Matt Shumer hat recht (und unrecht): Der Gap als deine Chance
Warum die KI-Lücke zwischen Potenzial und Realität dein grösstes Zeitfenster ist
Hoi und herzlich willkomma zu den Büro für KI-Insights 👋🏽
Letzte Woche ging ein Essay viral, der 80 Millionen Menschen erreicht hat. Matt Shumer, CEO von OthersideAI, schrieb «Something Big Is Happening» und verglich den aktuellen Moment mit Februar 2020, kurz bevor COVID die Welt veränderte.
Seine These: KI wird Jobs eliminieren, schneller als die meisten denken, und wir sind im «das ist überbewertet»-Stadium kurz vor dem grossen Knall.
Der Post hat einen Nerv getroffen. Fortune, Bloomberg, CNBC berichteten. Diverse Personen fragten mich, ob sie jetzt in Panik geraten sollten. Und ich sass da und dachte: Er hat recht. Und er hat komplett unrecht. Beides gleichzeitig. 🤔
In diesem Newsletter erfährst du:
- Warum Shumer mit fast allem recht hat (die Zahlen sind real)
- Warum trotzdem 95% der Unternehmen null Return sehen
- Wie du die Lücke zwischen Potenzial und Realität für dich nutzt
- 5 konkrete Schritte die funktionieren (nicht Theorie, Praxis)
Let's dive in 🤓🤿
Warum Shumer recht hat
Die Zahlen sind real. 😅
METR (Model Evaluation and Threat Research, eine unabhängige Forschungsorganisation) misst seit Jahren, wie gut KI-Systeme eigenständig arbeiten können. Sie testen sogenannte agentische Systeme, also KI, die autonom komplexe Aufgaben erledigt. Gemessen wird: Wie lange würde ein menschlicher Experte für diese Aufgabe brauchen?
Die neuesten Daten aus ihrer Studie vom März 2025 zeigen: KI schafft mittlerweile Tasks, die 5 Stunden dauern. Bei 50% Erfolgsrate. Und dieser Wert verdoppelte sich alle 7 Monate von 2019 bis 2024. Laut ai-2027.com, die diese Daten analysiert haben, beschleunigt sich das: Ab 2024 benötigt eine Verdopplung nur noch 4 Monate.
https://metr.org/time-horizons/
Wenn dieser Trend weitergeht, können KI-Systeme in 2-4 Jahren wochenlange Projekte autonom durchführen.
Die Beschleunigung ist nicht theoretisch, sie passiert jetzt. Allein in dieser Woche: Anthropic veröffentlichte Claude Sonnet 4.6, das zweite grosse Update in 12 Tagen. Google brachte Gemini 3.1 Pro raus mit einer Verdopplung der Performance bei komplexen Denkaufgaben (77% vs. 38% auf ARC-AGI-2, einem Test, der misst wie gut KI neue Logik-Muster lösen kann). China lancierte Qwen 3.5 für eigenständige KI-Agenten.
Dario Amodei, CEO von Anthropic (die Firma hinter Claude), sagte im Mai 2025 dass KI 50% der Entry-Level White-Collar Jobs (White-Collar = Wissensarbeit / Blue-Collar = manuelle/händische Arbeit) in 1-5 Jahren eliminieren könnte. Jim Farley, CEO von Ford, schätzt die Hälfte aller White-Collar Workers in 10 Jahren.
Und dann ist da noch die Sache mit dem Recursive Self-Improvement (KI, die sich selbst verbessert). OpenAI schrieb in der technischen Dokumentation zu GPT-5.3 Codex (erschienen am 5. Februar 2026): «GPT-5.3 Codex is our first model that was instrumental in creating itself.» Die KI half sich selbst zu bauen. Jede Generation hilft die nächste zu entwickeln, die smarter ist, die wiederum die übernächste schneller baut.
Ich baue (als Nicht-Profi-Programmierer 😉) inzwischen Apps in 2 Stunden (Funnel-Tools, QR-Code-Generatoren, Link-Shortener, Lead-Tracking-Dashboards), für die ich früher CHF 100-200 pro Monat als SaaS-Abo bezahlt habe.
Ich nutze Tools wie Curso, Claude Code, Lovable und Co. seit ihrem Erscheinen. Die Sprünge in nur den letzten paar Wochen sind enorm. Die Modelle werden besser, die Tools verstehen besser was ich will, machen weniger Fehler.
