt mehr Informationen und führt erst aus, wenn es ausreichend sicher ist.

Zweitens: Tool Use (Werkzeugnutzung).

Cursor baut Werkzeuge, die es mehr Menschen ermöglichen, Ingenieure zu werden. Unsere Einschätzung war jedoch, dass die Welt nicht mehr Ingenieure braucht, noch brauchen Ingenieure mehr ausgefallene Tools – sie haben bereits genug. Wenn jemand von euch regelmäßig programmiert, hat er sicher viele Tools auf seinem Rechner installiert, die ständig ausgetauscht und bewertet werden. So arbeiten Ingenieure eben.

Wir glaubten: Sobald diese Fähigkeit freigeschaltet war, wurden effektiv allgemeine Fähigkeiten für gewöhnliche Menschen freigeschaltet. Während die ganze Welt auf Coding Agents setzte, sahen wir die Chance, Coding als Medium zu nutzen, um allgemeine Szenarien für normale Nutzer zu lösen. Unser Einstiegswinkel war also völlig anders.

Als wir das Projekt im Dezember 2024 starteten, war ich tatsächlich ziemlich panisch, weil ich dachte, dass andere diese Zukunft sicher auch sehen würden. Wir waren angespannt, bündelten alle verfügbaren Unternehmensressourcen, um schnell zu entwickeln, aus Angst, jemand anderes könnte uns zuvorkommen. Nach zwei Monaten Entwicklung stellten wir bis zum Launch am 5. März 2025 fest, dass nach unseren Beobachtungen fast nur wir in diese Richtung arbeiteten; die anderen bauten weiterhin Coding-Tools.

Wir hatten den Wendepunkt Ende 2024 erkannt und scharfsinnig die Fähigkeiten zur langfristigen Planung und Werkzeugnutzung an der Grenze des Modells identifiziert. Nach mehreren Erkundungen versuchten wir immer wieder, die richtige Produktform zu finden.

1.4 Fokus auf nicht-technische Nutzer: Intelligenz sichtbar machen, Vertrauen aufbauen

Das frühe Manus sah Cursor sehr ähnlich, eher wie ein Coding-Tool. Einmal besuchte uns der ZhenFund-Investor Yusen im Büro, um den frühen Prototyp zu sehen. Er sagte: „Sieht dieses dreispaltige Layout nicht zu professionell aus? Das wirkt abschreckend." Unsere Einschätzung bei der Produktplanung war, auf ein nicht-technisches Publikum abzuzielen. Da wir uns an Nicht-Techniker richteten, war ein erster Eindruck, der zu professionell wirkte, definitiv problematisch. Also änderten wir die Oberfläche von drei auf zwei Spalten.

Während dieses Prozesses haben wir viele Innovationen für den Zielmarkt entwickelt. Weil Agents zu neu waren, fiel es normalen Menschen schwer zu glauben, dass sie wirklich liefern konnten. In diesen zweieinhalb Monaten der Entwicklung war meine Stimme jeden Abend heiser, wenn ich nach Hause kam.

Nachdem der erste Prototyp am 5. Januar 2025 lief, postete ich auf Moments und fragte Freunde: Wenn du einen Praktikanten mit Bachelor-Abschluss hättest, welche Aufgaben würdest du ihm geben? Ich sammelte über 400 Aufgaben von mehr als 100 Freunden, was den frühesten Evaluierungsdatensatz von Manus bildete.

Ab dem ersten Prototyp brachten diese Aufgaben tägliche Überraschungen, während das Agent-Ausführungsframework (später Harness genannt) besser wurde. Abgesehen von über 100 Aufgaben, die verkörperte Intelligenz erforderten (wie Milchtee kaufen), wurden die restlichen 300+ Aufgaben auf unvorstellbare Weise gelöst. Ich musste jeden Tag im Büro vor Begeisterung rufen und kam mit heiserer Kehle nach Hause. Meine Frau fragte, warum mich die Arbeit so erschöpfte. Aber das Gefühl, wie die Intelligenz förmlich durch den Bildschirm brach, war unwiderstehlich – du wusstest einfach, dass dies die Zukunft war.

Dieser Effekt war jedoch so intensiv, dass Nutzer es für gefälscht halten könnten, wenn wir ihnen einfach nur Ergebnisse gaben. Also trafen wir eine Entscheidung: Transparenz selbst muss zu einem Produktmerkmal werden.

In der ersten Version von Manus wurden zwei kritische Produktdesigns zu Designparadigmen für fast alle KI-Agents:

Erstens: Schritt-für-Schritt-Anzeige der Ausführung. Nutzer können sehen, wie der Agent Aufgaben vorantreibt, Tools aufruft, Webseiten besucht, Notizen schreibt und Code verfasst.

Zweitens: Session Replay. Beim Teilen von Sitzungen können andere den gesamten Ausführungsprozess nachvollziehen.

Die reine Intelligenzleistung des Produkts machte vielleicht 80 % aus, aber diese beiden wachstumsorientierten UI-Designs waren entscheidend für den anfänglichen Durchbruch. Viele glaubten anfangs nicht an KI-Agents, aber als sie Schritt für Schritt sahen, wie Aufgaben vorangetrieben, Tools aufgerufen, Seiten besucht und Notizen/Code geschrieben wurden, erkannten sie, dass es wie ein Mensch funktionierte – das baute Vertrauen auf. Mit Session Replay brauchten Nutzer weder Einladungscodes noch Zahlungen; allein das Ansehen geteilter Sitzungen ließ sie die überraschenden Momente erleben. Diese Designs entsprangen der klaren Definition unserer Zielgruppe als nicht-technisch: Wir konnten keinen technischen Hintergrund voraussetzen, also mussten wir durch Produktinnovationen helfen zu verstehen, was passierte, und Vertrauen aufbauen.

