Diese Woche zeichnet sich ein klares Muster ab: KI verlässt den Bildschirm und dringt in die physische Welt vor. NVIDIA präsentierte auf der GTC 2026 mit Vera Rubin eine Plattform für autonome Agenten in Fabriken und Operationssälen, OpenAI plant bis 2028 einen vollautomatisierten Forscher, und in China erlebt OpenClaw trotz Sicherheitsbedenken einen Massenhype. Parallel entsteht ein Wettlauf um vertikale Integration: Musk baut eigene Chipfabriken für Tesla und SpaceX, Bezos plant einen 100-Milliarden-Fonds zum Aufkauf von Fertigungsunternehmen, die mit KI automatisiert werden sollen. Diese Entwicklungen deuten auf eine fundamentale Verschiebung hin – von KI als Assistenztechnologie zu KI als autonomer Produktionskraft, die operative Prozesse direkt steuert und dabei neue Machtstrukturen schafft.

Wenn Sie gerade Ihr überfülltes Mail-Postfach abarbeiten und sich fragen, ob das nicht mit KI einfacher geht, dann haben Sie in zwei Tagen die Gelegenheit, zu erfahren, wie: Wie im letzten Newsletter angekündigt, zeigt Workist am 26. März um 11 Uhr bei einem kostenlosen Online-Webinar, wie KI-Agenten unstrukturierte E-Mail-Inhalte aus dem Vertriebsinnendienst automatisiert in ERP-Systeme übertragen können, welche Automatisierungsgrade bereits realistisch sind und wie Sie durch Human-in-the-Loop-Mechanismen die Kontrolle behalten.

Damit das KI-Briefing für Sie maximal nützlich bleibt, freuen wir uns über Ihr Feedback. Teilen Sie uns gerne mit, welche Impulse für Sie am wertvollsten sind – und helfen Sie dabei, unser Briefing in Ihrem Netzwerk bekannt zu machen. Gemeinsam können wir eine Community aufbauen, die voneinander lernt und sich gegenseitig stärkt. Falls Sie diesen Newsletter weitergeleitet bekommen haben, können Sie sich ganz einfach hier anmelden.

NVIDIA GTC

Zusammenfassung: NVIDIA hat auf der GTC 2026 die neue Vera Rubin-Plattform vorgestellt, ein Full-Stack-System aus sieben Chips und fünf Rack-Systemen für agentische KI. CEO Jensen Huang kündigte mindestens eine Billion Dollar Umsatz bis 2027 an und präsentierte Partnerschaften mit AWS, Microsoft und Oracle. Schwerpunkte waren physische KI für Robotik, neue Workstation-Systeme mit DGX Spark sowie die NemoClaw-Plattform für sichere autonome Agenten. Die Veranstaltung zeigte die Verlagerung von Prompt-basierten KI-Tools hin zu langfristig agierenden, autonomen Systemen.

Warum das wichtig ist: NVIDIA verschiebt mit Vera Rubin die Grenzen von reiner Rechenleistung hin zu durchgängig optimierten KI-Systemen, die Software und Silizium als Einheit behandeln. Die angekündigte Billion-Dollar-Umsatzschwelle bis 2027 unterstreicht die explosionsartige Nachfrage nach KI-Infrastruktur. Für Cloud-Anbieter wie AWS entsteht ein Wettlauf um Kapazität und Performance, während Unternehmen ohne eigene Foundation Models zunehmend auf Hyperscaler angewiesen sind. Die Fokussierung auf physische KI und autonome Agenten zeigt eine strategische Neuausrichtung: KI verlässt den Bildschirm und greift in operative Prozesse ein – von Fabriken über Operationssäle bis zu autonomen Fahrzeugen. Dies eröffnet neue Geschäftsfelder, birgt aber auch regulatorische und sicherheitstechnische Herausforderungen, die sich auf Marktdynamiken und Zulassungsverfahren auswirken werden.

Präsentiert von Augment

Zusammenfassung: Die Online-Business-School Augment expandiert 2026 nach Deutschland, Österreich und die Schweiz und positioniert sich als radikale Alternative zum herkömmlichen MBA. Das Programm kostet 1.470 bis 2.450 US-Dollar statt wie üblich über 100.000 US-Dollar und wird von Gründern wie Jimmy Wales (Wikipedia), Uri Levine (Waze) und Zack Kass (ehemals OpenAI) unterrichtet. Nach einer 6-Millionen-Euro-Finanzierung zählt die Plattform mittlerweile über 5.000 Teilnehmer. Die Gründer Roy Wellner und Ariel Renous brachen ihren eigenen Elite-MBA ab, weil Professoren ohne Gründungserfahrung unterrichteten. Ihr Gegenentwurf: 15 Minuten täglich, keine Akkreditierung, nur Praxiswissen von Unternehmern mit kollektiv 100 Milliarden Dollar Unternehmenswert.

