Der verschobene Engpass

Stand: Juli 2026

Zusammenfassung

AI-Nutzung ist im Berufsalltag zur Normalität geworden: Drei Viertel der Fachkräfte ohne Führungsverantwortung arbeiten inzwischen regelmäßig mit generativer AI.¹ Die Arbeit selbst hat sich dagegen kaum verändert. BCG bringt den Befund seiner aktuellen Studie auf eine bemerkenswerte Formel: AI verändert Jobs schneller, als Unternehmen ihre Arbeit umgestalten.¹ Dieses Papier beschreibt in sechs Thesen, was sich in der Produktentwicklung tatsächlich verschiebt, warum die üblichen Einführungsprogramme daran vorbeigehen, und was Unternehmen stattdessen tun sollten.

These 1: Software zu schreiben ist nicht mehr der Engpass. Entscheiden schon.

Wie schnell sich die Werkzeuge verbessern, zeigt der AI Index der Stanford University an einem Test, in dem Modelle echte Programmieraufgaben aus großen Softwareprojekten eigenständig lösen: Innerhalb eines einzigen Jahres stieg der Anteil der gelösten Aufgaben von 60 auf nahezu 100 Prozent.² Was das praktisch heißt, beschreibt Dario Amodei, Chef des AI-Unternehmens Anthropic, in einem Essay vom Juni 2026 aus der Innensicht der Labore.³ Code zu erzeugen wird, nüchtern betrachtet, zur Massenware.

„In nur vier Jahren sind AI-Modelle von kaum einer brauchbaren Zeile Code dahin gekommen, den größten Teil des Codes in den großen AI-Unternehmen zu schreiben."

Was dabei nicht mitwächst, ist die Kapazität, all das Erzeugte zu prüfen und die richtigen Aufträge zu erteilen. Das Schreiben von Code machte schon immer nur einen Teil des Entwicklungszyklus aus; der Rest war Verstehen, Abstimmen, Prüfen, Entscheiden. Wer den Bauteil radikal beschleunigt, staut die Arbeit an der nächsten Engstelle. Genau das lässt sich inzwischen messen: 47 Prozent der regelmäßigen AI-Nutzer verbringen mehr Zeit damit, AI anzuleiten, zu prüfen und zu korrigieren, als die Arbeit selbst zu erledigen.¹ Andrej Karpathy, einer der prägenden Köpfe des Feldes, fasste dieselbe Beobachtung kürzlich in einen Satz: Der Engpass liegt im Verständnis dessen, was man eigentlich bauen will und warum.⁴ Die knappe Ressource ist nicht mehr die ausführende Hand, sondern das Urteil. Was diese Verschiebung für die Softwareentwicklung selbst bedeutet, vom neuen Gewicht des Testens bis zum Stau in den Code-Reviews, lest ihr unter „Wer prüft den ganzen Code?“.

Jahrzehntelang war Engineering-Kapazität die knappste Ressource der Produktentwicklung. Roadmaps, Quartalsplanungen und ganze Organisationsstrukturen sind um diese Knappheit herum gebaut. Diese Annahme gilt nicht mehr. Wenn ein Prototyp an einem Nachmittag entsteht statt in drei Sprints, ist nicht mehr die Frage, was wir bauen können. Sondern ob jemand schnell genug und gut genug entscheidet, was gebaut werden soll. Der Engpass verschiebt sich vom Maschinenraum auf die Brücke.

These 2: Wer Lizenzen verteilt, hat noch keine Strategie.

Das verbreitetste AI-Einführungsmuster sieht so aus: Das Unternehmen beschafft Lizenzen, schaltet sie frei, hält vielleicht eine Schulung ab und erwartet Produktivität. Wenn ich Produktmanager und Product Owner trainiere, begegnet mir dieses Muster seit knapp einem Jahr in jedem Training. Die Produktleute haben Zugang zu Werkzeugen, aber niemand hat mit ihnen erarbeitet, wie sich ihre Arbeit dadurch verändert. Sie bekommen Tokens und sollen dann schon machen.

