Anwendungen

Worum es geht

Ein Modell allein ist ein Motor ohne Auto. Es nimmt Text auf und gibt Text aus, und es weiß nichts über deine Kundschaft, deine Dateien oder deine Regeln. Eine Anwendung baut alles andere darum herum: eine Oberfläche, Anweisungen, den passenden Kontext, Zugriff auf deine eigenen Daten, Werkzeuge, mit denen es handeln kann, Prüfungen, die Fehler abfangen, und eine Abrechnung für die Arbeit. Die EU nennt das ganze Paket ein KI-System.

Diese Schicht entscheidet, ob KI Wert schafft. Dasselbe Modell kann in einem Produkt stecken, das einem Service-Team jeden Tag Stunden spart, oder in einem, das niemand ein zweites Mal öffnet. Hier bauen die meisten Gründer:innen, hier entstehen die Preise, und hier knüpft das Recht Pflichten an: Wer eine Anwendung anbietet oder bei der Arbeit nutzt, trägt Verantwortung für sie.

Woraus eine KI-Anwendung besteht

Jedes ernsthafte KI-Produkt folgt demselben Grundmuster. Eine Anfrage kommt über eine Oberfläche herein, die Anwendung stellt zusammen, was das Modell sehen soll, das Modell antwortet oder ruft ein Werkzeug auf, die Antwort wird geprüft und die Kosten werden erfasst. Die Ingenieur:innen von Anthropic nennen die Kernfähigkeit Context Engineering: für jeden Modellaufruf die kleinste Menge an Information auszuwählen, die am meisten Aussagekraft trägt (Herstellerleitfaden).

Mehr Kontext kann Antworten verschlechtern. Je voller das Kontextfenster wird, desto unzuverlässiger erinnern Modelle, was darin steht, ein Effekt namens Context Rot. Gute Anwendungen laden Daten deshalb erst bei Bedarf über Werkzeuge nach und fassen lange Verläufe zusammen. Die meisten Teams kombinieren außerdem mehrere Modelle: In ICONIQs Umfrage 2026 unter rund 300 Softwarefirmen, die KI-Produkte bauen, nutzte jede Firma im Schnitt 3,3 Modelle (Investorenumfrage).

Auch Sicherheit gehört in diese Schicht. Die OWASP Top 10 für LLM-Anwendungen, gepflegt von einer offenen Sicherheits-Community, setzen Prompt Injection auf Platz eins: versteckte Anweisungen in einem Dokument oder auf einer Webseite, die das Modell übernehmen. Weitere Risiken auf der Liste sind das Durchsickern sensibler Daten, mehr Handlungsspielraum für das Modell, als die Aufgabe braucht, und ausufernde Kosten.

1. 01Oberfläche. wo Menschen tippen, sprechen oder klicken: ein Chatfenster, ein Knopf in bestehender Software oder eine API für andere Programme.
2. 02Anweisungen. der System-Prompt legt Rolle, Ton und Regeln fest, bevor jemand ein Wort schreibt.
3. 03Kontext. der bisherige Gesprächsverlauf, einige Beispiele und die Beschreibungen der Werkzeuge, die das Modell nutzen darf.
4. 04Eigene Daten. Retrieval sucht passende Stellen in deinen Dokumenten und gibt sie dem Modell, damit es aus deinen Quellen antwortet. Konnektoren, oft auf Basis von MCP, erreichen weitere Systeme.
5. 05Werkzeuge. über Tool Calls kann das Modell suchen, rechnen, in eine Datenbank schreiben oder eine E-Mail senden.
6. 06Leitplanken. Guardrails und Berechtigungen filtern Ein- und Ausgaben und begrenzen, was die Anwendung darf. OWASPs Warnung vor Excessive Agency, zu viel Handlungsspielraum, heißt praktisch: Vergib die wenigsten Rechte, mit denen die Aufgabe erledigt wird.
7. 07Tests. Evals sind die Prüfung der Anwendung: feste Aufgaben mit automatischer Bewertung, vor jeder neuen Version ausgeführt.
8. 08Beobachten. Observability: echte Gespräche, Tool Calls, Fehler und Kosten im laufenden Betrieb protokollieren, damit Probleme früh auffallen. In ICONIQs Umfrage beobachten 63 % ihre Modelle, aber nur 21 % testen vorab mit simulierten Angriffen (Investorenumfrage).
9. 09Abrechnen. jeden Aufruf messen. ICONIQ beschreibt einen Ablauf, der mit 0,10 $ pro Durchlauf geplant war und durch Wiederholungen auf über 1,50 $ stieg.

Diese Reihenfolge in neun Teilen ist eine Aulory-Synthese aus Leitfäden von Anthropic und OpenAI und der OWASP-Liste. Keine einzelne Quelle nutzt genau diese Schritte.

Welche Arten von Anwendungen es gibt

Eine Standardeinteilung gibt es nicht. Die Kategorien unten stammen von Investoren, vor allem Menlo Ventures, Bessemer und Andreessen Horowitz (a16z), und sie überschneiden sich: Ein Produkt kann zugleich vertikal und KI-nativ sein. Lies sie als Blickwinkel darauf, wer kauft und wie breit die Nutzung ist.

Menlo schätzt, dass US-Unternehmen 2025 rund 19 Mrd. $ für KI-Anwendungen ausgaben: 8,4 Mrd. $ für horizontale Werkzeuge, 7,3 Mrd. $ für Abteilungslösungen, davon allein 4,0 Mrd. $ für Coding (2024 waren es 550 Mio. $), und 3,5 Mrd. $ für vertikale. KI-Funktionen in bestehender Software zählt Menlo nicht mit, die Gesamtsumme liegt also höher (Investorenschätzung; Menlo ist an KI-Firmen beteiligt).

Die Grenzen verschwimmen. a16z hat sein Ranking der Verbraucher-Apps 2026 auf Produkte wie Canva, Notion und Grammarly erweitert, und die Autor:innen schreiben, dass die Trennung zwischen KI-first-Firmen und allen anderen nicht mehr trägt. Die Modell-Labore betreiben zudem die größten horizontalen Anwendungen selbst. Eine Firma kann also zugleich in der Modell- und in der Anwendungsschicht sitzen.

• Horizontal: allgemeine Assistenten für viele Aufgaben in allen Branchen, etwa ChatGPT, Gemini, Claude und Microsoft Copilot. Firmen führen sie oft als eigenen Assistenten mit eigenen Anweisungen ein.
• Für eine Abteilung: eine Unternehmensfunktion in jeder Branche: Coding-Agenten wie Cursor, Claude Code oder Codex, Kundenservice wie Intercom Fin.
• Vertikal: vertikale KI für eine Branche mit ihren Daten, Regeln und ihrer Sprache: Abridge und OpenEvidence in der Medizin, Harvey, Legora und EvenUp im Recht.
• Eingebettet: eingebettete KI als Funktion in Software, die du schon nutzt, etwa Intuit Assist oder die KI-Funktionen in Canva und Notion.
• KI-nativ: KI-native Produkte, die es ohne KI nicht gäbe: Suno für Musik, ElevenLabs für Stimmen, Lovable zum Bauen von Apps.

Ein Agent ist eine Anwendung oder ein Teil davon, in dem das Modell seine Schritte selbst plant. Das Etikett ist beliebt: Gartner nennt es Agent Washing, wenn Anbieter Assistenten oder Chatbots einfach in Agenten umbenennen.

Die Wrapper-Debatte: was eine Anwendung schwer kopierbar macht

Wrapper ist ein kritischer Begriff. Er beschreibt ein Produkt, das einem fremden Modell kaum mehr als ein Eingabefeld hinzufügt. Im Januar 2023 fand a16z viele generative KI-Apps schwer unterscheidbar, weil sie auf ähnlichen Modellen beruhten, und sah im Markt noch keine systemischen Burggräben, also dauerhafte Vorteile, die Wettbewerb fernhalten (Investorenanalyse).