Warum das wichtig ist: Für Führungskräfte, die KI strategisch in ihre Organisation integrieren wollen, bietet Augment einen entscheidenden Vorteil gegenüber klassischen Weiterbildungen. Statt theoretischer Frameworks lernen Sie von Menschen, die selbst disruptive Geschäftsmodelle gebaut haben. Die Kombination aus kompaktem Format, direkter Anwendbarkeit und Expertise von Gründern wie dem ehemaligen OpenAI-Strategiechef macht das Programm zur schnellsten Route von Wissen zu messbaren Resultaten. Mit der DACH-Expansion wird diese Form der Executive Education erstmals auch hier verfügbar.

Exklusiv für unsere Community: Über den untenstehenden Link erhalten KI-Briefing-Leser das gesamte Augment MBA Programm mit einem Rabatt von 60%.

Jetzt 60% Rabatt sichern & Teil der Augment-Community werden

US-Politik

Zusammenfassung: Das Weiße Haus veröffentlichte am Freitag sein nationales Rahmenwerk für KI-Gesetzgebung und will damit einzelstaatliche Regelungen verhindern. Der Vorstoß basiert auf einer Verfügung von Präsident Trump aus dem Dezember, die bereits bestehende staatliche KI-Vorschriften außer Kraft setzte. Das Rahmenwerk setzt auf minimale Regulierung, fordert sektorspezifische Aufsicht statt einer zentralen Behörde und untersagt Bundesstaaten explizit, die Entwicklung von KI-Modellen zu regulieren.

Warum das wichtig ist: Die Trump-Regierung kodifiziert einen Ansatz, der Tech-Unternehmen maximale Freiheit gewährt und dezentrale Kontrollversuche blockiert. Für KI-Firmen entsteht ein günstiges Umfeld ohne fragmentierte Compliance-Anforderungen. Bundesstaaten verlieren ihre Rolle als Innovationslabore für Schutzvorschriften, die historisch oft Impulse für spätere Bundesgesetze lieferten. Das Rahmenwerk verschiebt faktisch die Definitionsmacht über KI-Einsatzgrenzen von föderalen Strukturen zu Branchenakteuren und einer Bundesebene, die explizit auf Geschwindigkeit statt Vorsicht setzt. Mittelfristig könnte das transatlantische Regulierungsdivergenz vertiefen, da die EU mit dem AI Act den entgegengesetzten Weg eingeschlagen hat.

Chipfertigung

Zusammenfassung: Tesla und SpaceX wollen in Austin zwei spezialisierte Halbleiterfabriken unter dem Namen „Terafab" errichten. Ein Werk soll Chips für Elektrofahrzeuge und humanoide Roboter produzieren, das andere für KI-Rechenzentren im Weltraum. Musk begründet das Projekt mit massivem Eigenbedarf, den externe Lieferanten nicht decken könnten. Auch sein KI-Unternehmen xAI ist beteiligt. Das Projekt zielt auf eine Rechenleistung von einem Terawatt pro Jahr ab, wobei der Großteil im Weltraum eingesetzt werden soll.

Warum das wichtig ist: Die vertikale Integration in die Chipfertigung verschärft den Wettbewerb um Halbleiterkapazitäten. Während etablierte Autohersteller auf externe Foundries angewiesen bleiben, schafft Musk eine geschlossene Wertschöpfungskette von Hardware bis Software. Das könnte Entwicklungszyklen verkürzen und Kostenvorteile bringen. Gleichzeitig entsteht ein Präzedenzfall für kapitalintensive Eigenfertigung außerhalb der klassischen Chip-Industrie. Langfristig verschiebt sich die Machtverteilung, wenn Tech-Konzerne zu eigenen Halbleiterherstellern werden. Die Vision von Weltraum-Rechenzentren bleibt spekulativ, bindet jedoch bereits jetzt erhebliche Investitionen.

Project Prometheus

Zusammenfassung: Jeff Bezos verhandelt über einen 100-Milliarden-Dollar-Fonds zum Aufkauf von Fertigungsunternehmen, die mit KI-Technologie automatisiert werden sollen. Der Amazon-Gründer traf sich dafür mit Staatsfonds im Nahen Osten und Singapur sowie großen Vermögensverwaltern. Das Vorhaben ist an sein KI-Startup Project Prometheus gekoppelt, bei dem Bezos seit vergangenem Jahr als Co-CEO fungiert. Der Fonds würde zu den größten seiner Art gehören und mit SoftBanks 100-Milliarden-Vision-Fund vergleichbar sein.

