Vom Intelligenzüberfluss zum materiellen Überfluss: Was fehlt?
1. Das erste Paradoxon: AI ist bereits mächtig, aber der Überfluss ist noch nicht da
Wenn wir nur die Welt im Inneren des Bildschirms betrachten, fühlt sich die AI-Revolution bereits real an.
Ein Schüler kann AI als Mathe-Nachhilfelehrer verwenden.
Ein Designer kann Dutzende von visuellen Richtungen generieren.
Ein Programmierer kann AI bitten, den Code zu vervollständigen, Fehler zu erklären und Module umzugestalten.
Ein Produktmanager kann Interviews zusammenfassen, Wettbewerber analysieren und Anforderungen entwerfen.
Ein Gründer kann mit einem kleinen virtuellen Team Geschäftspläne, Landingpages und Marketingtexte schreiben.
Ein Forscher kann schneller als je zuvor Aufsätze lesen, Argumente extrahieren und Hypothesen aufstellen.
Fähigkeiten, die vor zehn Jahren fast unvorstellbar waren, stehen heute dem Einzelnen zur Verfügung. Stanfords AI-Index 2025 berichtet, dass die weltweiten privaten Investitionen in generatives AI im Jahr 2024 33,9 Milliarden US-Dollar erreichten, während die Nutzung von AI durch Unternehmen von 55 % im Jahr 2023 auf 78 % im Jahr 2024 stieg. AI hat sich von der Neugier zur breiten industriellen Verbreitung entwickelt.
Aber wenn wir den Bildschirm verlassen und Krankenhäuser, Schulen, Fabriken, Bauernhöfe, Altenpflegezentren, Baustellen und städtische Infrastruktur betreten, treffen wir auf eine andere Realität.
Die Gesundheitsversorgung ist immer noch teuer.
Wohnen ist immer noch teuer.
Energie ist immer noch teuer.
Die Bildung ist immer noch uneinheitlich.
In der Altenpflege mangelt es immer noch an Arbeitskräften.
Fabriken sind immer noch auf Technik und Lieferketten angewiesen.
Die Landwirtschaft wird immer noch durch Klima, Land, Wasser und Arbeit eingeschränkt.
Die Logistik hängt immer noch von Straßen, Lagerhäusern, Treibstoff, Fahrern und Vorschriften ab.
Intelligenz wird im Überfluss vorhanden, aber das Leben ist noch nicht im Überfluss vorhanden.
Das liegt nicht daran, dass AI unwichtig wäre. Das liegt daran, dass Intelligenz nicht das Endprodukt ist. Intelligenz ist ein Input, eine Fähigkeit, ein neuer Produktionsfaktor. Es muss konvertiert werden, bevor es die reale Welt verändert.
Elektrizität hat die Gesellschaft nicht verändert, als sie entdeckt wurde. Es mussten Kraftwerke, Netze, Zähler, Motoren, Lampen, Geräte, Fabriken, Stadtbeleuchtung und Regulierungssysteme werden. AI ist ähnlich. Große Modelle allein sind nicht das Zeitalter des Überflusses. Chatbots allein sind nicht das Zeitalter des Überflusses. Roboterdemos allein sind nicht das Zeitalter des Überflusses.
Wirklicher Überfluss erfordert eine längere Umwandlungskette.
2. Ein fünfschichtiges Konvertierungsmodell für AI-Abundance
Ein nützliches Modell ist:
Intelligenz -> Tools -> Workflows -> Organisationen -> physische Produktion -> soziale Verteilung.
Streng genommen sind das sechs Knoten und fünf Konvertierungen. Der wichtige Punkt ist, dass der AI-Wert nicht automatisch von der Modellfähigkeit in die gesellschaftlicher Überfluss übergeht. Es muss jede Schicht passieren.
Intelligenz zu Werkzeugen fragt, ob AI für normale Menschen und Organisationen verpackt werden kann. Das Erfolgssignal ist die Verbreitung von Assistenten, Copiloten und Domänenanwendungen. Der Fehlermodus ist AI, der in Laboren und Expertenkreisen verbleibt.
Tools für Workflows fragt, ob AI in echte Taskketten eintreten kann. Das Erfolgssignal ist die mehrstufige Umsetzung über alle Geschäftssysteme hinweg. Der Fehlermodus ist, dass AI ein Schreib-, Zusammenfassungs- und Frage-und-Antwort-Tool bleibt.