Dabei beginnt die eigentliche Bewährungsprobe gerade erst. Zwei Jahre lang haben sich viele Beschäftigte mit privaten Accounts beholfen oder mit einer leistungsschwachen Unternehmenslösung gearbeitet. Erst seit Anfang dieses Jahres stehen die wirklich leistungsfähigen Modelle breit zur Verfügung, und ihre Nutzung kostet spürbar Geld. Wenn diesem Investment jetzt keine veränderte Arbeitsweise folgt, verbrennt das sichtbar Budget.

Die aktuelle BCG-Studie unter 11.749 Beschäftigten in 14 Märkten zeichnet das Muster im Großen nach. Die Nutzung ist da, weit verbreiteter als noch ein Jahr zuvor. Von den Fachkräften, die regelmäßig mit AI arbeiten, sparen gut vier von zehn mindestens einen vollen Arbeitstag pro Woche. Aber zwei Drittel erhalten keine oder kaum Orientierung, was sie mit der gewonnenen Zeit anfangen sollen.¹ Ein Tag pro Woche, organisationsweit, ohne Verwendung. Es gibt kaum ein präziseres Bild für Adoption ohne Strategie.

Vier von zehn regelmäßigen AI-Nutzern sparen einen vollen Arbeitstag pro Woche. Zwei Drittel wissen nicht, wohin damit.

Dieselbe Studie sagt auch: eine klare AI-Strategie hebt den messbaren Geschäftseffekt um 25 Prozentpunkte, und die erfolgreichen Unternehmen verlagern ihren Fokus von einzelnen Pilotprojekten auf das Neugestalten durchgehender Arbeitsabläufe.¹ Tada - AI-Einführung ist somit Organisationsentwicklung, nicht IT-Beschaffung. Der Unterschied zwischen Nutzung und Wirkung ist eine Frage des Operating Models, nicht des Budgets.

These 3: Teams werden kleiner, Verantwortung pro Kopf wächst.

Die Vorboten sind in den Arbeitsmarktdaten angekommen: Die Beschäftigung von Softwareentwicklern zwischen 22 und 25 Jahren ist seit 2024 um fast 20 Prozent gefallen.² Die AI-Unternehmen selbst führen vor, wohin die Reise geht: Anthropic und OpenAI erwirtschaften pro Mitarbeiter mehr Umsatz als jeder Technologiekonzern der Forbes Global 2000.⁵ Und die Erwartung hat die Breite erreicht: 65 Prozent der Manager gehen davon aus, dass AI-Agenten innerhalb der nächsten drei Jahre mindestens die Hälfte ihrer heutigen Aufgaben übernehmen.¹

„Man darf Wissensarbeiter nicht mit Wissensarbeit verwechseln. Die Wissensarbeit von heute lässt sich vermutlich automatisieren."

Lasst uns diese Prognose weiter denken: wenn AI-Systeme einen wachsenden Teil der Ausführungsarbeit übernehmen, sinkt der Koordinationsbedarf zwischen Menschen. Vieles von dem, was große Produktorganisationen heute beschäftigt, *ist* Koordination.

Für die einzelne Produktmanagerin bedeutet das einen größeren Wirkungsradius. Sie kann Discovery, Prototyping und Analyse in einem Umfang selbst leisten, der früher drei Zulieferfunktionen erfordert hätte. Für die Organisation bedeutet es das Gegenteil von Beruhigung: Kleinere Teams mit größerem Hebel brauchen bessere Leute, klarere Verantwortung und mehr Vertrauen. Die Qualität der einzelnen Produktentscheidung wird wichtiger, weil weniger Instanzen sie korrigieren werden.

Daraus folgt nicht, dass Personalabbau eine AI-Strategie wäre. Demis Hassabis, Chef von Google DeepMind, nannte Stellenstreichungen als Antwort auf AI einen Mangel an Vorstellungskraft: Wenn Teams drei- bis viermal produktiver werden, sei das Gebot, drei- bis viermal mehr zu erreichen.⁶ Was daraus folgt, ist etwas anderes: Organisationsdesign wird wieder eine Führungsaufgabe. Zuschnitt der Teams, Tiefe der Hierarchie, Entscheidungsrechte. Wer seine Struktur unverändert lässt und nur Werkzeuge hinzufügt, bezahlt die alte Koordinationslast weiter und verschenkt den Hebel.