Warum das wichtig ist: Bezos testet ein neues Geschäftsmodell an der Schnittstelle von Private Equity und KI-Technologie. Anders als klassische Buyout-Fonds kombiniert er Kapital mit proprietärer Automatisierungstechnologie aus Project Prometheus. Gelingt die Umsetzung, entsteht ein Wettbewerbsvorteil gegenüber traditionellen Industriekonzernen ohne vergleichbare KI-Kompetenz. Für Legacy-Hersteller steigt der Druck, selbst zu automatisieren oder Übernahmeziele zu werden.

OpenClaw

Zusammenfassung: Der KI-Agent OpenClaw erlebt in China einen massiven Hype. Tech-Konzerne wie Tencent, Alibaba und Bytedance bieten eigene Varianten an (QClaw, CoPaw, ArkClaw) und installieren die Software vor ihren Firmenzentralen für Hunderte wartende Nutzer. Auf WeChat hat sich der Begriff "Hummer züchten" etabliert, Städte wie Wuxi und Shenzhen fördern die Entwicklung mit Millionenbeträgen. Smartphone-Hersteller Honor nutzt OpenClaw-Kompatibilität als Verkaufsargument und stellte die Technologie auf dem Mobile World Congress in Barcelona als Kernfunktion neuer Geräte vor. Gleichzeitig warnen Pekings Behörden vor Sicherheitsrisiken. Die staatliche Parteizeitung und das Ministerium für Industrie mahnen zur Vorsicht, Staatsunternehmen und Banken haben OpenClaw auf Bürorechnern verboten. Anders als Chatbots kann der Agent direkt auf Geräte zugreifen, Dateien ändern und Programme installieren.

Warum das wichtig ist: China könnte als erstes Land einen Massenmarkt für KI-Agenten schaffen und damit Standards setzen, bevor westliche Regulierung greift. Die riesige Nutzerbasis und technologieoffene Bevölkerung ermöglichen rasante Adoption. Gleichzeitig entsteht ein Spannungsfeld zwischen wirtschaftlicher Innovation und staatlicher Kontrollambition. Pekings bisheriges Muster zeigt, dass Tech-Trends zunächst zugelassen, später aber politisch begrenzt werden, sobald sie zu viel Macht akkumulieren. Für Hardware-Hersteller wie Honor eröffnet sich eine strategische Chance, Geräte als KI-Plattformen zu positionieren und sich von reinen Cloud-Diensten zu emanzipieren. Langfristig könnte Chinas Vorsprung bei agentischer KI die globale Wettbewerbsdynamik verschieben und westliche Anbieter unter Zugzwang setzen.

CodeX

Zusammenfassung: OpenAI richtet seine Forschung auf ein neues Ziel aus und will bis 2028 einen vollautomatisierten KI-Forscher entwickeln. Das agentenbasierte System soll eigenständig komplexe Probleme in Mathematik, Physik, Biologie oder Wirtschaft bearbeiten. Als Zwischenschritt plant das Unternehmen für September einen KI-Forschungspraktikanten, der kleinere Aufgaben selbstständig lösen kann. Chief Scientist Jakub Pachocki sieht die Grundlagen dafür in bestehenden Technologien wie Reasoning-Modellen und dem kürzlich veröffentlichten Codex-Tool, das bereits von OpenAI-Mitarbeitern zur Code-Generierung genutzt wird.

Warum das wichtig ist: OpenAI verschiebt den Wettbewerb von besseren Chatbots hin zu autonomen Forschungssystemen. Gelingt die Umsetzung, würde sich die Geschwindigkeit wissenschaftlicher Durchbrüche vervielfachen und die Struktur von Forschungsorganisationen grundlegend ändern. Pachocki spricht von konzentrierter Macht in beispiellosem Ausmaß, wenn Rechenzentren Arbeiten ganzer Unternehmen übernehmen. Für Konkurrenten wie Anthropic und Google DeepMind entsteht Zugzwang, vergleichbare Systeme zu entwickeln. Die gesellschaftliche Dimension bleibt ungeklärt: OpenAIs jüngster Pentagon-Vertrag nach Anthropics Rückzug zeigt, dass weder über Einsatzgrenzen noch über Verantwortlichkeiten Konsens besteht. Pachocki fordert staatliche Regulierung, delegiert damit aber faktisch ethische Grundsatzfragen an Akteure außerhalb der Tech-Branche. Ob Regierungen schnell genug reagieren können, ist fraglich.

Europa

Zusammenfassung: Mistral AI hat Forge vorgestellt, ein System, mit dem Unternehmen eigene KI-Modelle auf Basis proprietärer Daten trainieren können. Die Plattform ermöglicht Pre-Training, Post-Training und Reinforcement Learning mit internem Wissen wie Codebases, Compliance-Richtlinien und Prozessdokumentation. Zu den Partnern zählen ASML, Ericsson und die European Space Agency. Forge unterstützt Dense- und Mixture-of-Experts-Architekturen und wurde für den Einsatz durch autonome Agenten konzipiert.