1.5 Der wahre Grund hinter dem einen Launch: Produktinnovation und Gründerausdruck

Zum Launch im März: Letzten November fragte mich ein Student an der Tsinghua-Universität, ob viele dachten, wir hätten massenhaft KOLs gekauft und im März ein Marketing-Event inszeniert.

Ein Freund aus dem Marketing sagte mir: „Selbst mit einem Budget von 20–30 Millionen RMB könnte ich das Marketing von Manus nicht replizieren, wenn du mich darum bätest – ich würde diesen Effekt nicht erzielen." Junge Menschen stigmatisieren Marketing oft und denken, es sei etwas Schlechtes. Wenn du gründen willst, aber Marketing für falsch hältst, ist das eine furchtbare Denkweise. Eine gute Geschichte zu erzählen, ist genau die Fähigkeit, die chinesischen Gründern fehlt – etwas, das ich in den letzten zwei Jahren im Silicon Valley tiefgreifend erlebt habe.

Menschen unterschätzen die Schwierigkeit von Marketing und nehmen an, es gehe nur darum, Geld zu verbrennen. Wäre es so einfach, hätten Startups nie eine Chance, weil du große Unternehmen finanziell nicht überbieten kannst.

Ich sagte früher, der Launch im März habe 0 RMB gekostet, aber später merkte ich, dass das nicht ganz präzise war:

Am 28. Februar 2025 war die Website fertig. CEO Red sah sie sich an und sagte: „Tao, ist diese Seite nicht etwas zu schlicht? Sollten wir ein Video hinzufügen?" Bis zum Launch am 5. März blieben nur noch wenige Tage. Ich kontaktierte zwei oder drei Videoproduktionsfirmen in Peking; alle sagten, mindestens zwei Wochen Vorlaufzeit seien nötig.

Schließlich habe ich das Video selbst mit einer Sony A7C II Kamera gedreht. Da meine Objektive schlecht waren, lieh ich mir ein 50mm f/1.2 GM Objektiv von Yusen bei ZhenFund. Ich schnitt zwei Nächte lang. Beim Export auf YouTube stellte ich fest, dass der 4K-Export Geld kostete. Also gab ich etwa 12–15 $ für eine einmonatige CapCut-Mitgliedschaft aus – das einzige zusätzliche Geld, das für diesen Launch ausgegeben wurde, sofort nach Verlängerung wieder gekündigt.

Nachdem das Video viral ging, nahmen die Leute an, wir seien großartige Marketer, die ein fantastisches Video gemacht hätten. Ich erzähle diese Geschichte immer wieder, um junge Gründer zu warnen: Wenn deine Erkenntnis aus einem phänomenalen Produkt lautet „die sind gut im Marketing", hast du die falsche Lektion gelernt. Die Dinge sind nie so einfach.

Erstens erschien Manus zur richtigen Zeit und nutzte die richtige Produktform, um der Welt zu zeigen, wo die Fähigkeitsgrenzen der Modelle lagen. Heute nennt man solche Frameworks Harness; damals war der Begriff noch nicht populär. Ich glaube, wir gehörten zu den frühesten Teams, die solche Frameworks bauten und die Modellgrenzen bis zum Äußersten ausreizten. Nach dem Launch traf ich im März das Team von Anthropic in San Francisco. Sie glaubten nicht, dass wir nur ihre Modelle nutzten, weil ihre internen Tests nicht zu unserer Leistung passten. Ich sagte, ich liebe ihre Modelle wirklich. Später leakte Claude Code etwas Code, und wir sahen Parallelen zu unseren frühen Architekturdesigns. Daher glaube ich, dass die Kernbasis des Launch-Erfolgs eine bedeutende Produktinnovation war.

Ohne gute Produktinnovation ist es, sich nur auf Videos zu verlassen, als würde man das Pferd von hinten aufzäumen. Später war ich hilflos, als ich unzählige Startups denselben Stil übernehmen sah: Gründer sitzt auf einem Sofa mit Pflanzen im Hintergrund. Alle verhielten sich wie ostasiatische Schüler, die Prüfungsvorlagen kopieren, ohne zu wissen, was sie sonst tun sollen. Das ist lustig, denn wir wählten diesen Winkel rein deshalb, weil es die einzige Stelle mit sauberem Hintergrund in unserem Co-Working-Park war, die ruhig genug zum Filmen war. Wenn du genau hinsiehst, gibt es einen Bildsprung, weil unser Chief Scientist sprach, während hinter ihm eine Reinigungskraft wischte. Was wirklich zählt, ist nie das Video selbst, sondern dein Produkt. Dennoch blieb das Video rückblickend wichtig, weil ich es gedreht habe und unser Chief Scientist es präsentierte.

Nachdem Manus explodiert war, wurden viele Teams von ihren Chefs/Investoren gefragt: „Warum könnt ihr kein Manus bauen?" Die sicherste Ausrede wurde oft: „Wir sind ein solides Tech-Team, nicht wie die, die gut im Marketing sind." Das klingt bodenständig, macht aber „nicht gut im Marketing sein" für das Scheitern verantwortlich.