Workflows für Organisationen fragt, ob AI die Unternehmensstruktur und Zusammenarbeit verändert. Das Erfolgssignal ist der Aufstieg von AI-Arbeitern, Agent-Betriebssystemen und Mensch-AI-Hybridorganisationen. Der Fehlermodus besteht darin, dass AI zu einem Mitarbeiter-Plug-in wird, ohne dass sich die Organisation ändert.
Organisationen zur physischen Produktion fragt, ob AI in den Bereichen Fertigung, Logistik, Gesundheitswesen, Landwirtschaft, Energie, Bauwesen und Pflege tätig ist. Das Erfolgssignal ist die Verbreitung von Robotik, intelligenten Fabriken und intelligenten Lieferketten. Der Fehlermodus besteht darin, dass der Überfluss digital bleibt.
Produktivität zur sozialen Verteilung fragt, ob AI-Zuwächse breite Bevölkerungsgruppen erreichen können. Das Erfolgssignal ist öffentliches AI, universellere Bildung und Gesundheitsversorgung, Mechanismen für Datenrechte und niedrigere Zugangsbarrieren. Der Fehlermodus ist Plattformüberfluss und Kapitalüberfluss, aber nicht Überfluss für normale Menschen.
Der Modellfortschritt stärkt den ersten Input. Die soziale Transformation hängt von der Umwandlungseffizienz der späteren Schichten ab.
3. Erste Ebene: Von der Intelligenz zu den Tools
Technische Durchbrüche finden erst Eingang in den Alltag, wenn sie zu Werkzeugen werden.
Aus Elektrizität mussten Lampen, Motoren, Telefone und Geräte werden. Aus dem Verbrennungsmotor mussten Autos, Traktoren, Flugzeuge und Schiffe werden. Computer mussten zu PCs, Software, Browsern und Telefonen werden. Das Internet musste zu Suche, E-Commerce, sozialen Medien, Zahlungen und Karten werden.
AI muss auch zu konkreten Werkzeugen werden: Schreibwerkzeuge, Codierungsassistenten, Design-Tools, Besprechungsnotizsysteme, Kundendienst-Bots, Datenanalyse-Assistenten, Tools für Rechtsdokumente, AI-Suche, multimodale Erstellungsprodukte und persönliche Assistenten.
Diese Tools senken die Kosten für Informationsverarbeitung, Inhaltserstellung, Codegenerierung und Wissensabruf. McKinsey hat geschätzt, dass generatives AI in 63 Anwendungsfällen einen jährlichen wirtschaftlichen Wert von 2,6 bis 4,4 Billionen US-Dollar schaffen könnte, und die Auswirkungen könnten noch größer werden, wenn AI in mehr Software eingebettet wird.
Bei der Toolisierung geht es jedoch nicht einfach darum, ein Modell hinter eine Schnittstelle zu stellen. Wertvolle AI-Werkzeuge benötigen mindestens fünf Dinge.
Erstens, Kontext. AI muss verstehen, wer der Nutzer ist, was die Aufgabe ist, welcher Verlauf wichtig ist und welche Regeln gelten.
Zweitens, Schnittstelle. AI kann nicht nur in einer Chatbox leben. Es muss IDEs, E-Mails, Tabellenkalkulationen, CRM, Browser, Telefone, Brillen, Autos und Roboter eingeben.
Drittens: Erinnerung. AI muss sich langfristige Ziele, Vorlieben, Projekthintergründe und Beziehungen merken und gleichzeitig dafür sorgen, dass dieses Gedächtnis bearbeitbar, löschbar und kontrollierbar bleibt.
Viertens: Werkzeuggebrauch. AI muss Dateien lesen, Datenbanken abfragen, E-Mails senden, Besprechungen erstellen, APIs aufrufen, in Systeme schreiben und Workflows auslösen.
Fünftens: Sicherheit und Berechtigungen. Kann AI einen Vertrag ausführen, bezahlen, senden, eine Datenbank ändern oder einen Nutzer repräsentieren? Für jede Aktion sind Berechtigungsgestaltung und Verantwortlichkeit erforderlich.
Von Intelligenz zu Werkzeugen bedeutet, intelligente Produkte zu entwickeln, die von Menschen genutzt werden können, in den Kontext eingebettet, durch Berechtigungen kontrolliert und im Nachhinein rückverfolgbar sind.
4. Zweite Ebene: Von Tools zu Workflows
Werkzeuge lösen individuelle Aufgaben. Workflows lösen vollständige Ergebnisse. Dies ist die Grenze zwischen AI, das beeindruckend ist, und AI, das wirtschaftlich wertvoll wird.