Warum das wichtig ist: Mistral greift Hyperscaler wie OpenAI und Google direkt an, indem es ein Geschäftsmodell für hochregulierte und wissensintensive Branchen anbietet. Während die Konkurrenz auf generische Modelle mit nachgelagertem Fine-Tuning setzt, positioniert sich Mistral als Infrastrukturanbieter für domänenspezifische Foundation Models. Das verschiebt den Wettbewerb von Modellleistung auf Public Benchmarks hin zu Anpassungsfähigkeit an proprietäres Wissen. Für Unternehmen entsteht die Option, KI-Kompetenz als strategisches Asset aufzubauen statt sie einzukaufen. Langfristig könnte das die Machtverteilung im Enterprise-KI-Markt neu ordnen und Mistrals Position gegenüber kapitalstärkeren Konkurrenten stärken.

World Models

Die künstliche Intelligenz steht vor einer Entscheidung, die weit über technische Details hinausgeht. Während Konzerne Milliarden in immer größere Sprachmodelle investieren, formiert sich eine Gegenbewegung um eine radikale Idee: Was wäre, wenn wahre Intelligenz nicht aus dem Lesen von Milliarden Wörtern entsteht, sondern aus dem Verstehen physikalischer Realität? Ein Kind begreift die Schwerkraft lange bevor es das Wort dafür kennt. Genau dieses Prinzip verfolgen Weltmodelle – und sie könnten die industrielle Produktion grundlegender verändern als jeder Chatbot.

Die Erfolgsgeschichte der Large Language Models basiert auf einem eleganten Trick: Durch die Vorhersage des nächsten Wortes in Milliarden von Texten lernen sie, Sprache zu imitieren und dabei implizit Wissen zu erwerben. Mathematisch modellieren sie die bedingte Wahrscheinlichkeit P(Y∣X), wobei Y das nächste Token und X der Kontext ist. OpenAI plant Investitionen im Billionen-Dollar-Bereich, um diese Architekturen weiter zu skalieren. Doch die sogenannten Scaling Laws stoßen an ökonomische Grenzen: Die Kostenkurven steigen schneller als die Effizienzgewinne der Hardware, während gleichzeitig der Vorrat an hochwertigen Textdaten im Internet nahezu erschöpft ist. Das grundlegende Problem bleibt bestehen: LLMs generieren Ausgaben autoregressiv, Schritt für Schritt, ohne über ein internes Modell der Welt zu verfügen, das langfristige Konsequenzen simulieren könnte.

Yann LeCun, Chef-KI-Wissenschaftler bei Meta, argumentiert, dass wahre Intelligenz ein Weltmodell erfordert – keinen Textgenerator, sondern einen internen Simulator der physikalischen Realität. Seine Joint-Embedding Predictive Architecture (JEPA) unterscheidet sich fundamental von generativen Modellen. Anstatt jedes Detail eines Bildes zu rekonstruieren, lernt JEPA, die Repräsentationen von Weltzuständen vorherzusagen. Ein Encoder transformiert Eingaben wie Videoframes in abstrakte Repräsentationen, ein Predictor sagt die Repräsentation eines zukünftigen Zustands vorher, während ein Target Encoder die Ziel-Repräsentation erzeugt. Der entscheidende Durchbruch gelang mit der Sketched Isotropic Gaussian Regularization (SIGReg), die das Problem des Modellkollaps mathematisch löst, indem sie den Cramér-Wold-Theorem nutzt, um die Verteilung der Einbettungen in eine isotrope Gauß-Verteilung zu zwingen.

Die theoretischen Vorteile von Weltmodellen entfalten ihre Wirkung in der industriellen Praxis, besonders in hochspezialisierten Regionen wie dem Sauerland. In Plettenberg arbeiten 70 Prozent der Beschäftigten im produzierenden Gewerbe, wo die präzise Steuerung physikalischer Prozesse über Wettbewerbsfähigkeit entscheidet. Das Unternehmen EMG aus Wenden entwickelte mit der Plattform EMG iCASS ein System, das faktisch als Weltmodell für den Feuerverzinkungsprozess fungiert. Die Software nutzt historische Produktionsdaten und maschinelles Lernen, um die Zinkschichtdicke bereits am Anfang des Prozesses vorherzusagen, ersetzt teure radiometrische Messgeräte durch virtuelle Vorhersagen und optimiert die Abblasdüsen in Echtzeit mit Reaktionszeiten unter 100 Millisekunden. Während ein Sprachmodell mühsam durch Textbeschreibungen über Physik lernen muss, lernen Weltmodelle wie V-JEPA direkt durch Beobachtung physikalischer Vorgänge. Ein Industrieroboter, der auf einem Weltmodell basiert, kann seine Bewegungsbahn autonom korrigieren, wenn ein Bauteil verrutscht, weil er die physikalischen Konsequenzen seiner Aktionen intern simuliert.