Die Leute ignorieren das Wesentliche: Ich bin ein Produktmensch; der andere kümmert sich als Chief Scientist um die Modelle. Keiner von uns kam aus dem Marketing. Wir haben einfach ein Produkt gebaut, auf das wir stolz und mit dem wir zufrieden waren, und es der Welt dann in unseren eigenen Worten präsentiert.

Marketing in der Frühphase eines Startups muss die Gründer persönlich einbeziehen. Es an Agenturen auszulagern oder „Marketing-Experten" einzustellen, birgt das Risiko starker Informationsverzerrung. Nur Gründer wissen wirklich, wie man die Geschichte erzählt. Rückblickend war das Video also nicht wegen seines Formats wichtig, sondern weil wir es selbst gemacht haben.

1.6 Produkte für Modellfähigkeiten entwerfen, die sechs Monate in der Zukunft liegen

Für KI-Anwendungsinnovation gilt: Entwirf Produkte für Modellfähigkeiten, die sechs Monate in der Zukunft liegen. Ich glaube, nächstes Jahr, 2027, wird das große Jahr für KI-Anwendungen.

Was bedeutet „sechs Monate voraus"? Warte nicht, bis du heute Morgen einen Artikel über ein Modell-Update liest, das neue Fähigkeiten hinzufügt, und dann erst anfängst, über darauf basierende Apps nachzudenken. Bis dahin könnte es zu spät sein.

In unserem Team lieferte der Chief Scientist entscheidenden Input. Da er über ein Jahrzehnt NLP erforscht hatte, konnte er die Entwicklungsrichtungen der Frontier-Labore anhand aktueller Modellleistungen sowie öffentlicher und nicht-öffentlicher Informationen scharfsinnig wahrnehmen. Zum Beispiel sahen wir AGI-Fähigkeiten (Artificial General Intelligence) bei Claude 3.5 Sonnet aufkommen, die in V2 nochmals einen Sprung machten. Wir urteilten, dass sie massiv in diese Richtung investierten. Wenn es in 3–4 Monaten noch eine Stufe höher ginge, wäre unser Produkt dann nicht unglaublich mächtig?

Also beschlossen wir, sofort loszulegen. Ursprünglich erwarteten wir einen Sprung von 3.5 auf 4.0 und planten den Launch mit 4.0, aber zuerst kam 3.7 heraus. In der Nacht, als 3.7 veröffentlicht wurde, postete ich auf Jike: „Nacht des Glaubens-Upgrades." Warum? In dieser Nacht änderten wir keine einzige Zeile unseres Harness-Codes; wir wechselten nur die Modellschnittstelle von 3.5 V2 auf 3.7. Auf unserem Eval-Set schoss die Leistung in die Höhe und löste grob 20–30 % der zuvor ungelösten Probleme sofort. Wir wussten, dass wir richtig gesetzt hatten.

Unser Chief Scientist betonte immer: „Less structure, more intelligence." (Weniger Struktur, mehr Intelligenz.) Nach dem Launch, als ich das im Silicon Valley und in China teilte, taten es viele ab. Die gängige Praxis bestand damals darin, dass Menschen Workflows entwarfen und der KI die Schritte beibrachten: zwingende Regeln oder bedingte Verzweigungen schreiben, wo immer Fehler auftraten. Aber unser erstes Agent-Ausführungsframework nutzte keine festen Workflows, die jeden Schritt diktierten; stattdessen entschied das Modell autonom über die nächsten Aktionen.

Egal ob Recherche, Slides, Websites oder Datenanalyse – das Modell entschied über die nächsten Schritte, statt alles in starre Prozesse zu ketten. Multi-Agenten-Systeme waren damals heiß, aber wir blieben hartnäckig beim Single-Agent-Weg.

Warum dabei bleiben? Weniger vorgegebene Struktur maximiert den Nutzen steigender Modellfähigkeiten. Wer starre Workflows schreibt, verzichtet auf die Dividenden von Modellupdates. Vor 3.7 wussten wir nicht, ob diese Einschätzung stimmte. Aber in der Launch-Nacht bestätigten wir: Ohne das Ausführungsframework zu ändern, steigerte allein die Verbesserung der Modellfähigkeiten die Produktleistung. Das bedeutete, dass wir nicht nur diesmal profitierten, sondern potenziell kontinuierlich von zukünftigen Modellfortschritten profitieren würden. Für KI-Gründer ist es daher entscheidend, aktuelle Modellschwächen nicht endlos zu flicken, da diese irgendwann gelöst werden. Fragt stattdessen: Wie werden Modelle in 6 Monaten aussehen? Und wenn ja, welche passende Produktform entspricht diesem zukünftigen Modell?

Fangt jetzt an. In 3 Monaten mögen Produkte schwach wirken, aber bewahrt starke Überzeugung: Es liegt nur daran, dass die Modelle noch nicht aufgeholt haben. Sobald sie es tun, zeigen sich die Vorteile der Produktform sofort. Wenn die Modelle diese Stufe wirklich erreichen, werdet ihr die Einzigen sein, die dort positioniert und voll vorbereitet sind.

1.6.1 Ein vorausschauendes Beispiel: Generatives Erlebnis mit einer Sekunde Latenz

Das klingt vielleicht abstrakt. Was kann man konkret tun? Gibt es neben dem, was wir getan haben, weitere Chancen? Ich kann eine Chance teilen (die ich selbst nicht verfolgen werde):

Ich warte auf einen Moment: Dass Videogenerierungsmodelle wie Seedance die Latenz von der Prompt-Eingabe bis zur visuellen Ausgabe auf unter eine Sekunde reduzieren. Ich glaube, das wird ein kritischer Wendepunkt für diese Runde der KI-App-Gründungen sein. Denn meiner Ansicht nach ist ein Videogenerierungsmodell mit einer Sekunde Latenz nicht mehr nur ein Tool – es ist ein Betriebssystem der neuen Generation.