Also: Matt Shumer hat recht.
Warum dieses Mal anders sein könnte
Bei jeder technologischen Revolution gibt es die gleiche Debatte: «Wird schon nicht so schlimm.» «Wurden schon immer neue Jobs geschaffen.» «Ist wie damals mit den Webstühlen.»
Nur: Dieses Mal ist es wahrscheinlich etwas anders.
Die Industrialisierung hat physische Arbeit automatisiert. Webstuhl, Dampfmaschine, Fliessband. Wer seinen Job verlor konnte umschulen, ins Büro wechseln, in den Service. Es gab einen Ort wohin man gehen konnte.
KI automatisiert kognitive Arbeit. Gleichzeitig. Über alle Branchen hinweg.
Wenn ein Anwalt seinen Job verliert weil KI Verträge besser analysiert, wohin geht er dann? Zum Controller? Der wird auch gerade automatisiert. Zum Marketing Manager? Auch betroffen. Zum Software Engineer? Coding ist der Bereich der ZUERST betroffen ist, weil die AI-Labs dort angefangen haben (um KI zu bauen braucht man Code, wenn KI Code schreibt beschleunigt sich alles).
Es gibt keinen sicheren Hafen mehr. Das ist der Unterschied zu früher.
Mustafa Suleyman schreibt in «The Coming Wave» darüber. Dario Amodei warnt in seinen Essays davor. Selbst die Erbauer dieser Technologie sagen: Wir unterschätzen die Geschwindigkeit.
Und ja, natürlich haben die auch Eigeninteressen, aber gerade Dario Amodei und auch Mustafa Suleyman zählen eher zu den vorsichtigeren, gemässigteren Stimmen in der KI-Branche.
Warum trotzdem (fast) nichts passiert
Und jetzt kommt der Teil wo Shumer meiner Ansicht nach daneben liegt.
Das Problem ist nicht die Technologie. Das Problem ist, wie die meisten sie nutzen.
Vor einigen Wochen war ich in einem Altersheim für eine Teamschulung. Jemand fragte ob man mit einem Custom GPT nicht ein E-Learning für Hygienemassnahmen machen könnte. Ich sagte: Wir können auch eine echte App bauen. 10 Minuten später hatten wir einen funktionierenden Prototypen. Mit Lovable. Live. Die Teilnehmenden sassen mit grossen Augen da. «Das geht?»
Am letzten Donnerstag in einer KI-Sprechstunde (biete ich bei Teamschulungen immer 2 Stück im Nachgang an): Ein Services-Team einer Hochschule wollte einen Pikett-Plan erstellen. Zuerst versuchten wir es mit Excel-Templates über ChatGPT (Thinking Mode), zudem mit Copilot und auch mit Manus. Nichts war richtig gut. Am Ende haben wir in knapp 10 Minuten mit Lovable etwas gebaut, das fast auf Anhieb funktionieren würde.
Diese Demos zeigen: Die Technologie schafft das. Aber kaum jemand weiss es.
Viele nutzen Gratis-Versionen, schreiben vage Prompts, wählen das falsche Tool für die Aufgabe. Dann bekommen sie mittelmässige Ergebnisse und denken: «Funktioniert bei uns nicht.»
Das ist wie wenn du mit einem Flip-Phone ins Internet gehst und dann sagst: «Internet ist überbewertet.» 😅
Warum der Gap notwendig ist (und das ist gut so)
Anton Korinek ist Ökonom an der University of Virginia und steht auf der TIME-Liste der einflussreichsten Menschen in AI. In einem Essay für The Atlantic schrieb er Anfang dieses Jahres etwas, das viele übersehen:
«Mass job loss doesn't just mean unemployment. It means missed loan payments, cascading defaults, shrinking consumer demand, and the kind of self-reinforcing downturn that can transform a shock into a crisis.»
Übersetzt: Selbst WENN die Technologie alles automatisieren KANN, DARF es nicht zu schnell gehen. Sonst kollabiert das System. Massenarbeitslosigkeit heisst nicht nur keine Jobs. Es heisst: Kredite werden nicht mehr bezahlt, Firmen gehen pleite, niemand kauft mehr ein, Wirtschaft bricht zusammen.