Die industrielle Realität erfordert oft Entscheidungen im Millisekundenbereich direkt an der Maschine. Cloudbasierte LLMs mit Latenzzeiten über 100 Millisekunden und hohen Token-Gebühren sind hierfür ungeeignet, was zum Aufstieg der Small Language Models (SLMs) als lokale Reasoning-Engines führte. Microsofts Phi-3 auf NVIDIA Jetson-Plattformen senkte die Betriebskosten um bis zu 75 Prozent, während die Daten hinter der Firewall bleiben. Während das Training eines LLM wie GPT-4 hunderte Millionen Dollar kostet, können spezialisierte Weltmodelle für spezifische Fabrikumgebungen mit wesentlich geringerem Aufwand trainiert werden, da sie auf relevante physikalische Parameter fokussiert sind. Regionale Cluster wie das Sauerland zeigen, dass der Erfolg von der Verzahnung von Domänenwissen, lokaler Rechenleistung und kooperativen Netzwerken abhängt.

Die Debatte wird sich nicht durch den Sieg eines Ansatzes auflösen, sondern durch ihre Synthese. Zukünftige KI-Systeme vereinen System 1 (schnell, intuitiv) und System 2 (langsam, deliberat): Ein LLM-Kern übernimmt die natürliche Sprachinteraktion, während ein Weltmodell die Einhaltung von Sicherheitsregeln und physikalischen Gesetzen garantiert. Ein autonomer Roboter nutzt ein Weltmodell, um die Umgebung zu verstehen, ein LLM, um komplexe Anweisungen zu interpretieren und Reinforcement Learning, um seine Bewegungsstrategien zu verfeinern. Weltmodelle fungieren dabei als erlernte Game-Engines: Anstatt einen Roboter in der echten Welt tausende Male scheitern zu lassen, kann er in der durch das Weltmodell generierten Simulation trainieren.

Die technologische Entwicklung durchläuft einen Paradigmenwechsel, der die einseitige Fixierung auf immer größere Sprachmodelle durch eine differenzierte Sichtweise ersetzt. LLMs bleiben das ideale Werkzeug für die Interaktion zwischen Mensch und Maschine, für Wissensmanagement und Aufgaben, die ein breites Verständnis von Symbolen erfordern. Für die Steuerung von Robotern, die Optimierung von Fertigungsprozessen und alle Anwendungen, die Sicherheit und physikalische Konsistenz verlangen, sind Weltmodelle wie JEPA die überlegene Architektur. Unternehmen, die heute beginnen, Weltmodelle und hybride Architekturen in ihre Produktionsprozesse zu integrieren, werden die Vorreiter der nächsten industriellen Revolution sein. Die Kombination aus den abstrakten Fähigkeiten der LLMs und dem physikalischen Verständnis der Weltmodelle ebnet den Weg zur künstlichen Intelligenz im physischen Raum.

Medien

Impuls der Woche: Harvard Business Review – Die Managementperspektive auf KI

Inhalt: Das Harvard Business Review behandelt KI konsequent als Organisations- und Führungsaufgabe, nicht als Technologiethema. Artikel wie „What the Best AI Users Do Differently" zeigen, dass KI-Projekte nicht an Modellen scheitern, sondern an Menschen, Prozessen und Kultur. Eine KPMG-Analyse von 1,4 Millionen KI-Interaktionen belegt: Nur 5 Prozent der Nutzer setzen KI ausgereift ein, obwohl 90 Prozent sie regelmäßig verwenden. Der Unterschied liegt in Verhaltensmustern wie iterativer Verfeinerung, gezieltem Modellwechsel und der Fähigkeit, KI als Denkpartner zu behandeln. Deloitte-Daten zeigen, dass Organisationen mit aktivem Change Management 1,6-mal häufiger erfolgreiche KI-Initiativen berichten. Die zentrale These: Wer nur Tools ausrollt, ohne Workflows, Anreizsysteme und kulturelle Bereitschaft mitzudenken, schafft beeindruckende Systeme, die niemand nutzt.

Kontext: Das Harvard Business Review erscheint seit 1922 und gilt als eine der einflussreichsten Managementpublikationen weltweit. Es verbindet akademische Forschung mit Praxisrelevanz für CEOs, Vorstände und Senior Leader. Anders als technologiezentrierte Medien konzentriert sich das HBR auf strategische Fragen: Wie treffen Organisationen bessere Entscheidungen, wie gestalten sie Wandel, wie übersetzen sie Trends in Wettbewerbsvorteile? Für Führungskräfte ist das Journal gerade bei KI wertvoll, weil es nicht erklärt, wie Technologie funktioniert, sondern warum sie scheitert oder gelingt und welche Hebel in Kultur, Governance und Talententwicklung tatsächlich Wirkung entfalten.