„Ein Mangel an Vorstellungskraft, und ein Mangel an Verständnis dafür, was wirklich passieren wird."

These 4: Geschwindigkeit wird vom Projektziel zur Organisationseigenschaft.

Jede Organisation behauptet von sich, schneller werden zu wollen. Neu ist, dass die Taktrate des Wettbewerbs sich tatsächlich ändert. Der Anteil der Beschäftigten, die AI-Agenten fest in ihre Arbeitsabläufe integriert haben, hat sich binnen eines Jahres von 13 auf 30 Prozent mehr als verdoppelt.¹ Marktbeobachter wie Gartner beschreiben, wie diese Werkzeuge vom reinen Code-Schreiben auf den gesamten Entwicklungsprozess ausgreifen, von der Anforderung bis zum Test.⁷ Unternehmen, die so arbeiten, iterieren in Tagen, wo eingespielte Produktorganisationen in Quartalen planen. Der Unterschied ist nicht Fleiß, sondern eine andere Arbeitsweise: kurze Entscheidungswege, kleine Einheiten, direkte Marktrückkopplung.

„Wir sind über den Ereignishorizont hinaus; der Take-off hat begonnen."

Entscheidend ist die Relation der Geschwindigkeiten. Wenn Bauen billig wird, bestimmt die langsamste Stelle im System das Tempo, und das ist zunehmend der Entscheidungsprozess selbst: Gremien, Budgetzyklen, Abstimmungsschleifen. Eine Organisation, die jede Produktentscheidung durch drei Ebenen trägt, kann beliebig viel AI beschaffen und wird trotzdem von einem Zwei-Personen-Wettbewerber unterboten, der heute lernt, was Kunden morgen wollen.

Geschwindigkeit ohne Urteilskraft produziert allerdings nur schnelleren Ausschuss. Tempo ist deshalb eine Eigenschaft des Operating Models und kein Beschaffungsthema. Es entsteht dort, wo Entscheidungskompetenz nahe am Produkt liegt und Lernen institutionalisiert ist. Und es hat einen menschlichen Preis, auf den These 6 zurückkommt.

These 5: Wissen wird zur Infrastruktur.

Ein AI-System ist so gut wie der Kontext, den es bekommt. Das ist die unterschätzteste Erkenntnis der vergangenen zwei Jahre, kommt aber inzwischen immerhin in den Chefetagen an: 82 Prozent der IT- und Datenverantwortlichen sagen, dass geschicktes Formulieren von Anfragen allein nicht mehr ausreicht, und 83 Prozent erwarten, dass autonome AI-Systeme ohne eine belastbare Wissensgrundlage nicht produktionsreif werden. Zugleich verzögern 61 Prozent der Organisationen AI-Initiativen, weil ihnen vertrauenswürdige, verlässliche Daten fehlen.⁸ Anders gewendet: Der Unterschied zwischen einem generischen Chatbot und einem wirksamen Werkzeug liegt nicht im Modell, sondern darin, was die Organisation ihm über sich selbst beibringen kann.

Damit bekommt eine alte Schwäche neues Gewicht. Das meiste Wissen in Produktorganisationen ist implizit: Es steckt in Köpfen, in Fluren, in gewachsenen Konventionen, bestenfalls in verstreuten Dokumenten. Für Menschen war das immer schon teuer, AI macht es zum harten Wettbewerbsnachteil. Eine Organisation, deren Entscheidungen, Domänenwissen und Qualitätsmaßstäbe explizit und maschinenlesbar vorliegen, kann jedes neue AI-Werkzeug sofort produktiv machen. Eine Organisation, deren Wissen implizit bleibt, beginnt mit jedem Werkzeug bei null.