Wir haben das schon einmal gesehen. Der «China Schock» zwischen 2001 und 2007. China trat der WTO bei, sechs Jahre später waren etwa 25% der US-Manufacturing-Jobs durch chinesische Konkurrenz verdrängt worden, wie David Autor vom MIT in mehreren NBER-Studien dokumentiert hat. Autor, einer der renommiertesten Arbeitsmarkt-Ökonomen, sagt: «Many of those workers still haven't recovered. And we're obviously living with the political consequences.»
In den USA kommen laut Forbes (Dezember 2025) 65-83% der Steuereinnahmen von Löhnen. In der Schweiz sind es etwa 70%. Wenn massenhaft Jobs wegfallen: keine Löhne. Keine Steuern. Kein Staat. Und ohne Konsumenten keine Käufer für die Produkte von Big Tech.
Das System hat einen eingebauten Schutzmechanismus. Es KANN nicht so schnell gehen wie Shumer sagt. Nicht weil die Technologie es nicht schafft, sondern weil das ökonomische System es nicht überlebt.
Nun könnte man einwenden: Vielleicht wird es dieses Mal anders. Manche Ökonomen argumentieren, die Produktivitätsgewinne durch KI könnten so massiv sein, dass ganz neue Branchen und Jobs entstehen, die wir uns heute noch nicht vorstellen können.
Das ist wird passieren, da bin ich sicher. Aber es passiert nicht über Nacht. Und genau deshalb ist der Gap da.
Was das für dich bedeutet
Die Situation: Die Technologie entwickelt sich schnell. Aber die Umsetzung in Unternehmen hinkt deutlich hinterher. Das schafft eine Lücke.
Diese Lücke bedeutet: Wer jetzt lernt wie man KI richtig einsetzt, hat einen Vorsprung. Nicht weil die anderen ausgeschlossen werden. Sondern weil Lernen Zeit braucht. Prozesse aufzubauen braucht Zeit. Interne Kompetenz aufzubauen braucht Zeit.
In 2-3 Jahren haben die einen diese Zeit genutzt. Die anderen fangen dann erst an.
Der Unterschied:
Unternehmen die handeln: Sie verstehen, dass es nicht um die Tools geht, sondern um Arbeitsweise und Change. Sie fangen klein an, lernen kontinuierlich, bauen interne Kompetenz auf. Nach 6-12 Monaten sind Prozesse schneller, Teams produktiver.
Unternehmen die abwarten: Sie beobachten, diskutieren, warten auf den perfekten Moment. Nach 2-3 Jahren starten sie dort, wo die anderen schon sind. Der Lernprozess muss trotzdem durchlaufen werden.
Die Frage ist nicht, ob, sondern wann du anfängst.
Hier sind fünf Schritte, die in der Praxis funktionieren:
Schritt 1: Verstehen, wo du stehst
Bevor du irgendwas machst: ehrliche Bestandsaufnahme.
Drei Fragen:
1. Nutzt ihr ChatGPT in der Business- oder Enterprise-Variante? Oder ein Tool wie Langdock? Wenn die Antwort «Nein» ist: Dann werdet ihr nicht verstehen, was möglich ist. Das ist wie der Vergleich zwischen Smartphone und einem Flip-Phone. 😅 Die Gratis-Version ist über ein Jahr hinter dem, was zahlende Nutzer haben.
2. Habt ihr 1-3 konkrete Use Cases definiert? Nicht «generell nutzen». Nicht «mal schauen, was geht». Sondern: Spezifisch. «Alle Meeting-Notizen über KI.» «FAQs automatisieren.» «Produktbeschreibungen generieren.» Konkret.
3. Gibt es jemanden der dran bleibt? Nicht nur IT. Nicht nur «der Chef findet das spannend». Echte Ownership. Jemand der täglich damit arbeitet, Probleme löst, andere mitnimmt.
Wenn du bei allen drei Fragen «Nein» sagst, dann bist du noch nicht gestartet.
Schritt 2: Klein starten, richtig lernen
Der häufigste Fehler: Mit dem Strategie-Papier anfangen.
«Wir brauchen eine KI-Strategie.» «Wir müssen das im Vorstand besprechen.» «Wir sollten eine Taskforce einsetzen.»
Das kann und sollte man machen. Aber es ist nicht der erste Schritt.