Ihre Meinung interessiert uns

Ergebnisse der vorherigen Umfrage

Was ist aus Ihrer Sicht der Hauptgrund, warum KI-Projekte in Ihrem Unternehmen nicht die erhoffte Wirkung entfalten?

🟨🟨🟨🟨🟨⬜️ 🎯 Fehlende Geschäftsfokussierung
🟨🟨🟨🟨🟨⬜️ 🧱 Daten- und Infrastruktur-Realität
🟩🟩🟩🟩🟩🟩 👥 Organisatorische Trägheit
🟨⬜️⬜️⬜️⬜️⬜️ ⚡ Mangelnde Umsetzungsgeschwindigkeit

Bürokratieabbau

Die Europäische Kommission hat mit EU Inc. einen Vorschlag vorgelegt, der weit mehr ist als Bürokratieabbau, auch wenn er sich auf den ersten Blick so liest. Unternehmensgründung in 48 Stunden, digital, für 100 Euro, ohne Notar und ohne Mindestkapital. Besteuerung von Aktienoptionen erst beim Verkauf statt bei der Zuteilung. Standardisierte Finanzierungsinstrumente, die Gründern erlauben, Kapital aufzunehmen, ohne für jede Runde ein Heer von Anwälten zu beauftragen. Für einen Kontinent, in dem eine GmbH-Gründung in Deutschland 25.000 Euro Stammkapital und Monate an Bürokratie verschlingt, ist das ein echter Sprung. Wer die europäische Startup-Landschaft kennt, weiß, dass diese Erleichterungen nicht kosmetisch sind, sondern an realen Schmerzpunkten ansetzen.

Die Richtung stimmt, und sie kommt zur richtigen Zeit. Denn Künstliche Intelligenz verteilt die Gewichte der Weltwirtschaft gerade fundamental neu, und die Geschwindigkeit, mit der Unternehmen skalieren können, entscheidet darüber, wer die Infrastruktur der kommenden Jahrzehnte baut. Europa besitzt das Talent, die wissenschaftliche Tiefe und einen Binnenmarkt von 450 Millionen Menschen. Mistral AI zeigt, dass europäische Forscher mit einem Bruchteil amerikanischer Rechenkapazität global konkurrenzfähige Modelle entwickeln können. Was bisher fehlte, war ein rechtlicher Rahmen, der dieses Potenzial nicht im Dickicht von 27 verschiedenen Gesellschaftsrechtssystemen erstickt. EU Inc. setzt hier an und tut das mit erstaunlich breiter politischer Unterstützung über alle Lager hinweg.

Entscheidend wird allerdings, ob der Vorschlag in seiner jetzigen Architektur das zentrale Problem tatsächlich löst. Denn was als 28. Rechtsordnung angekündigt wurde, als eigenständiges europäisches Gesellschaftsrecht neben den nationalen Systemen, mündet im Entwurf in 27 nationale Varianten desselben Rahmens, jede davon ausgelegt von eigenen Gerichten nach eigenen Rechtstraditionen. Für europäische Gründer, die bisher nur im Heimatland Kapital einwerben konnten, ist das trotzdem ein Fortschritt. Für den amerikanischen Risikokapitalgeber, der entscheidet, ob er hundert Millionen Euro in ein europäisches KI-Unternehmen steckt oder doch lieber in eine Delaware Inc., fehlt genau die Vorhersehbarkeit, die ihn überzeugen würde. Nicht weil der europäische Rechtsrahmen schlecht wäre, sondern weil er im entscheidenden Moment immer noch 27 verschiedene Antworten auf dieselbe Frage liefert.

Für Führungskräfte, die gerade KI-Strategien für ihre Unternehmen entwickeln, enthält dieser Vorschlag dennoch eine klare Botschaft. Europa hat verstanden, dass die Fähigkeit, schnell zu skalieren, im Zeitalter der KI keine betriebswirtschaftliche Kennzahl mehr ist, sondern eine Frage der technologischen Souveränität. Die Kommission liefert mit EU Inc. ein belastbares Fundament, das Gründungen erleichtert, Mitarbeiterbeteiligung europaweit ermöglicht und Kapitalzugang verbessert. Ob daraus das europäische Delaware wird, hängt davon ab, ob Rat und Parlament den Mut finden, den letzten Schritt zu gehen und ein echtes einheitliches Vollzugs- und Gerichtssystem zu schaffen. Die Bausteine liegen auf dem Tisch. Es wäre fahrlässig, sie nur halb zusammenzusetzen.