Wenn diese Zukunft kommt, wie sollte Software aussehen? Wie sollten Nutzer mit generativen Produkten interagieren, die nur eine Sekunde Latenz haben? Meine Einschätzung ist, dass diese Veränderungen innerhalb von sechs Monaten passieren werden. Sich in dieser Richtung vorzubereiten, ist eine großartige Gründerchance. Das ist nur ein Beispiel. Viele Modelle machen in verschiedenen Bereichen Fortschritte. Wie werden sie in 3 oder 6 Monaten aussehen? Wie sollten normale Menschen diese Fähigkeiten nutzen? Das ist die Kernchance für KI-App-Gründungen.

1.7 Eingabehürden senken, Zahlung nutzen, um echten Wert zu identifizieren

Als Nächstes die zweite Einschätzung: Warum bauen wir keine Chatbots? Weil deren Decke leicht durch Nutzerprompts begrenzt wird; nur sehr sachkundige Nutzer schöpfen den vollen Wert aus, was Produkte wählerisch macht. Zukünftige neue Produktversuche zielen darauf ab, die Eingabekosten der Nutzer zu minimieren, damit sie im Alltag kontinuierlich den Wert der Modellintelligenz spüren.

Im KI-Zeitalter ist der wichtigste Produktwert, Nutzer Intelligenz spüren zu lassen. Viele erkennen das nicht und denken, der Wert liege darin, kostenlos zu sein. Es geht nie um kostenlos; kostenlose Subventionen sind die größte Falle im KI-Zeitalter.

Blickt man auf die KI-App-Gründungen in China der letzten 2–3 Jahre zurück, war die größte Falle, sich von der früheren Gratis-Subventions-Denkweise des mobilen Internets in die Irre führen zu lassen und anzunehmen, diese Generation könne dasselbe tun. Völlig falsch:

Erstens: Wenn die Intelligenzleistung gut genug ist, werden die Leute zahlen. Einige Kernnutzer der Plattform geben beispielsweise monatlich 4.000–5.000 $ aus. Hohe Beträge, aber die Zahlungsbereitschaft zeigt, dass sie Wert gefunden haben.

Zweitens: Kostenlose Subventionen fangen Teams in ungültigem Feedback ein. Natürlich sollte man auf Feedback hören, aber kostenlose Nutzer fordern: „Ich will dies, ich will das." Diese Forderungen sind nicht wertlos, können Gründer aber ablenken. Irrelevante Forderungen zu betrachten und über falsche Richtungen nachzudenken, verschwendet im Grunde Zeit.

Drittens: Am Bezahltmodell festzuhalten stellt sicher, dass Feedback von Nutzern kommt, die Wert gespürt und mit Geld/Taten abgestimmt haben. Um ihre echten Bedürfnisse herum zu bauen, zieht besser weitere zahlende Nutzer an.

In den letzten 2–3 Jahren scheiterten die meisten Versuche im Inland, durch frühe Gratis-Subventionen zu wachsen (ob bei Coding Agents oder anderem). Man schob es auf schwaches Branding, aber der Kerngrund war der Gratiskurs. Das ist besonders bei großen Unternehmen auffällig: Reiche Ressourcen erlauben es, am ersten Tag zig Millionen für Subventionen auszugeben, was auf einen verdrehten Weg führt. Ich kann nicht gratis arbeiten. Wenn du im ersten Monat 100k DAU erreichst, wird das zu deinem KPI. Nächsten Monat willst du nur noch höhere Zahlen; niemand traut sich, auf Bezahlung umzustellen. Du trägst diese Last der kostenlosen DAU, was deine Wahrnehmung echter Nutzermärkte beeinträchtigt. Entscheidender Punkt: Nutzer echte Intelligenzleistung spüren zu lassen, ist das Wichtigste beim Produktbau im KI-Zeitalter.

Wir haben anfangs keine Bezahlfunktionen eingeführt und begannen erst Ende März 2025 mit Gebühren. Im April, dem ersten Monat, überstieg der ARR 40 Millionen und näherte sich 50 Millionen. Warum? Weil das Produkt wirklich überwältigende Intelligenz lieferte. Das ist der Schlüssel.

1.8 Warum wir hartnäckig bei Allzweck bleiben: Nutzerdenken und Long-Tail-Bedürfnisse

Die dritte Einschätzung ist, hartnäckig bei Allzweck (General Purpose) zu bleiben. Beim Launch von Manus behaupteten wir, der weltweit erste General AI Agent zu sein. Warum Allzweck betonen?

Anfangs hörten wir viele Meinungen von Investoren, etwa die UI zu ändern, aber einen Vorschlag lehnten wir ab. Investoren fragten: „Was genau kann dieses Produkt? Bei jedem Besuch sieht man seltsame Long-Tail-Aufgaben." Ich zeigte interne/externe Eval-Ergebnisse; sie sagten: „Kannst du ein praktisches, wertdemonstrierendes Szenario nennen?" Ich musste zugeben, dass ich das nicht konnte.

Sie schlugen vor, uns zu fokussieren, z. B. als Website-Generator oder Slide-Generator. Das wäre möglich gewesen, aber wir taten es nicht.