Ich arbeite selbst täglich mit einem Verbund spezialisierter AI-Agenten und habe dabei eine Lektion schneller gelernt, als mir lieb war: Der größte Teil der Arbeit liegt nicht im Bedienen der Systeme, sondern im Explizitmachen dessen, was ich weiß und will. Genau dieselbe Arbeit steht Unternehmen bevor. Wissensmanagement, lange ein müdes Pflichtthema, wird zur Voraussetzung dafür, dass die teuren Lizenzen überhaupt wirken können.

These 6: Der Umbruch gelingt nur mit Sicherheit, nicht mit Druck.

Es ist die tiefste Veränderung der Arbeit, die ich in meinem Berufsleben erlebt habe, und sie trifft die Menschen schneller, als ihre Organisationen sie darauf vorbereiten. 72 Prozent der Beschäftigten sagen, die Erwartungen an ihre Rolle hätten sich durch AI deutlich verändert. Aber nur 36 Prozent halten das Training, das sie dafür bekommen haben, für ausreichend.¹

Die Anforderung ist da, die Befähigung nicht.

Zugleich berichten 41 Prozent von gestiegener geistiger Belastung.¹ AI macht Arbeit besser und anstrengender zugleich. Firmen müssen in dieser Situation Orientierung und Sicherheit geben. Und dieser Satz, den wir alle schon zig mal in den letzten Monaten gehört haben, hilft dabei nicht:

„Du wirst deinen Job nicht an eine AI verlieren. Aber an jemanden, der AI nutzt."

Denn - obwohl er wahrscheinlich stimmt: dieser Satz trifft auf eine Belegschaft, in der sich immer mehr ernsthaft fragen, wie lange sie ihren Job noch haben werden. Unter diesem Druck spornt so eine Aussage wohl eher nicht zu mehr Leistungsfähigkeit an, sondern erreicht das Gegenteil. Psychologische Sicherheit ist kein Wohlfühlthema, sondern ein Produktivitätsfaktor. Die Grundbewegung des AI-Lernens besteht darin, Dinge auszuprobieren, die noch nicht funktionieren, eigene Wissenslücken offenzulegen und Arbeitsergebnisse zur Diskussion zu stellen, die eine Maschine erzeugt hat. All das tun Menschen nur in einem Umfeld, das Lernen nicht bestraft. Organisationen, die ihre Leute durch den Umbruch führen wollen, müssen drei Dinge zusagen können: Klarheit, was von der eigenen Rolle künftig erwartet wird. Zeit und echtes Training, um dorthin zu kommen. Und die Sicherheit, dass Experimentieren erwünscht ist, auch wenn es sichtbar schiefgeht.

Was Organisationen jetzt tun sollten

Arbeitsweise vor Werkzeug. Nicht mit der Tool-Auswahl beginnen, sondern mit der Frage, wie Produktarbeit im eigenen Haus künftig ablaufen soll: Wer entscheidet was, in welchem Takt, mit welcher AI-Unterstützung an welcher Stelle. Aus dieser Zielarbeitsweise ergeben sich Tooling, Rollen und Schulungsbedarf, nicht umgekehrt. Dass klare Strategie den messbaren Effekt um 25 Prozentpunkte hebt,¹ ist kein Beratungs-Gemeinplatz, sondern der derzeit am besten belegte Einzelfaktor.

Mit einem echten Team echt anfangen. Flächige Pilotprogramme erzeugen Nutzung ohne Wirkung. Wirksamer ist ein einzelnes Produktteam, ein echter Anwendungsfall aus dem Tagesgeschäft und ein konzentrierter Start, nach dem jede Beteiligte mit einem funktionierenden, persönlichen Setup arbeitet. Von dort wird per Beobachtung skaliert, nicht per Rollout-Plan.

Die gewonnene Zeit adressieren. Wenn vier von zehn regelmäßigen Nutzern einen Arbeitstag pro Woche sparen und zwei Drittel nicht wissen, wohin damit,¹ ist das keine Randnotiz, sondern die eigentliche Führungsaufgabe. Die Antwort auf die Frage, was Mitarbeiter mit frei werdender Kapazität tun sollen, ist eine Strategieentscheidung, keine individuelle.