Sie sind einer anderen Meinung? Oder Sie wollen einen Gastbeitrag veröffentlichen? Schreiben Sie uns gerne eine E-Mail indem Sie einfach auf diese Mail antworten.

Leadership

Problemstellung: Die meisten Unternehmen haben KI-Tools ausgerollt, doch Führungskräfte wissen nicht, ob die Investition wirkt. Messbar ist nur die Nutzungsfrequenz – Prompts pro Tag, eingeloggte Stunden, Tokens verbraucht. Ohne verhaltensbasierte Erfolgsindikatoren messen Unternehmen Aktivität statt Wirkung – und können nicht sagen, welche Verhaltensweisen sie verstärken, trainieren oder beenden sollten.

Lösung: KPMG analysierte mit der University of Texas Austin über acht Monate 1,4 Millionen KI-Prompts von 2.500 Mitarbeitern. Ziel war zu definieren, was ausgereiften KI-Einsatz von Routine unterscheidet. Mit ChatGPT o1 wurden alle Konversationen automatisiert ausgewertet – auf Prompt-Strategien, Aufgabentypen und über 50 weitere Merkmale. Daraus entstand ein Profil der Top-5-Prozent-Nutzer mit vier Verhaltensmustern: ambitioniertes Vorgehen (längere Konversationen, strukturierte Prompts, bewusstes Modellwechseln), KI als Denkpartner (iterative Verfeinerung, Rollenanweisungen, Selbstverifikation), Delegation komplexer Mehrschritt-Aufgaben mit klaren Zielvorgaben und breiter Einsatz für Ideenentwicklung, Analyse und technische Beratung. Entgegen gängiger Annahmen fanden sich die ausgereiftesten Nutzer oberhalb der Managerebene.

Anwendungsbeispiele: KPMG übersetzte die Erkenntnisse in konkrete Maßnahmen. Erstens wurden AI-first Best Practices entwickelt: Playbooks, Kurzanleitungen und Peer-Champion-Netzwerke machen gute KI-Nutzung sichtbar. Zweitens wurde Upskilling neu ausgerichtet – weg von generischen Prompt-Kursen, hin zu szenariobasierten Trainings mit echten Kundenaufgaben. Drittens wurden rollenspezifische Erwartungen definiert: In der Wirtschaftsprüfung bedeutet KI-gestütztes Arbeiten KI-unterstützte Risikobewertung, in der Beratung schnellere Szenarioplanung, in der Steuerberatung automatisierte, hochwertigere Arbeitsergebnisse. Es geht nicht um neue Talentmanagement-Systeme, sondern um Klarheit, was gute Arbeit in einer KI-gestützten Welt bedeutet.

Erklärungsansatz: Die Studie zeigt, dass ausgereifter KI-Einsatz nicht von der Anzahl der Prompts abhängt, sondern von sich verstärkenden Verhaltensmustern. Top-Nutzer schreiben längere, strukturiertere Prompts, bleiben bei einem Problem, wechseln gezielt zwischen Modellen und nutzen Techniken wie iterative Verfeinerung. Überraschend: Erfahrene Mitarbeiter oberhalb der Managerebene nutzen KI fortschrittlicher, obwohl jüngere Kollegen häufiger damit arbeiten. Nur etwa 5 Prozent der Nutzer zeigen hochentwickelte Muster – obwohl 90 Prozent KI regelmäßig verwenden. Das signalisiert: Verbreitung entsteht von selbst, Raffinesse nicht.

Fazit: Unternehmen müssen den Fokus von Adoption auf Verhaltensänderung verschieben. Ausgereifter KI-Einsatz entsteht, wenn Mitarbeiter lernen, Probleme klar zu formulieren, Modellreasoning zu steuern, Outputs kritisch zu prüfen und KI flexibel anzuwenden. KPMG zeigt, wie Unternehmen durch datengestützte Verhaltensanalyse präzise Entwicklungsansätze ableiten können, statt auf Nutzungszahlen zu starren.

Lex Fridman

Jensen Huang sitzt nicht einfach in einem Büro und wartet auf die nächste technologische Welle. Er baut sie. Als CEO von NVIDIA hat er ein Unternehmen geformt, das heute mehr ist als ein Chiphersteller – es ist die zentrale Infrastruktur der KI-Revolution. Doch was Huang wirklich auszeichnet, ist nicht nur technische Brillanz, sondern eine Methode: Er manifestiert Zukunft, indem er jahrelang im Verborgenen die Überzeugungen seiner Ingenieure, Partner, Kunden und der gesamten Industrie formt. Wenn er schließlich eine neue Strategie verkündet, fragen sich alle: „Was hat so lange gedauert?"