Rückblickend klingt das kalkuliert, aber damals haben wir gar nicht so viel nachgedacht. Einfach gesagt: Während dieser zweieinhalb Monate der Manus-Entwicklung wurde ich wiederholt von der Intelligenz schockiert und war täglich extrem aufgeregt. Da ich wusste, dass es unglaublich war und alle Long-Tail-Aufgaben wie ein Mensch erledigte, wollte ich diese Freude/Überraschung mit der Welt teilen.

Es war reine Produktdenke, keine vorab geplante General-Strategie. Aber rückblickend war das Beharren auf Allzweck eine kritische strategische Entscheidung auf dem Weg von Manus.

Der Grund: Markenwahrnehmung im Kopf der Nutzer lässt sich kaum mit Geld erkaufen.

Deine kognitive Position in den Köpfen der Nutzer ist selbst mit Milliarden schwer zu ändern. Da wir als „General Agent" starteten, fühlten sich spätere Einführungen von Website-Entwicklung, Slides und Videobefehlen natürlich an. Nutzer dachten: „Manus macht alles; das ist normal." Gleichzeitig verwirrten vertikale Wettbewerber, die sich auf allgemeine Aufgaben ausdehnten, die Nutzer: „Seid ihr nicht ein Website-Tool? Warum jetzt Datenanalyse?" Unterschätzt das nicht.

Die kognitive Besetzung eines Produkts im Kopf der Nutzer passiert meist nur einmal im Leben. Sie zu ändern, ist enorm schwer und erfordert nach dem Überleben möglicherweise jahrelange große strategische und produktseitige Anpassungen. Das Beharren auf Allzweck ließ uns in jeder KI-Welle von Dividenden profitieren, bis heute.

Noch ein wichtiger Punkt: Intern haben wir eine Matrix: X-Achse = Geld, das an uns gezahlt wird; Y-Achse = Nutzerzufriedenheit. Wer besetzt die obere rechte Ecke (höchste Zahlung, höchste Zufriedenheit)?

Keine Programmierer. Wir richten uns an nicht-technische Nutzer; Programmierer nutzen das Produkt zwar auch, aber deutlich seltener. Am zufriedensten sind Unternehmensmanager: CEOs, kleine Chefs, Abteilungsleiter. Warum? Chefs haben die meisten unterschiedlichen Aufgaben – heute denken sie darüber nach, morgen über etwas anderes. Für sie ist Manus unglaublich befriedigend. Vor Manus gab es kein KI-Tool, das alles für sie löste oder mit dem man über alles diskutieren konnte. Frühere vertikale KIs (z. B. Marketing Agents) waren begrenzt; nur Manus konnte alles. Deshalb nutzten CEO-Gruppen es begeistert und wurden zu treuen Premium-Nutzern. Das Festhalten am Allzweck-Ansatz sicherte uns High-End-Kunden und baute Barrieren in den Köpfen der Nutzer auf, sodass wir 1–2 Jahre technologischer Iteration überlebten, ohne vom Markt gefegt zu werden.

Natürlich sollte nicht jeder auf einen Allzweck-Ansatz setzen. Wir waren erfolgreich, weil es damals sonst niemand tat und wir uns zuerst in den Köpfen der Nutzer verankerten. Ein späterer Versuch ist viel schwieriger.

1.9 Design rund um das Leben der Nutzer, nicht um technische Gewohnheiten

Die vierte Erkenntnis betrifft das Verständnis der Nutzer.

Wie bereits erwähnt, haben wir unsere Nutzer von Anfang an als nicht-technisch definiert. Unser Ziel war es, alle normalen Menschen mit den explosiven Fähigkeiten der Modelle auszustatten, nicht nur Programmierer.

Deshalb haben wir intensiv an der UX gearbeitet:

Erstens: Vertrauen durch transparente Ausführungsprozesse aufbauen.

Zweitens: Asynchrone Cloud-Ausführung. Programmierer, die Cursor nutzen, klicken nach Befehlen auf Bestätigungen und finden das cool. Aber normale Menschen starren nicht den ganzen Tag auf Bildschirme; sie nutzen vielleicht ihr Handy oder machen andere Dinge. Also haben wir jede Aufgabe mit einer Cloud-Sandbox ausgestattet, die Tasks in der Cloud ausführt. Typisches Szenario: Handy rausziehen, Aufgabe zuweisen, Handy wieder einstecken, Bildschirm muss nicht an bleiben, Ergebnisse prüfen, wenn sie fertig sind.

Drittens: Den Prozess selbst teilbar machen. Wir haben Session Replays narrativ gestaltet. Anfangs konnten viele das Produkt wegen der Einladungscodes nicht nutzen, verstanden den Wert aber durch die Replays.

1.9.1 Hinter den Einladungscodes: Finanzierung und Beschränkungen der Inferenzkapazität

Nebenbei gefragt: Warum haben wir anfangs so strikt auf Einladungscodes gesetzt?

Die Gründe sind simpel. Wie beim Drehen von Sofa-Videos: Wir haben es gemacht, andere haben es kopiert; wir haben Einladungscodes genutzt, andere haben es kopiert. Aber wenn man die tieferliegenden Gründe kennt, wirken die Nachahmer fast schon komisch.