Zwei Kräfte halten die Sorge am Leben. Reine Modellfähigkeit wird schnell billig: Epoch AI hat gemessen, dass der Preis für GPT-4-Niveau bei einer Reihe naturwissenschaftlicher Fragen auf Promotionsniveau um etwa das 40-Fache pro Jahr fiel, bei anderen Meilensteinen um das 9- bis 900-Fache pro Jahr. Und die Labore liefern Funktionen selbst. Im Verbraucher-Ranking von a16z fiel Midjourney 2026 von den Top 10 auf Platz 46, nachdem die großen Labore selbst gute Bilder erzeugten. Musik und Stimme, die die Labore liegen ließen, boten Unabhängigen Raum.

Verteidigen lässt sich, was dem Modellanbieter fehlt. Vertrauen gehört dazu: In IBMs Studie zu Datenlecks 2025 meldeten 13 % der betroffenen Organisationen Angriffe auf KI-Modelle oder -Anwendungen, und 97 % davon fehlten passende Zugriffskontrollen für KI (Studie des Ponemon Institute für IBM, das Sicherheitslösungen verkauft).

• Eigene Daten und Kontext: Information, an die ein Labor nicht kommt, etwa Kundenhistorie, Fachdokumente und das Feedback aus jeder Korrektur.
• Arbeitsablauf: das Produkt sitzt dort, wo die Arbeit passiert, und wird zu ihrem Protokoll, ein Wechsel tut weh. Für deine Kundschaft ist das Vendor Lock-in, und sie wird es abwägen.
• Vertrieb: bestehende Kundschaft, Kanäle und Marke. Software wird leichter zu bauen, Käufer:innen zu erreichen bleibt schwer.
• Vertrauen: Sicherheit, Regelkonformität und Verlässlichkeit, die du mit Evals, Protokollen und Prüfungen belegen kannst.

Diese vier Quellen der Verteidigungsfähigkeit sind eine Aulory-Synthese aus den genannten Investoren-, Forschungs- und Sicherheitsquellen. Keine Studie ordnet sie nach Gewicht.

Bauen, kaufen oder anpassen

Unternehmen kaufen immer öfter. In Menlos Umfrage unter 495 Entscheider:innen in US-Unternehmen wurden 2024 53 % der KI-Anwendungsfälle gekauft, 2025 waren es 76 % (Investorenumfrage). Das NANDA-Projekt des MIT berichtete 2025, dass gekaufte Werkzeuge und Partnerschaften öfter gelingen als Eigenbauten. Presseberichte über die Studie nennen unterschiedliche Abstände (67 % zu 33 % oder zu etwa 22 %), den Originalbericht konnten wir nicht prüfen. Fachleute nennen die Entscheidung Build vs. Buy.

Selbst bauen ist teuer. Gartner bezifferte die Kosten verschiedener Wege, generative KI einzuführen, im Juli 2024 auf 5 bis 20 Mio. $ und sagte voraus, dass bis Ende 2025 mindestens 30 % der Projekte mit generativer KI nach dem Proof of Concept aufgegeben werden. Als Gründe nannte Gartner schlechte Daten, schwache Risikokontrollen, steigende Kosten und unklaren Nutzen (Prognose; Ergebnis nicht geprüft).

Anpassen hat in der EU einen rechtlichen Haken. Ein Betreiber, der ein Hochrisiko-KI-System unter eigenem Namen anbietet, es wesentlich verändert oder ein allgemeines Werkzeug für einen Hochrisiko-Zweck einsetzt, gilt als dessen Anbieter (Art. 25 der KI-Verordnung). Ein umetikettierter Chatbot, der Bewerbungen sichtet, ist das Lehrbuchbeispiel.

• Kaufen: Standardfunktionen wie Schreibhilfe, Meetingnotizen oder allgemeiner Chat. Schnell und günstig, die Wartung trägt der Anbieter.
• Anpassen: ein gekauftes Werkzeug oder ein Modell per API, dazu deine Anweisungen, deine Daten per Retrieval und deine Konnektoren. Fine-Tuning braucht es dafür selten.
• Bauen: dort, wo das Ergebnis dein Unterscheidungsmerkmal ist, und nur mit Evals, Beobachtung im Betrieb und einem Team, das dranbleibt.

Faustregel, Aulory-Synthese aus Menlo, NANDA und der KI-Verordnung: Standard kaufen, mit deinem Kontext anpassen, dein Unterscheidungsmerkmal bauen, danach deine Rolle nach der KI-Verordnung prüfen.

Preise, Margen und Kosten pro Aufgabe

Klassische Software kostet für jeden weiteren Nutzer fast nichts. Eine KI-Anwendung bezahlt jede Antwort, weil jede Inferenz auf gemieteten Chips braucht. Das prägt Preise und Margen.

In öffentlichen Preislisten stehen drei Preismodelle. Microsoft verlangt in den USA für das Zusatzpaket Copilot Business einen Listenpreis von 21 $ pro Person und Monat und rechnet fortgeschrittene Agenten-Funktionen nach Verbrauch über Credits ab. Salesforce verlangt 2 $ pro Gespräch für externe Agentforce-Agenten oder 500 $ für 100.000 Flex Credits. Intercom rechnet seinen Service-Agenten Fin ab 0,99 $ pro Ergebnis ab, zusammen mit einem anderen Helpdesk braucht es dafür keine Lizenzen (Preisseiten der Anbieter, abgerufen am 25.10.2026).

Was ein Ergebnis ist, legt der Anbieter fest. Zu Intercoms abrechenbaren Ergebnissen gehören gelöste Fälle und auch bestimmte Übergaben, Weiterleitungen und Qualifizierungen. Der Preis deckt also mehr Fälle ab als nur gelöste Probleme.

ICONIQs Umfrage 2026 unter rund 300 Firmen, die KI-Produkte bauen, zeigt den Wandel: Verbrauchsbasierte Preise stiegen binnen sechs Monaten von 35 % auf 42 % der Firmen, ergebnisbasierte von 18 % auf 23 %, und im Schnitt kombinieren Firmen 1,7 Preismodelle. Ihre Bruttomarge auf KI-Produkte lag 2025 im Schnitt bei 45 %, für 2026 erwarten sie 53 % (Investorenumfrage, überwiegend Nordamerika). 2023 schätzte a16z, dass viele KI-Apps bei 50 bis 60 % lagen, weil 20 bis 40 % des Umsatzes in Inferenz und kundenspezifische Modellanpassung flossen.

Kosten wandern. Wiederholungen, Werkzeugschleifen und längere Kontexte summieren sich, darum hält ICONIQ die Zahl der Tokens für ein schlechtes Erfolgsmaß. Etwa 20 % der Befragten in McKinseys Umfrage 2026 sagen, dass Betriebskosten für KI, inklusive Tokens, ihre Nutzung bremsen (Selbstauskunft). Auch die Sprache zählt: Derselbe Text kann in manchen Sprachen bis zu 15-mal mehr Tokens brauchen. Wer diese Sprachen spricht, zahlt mehr, wartet länger und bekommt weniger in den Kontext (Petrov und Mitautoren, NeurIPS 2023).

• Pro Lizenz: ein fester Preis pro Person und Monat. Leicht zu planen, das Risiko von Vielnutzer:innen trägt der Anbieter.
• Nach Verbrauch: pro Token, Credit, Aufruf oder Gespräch. Nah an der echten Kostenstruktur, für Käufer:innen schwerer zu planen.
• Nach Ergebnis: ergebnisbasierte Preise pro gelöstem Fall oder fertiger Aufgabe. Sie koppeln den Preis an den Wert, wenn das Ergebnis klar definiert ist.

Kosten pro Aufgabe, eine Aulory-Formel aus den genannten Bausteinen: Ein- und Ausgabe-Tokens mal ihre Preise, multipliziert mit allen Modellaufrufen samt Wiederholungen und Werkzeugschleifen, plus Gebühren für Retrieval und Werkzeuge, plus die Zeit, die Menschen fürs Prüfen brauchen. Miss sie pro erfolgreich erledigter Aufgabe.