Diese Strategie zahlt sich aus. NVIDIA hat sich von einem GPU-Hersteller für Gamer zu einem Unternehmen entwickelt, das nicht mehr nur Chips, sondern komplette KI-Fabriken entwirft – Rack-Scale-Systeme mit Millionen Komponenten, die von über 200 Zulieferern kommen. Der Übergang vom Chip- zum Rack-Design war nicht nur eine technische Entscheidung. Es war ein fundamentaler Paradigmenwechsel, der die gesamte Lieferkette umkrempelte. Huang erklärt das mit einer nüchternen Logik: Wenn ein Problem nicht mehr in einen Computer passt, muss man es auf Tausende verteilen – und dann wird plötzlich alles zum Flaschenhals. CPU, GPU, Speicher, Netzwerk, Kühlung, Energie. Extreme Co-Design ist die Antwort, und sie erfordert eine Unternehmensarchitektur, die das widerspiegelt. Deshalb hat Huang 60 direkte Reports – fast alle Ingenieure, keine klassischen One-on-Ones, sondern gemeinsame Problemlösungssessions, in denen jeder Experte einspringt, wenn sein Fachgebiet tangiert wird.

Ein entscheidender Moment in dieser Geschichte war 2006: NVIDIA beschloss, CUDA auf jede GeForce-GPU zu packen – auch wenn das die Gewinnmarge komplett auffraß und die Marktkapitalisierung des Unternehmens zeitweise auf 1,5 Milliarden Dollar abstürzte. Huang erkannte: Eine Computing-Architektur lebt von ihrer Installationsbasis, nicht von ihrer Eleganz. x86 ist hässlich, hat aber gewonnen – weil Entwickler darauf bauen konnten. CUDA auf GeForce zu bringen, war ein existenzielles Risiko, aber es legte den Grundstein dafür, dass Millionen Forscher, Studenten und Ingenieure weltweit plötzlich Zugang zu Supercomputing hatten. Als Deep Learning explodierte, war NVIDIA die einzige Plattform, die bereit war. Heute ist diese Entscheidung legendär. Damals war sie wahnsinnig.

Huang glaubt unerschütterlich an Scaling Laws – nicht nur an Pre-Training, sondern an vier aufeinander aufbauende Ebenen: Pre-Training, Post-Training, Test-Time-Scaling und Agentic Scaling. Die Idee, dass Intelligenz durch Rechenleistung skaliert, zieht sich durch seine gesamte Philosophie. Er hält es für unvermeidlich, dass die Welt exponentiell mehr Token-Fabriken braucht – Rechenzentren, die keine Informationen speichern, sondern Intelligenz in Echtzeit generieren. Das verändert die Ökonomie fundamental: Früher waren Rechenzentren Lagerhäuser, jetzt sind sie Produktionsstätten. Und wenn OpenClaw das iPhone der Tokens ist, dann steht die Skalierung erst am Anfang. Huang rechnet vor: Wenn NVIDIA heute der größte Computer-Hersteller der Geschichte ist, liegt das nicht an Marktanteilen, sondern daran, dass der Markt selbst neu entsteht. 3 Billionen Dollar Umsatz? Physikalisch möglich. 10 Billionen Marktkapitalisierung? Eine Frage der Zeit.

Werben im KI-Briefing

Das KI-Briefing erreicht eine exklusive Leserschaft aus Wirtschaft, Politik und Zivilgesellschaft – von C-Level-Führungskräften über politische Akteure bis hin zu Vordenkern und Experten. Kontaktieren Sie uns, um maßgeschneiderte Kooperationsmöglichkeiten zu besprechen.

... werfen wir einen detaillierten Blick auf OpenClaw und die Technologie hinter agentischen KI-Systemen. Während Chatbots auf Anweisungen warten, greifen Agenten direkt auf Geräte zu, ändern Dateien und installieren Programme – autonom und über längere Zeiträume hinweg. In China löst diese Entwicklung bereits einen Massenhype aus, gleichzeitig häufen sich Sicherheitsvorfälle und Kontrollverluste. Wir analysieren, wie diese Systeme funktionieren, welche Chancen sie für Unternehmen bieten und warum Regierungen weltweit vor einem Paradigmenwechsel stehen, der weit über bisherige KI-Debatten hinausgeht.

Wir freuen uns, dass Sie das KI-Briefing regelmäßig lesen. Falls Sie Vorschläge haben, wie wir es noch wertvoller für Sie machen können, spezifische Themenwünsche haben, zögern Sie nicht, auf diese E-Mail zu antworten. Bis zum nächsten mal mit vielen neuen spannenden Insights.

Das strategische Betriebssystem für Entscheidungsträger.

Warteliste…