Die Einladungscodes gab es rein deshalb, weil wir nur noch etwa 8–9 Millionen Dollar übrig hatten. Wir hatten gerade eine Finanzierungsrunde abgeschlossen, waren aber trotzdem ein armes Unternehmen. Vor Manus mochten uns viele heimische VCs nicht; im Vergleich zu den schillernden KI-Mitbewerbern war unser Geld knapp.

Selbst mit Einladungscodes erreichten unsere täglichen Spitzenverbrennungen 500.000 Dollar. Wären wir komplett offen gewesen, hätte ich befürchtet, dass das Unternehmen innerhalb einer Woche nach dem Launch am 5. März zusammenbricht. Da uns die Ressourcen großer Konzerne fehlten, zwang uns die unerwartet riesige Resonanz zum Launch dazu, das Tempo über Einladungscodes zu steuern und dann kostenpflichtige Funktionen einzuführen. In der unbezahlten Phase regelten die Einladungscodes den Verbrauch.

Das ist der eine Grund; der zweite ist außerhalb der Branche unbekannt: Heute ist es meist problemlos möglich, APIs/Tokens bei AWS/GCP zu kaufen – unbegrenztes Angebot (meistens, weil Produkte gar nicht so groß skalieren). Unsere Herausforderung? Manus war der weltweit erste Consumer-orientierte General Agent. Zuvor bedienten Cloud-Plattformen Chatbot- und Companion-Apps. In frühen Tests, in denen wir Manus (Agent) mit Monica (Chatbot, Produkt eines Kollegen) verglichen, unterschied sich der Token-Verbrauch pro DAU um das 200- bis 1000-Fache.

Wie groß ist diese Zahl? Beim Einkauf von Modellaufruf-Durchsatz bei Cloud-Anbietern nutzt man TPM (Tokens Per Minute). M = Million. Im asiatisch-pazifischen Raum galten große Chat-/Companion-Apps, die 10M–20M TPM benötigten, als Top-Tier-Kunden. Drei Tage nach dem Launch, als wir allen Besitzern von Einladungscodes vollen Zugang gaben, erreichte die Nachfrage etwa 800M TPM.

Was bedeutet das? Ich rief einen Cloud-Anbieter an (Name bleibt ungenannt) und sagte, wir bräuchten 500M TPM. Da sie es gewohnt waren, dass Startups für Rabatte übertreiben, fragten sie: „Ist das das prognostizierte Volumen für nächstes Jahr?"

Ich sagte nein, ich brauche jetzt sofort 500M.

Sie konnten es nicht liefern. Kein Cloud-Anbieter hatte ausreichende Compute-Reserven; die Kapazitäten wuchsen nur schrittweise, während man sich gegenseitig beobachtete. Anfangs konnten wir uns diesen Verbrauch nicht leisten, und die Cloud-Dienste waren nicht auf eine Explosion von KI-Agenten vorbereitet.

Glücklicherweise sicherten wir uns Hunderte Millionen TPM von einer einzigen Cloud-Plattform und überlebten so den ersten Monat. Danach standen wir ständig mit den Anbietern im Austausch, sagten ihnen, dass Agenten explodieren würden, und drängten auf Kapazitätsaufbau.

Als die Einladungscodes im Mai endeten, boten viele Plattformen Gründern 30–50M TPM an – dank der vorherigen Erweiterungen.

Als ich das im Mai/Juni erzählte, glaubte man mir nicht und nannte uns Angeber: „Wir hatten nie dieses Problem; 10M kann man jederzeit anfragen."

Ich dachte mir: Erstens hättet ihr vor zwei Monaten vielleicht nichts bekommen; zweitens unterscheiden sich 10M und 1000M um das 100-Fache. Die Leute begriffen nicht, wie viel Chaos in der Lieferkette die Nachfrage beim Manus-Launch verursachte. Cloud-Ressourcen, Infrastruktur, Zahlungen – all das mussten Pioniere erst lösen. Spätere Agent-Gründer stehen vielleicht nicht vor exakt denselben Problemen.

1.10 Ratschläge für junge Gründer

Zum Schluss: Viele hier könnten zu KI-nativen Gründern werden. Hier sind einige Anregungen.

1.10.1 Von Tag eins global denken, nicht nur westlich

Erstens: globale Vision.

Was ist eine globale Vision? Letzten Juni lud uns die VivaTech, Europas großer Tech-Gipfel, ein. Schön, auf dem Gipfel eines Produkts zu sprechen, das zum globalen Phänomen wurde. Drei Tage vor der Abreise versprachen die Organisatoren eine Überraschung. An diesem Abend erhielt mein Gmail eine E-Mail von elysee.fr (Domain des französischen Präsidentenpalasts): Präsident Macron lud mich zum Abendessen ein.

Erste Reaktion: Betrug. Normale Menschen denken doch an Betrug, oder? Die Organisatoren bestätigten, dass dies die Überraschung sei. Nach dem Gipfel speiste ich mit Macron im Élysée-Palast. Dass ich kürzlich auf Xiaohongshu postete und dabei Jensen Huangs Aufmerksamkeit nutzte, passierte nur, weil Macron rechts von mir saß und Huang gegenüber. Huang hielt eine brillante Rede; ich nahm sie auf, postete sie, und sie ging kürzlich viral.

Warum erzähle ich das? Das Produkt war erst gut drei Monate auf dem Markt, und trotzdem wurden wir zu solch hochkarätigen Events eingeladen. Dutzende Tische voller europäischer Gründer und Investoren. Gespräche nach dem Dinner zeigten fehlerhafte Startup-Ideen auf.