Wert messen und was randomisierte Studien zeigen

Wert zeigt sich auf drei Ebenen: Erledigt das System die Aufgabe, nutzen Menschen es, und verändert es Ergebnisse. Für die erste Ebene geben Evals deinem Produkt feste Aufgaben mit automatischer Bewertung. Die Ingenieur:innen von Anthropic empfehlen, mit 20 bis 50 Aufgaben aus echten Fehlern zu beginnen. Für Abläufe mit Kundenkontakt messen sie pass^k, die Wahrscheinlichkeit, dass alle k Versuche gelingen: Ein System, das zu 75 % richtig liegt, schafft drei Durchläufe in Folge nur in etwa 42 % der Fälle (Herstellerleitfaden). Die Lücke entsteht durch Nichtdeterminismus: Dieselbe Eingabe liefert unterschiedliche Ausgaben.

Selbstauskünfte sind schwache Belege. In einer randomisierten Studie von METR erwarteten 16 erfahrene Open-Source-Entwickler:innen, dass KI-Werkzeuge sie um 24 % beschleunigen, und glaubten hinterher, sie seien 20 % schneller gewesen. Gemessen waren sie mit Werkzeugen von Anfang 2025 um 19 % langsamer (kleine Stichprobe; die Werkzeuge haben sich seither verändert). In Microsofts Umfrage 2024 sorgten sich 59 % der Führungskräfte, wie sie Produktivitätsgewinne durch KI beziffern sollen (Herstellerumfrage).

Randomisierte Studien, in denen der Zufall entscheidet, wer das Werkzeug bekommt, liefern die saubersten Antworten. Sie zeigen echte Gewinne bei einzelnen Aufgaben, am größten für weniger Erfahrene, und bisher kleine oder keine Effekte auf ganze Jobs. Fabrizio Dell'Acqua, Ethan Mollick und Mitautoren nennen die ungleichmäßige Form der KI-Fähigkeiten die gezackte Grenze (Jagged Frontier), ein Fall zerklüfteter Fähigkeiten: Innerhalb hilft KI viel, außerhalb arbeiten Menschen mit KI schlechter als ohne.

• Schreiben, USA: 453 Fachkräfte mit Hochschulabschluss erledigten in einem Online-Experiment Schreibaufgaben mit ChatGPT etwa 40 % schneller und mit 18 % besserer Qualität (Noy und Zhang, Science 2023).
• Beratung, globale Firma: 758 BCG-Berater:innen erledigten innerhalb der Grenze 12,2 % mehr Aufgaben, 25,1 % schneller und in besserer Qualität. Bei einer Aufgabe außerhalb lagen sie um 19 Prozentpunkte seltener richtig (Dell'Acqua u. a., Arbeitspapier 2023).
• Kundenservice: 5.179 Servicekräfte lösten 14 % mehr Fälle pro Stunde, Neulinge 34 % mehr, Erfahrene kaum mehr (Brynjolfsson, Li und Raymond, Quarterly Journal of Economics 2025; gestaffelte Einführung).
• Büro-KI, 66 Firmen: 7.137 Wissensarbeiter:innen mit Microsoft 365 Copilot verbrachten pro Woche etwa 1,4 Stunden weniger mit E-Mails, ohne messbare Veränderung bei Menge oder Mischung ihrer Aufgaben (Dillon u. a., 2025; Mitautoren forschen bei Microsoft).
• Unternehmer:innen, Kenia: Kleinunternehmer:innen mit einem GPT-4-Assistenten auf WhatsApp zeigten im Schnitt keinen Effekt. Die Stärkeren legten um etwa 15 % zu, die Schwächeren schnitten etwa 8 % schlechter ab (Otis u. a., Harvard-Arbeitspapier 2023).
• Ganze Jobs, Dänemark: verknüpfte Umfrage- und Registerdaten zeigen präzise Nulleffekte der Chatbot-Nutzung auf Verdienst und erfasste Arbeitsstunden; Effekte über 2 % sind zwei Jahre nach Einführung ausgeschlossen (Humlum und Vestergaard, Arbeitspapier 2025).

Fast alle belastbaren Studien stammen aus den USA, Europa oder von multinationalen Firmen. Das Experiment in Kenia ist in unserer Recherche die wichtigste Feldstudie aus dem Globalen Süden.

Wer KI nutzt und wessen Arbeit sie berührt

Zahlen zur Verbreitung unterscheiden sich stark, vor allem weil sie unterschiedliche Menschen zählen. Microsofts Verbreitungsindex nutzt eigene anonymisierte Telemetrie, bereinigt um Geräteanteile und Bevölkerung, und zählt Menschen zwischen 15 und 64, die ein Produkt mit generativer KI genutzt haben: im zweiten Quartal 2026 weltweit 18,8 %, im Globalen Norden 28,8 %, im Globalen Süden 16,2 %. Vorn liegen die Vereinigten Arabischen Emirate (73,3 %) und Singapur (64,3 %) (Herstellerdaten; Microsoft verkauft Copilot).

Nationale Umfragen zeigen oft höhere Werte, weil sie Online-Panels oder Internetnutzende befragen; die Tabelle unten stellt beides nebeneinander. China zeigt die größte Lücke: Microsoft zählt 16,4 %, die Internetbehörde CNNIC meldet für Mitte 2026 über 700 Mio. Nutzende generativer KI und eine Verbreitung über 50 %, bezogen auf eine unklare Basis. Microsoft selbst erwartet für China Korrekturen nach oben, weil seine Telemetrie einheimische Apps nicht erfasst.

Bei Firmen zeigt sich dasselbe Muster. Amtliche Statistiken, die jede kleine Firma mitzählen, kommen auf etwa jede fünfte oder weniger: 19,95 % der EU-Firmen ab 10 Beschäftigten Anfang 2025 (Eurostat), 19,8 % der US-Unternehmen mit Angestellten im Mai 2026 (US Census Bureau) und 12,2 % der kanadischen Unternehmen Mitte 2025 (Statistics Canada). Eine OECD-Umfrage unter mehr als 5.000 KMU in sieben Ländern in Europa, Nordamerika und Ostasien fand generative KI bei 31 % (2024). Umfragen unter Führungskräften, oft in größeren Firmen, melden 85 bis 98 %, etwa McKinseys knapp neun von zehn. Die Bezugsgröße erzeugt die Lücke.

Die Größe zählt überall. In der EU nutzten 55,03 % der großen Firmen KI, aber nur 17 % der kleinen, und das größte Hindernis war fehlendes Fachwissen (70,89 % der Firmen, die KI erwogen hatten). In den USA nutzten 37 % der Firmen ab 250 Beschäftigten KI, bei Firmen mit einer bis vier Personen unter 20 %. Die Unternehmensumfrage der Weltbank 2026 unter formellen Firmen meldet etwa 40 % in Nigeria und 23 % in Indien (Presseberichte über die Umfrage; für die USA nennen sie 40 % oder 43 %).

Für einzelne Assistenten veröffentlichen nur die Anbieter Nutzerzahlen, und sie messen unterschiedlich. OpenAI meldete im September 2025 700 Mio. wöchentliche Nutzende von ChatGPT; höhere Zahlen für 2026 kursieren nur als Presseberichte über interne Daten. Google meldet über 1 Mrd. monatliche Nutzende der Gemini-App (August 2026, über eine Zweitquelle). Wöchentliche und monatliche Zahlen sind nicht vergleichbar: Für dasselbe Produkt ist die Monatszahl immer höher. Rund 70 % der privaten ChatGPT-Gespräche drehen sich um das Leben außerhalb der Arbeit (OpenAI mit dem Ökonomen David Deming, 2025).

Wessen Arbeit KI berührt, wird als Exposition gemessen: der Anteil der Aufgaben in einem Job, die KI erledigen oder unterstützen könnte. Exposition sagt noch nichts über Jobverluste, und zwei internationale Organisationen kommen zu unterschiedlichen Ergebnissen, weil sie unterschiedlich messen.