Ein Schreibassistent kann einem Verkäufer beim Verfassen einer E-Mail helfen. Aber Verkaufen ist nicht der Akt des Schreibens einer E-Mail. Dazu gehört die Suche nach Leads, die Beurteilung des Kontowerts, die Recherche des Kunden, die Erstellung einer Kontaktstrategie, das Versenden der ersten Nachricht, die Nachverfolgung, die Buchung von Besprechungen, die Aktualisierung des CRM, die Erstellung eines Angebots, die Koordinierung der rechtlichen Prüfung, der Abschluss des Vertrags, das Einziehen der Zahlung und die Pflege der Beziehung.
Wenn AI nur eine E-Mail schreibt, handelt es sich um ein Tool. Wenn AI die Lead-Erkennung, Kontoanalyse, Kommunikation, Angebotserstellung, Vertragsabwicklung und Inkasso bewältigen kann, ist es in den Workflow eingetreten.
Der Workflow AI nimmt an der Geschäftsschleife teil: Eingabe, Beurteilung, Entscheidung, Ausführung, Feedback, Aufzeichnung und Optimierung. Dazu muss es eine Verbindung zu realen Systemen wie E-Mail, Kalender, CRM, ERP, Finanzen, HR, Code-Repositorys, Datenbanken, Ticketing, Logistik, Zahlungen und Verträgen herstellen.
Aus diesem Grund sehen viele AI-Produkte in Demos außergewöhnlich aus, verbreiten sich aber in Unternehmen nur langsam. Unternehmen kaufen Modellfähigkeit nicht abstrakt ein. Sie kaufen kontrollierte Ergebnisse.
Kann es in unsere Systeme integriert werden? Kann es Berechtigungen befolgen? Kann es Entscheidungen erklären? Können dadurch die Kosten gesenkt werden? Kann es Fehler reduzieren? Kann es einen messbaren ROI erzielen? Wer ist verantwortlich, wenn es scheitert? Kann es geprüft werden?
Ohne Antworten auf diese Fragen bleibt AI am Rande der Arbeit. Von Tools zu Workflows ist der wichtigste Schritt bei der Kommerzialisierung von AI.
5. Dritte Ebene: Von Workflows zu Organisationen
Wenn AI nur ein Werkzeug ist, ändert das Unternehmen nicht viel. Wenn AI in die Workflows eintritt, beginnt sich das Unternehmen zu verändern. Wenn AI viele Workflows zuverlässig ausführen kann, wird die Organisationsstruktur selbst neu geschrieben.
Ein Unternehmen ist ein Koordinationsmechanismus. Es organisiert Menschen, Kapital, Informationen, Technologie und Prozesse, um die Kosten von Markttransaktionen zu senken. Traditionelle Unternehmen brauchen Abteilungen, Hierarchien und Manager, denn Informationstransfer, Aufgabenkoordination, Überwachung und Entscheidungskommunikation sind allesamt mit Kosten verbunden.
AI senkt viele dieser Koordinationskosten. Besprechungen können automatisch zusammengefasst werden. Aufgaben können automatisch zugewiesen werden. Projektrisiken können früher erkannt werden. Der Kundenstatus kann kontinuierlich aktualisiert werden. Es können Berichte generiert werden. Ausnahmen können gekennzeichnet werden. Wissen kann erfasst werden. Genehmigungen können weitergeleitet werden. Neue Mitarbeiter können AI nutzen, um den Hintergrund des Unternehmens schneller zu verstehen.
Das deutet auf eine Verschiebung von der menschlichen Hierarchie hin zu Kooperationsnetzwerken zwischen Menschen hin.
AI-native Unternehmen können fünf Merkmale aufweisen. Kleine Teams mit hoher Hebelwirkung. AI-Mitarbeiter als normaler Teil der Organisation. Manager werden zu Systemdesignern und nicht zu Aufgabenverfolgern. Organisationswissen wird in Echtzeit erfasst. Menschliche Rollen bewegen sich nach oben in Richtung Ziele, Urteilsvermögen, Geschmack, Beziehungen, Ethik, Verantwortung und wichtige Entscheidungen.
Dies ist auch der Grund, warum die Auswirkungen von AI auf die Beschäftigung nicht nur darin bestehen, Arbeitsplätze zu ersetzen. Es wird eine organisatorische Neuzusammensetzung sein. McKinsey hat argumentiert, dass der heutige generative AI in Kombination mit anderen Technologien Arbeitsaktivitäten automatisieren könnte, die 60 bis 70 % der Mitarbeiterzeit in Anspruch nehmen. Ob dies zu einem Produktivitätswachstum führt, hängt von Arbeitskräfteübergängen, Umschulungen und organisatorischen Veränderungen ab.