Europas Startup-Ökosystem hinkt China deutlich hinterher, geprägt von einer defensiven Haltung: „In Europa bauen, für Europa." Viele plädierten dafür, lokale KI zu stärken, damit europäische Firmen und Regierungen europäische KI nutzen – aus Angst vor der Dominanz der USA und Chinas.

Das machte mich unruhig. Amerikanische Gründer in der Nähe stimmten zu, dass es unfassbar sei. Der formelle Rahmen verhinderte deutliche Worte, aber innerlich dachte ich: Hätten wir „In China bauen, nur für China" übernommen, würde ich heute nicht hier sitzen.

Wir glauben, dass der größte Wert von LLMs unter anderem darin liegt, Sprachbarrieren drastisch zu senken. Von unseren drei Führungskräften hatten Red und ich vor der Gründung keine Auslandsstudien- oder Lebenserfahrung; Red war noch nie in den USA. Nur unser Chief Scientist lebte als Kind kurzzeitig im Ausland. Genau weil Sprachbarrieren fielen, konnten wir global vermarkten, bedienen und denken – und so solche Produkte schaffen.

Trotzdem versuchten viele junge europäische Gründer, sich in Europa einzuschließen. Falscher Ansatz. Ich habe das in Gesprächen angesprochen.

Heute möchte ich junge, KI-native Gründer im eigenen Land ermutigen: Denkt von Tag eins an über globale Expansion und Kundenservice nach. Wenn Sprachbarrieren fallen, ist der Gang ins Ausland absolut kein Problem. Unsere internen Systeme und unser Kundenservice sind mehrsprachig, weil diese Barrieren nicht mehr existieren.

KI ist ein Geschenk des Himmels für chinesische Gründer. Früher war es schwer, mit US-Tech-Exporten zu konkurrieren, wegen der Dominanz des Englischen und kultureller Nachteile. Aber in der KI besitzen wir die starke Fähigkeit, globale Märkte durch Produkt- und dimensionale Innovation zu gewinnen. Daher ist eine globale Vision für KI-Gründungen das Wichtigste.

Betonung: Global ≠ nur Westen. Die Welt ist groß; der Globale Süden bietet Chancen. Der größte Umsatzmarkt sind die USA, aber die meisten Nutzer leben in Brasilien. Naher Osten, Europa, Japan/Korea, Südostasien, Afrika – überall gibt es Nutzer.

Sagt beim Globalisieren niemals „Ausland". Intern korrigiere ich Teammitglieder und verbiete den Begriff „fremde Länder", weil er zu vage ist. „Fremd" impliziert einen binären Gegensatz zu „Inland" und vereinfacht die komplexe globale Verteilung über Regionen, Sprachen und Kulturen hinweg zu stark. Eine echte globale Vision, die regionale Chancen erkennt, generiert neue Erkenntnisse.

1.10.2 Produkte selbst nutzen, Urteilskraft nicht durch emotionale Narrative ersetzen

Zweiter Rat für Produktleute: Lest weniger Self-Media.

Klarstellung: Ich meine hier keine hochwertigen Creator. Aber Produktbauer, die nur Self-Media-Artikel lesen, verfallen dem Nihilismus: Heute „Explosion nuklearen Ausmaßes", morgen „Branche tot". Seit dem Manus-Launch wurde uns unzählige Male bescheinigt, wir seien „disruptiert" oder „unbenutzt" – und trotzdem wuchs das Geschäft stetig.

Den meisten Self-Media-Machern fehlt Branchenerfahrung; Traffic treibt ihre Texte. Sie bedienen Emotionen, stimulieren Dopamin durch Freude, Wut oder Verwirrung und manipulieren euch. Wer KI-Entwicklung so wahrnimmt, verliert massiv den Bezug zur Realität.

Beispiel: 2–3 Monate nach dem Launch erreichten wir 800–900M TPM. Weltweit verbrannten außer Cursor/Windsurf etc. nur wenige Startups mehr Tokens. Trotzdem lehrten viele Self-Media-Kanäle weiterhin „wie man Agents baut".

Sprache ist Macht und Werkzeug. Geschriebene Meinungen wirken gleichwertig, aber ihre Grundlagen unterscheiden sich. Manchen fehlt Marktkontakt, Nutzerforschung oder Online-Validierung; ihre Ansichten sind Fantasie. Täglicher Konsum zieht dich emotional herunter.

Echtes Produktgefühl steckt in Details. Wenn du hörst „OpenAI hat X veröffentlicht, Branche tot", probier es selbst aus: Viele OpenAI-Produkte taugen nichts. Zehn Launches bringen einen Erfolg, wegen Personalstärke, Kapital und Basis – neun scheitern. Wer Self-Media konsumiert und schlussfolgert „die Großen haben es gemacht, Strecke geschlossen", verpasst Chancen. Alles erfordert Anfassen, Nutzen, Üben.

Interviews mit KI-PMs fühlten sich zuletzt furchtbar an. Campus-Rekruten, die Interesse an KI-PM-Stellen behaupteten, nannten ein einziges Tool; bat man sie, aktuelle Chats zu zeigen, fehlte die App auf dem Handy oder enthielt 2–3 Aufgaben – offensichtlich fürs Interview auswendig gelernt.

KI disruptiert seit 3–4 Jahren Branchen, aber KI-PM-Bewerber nutzen keine KI. Das zeigt Fehler im Lebenslauf-Screening (jetzt verlangen wir echte Nutzungsnachweise), ist aber im Kern beängstigend: Die Leute begreifen nicht, dass Voraussetzung für KI-Arbeit die intensive eigene KI-Nutzung ist. Nur eigene Erfahrung zeigt die Grenzen aktueller Modelle/Produkte und neue Chancen. Vorgekaute Inhalte vermitteln niemals die Realität.