• ILO, 2025: etwa jede vierte erwerbstätige Person weltweit arbeitet in einem Beruf mit einer gewissen Exposition gegenüber generativer KI: 34 % der Beschäftigung in Ländern mit hohem Einkommen, 11 % in Ländern mit niedrigem. Die ILO hält die Veränderung von Jobs für die wahrscheinlichste Wirkung, Bürotätigkeiten sind am stärksten betroffen.
• IWF, 2024: fast 40 % der weltweiten Beschäftigung sind KI ausgesetzt: etwa 60 % in Industrieländern, 40 % in Schwellenländern und 26 % in Ländern mit niedrigem Einkommen. In Industrieländern könnte etwa die Hälfte der betroffenen Jobs von KI profitieren.
• Warum sie abweichen: die ILO stuft die Exposition gegenüber generativer KI nach Stärke ab; der IWF zählt die Exposition gegenüber KI allgemein, einschließlich Jobs, in denen KI Menschen ergänzt.
• Geschlechterlücke: in der Gruppe mit der höchsten Exposition zählt die ILO weltweit 4,7 % der Beschäftigung von Frauen gegenüber 2,4 % bei Männern, in Ländern mit hohem Einkommen 9,6 % gegenüber 3,5 %.
• Junge Beschäftigte, USA: in Lohndaten liegt die Beschäftigung der 22- bis 25-Jährigen in den am stärksten exponierten Berufen 19 % unter dem Pfad weniger exponierter Gleichaltriger, vor allem weil weniger eingestellt wird. Eine frühere Fassung der Studie nannte 13 %; die Autoren nennen die Befunde früh und beschreibend (Brynjolfsson, Chandar, Chen, August 2026).

Warum KI-Projekte scheitern und was Schatten-KI ist

Die besten qualitativen Belege liefert RAND. Die Forschenden befragten 2023 65 erfahrene Data Scientists und Ingenieur:innen und fanden fünf Grundursachen, unten aufgelistet. Ein besseres Modell behebt keine davon.

Beliebte Scheiterquoten brauchen Vorsicht. RANDs oft zitierte Zahl, über 80 % der KI-Projekte scheiterten, ist eine Schätzung, die RAND aus einem Presseartikel von 2022 übernimmt. MIT NANDAs Aussage, 95 % der Pilotprojekte mit generativer KI zeigten keinen messbaren Gewinneffekt, stammt aus einem einzelnen Bericht, den Kritiker:innen methodisch schwach nennen. Gartners Zahl, bis Ende 2025 würden mindestens 30 % der Projekte mit generativer KI nach dem Proof of Concept aufgegeben, ist eine Prognose. Ein solideres Signal liefert McKinseys Umfrage 2026: 37 % der Befragten sehen irgendeinen Gewinneffekt durch KI, etwa 6 % erzielen damit mindestens 5 % ihres operativen Gewinns (Selbstauskunft).

Schatten-KI heißt, dass Mitarbeitende KI-Werkzeuge nutzen, die die Firma nicht freigegeben hat. In Microsofts Umfrage 2024 unter 31.000 Wissensarbeiter:innen in 31 Märkten brachten 78 % der KI-Nutzenden eigene Werkzeuge mit, in kleinen und mittleren Firmen 80 %, und nur 39 % hatten vom Arbeitgeber eine KI-Schulung bekommen (Herstellerumfrage). BCG fand 2025, dass mehr als die Hälfte der Beschäftigten andere Werkzeuge nutzt, wenn die offiziellen nicht reichen. In IBMs Studie zu Datenlecks 2025 hatte jede fünfte Organisation ein Leck durch Schatten-KI; viel Schatten-KI erhöhte die durchschnittlichen Kosten eines Lecks um rund 670.000 $, und 63 % hatten keine KI-Richtlinie oder schrieben noch daran (Herstellerstudie). Jedes solche Leck kann ein Datenabfluss von Kunden- oder Firmeninformationen sein.

Verbreitung ist eine Frage der Menschen. In BCGs Umfrage 2025 unter mehr als 10.600 Beschäftigten in 11 Ländern und Regionen blieb die regelmäßige Nutzung bei Mitarbeitenden an der Basis bei 51 % stehen. Die positive Stimmung stieg mit starker Unterstützung durch Führung von 15 % auf 55 %, doch nur etwa ein Viertel der Basis berichtete von solcher Unterstützung. Wer mindestens fünf Stunden Schulung plus persönliches Coaching bekam, nutzte KI deutlich regelmäßiger.

• Falsches Problem: die Führung versteht falsch oder vermittelt unklar, welches Problem KI lösen soll.
• Fehlende Daten: die Daten, die das System braucht, fehlen oder sind unbrauchbar.
• Technik zuerst: Teams jagen der neuesten Technik nach und verlieren das Problem der Nutzer:innen aus dem Blick.
• Dünne Infrastruktur: zu wenig Investition in Datenwege und in den laufenden Betrieb des Systems.
• Zu schwer: das Problem übersteigt, was heutige KI kann.

RANDs Interviews fanden statt, bevor die meisten Firmen generative KI nutzten, und betreffen maschinelles Lernen allgemein. Die Firmen in ICONIQs Umfrage 2026 nennen ähnliche Hürden für Agenten: Verlässlichkeit über viele Schritte, fehlender Kontext und fehlendes Gedächtnis, wandernde Kosten und Tests, die erst auf Probleme reagieren.

Verantwortungsvoll einsetzen: die Regeln nach Region

Nach der KI-Verordnung der EU entscheidet deine Rolle über deine Pflichten. Wer ein System entwickelt und unter eigenem Namen anbietet, ist Anbieter; wer es bei der Arbeit unter eigener Verantwortung nutzt, ist Betreiber. Die meisten kleinen Firmen sind Betreiber. Dieser Überblick dient der neutralen Orientierung und ersetzt keine Rechtsberatung.

Zwei Pflichten gelten schon. Art. 4 verlangt von Anbietern und Betreibern Maßnahmen, die die KI-Kompetenz ihrer Mitarbeitenden fördern; seit der Änderung 2026 schreibt er kein garantiertes Niveau für Einzelne vor und hat kein eigenes Bußgeld. Art. 50 gilt seit dem 02.08.2026: Anbieter müssen Chatbots so gestalten, dass Menschen wissen, dass sie mit einer KI sprechen, und synthetische Inhalte maschinenlesbar markieren (Kennzeichnung); Betreiber müssen Deepfakes offenlegen und Menschen informieren, wenn Emotionserkennung im Einsatz ist. Systeme, die schon auf dem Markt sind, haben für die Markierung bis 02.12.2026 Zeit.

Hochrisiko-Einsätze stehen in Anhang III, darunter Personalauswahl und das Sichten von Bewerbungen, Leistungsüberwachung am Arbeitsplatz, Zulassung und Bewertung in der Bildung, Kreditwürdigkeit sowie Preise für Lebens- und Krankenversicherungen. Betreiber solcher Systeme müssen die Anleitung des Anbieters befolgen, die menschliche Aufsicht geschulten Personen mit Befugnis übertragen, Protokolle mindestens sechs Monate aufbewahren, Beschäftigte vor dem Einsatz am Arbeitsplatz informieren und Betroffene unterrichten (Art. 26). Nach dem KI-Omnibus, Verordnung (EU) 2026/1744, in Kraft seit 27.07.2026, gelten diese Pflichten ab 02.12.2027, für Produkte nach Anhang I ab 02.08.2028. Bußgelder reichen bis 15 Mio. Euro oder 3 % des weltweiten Umsatzes für die meisten Pflichten und bis 35 Mio. Euro oder 7 % für verbotene Praktiken; für KMU und Start-ups gilt der niedrigere Betrag.

Anderswo verbreiten sich Regeln zu Kennzeichnung und Transparenz am schnellsten, während Pflichten für folgenreiche Entscheidungen 2026 abgeschwächt oder verschoben wurden. So lesen wir die Quellen unten.