Wissen explizit machen. Entscheidungen, Domänenwissen, Qualitätsmaßstäbe und Arbeitsstände so dokumentieren, dass Menschen und Maschinen damit arbeiten können. Das ist unspektakuläre Arbeit, und sie ist der Unterschied zwischen Unternehmen, bei denen AI wirkt, und solchen, bei denen sie Spielzeug bleibt.

Befähigung ernst meinen. Wenn sich für 72 Prozent die Rollenerwartung ändert und nur 36 Prozent sich dafür gerüstet fühlen,¹ dann ist Training keine Begleitmaßnahme, sondern der Engpass der gesamten Transformation. Eine halbtägige Tool-Schulung deckt das nicht. Was es braucht, ist Lernen am eigenen Arbeitsgegenstand, mit Zeit, Wiederholung und Rückendeckung.

Zum Vertiefen. Wie ihr den ersten Anwendungsfall auswählt und den Effekt messt, steht in Der erste AI-Use-Case. Welche Daten in welches Tool dürfen, klärt die Daten-Ampel. Und was der EU AI Act ab August an Befähigung von euch verlangt, steht in EU AI Act Art. 4.

Schluss

Die Unternehmen, die heute sichtbar von AI profitieren, haben keine bessere Technologie als alle anderen. Sie haben früher verstanden, dass sich die Engpässe verschoben haben, und ihre Organisation darauf eingestellt. Demis Hassabis wurde im Juni 2026 gefragt, wer in den kommenden fünf Jahren am besten positioniert sein wird. Seine Antwort: die Menschen mit Geschmack, Originalität und Urteilsvermögen.⁹ Für Organisationen gilt dasselbe. Das Zeitfenster zur Adoption ist aber nicht für immer offen - tempus fugit. Die gute Nachricht: Der erste Schritt ist weder teuer noch riskant. Er besteht darin, mit einem Team ernsthaft anzufangen, statt mit allen ein bisschen. Fokus halt - wie immer.

Quellen

1. Boston Consulting Group: AI at Work 2026: Why Strategy Matters More Than Tools, 4. jährliche Studie, 3. Juni 2026 (n=11.749, 14 Märkte). Siehe auch Pressemitteilung und Slideshow (PDF).
2. Stanford University HAI: The 2026 AI Index Report, April 2026.
3. Dario Amodei: Policy on the AI Exponential, Essay, 10. Juni 2026.
4. Andrej Karpathy: Sequoia AI Ascent 2026, Zusammenfassung des Autors, Juni 2026. Video bei Sequoia Capital.
5. Epoch AI: Anthropic and OpenAI earn more revenue per employee than major public tech companies, Data Insight, 8. Mai 2026.
6. Demis Hassabis auf der Google I/O 2026, zitiert nach Inc., Mai 2026.
7. Gartner: Market for Enterprise AI Coding Agents Is Entering a New Phase of Expansion and Competitive Realignment, Pressemitteilung, 20. Mai 2026.
8. DataHub: The Context Layer for AI: What Enterprises Get Wrong, basierend auf dem State of Context Management Report 2026, 27. April 2026.
9. Demis Hassabis im Gespräch an der Stanford Graduate School of Business: Demis Hassabis Thinks We're in the 'Foothills of the Singularity', 18. Juni 2026.
10. Satya Nadella im Gespräch mit Dwarkesh Patel, Podcast-Interview, 19. Februar 2025. Original: "Don't conflate knowledge worker with knowledge work. The knowledge work of today could probably be automated."
11. Sam Altman: The Gentle Singularity, Blog-Essay, 10. Juni 2025. Original: "We are past the event horizon; the takeoff has started."
12. Jensen Huang auf der Milken Institute Global Conference, Mai 2025, zitiert nach CNBC. Original: "You're not going to lose your job to an AI, but you're going to lose your job to someone who uses AI."

Bildnachweise: D. Amodei – TechCrunch (CC BY 2.0); S. Altman – 首相官邸 (CC BY 4.0); D. Hassabis – John Sears (CC BY-SA 4.0); S. Nadella – Brian Smale/Microsoft (CC BY-SA 4.0); J. Huang – The White House (Public Domain). Alle via Wikimedia Commons, zugeschnitten.