Du kannst Artikel/Self-Media schreiben und andere beeinflussen (Teammitglieder tun das, ich gelegentlich auch); aber verlasse dich niemals ausschließlich auf Self-Media als Nahrung, sonst wird dein Branchenverständnis deformiert und spiegelt nicht die Wahrheit wider.

1.10.3 Probleme entdecken, Unbekanntes umarmen, durch Handeln korrigieren

Dritter Rat, nicht nur für KI-PMs, sondern seit über einem Jahrzehnt für alle angehenden exzellenten PMs:

Aktuelle Modelle und Technologien gibt es im Überfluss; knapp sind nicht Tech oder Umsetzung, sondern das Entdecken von Problemen. Die Fähigkeit, Probleme zu entdecken und zu definieren und gelöste Zustände klar zu beschreiben, ist selten. Man erwirbt sie nicht bloß durch Zuhören bei Startup-Talks. Wer jung ist oder noch studiert, hat wenig Druck: Beobachtet Gesellschaft und Leben, Kommilitonen und Praktikantenkollegen, identifiziert echte Probleme, die auf Lösungen warten.

Wie funktioniert dieser gesellschaftliche Mechanismus? Wo kann KI Effizienz steigern? Alles entspringt der Lebensbeobachtung. Ich hoffe auf mehr Neugier für das Leben selbst: Neugier treibt Verständnis und Verfeinerung an. Aber vielen fehlt aktuell die Neugier.

Fast zwei Jahre nach dem Manus-Launch fragen junge Gründer häufig: „Wie wart ihr erfolgreich?" Sie suchen deterministische Lösungsblätter und glauben, zehn Schritte zu befolgen garantiere Erfolg. Stimmt nie. Gründen ist hochgradig unsicher. Die meisten Entscheidungen trifft man ohne vollständige Klarheit, handelt trotzdem und passt dynamisch an.

Das unterscheidet Gründer von VCs. VCs betreiben lange Research, weil Entscheidungen schwer und irreversibel sind; investiertes Geld bleibt investiert. Sie suchen hohe Genauigkeit durch Vorab-Recherche, fragen nach Endspielen und Pfaden. Gründer dürfen so nicht denken. Wenn man alles und die besten Wege vordefiniert, ist es NICHT der beste Weg.

Gründer leben dynamisch auf Schlachtfeldern, beobachten tägliche Veränderungen, verstehen Verschiebungen in Welt, Markt und Technik, treffen täglich dynamische Entscheidungen. Exzellente Gründer arbeiten so.

In den letzten 2–3 Jahren ein starker Eindruck: Junge Gründer scheuen zunehmend das Unbekannte und fordern permanente Antworten: Wie feuert man diese Waffe ab? Wie geht man mit Marketing/Produkt/Tech/Globalisierung um? Sie sehnen sich nach Sicherheit. Kann man sie nicht bieten, vermuten sie versteckte Geheimnisse; hören sie „keine Geheimnisse, einfach handeln", halten sie das für mangelnde Bereitschaft zum Teilen.

Also: Bleibt neugierig auf die Welt. Das Unbekannte ist am schönsten. Große Chancen liegen im Unbekannten, nicht im Sicheren. Gäbe es Sicherheit, hätten wir stattdessen KI-Browser gebaut.

1.11 Fazit: Lasst den Geist Händen wachsen

Zum Schluss: Viele kennen vielleicht nicht den Ursprung des Namens Manus. Er stammt vom MIT-Motto Mens et Manus, lateinisch für Geist und Hand. Warum diese Wahl? Weil alle großen Modellanbieter Geister bauen – aber warum konnten Ende 2024 so starke Geister keinen enormen Einfluss ausüben? Weil sie Gehirne, aber keine Hände hatten. Manus repräsentiert die Hände der großen Modelle und ermöglicht es den Gedanken des Gehirns, die reale Welt zu beeinflussen und echte Probleme zu lösen.

Das gilt für das heutige Thema: Alle Gedanken brauchen Praxis. Der Kern des Gründens ist Praxis, nicht bloße PPT-Simulationen in Wettbewerben oder schillernde Fundraising-Decks.

Sich trauen zu handeln, der echten Gesellschaft begegnen, neugierig bleiben, ungelöste Probleme der Welt angehen – das ist echter Gründergeist, die Pflicht von Foundern – und nicht Vater-Mutter-Kind spielen und so tun, als wäre man Unternehmer. Danke.

Mit einem Klick speichern

Virale Artikel mit YouMind per KI tief lesen

Speichere die Quelle, stelle gezielte Fragen, fasse die Argumentation zusammen und verwandle einen viralen Artikel in wiederverwendbare Notizen in einem einzigen KI-Arbeitsbereich.

YouMind entdecken
Für Creator

Verwandle dein Markdown in einen sauberen 𝕏-Artikel

Wenn du eigene Langtexte veröffentlichst, wird die 𝕏-Formatierung von Bildern, Tabellen und Codeblöcken mühsam. YouMind macht aus einem ganzen Markdown-Entwurf einen sauberen, sofort postbaren 𝕏-Artikel.

Markdown zu 𝕏 testen

Mehr Muster zum Entschlüsseln

Aktuelle virale Artikel

Mehr virale Artikel entdecken