• China: Kennzeichnung KI-generierter Inhalte seit 01.09.2025 Pflicht, sichtbar und in den Metadaten der Datei. App-Stores prüfen die Kennzeichnung bei der Zulassung, und Nutzende müssen synthetische Inhalte angeben, die sie veröffentlichen.
• USA, Colorado: das ursprüngliche KI-Gesetz wurde vor Gericht angefochten und durch SB 26-189 ersetzt, gültig ab 01.01.2027: Hinweis an Verbraucher:innen bei folgenreichen Entscheidungen, Begründung binnen 30 Tagen nach einem negativen Ergebnis, Datenkorrektur und menschliche Überprüfung. Die Pflicht, algorithmische Diskriminierung zu bewerten, fiel weg.
• USA, Kalifornien: seit 02.08.2026 verlangt der AI Transparency Act von Anbietern generativer KI mit 1 Mio. oder mehr monatlichen Nutzenden in Kalifornien ein kostenloses Erkennungswerkzeug und Offenlegungen. Für Begleit-Chatbots gelten seit 01.01.2026 Pflichten, Regeln zu automatisierten Entscheidungen treten stufenweise bis 2028 in Kraft.
• Indien: kein KI-Gesetz. Geänderte IT-Regeln, in Kraft seit 20.02.2026, verlangen Kennzeichnung synthetischer Inhalte und Löschung binnen 3 Stunden auf behördliche Anordnung, binnen 2 Stunden bei Deepfakes und nicht einvernehmlichen intimen Bildern. Nationale Leitlinien zur KI-Steuerung sind freiwillig.
• Südkorea: KI-Grundgesetz in Kraft seit 22.01.2026: Kennzeichnung generierter Inhalte, Vorabhinweis an Nutzende, Pflichten für KI mit hoher Wirkung und eine Vertretung im Land für große ausländische Firmen. Bußgelder bis 30 Mio. Won, eine einjährige Schonfrist ist angekündigt.
• Japan: KI-Förderungsgesetz von Mai 2025 ohne Strafen. Unternehmen sollen sich angemessen bemühen und mit der Regierungspolitik zusammenarbeiten.
• Brasilien: der Gesetzentwurf PL 2338/2023 passierte im Dezember 2024 den Senat und wartete im September 2026 in der Abgeordnetenkammer noch auf einen Ausschussbericht (Zweitquelle).

Verantwortung heißt auch Reichweite. Eine KI-App ist Software, also gelten Standards für Barrierefreiheit wie WCAG 2.2: Teste Chat-Oberflächen mit Screenreader und nur mit der Tastatur. Prüfe jede Sprache, die du anbietest, mit eigenen Tests, denn Tokenkosten und Qualität unterscheiden sich je Sprache (Petrov u. a.).

Leitfaden für Gründer:innen: von der Idee zum verantwortungsvollen Start

Die folgende Reihenfolge ist eine Aulory-Synthese. Jeder Schritt stützt sich auf die Belege auf dieser Seite; als Ganzes hat keine Studie die Abfolge geprüft.

1. 01Ein Problem, eine Kennzahl. Benenne ein Problem und eine Zahl, die Erfolg zeigt, und lass ein Team mindestens ein Jahr daran arbeiten (RAND).
2. 02Kaufen, anpassen, bauen. Kauf den Standard, pass ihn mit deinem Kontext an, bau nur dein Unterscheidungsmerkmal und prüf, ob dich die Anpassung zum Anbieter macht (Build vs. Buy; KI-Verordnung Art. 25).
3. 03Kontext gestalten. Schreib den System-Prompt, füg einige Beispiele hinzu und lade deine Daten erst bei Bedarf per Retrieval (Anthropic).
4. 04So wenig Rechte wie möglich. Gib Werkzeugen nur die Rechte, die sie brauchen, und stell vor unumkehrbare Aktionen einen Menschen (Human in the Loop; OWASP).
5. 05Evals vor dem Start. Schreib 20 bis 50 Evals aus echten Fehlern, miss pass^k für Abläufe mit Kundenkontakt und schütz dich vor Prompt Injection. Nur 44 % der Firmen in ICONIQs Umfrage erkennen sie (Anthropic; OWASP; ICONIQ).
6. 06Preis mit Blick auf die Kosten. Kenn deine Kosten pro erledigter Aufgabe, bevor du zwischen Lizenz-, Verbrauchs- und Ergebnispreis wählst, und prüf sie jeden Monat (ICONIQ; Intercom).
7. 07Wert Stufe für Stufe messen. Zuerst Evals, dann Aufgabenerfolg im Betrieb, aktive Nutzung, Zeit und Qualität gegenüber einem Ausgangswert und zuletzt die Geschäftskennzahl. Selbst berichtete Gewinne sind die schwächsten Belege (METR).
8. 08Rolle klären. Anbieter oder Betreiber? Leg KI-Chats und Deepfakes offen und prüf Anhang III, bevor du Personalauswahl, Kredit oder Bildung berührst (KI-Verordnung Art. 3, 6, 25, 26, 50).
9. 09Schatten-KI mit einem besseren Angebot begegnen. Ein freigegebenes Werkzeug mit guten Datenbedingungen, eine einseitige KI-Richtlinie und mindestens fünf Stunden praktische Schulung (Microsoft; BCG; IBM; KI-Verordnung Art. 4).
10. 10Alle erreichen. Erfüll WCAG 2.2 auf Stufe AA und teste jede Sprache, die du anbietest (W3C; Petrov u. a.).

Woraus die Schicht besteht

Kennzahlen, mit Quelle und Datum

• 18,8 %der Menschen im erwerbsfähigen Alter weltweit nutzten im zweiten Quartal 2026 generative KI, gemessen an Microsofts Telemetrie. Globaler Norden 28,8 %, Globaler Süden 16,2 %.Microsoft AI Economy Institute · 21.09.2026 · Anbieter
• 19,95 %der EU-Firmen ab 10 Beschäftigten nutzten Anfang 2025 KI, von 5,21 % in Rumänien bis 42,03 % in Dänemark. Große Firmen 55,03 %, kleine 17 %.Eurostat · Dezember 2025 · Behörde
• 19,8 %der US-Unternehmen mit Angestellten nutzten im Mai 2026 KI in irgendeiner Funktion. Bei Firmen ab 250 Beschäftigten waren es 37 %.US Census Bureau · 26.05.2026 · Behörde
• 700 Mio.wöchentliche Nutzende von ChatGPT meldete OpenAI im September 2025. Neuere Zahlen gibt es nur als Presseberichte über interne Daten.OpenAI · 15.09.2025 · Anbieter
• 19 Mrd. $gaben US-Unternehmen 2025 für KI-Anwendungen aus, allein 4,0 Mrd. $ für Coding. KI-Funktionen in bestehender Software sind nicht mitgezählt.Menlo Ventures · 09.12.2025 · Investor
• 45 %durchschnittliche Bruttomarge auf KI-Produkte 2025, für 2026 werden 53 % erwartet. Verbrauchsbasierte Preise stiegen binnen sechs Monaten von 35 % auf 42 % der Firmen.ICONIQ, State of AI 2026 · Juli 2026 · Investor
• +14 %mehr gelöste Fälle pro Stunde bei 5.179 Servicekräften mit KI, +34 % bei Neulingen, kaum ein Gewinn bei Erfahrenen.Brynjolfsson, Li, Raymond · 2025 · Wissenschaft
• 1 von 4Erwerbstätigen weltweit arbeitet in einem Beruf mit gewisser Exposition gegenüber generativer KI. In der höchsten Gruppe: 4,7 % der Jobs von Frauen, 2,4 % bei Männern.ILO, Working Paper 140 · 20.05.2025 · Politikforschung
• etwa 6 %der Unternehmen erzielen mindestens 5 % ihres operativen Gewinns mit KI; 37 % melden irgendeinen Gewinneffekt.McKinsey, State of AI 2026 · 25.08.2026 · Berater, Selbstauskunft

Regionen im Vergleich

Die Tabelle stellt zwei Arten, Menschen zu zählen, nebeneinander. Microsofts Index wendet eine Methode auf jedes Land an, sieht aber nur, was seine Telemetrie sieht. Nationale Umfragen fragen Menschen direkt, oft online, und zählen unterschiedliche Gruppen. Beides hilft, sobald du die Gruppe benennst.

Nutzen und Bauen können weit auseinanderliegen. Der Lateinamerikanische KI-Index stellt fest, dass 19 Länder der Region 14 % der weltweiten Besuche auf KI-Webwerkzeugen auf sich ziehen, aber nur 1,12 % der weltweiten KI-Investitionen, bei 6,6 % der Weltwirtschaftsleistung (CENIA und CEPAL, 2025).