Der eigentliche Wandel besteht darin, dass Unternehmen nicht mehr nur an der Grenze menschlicher Kapazitäten ausgerichtet sind, sondern sich stattdessen an Netzwerken mit AI-Kooperationskapazitäten orientieren.
6. Vierte Ebene: Von Organisationen zur physischen Produktion
Dies ist das Schlüsseltor zwischen Intelligenzreichtum und materiellem Wohlstand.
Wenn AI-Dokumente, Besprechungen, Code und Kundenservice ändert, erhöht dies die Effizienz der Wissensarbeit. Aber viele der größten Kosten im normalen Leben werden nicht schnell sinken. Lebensmittel, Wohnen, Energie, Transport, medizinische Geräte, Medizin, Logistik, Altenpflege, Bauwesen und Industriegüter leben in der physischen Welt.
Diese Domänen erfordern mehr als nur Sprachmodelle. Sie brauchen Roboter, Sensoren, automatisierte Fabriken, intelligente Lieferketten, neue Materialien, kostengünstige Energie und technische Systeme.
Roboter sind der Körper, durch den AI in die physische Produktion gelangt. Die International Federation of Robotics berichtete, dass im Jahr 2024 rund 542.000 Industrieroboter in Fabriken weltweit installiert wurden, mehr als doppelt so viel wie ein Jahrzehnt zuvor und das vierte Jahr in Folge über 500.000 Installationen. Auf Asien entfielen 74 % der Neuzugänge.
Robotik ist keine Science-Fiction mehr. Aber die meisten Roboter sind immer noch spezialisiert: Schweißen, Lackieren, Bewegen, Palettieren, Sortieren und Prüfen in stabilen Umgebungen mit klarem ROI. Der materielle Überfluss erfordert halb- und allgemeine Roboter, die Häuser reinigen, ältere Menschen pflegen, Getreide anbauen, auf Baustellen arbeiten, in Krankenhäusern liefern, mit Menschen in komplexen Räumen zusammenarbeiten, Aufgaben in natürlicher Sprache verstehen und neue Fähigkeiten erlernen können.
Der Übergang von Organisationen zur physischen Produktion ist kein einzelnes Modellproblem. Es handelt sich um ein Systemproblem: Hardwarekosten, Sensorgenauigkeit, Batterien und Energie, Bewegungssteuerung, Sicherheitsstandards, Wartungsnetzwerke, Versicherungen, Regeln für die Zusammenarbeit zwischen Mensch und Roboter, Manipulationsdaten, Lieferketten und Produktionskapazität.
Aus diesem Grund wird sich die physischer Überfluss langsamer einstellen als die digitaler Überfluss. Die digitale Vervielfältigung ist am Rande nahezu kostenlos. Die physische Replikation erfordert immer noch Material, Energie, Raum und Zeit.
Aber wenn AI auf lange Sicht mit Robotik, Fertigung und Energie kombiniert wird, könnte seine Wirkung weitreichender sein als die heutige Content-Generierung.
7. Fünfte Ebene: Von der Produktivität zur sozialen Verteilung
Selbst wenn AI die Produktivität steigert, bedeutet dies nicht, dass jeder reicher wird.
Die Geschichte zeigt immer wieder, dass Produktivitätswachstum und soziale Wohlfahrt keine automatischen Äquivalente sind. In der frühen industriellen Revolution profitierten zunächst Kapital- und Fabrikbesitzer, während viele Arbeiter unter niedrigen Löhnen, gefährlicher Arbeit und städtischer Armut litten. Erst später wurde die industrielle Produktivität durch Gewerkschaften, Arbeitsrecht, öffentliche Bildung, öffentliche Gesundheit, soziale Sicherheit und Steuersysteme zu einem breiteren Leben der Mittelschicht.
Die AI-Ära steht möglicherweise vor einer verschärften Version desselben Problems, da wichtige Produktionsinputs leicht konzentriert werden können: Berechnung in einigen wenigen Cloud-Plattformen und Chip-Lieferketten, Gründungsmodelle in einigen wenigen kapitalreichen Unternehmen, hochwertige Daten in großen Plattformen und Institutionen, Nutzerzugriff in Betriebssystemen und Browsern, Roboterfertigung in einigen wenigen Industriesystemen und Energieressourcen in bestimmten Regionen.