Startet mit EINEM konkreten Projekt. Learning by doing. 2-4 Wochen. Messbar.
Beispiele, die funktionieren:
Marketing: Alle Social-Media-Texte laufen durch KI. Review bleibt bei euch, aber der erste Entwurf kommt von der Maschine. Aus meinen Workshops: Teams berichten 60-70% Zeitersparnis beim Texten.
Support: FAQs automatisieren. Custom GPT mit euren Dokumenten bauen. Erste Ebene automatisiert, komplexe Fragen gehen weiter.
Admin: Meeting-Notizen, E-Mail-Zusammenfassungen, Protokolle. Klingt banal, spart pro Person mehrere Stunden pro Woche.
HR: Job-Beschreibungen, Onboarding-Dokumente, Standard-Antworten. Alles was ihr 10x im Jahr macht.
Ein Projekt. 2-4 Wochen. Dann messbar auswerten. Dann nächstes.
Und ja, zuerst checken, dass das Tool, das ihr nutzt, auch aus Datenschutzsicht «verhebt» ist klar. Und ihr braucht am Ende auch einen Plan. Aber eben, das ist nicht der erste Schritt.
Schritt 3: Change managen (70% Mensch, 30% Tech)
Tools liefern das Potenzial. Die Arbeitsweise nutzt das Potenzial.
Und das ist der Punkt, wo die meisten scheitern.
Häufiger Fehler: Tool kaufen, Zugänge verteilen, fertig. «Hier habt ihr ChatGPT, nutzt es mal.» Drei Monate später: Kaum jemand nutzt es. Kein Impact. «Haben wir versucht, funktioniert bei uns nicht.»
Change braucht Zeit. Begleitung. Iteration.
Was in der Praxis klappt:
KI-Champions intern aufbauen. Nicht nur IT. Aus allen Bereichen. Die Leute, die Bock haben, die experimentieren, die anderen zeigen, was geht. Gebt denen Zeit (offiziell, nicht «nebenbei»). Macht sie zu Multiplikatoren.
Regelmässige Show-and-Tell Sessions. Alle 2 Wochen. 30 Minuten. Jemand zeigt was er oder sie gebaut oder gelernt hat. Keine Präsentation, live Demo. «Ich habe das gemacht, so hat es funktioniert, das waren die Probleme.»
Fehlerkultur etablieren. Nicht «perfekt machen». Sondern «ausprobieren». Wenn jemand 3 Sachen versucht und 2 scheitern: Das ist gut. Learning. Wenn jemand nichts versucht weil er Angst vor Fehlern hat: Das ist das Problem.
Zeit geben. Offiziell. Nicht «macht das mal nebenbei». Sondern: Täglich 30 Minuten zum Experimentieren. Fester Slot im Kalender, z.B. jeden Morgen 9:00-9:30 oder Freitagnachmittag. Das ist keine verschwendete Zeit. Das ist Investment.
Schritt 4: Von Tools zu Arbeitsweise
Zwei Unternehmen. Gleiches Tool. Völlig unterschiedliches Ergebnis.
Unternehmen A: «Hier ist ChatGPT, nutzt es mal.» Nach 3 Monaten: 10% nutzen es regelmässig. Kein messbarer Impact. «Haben wir probiert, bringt bei uns nichts.»
Unternehmen B: «Ab jetzt machen wir alle Meeting-Notizen nur noch so.» (Prozess definiert, Tool integriert, Training gemacht) Nach 3 Monaten: Teil der Routine. Jeder macht es. Spürbare Zeitersparnis. Nächster Use Case wird aufgesetzt.
Der Unterschied: Nicht das Tool. Die Arbeitsweise.
Das heisst nicht, dass ihr alles sofort umkrempeln müsst. Aber ihr müsst Prozesse definieren. «So machen wir das jetzt.» Nicht «kann man machen, wenn man will». Sondern: Standard.
Das ist der Unterschied zwischen «KI auch nutzen» und «KI-First werden».
Schritt 5: KI-First werden (nicht KI-auch)
KI-First heisst: Der Standard-Weg ist mit KI. Die Ausnahme ist ohne. Nicht umgekehrt.
Beispiel:
Nicht: «Könnten wir diesen Text mit KI schreiben?» Sondern: «Warum schreiben wir diesen Text noch manuell?»