Quellen: Microsoft AI Diffusion Report Q1 2026 und Blog (21.09.2026), Pew (Februar 2026), CNNIC über ECNS (29.09.2026), MIC Information and Communications White Paper 2026, KISDI über Korea Times (28.05.2026), CETIC.br (2026), Google/Ipsos über Techpoint Africa (21.01.2026), Eurostat (Dezember 2025), US Census Bureau (26.05.2026), Statistics Canada (11.09.2025), Weltbank-Umfrage über Nairametrics (04.08.2026) und TechEnclave (10.10.2026), Zusammenfassungen von Kanzleien für die Regeln. Online-Panels überschätzen die Nutzung in der Gesamtbevölkerung; Umfragen und Telemetrie sind nicht direkt vergleichbar.

Beispiele

• Intercom rechnet seinen Service-Agenten Fin mit 0,99 $ pro gelöstem Fall ab, nicht pro Lizenz.
• Midjourney fiel im a16z-Ranking aus den Top 10 auf Platz 46, weil die großen Labore selbst gute Bilder machen.
• Unternehmen kaufen öfter, als sie selbst bauen: 76 % der Anwendungsfälle wurden 2025 gekauft (Menlo Ventures).

Warum es eine Rolle spielt

In der Anwendungsschicht wird aus KI Geld, oder eben nicht. Umfragen unter Führungskräften finden KI in fast jeder Firma, amtliche Statistiken zählen etwa jede fünfte, und nur wenige melden einen großen Gewinneffekt. Die Lücke zwischen dem, was Modelle können, und dem, wie Menschen sie nutzen, ist die Chance für Gründer:innen. Sie ist auch ihr Risiko: Ein Produkt, das zu nah an dem liegt, was die Modell-Labore selbst liefern, kann mit einem einzigen Update seinen Daseinszweck verlieren.

Hier landet auch die Verantwortung. Wer eine Anwendung anbietet oder nutzt, entscheidet, welche Daten hineingehen, was das System darf und wer es prüft. Regeln zu Kennzeichnung, Transparenz und Hochrisiko-Einsätzen gibt es inzwischen in der EU, in China, Südkorea, Indien und mehreren US-Bundesstaaten, und sie alle knüpfen an der Anwendung an.

Häufige Irrtümer

• Ein besseres Modell rettet unser KI-Projekt.

  Die fünf Grundursachen, die RAND fand, sind vor allem organisatorisch: falsches Problem, fehlende Daten, dünne Infrastruktur (RAND, 2024).

• Mehr Kontext gibt immer bessere Antworten.

  Je voller das Kontextfenster, desto unzuverlässiger erinnern Modelle Informationen, ein Effekt namens Context Rot. Gute Anwendungen geben dem Modell die kleinste Menge aussagekräftiger Information (Anthropic, Herstellerleitfaden).

• KI macht alle bei allem schneller.

  Innerhalb der gezackten Grenze zerklüfteter KI-Fähigkeiten waren BCG-Berater:innen 25 % schneller; bei einer Aufgabe außerhalb lagen sie um 19 Prozentpunkte seltener richtig (Dell'Acqua u. a., 2023).

• Wir haben ChatGPT verboten, also haben wir kein KI-Risiko.

  78 % der KI-Nutzenden bringen eigene Werkzeuge mit, und jede fünfte Organisation hatte ein Datenleck durch Schatten-KI (Microsoft 2024; IBM 2025).

• KI-Software hat die Margen klassischer Software.

  Jede Antwort kostet Inferenz. Die Firmen in ICONIQs Umfrage melden für 2025 eine durchschnittliche Bruttomarge von 45 % (Investorenumfrage).

• Ergebnisbasierte Preise heißen, du zahlst nur, wenn das Problem gelöst ist.

  Was ein Ergebnis ist, legt der Anbieter fest. Zu Intercoms abrechenbaren Ergebnissen gehören bestimmte Übergaben und Weiterleitungen (Preisseite, Oktober 2026).

• 80 oder 95 % der KI-Projekte scheitern.

  RANDs 80 % stammen aus einem Presseartikel, MIT NANDAs 95 % sind umstritten, und Gartners Abbruchzahlen sind Prognosen. Eine repräsentative Messung gibt es nicht.

Perspektiven führender Fachleute

Zehn Perspektiven aus Investment, Industrie, Ökonomie, Arbeitspolitik und kritischer Wissenschaft, aus den USA, China, Indien, Südafrika und Genf. Jede Zusammenfassung gibt ein veröffentlichtes Werk sinngemäß wieder, verlinkt darunter. Investoren und Anbieter sind als solche gekennzeichnet.

• Sonya Huang und Pat Grady

  Partner:innen bei Sequoia Capital, USA · Investor

  Vortrainiertes Wissen, Nachdenken beim Antworten und lang laufende Agenten verbinden sich zu Systemen, die Dinge selbst herausfinden. Mit Verweis auf METR schreiben sie, dass sich die Länge der Aufgaben, die Agenten schaffen, etwa alle sieben Monate verdoppelt. Gründer:innen raten sie, Agenten zu bauen, die Arbeit erledigen, Oberflächen vom Chat zum Delegieren umzubauen, in Verlässlichkeit zu investieren und Preise am Ergebnis auszurichten.

  2026: This is AGI (Sequoia Capital) · 14.01.2026

• Ethan Mollick

  Professor an der Wharton School, University of Pennsylvania, USA · Wissenschaft

  Heutige Modelle können schon weit mehr, als fast irgendjemand mit ihnen macht. Diese Lücke nennt er einen Fähigkeitsüberhang und sieht darin eine Chance. Tiefes Wissen, breites Wissen, Urteilsvermögen und Eigeninitiative machen menschliche Arbeit mit KI wertvoller, und er fordert Arbeitsweisen, die Menschen stärken.

  The Overhang (One Useful Thing) · 18.09.2026

• Erik Brynjolfsson und Mitautoren

  Stanford Digital Economy Lab, USA · Wissenschaft

  US-Lohndaten zeigen bisher keine gesamtwirtschaftlichen Jobverluste durch KI. Junge Beschäftigte zwischen 22 und 25 in exponierten Berufen liegen aber 19 % unter dem Pfad weniger exponierter Gleichaltriger, vor allem weil weniger eingestellt werden. Rückgänge zeigen sich, wo KI Aufgaben ersetzt; wo sie Beschäftigte ergänzt, bleibt die Beschäftigung stabil oder wächst.

  Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence · 12.08.2026

• Daron Acemoglu

  Ökonom am MIT, USA · Wissenschaft

  In einem aufgabenbasierten Modell hängt der Gewinn für die Gesamtwirtschaft davon ab, wie viele Aufgaben KI berührt und wie viel sie pro Aufgabe spart. Mit heutigen Schätzungen steigt die totale Faktorproduktivität über zehn Jahre um höchstens 0,66 %, und um weniger, wenn schwierigere, kontextabhängige Aufgaben mitzählen. Er erwartet, dass KI die Lücke zwischen Kapital- und Arbeitseinkommen vergrößert.

  The Simple Macroeconomics of AI (Economic Policy) · 2025

• Arvind Narayanan und Sayash Kapoor

  Informatiker an der Princeton University, Autoren von AI Snake Oil, USA · Wissenschaft

  Bessere KI-Methoden werden erst über Anwendungen und deren Verbreitung in Organisationen zu wirtschaftlicher Wirkung, und das dauert Jahrzehnte. Benchmark-Ergebnisse sagen wenig über den Nutzen in der Praxis. Sie zitieren Schätzungen, nach denen im August 2024 40 % der Erwachsenen in den USA generative KI nutzten, was aber nur 0,5 bis 3,5 % der Arbeitsstunden ausmachte.