Wenn diese Eingaben konzentriert werden, kann AI-Plattformüberfluss, Kapitalüberschuss, Überfluss für einige Länder, Überfluss für einige Städte oder Überfluss für hochqualifizierte Gruppen erzeugen. Das ist nicht dasselbe wie Überfluss für die Gesellschaft.
Deshalb sind Verteilungsmechanismen wichtig. Öffentliche AI-Dienste, öffentliche Datenverarbeitung, universelle AI-Bildung, AI fähige Gesundheitsversorgung, Datenrechte, AI-Dividendenfonds, Umschulungskonten, kürzere Arbeitszeiten, stärkere Interoperabilität, Kartellrecht und universelle Basisdienste sind mögliche Richtungen.
Der Überfluss endet nicht mit der Schaffung von Produktivität. Es muss verteilt, geschützt, vertrauenswürdig und stabil genug gemacht werden, um verwendet zu werden.
8. Die größte Variable: Effizienz der Intelligenzkonvertierung
Das zentrale Konzept ist die Effizienz der Intelligenzumwandlung: Wie viel realer wirtschaftlicher Wert, sozialer Wert und Lebensverbesserung kann mit einer Einheit der AI-Fähigkeit erzielt werden?
Das gleiche Modell kann in unterschiedlichen Kontexten eine sehr unterschiedliche Konvertierungseffizienz aufweisen. Wird zum Chatten verwendet, kann die Konvertierungseffizienz begrenzt sein. Eingebettet in Bürosoftware erhebt es sich. Verbunden mit Unternehmensabläufen steigt es noch weiter. Verbunden mit Lieferketten und Fabriken beginnt es, die Materialproduktion zu beeinflussen. Auf die öffentliche Bildung und das Gesundheitswesen angewendet, könnte sein gesellschaftlicher Wert größer werden. Wenn es in wissenschaftlichen Entdeckungen und Energiesystemen eingesetzt wird, könnte sein langfristiger Wert noch größer sein.
Die Kluft zwischen den Unternehmen entsteht durch die Effizienz der Informationskonvertierung. Daraus wird auch die Kluft zwischen den Ländern entstehen. Auch die Kluft zwischen den Individuen wird davon abhängen.
Ein Land gelangt nicht in den Überfluss, nur weil es über starke Modelle verfügt. Es braucht außerdem kostengünstige Energie, Rechenzentren, Chipversorgung, Robotik, Fertigungsszenarien, Bildungssysteme, digitalisierte öffentliche Dienste, flexible Regulierung und organisatorische Fähigkeiten, um AI in die Realwirtschaft zu bringen.
Die Vereinigten Staaten sind möglicherweise stark in den Bereichen Modelle, Cloud, Software, Kapital und Forschung. China könnte in den Bereichen Fertigung, Robotik, neue Energie, Lieferketten und Anwendungsbereitstellung stark sein. Europa könnte in den Bereichen Industrie, Regulierung, Datenschutz und öffentliche Verwaltung stark sein. Der Nahe Osten ist möglicherweise stark in den Bereichen Energie, Kapital und Rechenzentrumsbau. Indien und Südostasien könnten hinsichtlich der Dienstleistungsarbeit, der Bevölkerungsgröße und der kostengünstigen digitalen Einführung stark sein.
Das AI-Zeitalter des Überflusses wird nicht gleichmäßig ankommen. Es erscheint zuerst dort, wo die Effizienz der Nachrichtenkonvertierung hoch ist.
9. Zusammenfassung
Warum ist AI bereits mächtig, obwohl das Zeitalter des Überflusses noch nicht angekommen ist?
Weil wir uns erst im Anfangsstadium der Intelligenzüberfluss befinden. Die längeren Aufgaben umfassen Toolisierung, Workflowisierung, organisatorische Transformation, physische Produktion und soziale Verteilung.
Der Wert von AI besteht nicht darin, wie viel es sagen kann, wie viele Anzeigen es schreiben kann oder wie viele Bilder es generieren kann. Sein tieferer Wert besteht darin, ob es in reale Systeme eindringen kann: Unternehmensprozesse, Organisationsstrukturen, Roboter, Fabriken, Krankenhäuser, Schulen, Energiesysteme, Landwirtschaft, Städte und öffentliche Dienste.
Das AI-Zeitalter des Überflusses ist kein Modellereignis. Es handelt sich um einen Systemumstellungsprozess.