Nicht: «Vielleicht können wir KI für die Analyse nutzen.» Sondern: «Welche Teile der Analyse machen wir noch ohne KI und warum?»
Das ist ein Mindset-Shift. Der dauert 6-12 Monate.
In meinen Workshops: «Wie viele von euch nutzen ChatGPT täglich?» Meist 20-30%. «Wie viele von euch nutzen Google täglich?» 100%.
Google ist default. ChatGPT ist optional.
KI-First heisst: ChatGPT (oder was auch immer ihr nutzt) wird default. Wie Google vor 20 Jahren.
Der ehrliche Realitätscheck
Integration dauert länger als Shumer sagt. Aber kürzer als Skeptiker hoffen.
Meine Einschätzung basierend auf Workshops, Projekten und Gesprächen:
2-3 Jahre bis spürbare Verschiebungen in KMU. Nicht «Jobs sind weg». Sondern: «Wir brauchen weniger Leute für das gleiche.» Oder: «Die gleichen Leute machen viel mehr.» Teams werden kleiner. Neueinstellungen werden kritischer hinterfragt.
5-7 Jahre bis breite Disruption. Nicht weil die Technologie es nicht früher könnte. Sondern weil das System sich schützt. Gewachsene IT-Infrastruktur, Organisation, Compliance, Menschen, Volkswirtschaft.
Was es kostet (ehrlich):
ChatGPT Business: $30 pro Person pro Monat. Für ein Team von 10 Leuten: $300/Monat. Das sind $3'600 im Jahr. Weniger als ein einziger Schulungstag.
Zeit zum Lernen: 1 Stunde pro Tag für 3-6 Monate. Für Champions. Nicht für alle. Aber die Champions brauchen die Zeit.
Change-Begleitung: Workshop plus Follow-ups. Je nach Grösse meist zwischen CHF 20'000 bis 80'000 (kann auch mehr sein). Zum Vergleich: Ein ERP-Update oder eine Website-Migration kostet schnell auch mal CHF 50.000+.
Risiko: Fehler machen. Dinge ausprobieren die nicht funktionieren. Zeit investieren die nicht sofort ROI bringt.
Die Kosten des Nicht-Handelns sind schwer zu beziffern. Aber sie sind real. Wer in 3 Jahren immer noch diskutiert, ob man anfangen soll, während andere längst produktiv arbeiten, hat ein Problem. Nicht weil die Technologie einen ersetzt. Sondern weil man schlicht langsamer ist.
Key Takeaways
- Shumer hat recht: KI-Fähigkeiten wachsen exponentiell (METR: Verdopplung alle 7 Monate, seit 6 Jahren konstant)
- Der Gap ist ein Umsetzungsproblem: Die Technologie funktioniert, aber falsche Nutzung führt zu schlechten Ergebnissen und sinkendem Vertrauen
- Wer früh startet, hat Vorsprung: Produktivere Teams, schnellere Prozesse, messbar nach 6-12 Monaten
- Nicht Tools, sondern Arbeitsweise: 70% Mensch, 30% Tech, Change braucht Zeit und Begleitung
- Klein starten, richtig lernen: Ein Projekt, 2-4 Wochen, messbar, dann iterieren
- KI-First werden: Standard ist mit KI, Ausnahme ist ohne
Fazit
Shumer und Amodei haben recht: Die Technologie entwickelt sich schnell, die Zahlen sind real. Aber sie übersehen etwas Entscheidendes: Das Problem ist nicht die Technologie. Das Problem ist die Umsetzung.
Die Ökonomen haben auch recht. Das System bremst aus gutem Grund. Es kann nicht so schnell gehen, wie manche vorhersagen.
Das schafft den Gap. Und genau da liegt die Chance.
Zwischen «technisch möglich» und «praktisch umgesetzt» liegt ein Zeitfenster. Wer jetzt lernt, Prozesse aufbaut, interne Kompetenz entwickelt, hat in 2-3 Jahren einen messbaren Vorsprung.
Nicht weil die Technologie dann nicht mehr da ist. Sondern weil Lernen Zeit braucht. Und die Zeit läuft jetzt.
Bis nächsten Sonntag 👋🏽
Andreas
Kommentare
Melde dich an, um einen Kommentar zu schreiben.