  AI as Normal Technology (Knight First Amendment Institute) · 15.04.2025

• Joy Buolamwini und Timnit Gebru

  Informatikerinnen; Buolamwini gründete die Algorithmic Justice League, USA · kritische Forschung

  Zwei verbreitete Gesichtsdatensätze bestanden zu 79,6 % und 86,2 % aus Menschen mit hellerer Haut. Auf einem ausgewogenen Testset ordneten drei kommerzielle Geschlechtsklassifikatoren Frauen mit dunklerer Haut in bis zu 34,7 % der Fälle falsch ein, Männer mit hellerer Haut in höchstens 0,8 %.

  Gender Shades (Proceedings of Machine Learning Research) · 2018

• Kai-Fu Lee

  Gründer und CEO von 01.AI, Peking, China · Anbieter

  01.AI hat die teuerste Arbeit eingestellt, das Vortraining eigener Basismodelle, und sich auf Unternehmensanwendungen für das Topmanagement verlegt. Viele CEOs wollen eine KI-Transformation und landen bei Demos, die weder Produktivität noch Zahlen verändern. Nachfrage gibt es; der Engpass sind Menschen, die liefern können.

  Interview with Bloomberg, berichtet von 36Kr · 27.07.2026

• Nandan Nilekani

  Mitgründer von Infosys, Architekt der digitalen Identität Aadhaar, Indien · Politikforschung

  Indiens Chance liegt in praktischen KI-Anwendungen, weil Infrastruktur zur Massenware wird und der Wert in die Anwendungsschicht wandert. Um eine Milliarde Menschen zu erreichen, muss KI in indischen Sprachen und per Stimme funktionieren, aufgebaut auf digitaler öffentlicher Infrastruktur für Landwirtschaft, Gesundheit und Bildung. Er erwartet, dass sich Arbeit auf eine Million Ein-Personen-Firmen verteilt.

  Speech at the NCAER India Policy Forum, berichtet von Business Today · 07.08.2026

• Pawel Gmyrek, Janine Berg und Mitautoren

  Forschende der Internationalen Arbeitsorganisation, Genf · Politikforschung

  Etwa jede vierte erwerbstätige Person weltweit arbeitet in einem Job mit gewisser Exposition gegenüber generativer KI, 34 % in Ländern mit hohem und 11 % in Ländern mit niedrigem Einkommen. In der am stärksten exponierten Gruppe sind Frauen etwa doppelt so betroffen wie Männer, vor allem über Bürotätigkeiten. Die wahrscheinlichste Wirkung ist die Veränderung von Jobs.

  Generative AI and Jobs: A Refined Global Index of Occupational Exposure (ILO Working Paper 140) · 20.05.2025

• Rachel Adams und Mitautoren

  Global Center on AI Governance, Südafrika · Politikforschung

  Über 135 Länder liegt der Durchschnitt für verantwortungsvolle KI bei etwa 35 von 100 Punkten. Fast alle Regierungen erklären Absichten, Belege für die Umsetzung gibt es aber nur in 55 % der Fälle, im Globalen Süden in 45 %. 55 Länder haben Rahmenwerke zu Geschlechterfragen, nur 24 zeigen eine Umsetzung.

  Global Index on Responsible AI 2026 · Juli 2026

Begriffe zu dieser Schicht

• ModellDie trainierte Datei voller Zahlen, die aus Input Output macht. Allein kann sie weder surfen noch sich erinnern noch handeln.
• KontextDie Informationen, die das Modell gerade tatsächlich sehen kann. Guter Kontext schlägt clevere Formulierungen.
• ToolEine Funktion, die ein Agent nutzen darf, etwa suchen, eine Datei lesen oder eine E-Mail senden.
• KI-SystemDer zentrale Rechtsbegriff der KI-Verordnung: ein maschinengestütztes System, das aus Eingaben ableitet, wie es Ergebnisse wie Inhalte, Empfehlungen oder Entscheidungen erzeugt.
• Context EngineeringDie Kunst, auszuwählen, was in den Kontext kommt und was draußen bleibt, damit das Modell gute Arbeit leisten kann.
• KontextfensterDie maximale Textmenge, die ein Modell auf einmal aufnehmen kann. Wenn es voll ist, muss etwas weichen.
• Context RotDer schleichende Qualitätsverlust der Antworten, wenn ein Gespräch oder Kontext lang und unübersichtlich wird.
• Prompt InjectionVersteckte Anweisungen in Inhalten, die die KI liest, und die kapern, was sie tut.
• APIDie programmierbare Verbindung zu einem Modellanbieter. Du zahlst pro Token und behältst mehr Kontrolle als in einer Chat-App.
• System-PromptFeste Anweisungen, die jede Antwort prägen, festgelegt von der App oder von dir, bevor deine Nachricht ankommt.
• Retrieval-Augmented GenerationErst die passenden Dokumente heraussuchen und sie dem Modell geben, damit es aus deinen Quellen antwortet.
• Model Context ProtocolEin offener Standard, der KI-Apps mit Tools und Datenquellen verbindet, damit Integrationen einmal gebaut und überall genutzt werden.
• Tool CallDie strukturierte Anfrage des Modells, ein Tool zu nutzen. Die Software rund um das Modell entscheidet, ob sie ausgeführt wird.
• GuardrailsPrüfungen und Grenzen rund um ein KI-System, die unerwünschte Eingaben, Ausgaben oder Aktionen stoppen, bevor sie Schaden anrichten.
• BerechtigungenDie Regeln, die festlegen, was ein KI-Agent selbst darf, wofür er fragen muss und was er nie tun darf.
• EvalsWiederholbare Tests, die zeigen, ob dein KI-Setup wirklich funktioniert und ob eine Änderung es besser oder schlechter gemacht hat.
• Eigener AssistentEin wiederverwendbarer KI-Assistent mit deinen eigenen Anweisungen, Dateien und Tools, etwa GPTs, Projects oder Gems.
• Coding AgentEin KI-Agent, der in einem Projekt Code liest, schreibt und ausführt und Programmieraufgaben Schritt für Schritt abarbeitet.
• Vertikale KIKI-Anwendungen für eine einzige Branche, mit deren Daten, Regeln und Sprache, etwa Recht, Medizin oder Immobilien.
• Eingebettete KIKI als Funktion in Software, die du schon nutzt, etwa ein Schreibassistent in Textverarbeitung oder E-Mail.
• AI-NativeMit KI von Anfang an arbeiten, bauen und sich organisieren, statt sie nachträglich auf alte Prozesse zu setzen.
• KI-AgentEin Modell mit Zugang zu Tools und einem Ziel, damit es selbst Schritte ausführen kann, statt nur zu antworten.
• KI-WrapperEin Produkt, das einem fremden KI-Modell kaum mehr als eine Oberfläche hinzufügt und deshalb leicht zu kopieren ist.
• Vendor Lock-inWenn der Wechsel zu einem anderen KI-Anbieter so teuer oder mühsam wird, dass er praktisch unmöglich ist.
• Build vs. BuyDie Entscheidung, ob du eine KI-Lösung selbst entwickelst, ein fertiges Produkt kaufst oder eines mit deinen Daten anpasst.
• Fine-TuningEin bestehendes Modell mit deinen eigenen Beispielen weitertrainieren, um sein Verhalten zu ändern. Selten der erste Schritt.
• InferenzEin fertiges Modell laufen lassen, um eine Antwort zu bekommen. Das, wofür du bei jeder Nachricht bezahlst.
• TokenDas kleine Textstück, das ein Modell liest und schreibt. Preis, Geschwindigkeit und Speichergrenzen werden alle in Tokens gezählt.
• BruttomargeDer Anteil am Umsatz, der nach den direkten Kosten für die Lieferung eines Produkts übrig bleibt. Bei KI-Produkten gehört die Inferenz dazu.
• Ergebnisbasierte PreiseFür KI pro Ergebnis zahlen, etwa pro gelöstem Servicefall oder pro erledigter Aufgabe.
• Kosten pro AufgabeWas ein fertiges Arbeitsergebnis mit KI wirklich kostet: Tokens, Tools, Wiederholungen und die Zeit, die ein Mensch zum Prüfen braucht.
• Nicht-DeterminismusDieselbe Frage kann jedes Mal eine andere Antwort bekommen.
• Zerklüftete FähigkeitenDas ungleichmäßige Können von KI-Modellen: hervorragend bei manchen schweren Aufgaben, unzuverlässig bei manchen leichten.
• Excessive AgencyWenn ein KI-System mehr Funktionen, Rechte oder Autonomie hat, als seine Aufgabe braucht, sodass eine falsche oder manipulierte Ausgabe echten Schaden anrichten kann.
• ObservabilitySystematisch aufzeichnen, was ein KI-System tut, jeden Modellaufruf, jeden Tool Call und jedes Ergebnis, damit du siehst, warum es so gehandelt hat.
• Generative KIKI, die neue Inhalte erzeugt, etwa Text, Bilder, Audio, Video oder Code, statt nur zu sortieren oder vorherzusagen.
• Shadow AIKI-Tools, die Mitarbeitende für die Arbeit nutzen, ohne dass das Unternehmen davon weiß oder sie freigegeben hat.
• KI-RichtlinieDie kurzen, praktischen Regeln deiner Organisation: welche KI-Tools mit welchen Daten genutzt werden dürfen und wer was prüft.
• DatenleckVertrauliche Informationen landen, wo sie nicht hingehören: in einem Prompt, einem Log oder der Antwort für jemand anderen.
• KI-VerordnungDas KI-Gesetz der EU: Es ordnet Einsätze nach Risiko und legt Pflichten für alle fest, die KI entwickeln und einsetzen.
• AnbieterNach der KI-Verordnung, wer ein KI-System oder Modell entwickelt oder entwickeln lässt und unter eigenem Namen anbietet. Anbieter tragen die meisten Pflichten.
• BetreiberNach der KI-Verordnung, wer ein KI-System in eigener Verantwortung beruflich nutzt. Wenn dein Unternehmen KI-Werkzeuge einsetzt, ist das deine Rolle.
• KI-KompetenzDas Wissen und die Fähigkeiten, KI zu verstehen, zu nutzen und zu beurteilen. In der EU müssen Organisationen sie aktiv fördern.
• KI-Kennzeichnung & WasserzeichenInhalte und Interaktionen als KI-generiert markieren: sichtbar für Menschen und unsichtbar in der Datei für Maschinen.
• DeepfakeTäuschend echte Bilder, Audios oder Videos von realen Menschen oder Ereignissen, mit KI erzeugt oder manipuliert.
• Hochrisiko-KI-SystemKI in sensiblen Bereichen wie Einstellungen, Krediten oder Bildung, für die die strengsten EU-Regeln gelten.
• Menschliche AufsichtDie rechtliche und praktische Pflicht, dass Menschen ein KI-System überwachen, verstehen und übersteuern können.
• Human in the LoopEin Mensch prüft oder genehmigt, was die KI tut, bevor es zählt.

Quellen

1. The continued state of global AI diffusion in 2026, Microsoft AI Economy Institute (vendor), 21.09.2026
2. AI Diffusion Report 2026 Q1, Microsoft (vendor), Mai 2026
3. Americans and AI 2026: chatbot use, Pew Research Center, Juni 2026
4. More than 700 million people in China use generative AI (CNNIC), ECNS / China News Service, 29.09.2026
5. Information and Communications White Paper 2026, Ministry of Internal Affairs and Communications, Japan, Juli 2026
6. Four out of 10 Koreans used generative AI in 2025, Korea Times, citing KMCC and KISDI, 28.05.2026
7. TIC Domicílios 2025, executive summary, CETIC.br, Mai 2026
8. Google report: Nigeria leads AI learning (Google/Ipsos survey), Techpoint Africa, 21.01.2026
9. Use of artificial intelligence in enterprises, Eurostat, Dezember 2025
10. AI use among businesses, US Census Bureau, 26.05.2026
11. Analysis in Brief: Canadian Survey on Business Conditions, AI use, Statistics Canada, 11.09.2025
12. Generative AI and the SME Workforce, OECD, November 2025
13. World Bank: AI adoption among Nigerian firms jumps to 40%, Nairametrics, 04.08.2026
14. World Bank survey finds AI use in 23% of formal Indian firms, TechEnclave, 10.10.2026
15. Latin American Artificial Intelligence Index (ILIA) 2025, CENIA and ECLAC, 18.12.2025
16. How people are using ChatGPT, OpenAI (vendor), 15.09.2025
17. Google puts Gemini at 1 billion monthly users, implicator.ai, 12.08.2026
18. 2025: The State of Generative AI in the Enterprise, Menlo Ventures (investor), 09.12.2025
19. 2026 State of AI: The Builder's Economy, ICONIQ (investor), Juli 2026
20. Who Owns the Generative AI Platform?, Bornstein, Appenzeller, Casado, a16z (investor), 19.01.2023
21. Top 100 Gen AI Consumer Apps, 6th edition, Olivia Moore, a16z (investor), 09.03.2026
22. LLM inference price trends, Epoch AI, 12.03.2025
23. Cost of a Data Breach 2025, IBM and Ponemon Institute (vendor), 30.07.2025
24. Effective context engineering for AI agents, Anthropic (vendor), 29.09.2025
25. Demystifying evals for AI agents, Anthropic (vendor), 09.01.2026
26. OWASP Top 10 for LLM Applications 2025, OWASP GenAI Security Project, 2025
27. Gartner predicts 30% of generative AI projects will be abandoned after proof of concept, Gartner, 29.07.2024
28. Microsoft 365 Copilot for business, pricing, Microsoft (vendor), 25.10.2026
29. Agentforce pricing, Salesforce (vendor), 25.10.2026
30. Fin pricing, Intercom (vendor), 25.10.2026
31. Language Model Tokenizers Introduce Unfairness Between Languages, Petrov, La Malfa, Torr, Bibi, NeurIPS, 2023
32. Experimental evidence on the productivity effects of generative artificial intelligence, Noy and Zhang, Science, Juli 2023
33. Navigating the Jagged Technological Frontier, Dell'Acqua, Mollick et al., HBS Working Paper, September 2023
34. Generative AI at Work, Brynjolfsson, Li, Raymond, Quarterly Journal of Economics, 2025
35. Shifting Work Patterns with Generative AI, Dillon, Jaffe, Immorlica, Stanton, 13.11.2025
36. Randomised controlled trial with experienced open-source developers (arXiv 2507.09089), METR, 12.07.2025
37. The Uneven Impact of Generative AI on Entrepreneurial Performance, Otis, Clarke, Delecourt, Holtz, Koning, Harvard, Dezember 2023
38. Large Language Models, Small Labor Market Effects, Humlum and Vestergaard, BFI Working Paper, 15.04.2025
39. Generative AI and Jobs: A Refined Global Index of Occupational Exposure, ILO, 20.05.2025
40. AI will transform the global economy, Kristalina Georgieva, IMF, 14.01.2024
41. The Root Causes of Failure for Artificial Intelligence Projects, Ryseff, De Bruhl, Newberry, RAND, 13.08.2024
42. MIT report: 95% of generative AI pilots failing, Fortune, 18.08.2025
43. The state of AI in 2026, McKinsey, 25.08.2026
44. Work Trend Index 2024: AI at work is here, Microsoft and LinkedIn (vendor), 08.05.2024
45. AI at Work 2025: Momentum Builds, but Gaps Remain, BCG, Juni 2025
46. AI Act, consolidated text incl. AI Omnibus (Art. 3, 4, 25, 26, 50, 99, Annex III), European Commission, AI Act Service Desk, 27.07.2026
47. EU AI Act: AI Omnibus formally adopted, Addleshaw Goddard, 01.07.2026
48. Colorado AI law in flux, McDermott Will & Schulte via JD Supra, 28.05.2026
49. California AI laws, terms.law, 19.07.2026
50. China's AI labeling measures take effect September 1, Loeb & Loeb, März 2025
51. India AI Regulatory Tracker, 2nd edition, AZB & Partners, 08.09.2026
52. South Korea's AI Basic Act: overview, Cooley, 27.01.2026
53. Japan's first AI legislation becomes law, White & Case, 14.04.2026
54. Brazil AI bill PL 2338 status, CASRAI (secondary), 25.09.2026
55. Web Content Accessibility Guidelines (WCAG) 2.2, W3C, 12.12.2024