Der Motor war nie das Problem: Agentic AI und die Adoptionslücke

Die Fabrik, die ihren Motor nicht verstand

Im Jahr 1899 stammten nur fünf Prozent der Antriebskraft in amerikanischen Fabriken von Elektromotoren. Zwanzig Jahre später waren es 53 Prozent. Man sollte meinen, die Produktivität wäre in dieser Zeit explodiert. Sie bewegte sich kaum. ^[1]

Der Grund wird sichtbar, wenn man in eine Fabrik jener Zeit hineinschaut. Fabriken des 19. Jahrhunderts liefen im «Gruppenbetrieb»: Eine einzige Dampfmaschine trieb über Wellen, Riemen und Transmissionen sämtliche Maschinen gleichzeitig an. Als die Elektrizität kam, taten die meisten Fabrikbesitzer das Naheliegende — sie ersetzten die Dampfmaschine durch einen grossen Elektromotor. Und behielten alles andere bei: dieselben Riemen, dieselben Wellen, denselben Grundriss. ^[2]

Der Durchbruch kam erst, als eine neue Generation den «Einzelantrieb» einführte — einen Motor pro Maschine. Erst das befreite die Fabrik von der Tyrannei der Antriebswelle: Hallen konnten flach gebaut, Maschinen um den Materialfluss herum angeordnet werden. Nach 1919 stieg das Produktivitätswachstum auf über fünf Prozent pro Jahr, und die Elektrifizierung machte in den 1920er Jahren die Hälfte des gesamten Produktivitätswachstums der Fertigung aus. ^[1][2] Der Stanford-Ökonom Paul David hat diese Geschichte 1990 in The Dynamo and the Computer zum Kern des «Produktivitätsparadoxons» erklärt: Die Technologie war jahrzehntelang bereit, bevor Organisationen lernten, sie zu nutzen.

Der Motor war nie das Problem. Der Fabrikgrundriss war es.

Das Muster wiederholt sich

Dieselbe Geschichte hat sich seither zweimal wiederholt — jedes Mal schneller.

«Man sieht das Computerzeitalter überall, nur nicht in den Produktivitätsstatistiken», spottete der Ökonom Robert Solow 1987. Tatsächlich stiegen die IT-Investitionen damals von 8 auf 24 Prozent der gesamten Ausrüstungsausgaben, während die Arbeitsproduktivität fiel — von 3,4 auf 1,7 Prozent. Das Paradox löste sich erst, als Unternehmen wie Walmart und Amazon ganze Lieferketten und Geschäftsmodelle um die neuen IT-Fähigkeiten herum neu bauten, statt sie nur zu installieren. ^[3]

Bei der Cloud dasselbe: AWS startete 2006, aber bis etwa 2013 verstanden die meisten Unternehmen die Cloud als billigeres Rechenzentrum — «Lift and Shift», die Dampfmaschine gegen den Elektromotor getauscht, das Riemensystem behalten. Zeitweise wussten 72 Prozent der Unternehmen nicht einmal, wie viele Cloud-Anwendungen in ihren eigenen Mauern liefen. ^[4] Die echte Cloud-native Transformation begann Jahre später.

Immerhin: Der Verzug schrumpft mit jeder Generation. Die Elektrifizierung brauchte über dreissig Jahre vom Werkzeug zur Wirkung, der Computer rund sechzehn, die Cloud etwa neun. Die Frage ist nicht, ob sich das Muster bei KI wiederholt — sondern wie schnell wir diesmal hindurchkommen. ^[5]

Installation ist nicht Transformation

Wo stehen wir heute? 88 Prozent der Unternehmen weltweit setzen KI in mindestens einer Geschäftsfunktion ein. Aber nur rund 6 Prozent erzielen damit messbaren finanziellen Impact. ^[6] Knapp zwei Drittel haben mit KI-Agenten experimentiert — weniger als 10 Prozent haben sie skaliert; 90 Prozent der transformativen Anwendungsfälle stecken im Pilotmodus fest. ^[7] Forrester bringt es auf die Formel: «Das ist die Lücke zwischen dem Jagen und dem Fangen — und das ist die Geschichte von 2026.» ^[20]

Das ist, in Zahlen, exakt die Fabrik von 1919: Der Motor ist installiert, über die Hälfte läuft elektrisch — und die Produktivitätskurve bewegt sich kaum. Installation ist nicht Transformation.

Für Europa kommt eine zweite Lücke hinzu. Nur 20 Prozent der EU-Unternehmen nutzen überhaupt KI-Technologien — ein Sprung von 13,5 Prozent im Vorjahr, aber weiterhin ein Bruchteil des US-Niveaus. ^[8] 43 Prozent der US-Arbeitnehmenden setzen generative KI bereits beruflich ein, in den sechs grössten europäischen Ländern sind es 26 bis 36 Prozent. Und die Ursache ist ernüchternd banal: 80 Prozent dieses Rückstands erklären sich nicht durch Technologie oder Budget, sondern dadurch, ob der Arbeitgeber seine Leute aktiv zur Nutzung ermutigt. ^[9] Das trifft auf ein ohnehin gewachsenes Gefälle: Seit 1995 wuchs die Produktivität in den USA um fast 90 Prozent, in der Eurozone um rund 30. ^[11] Wenn europäische Unternehmen KI nur adoptieren statt absorbieren, öffnet sich diese Schere weiter. ^[10]

Die Schweiz steht als Innovationsstandort besser da als der EU-Durchschnitt, aber das Kernproblem ist dasselbe: Die Auswertung von knapp 70 GenAI-Projekten in der Schweiz und Europa zeigt genau das historische Muster. Teams, die bei der Automatisierung einer bestehenden Aufgabe stehen blieben, erzielten lineare Gewinne. Teams, die ihre Arbeitsweise grundlegend veränderten, sahen sprunghafte Verbesserungen. ^[12]

Warum Organisationen nicht hinterherkommen

Drei Kräfte halten die Lücke offen.

Das Tempo. Grosse Unternehmen sind für Wandel in grossen Schüben gebaut — eine Technologiewende alle paar Jahre, verdaut über 18 bis 36 Monate. KI bricht dieses Muster, weil sich die Fähigkeiten der Modelle jedes Quartal grundlegend verändern. Eine KI-Roadmap, die im Januar geschrieben wird, ist im Juli teilweise veraltet. ^[6]

Das umgedrehte Budget. McKinsey hat eine kritische Formel identifiziert: Für jeden Franken, der in KI-Technologie fliesst, sollten drei in Prozess-Redesign fliessen und fünf in Menschen — Befähigung und Adoption. Die meisten Unternehmen invertieren dieses 1:3:5-Verhältnis komplett: Sie kaufen den Motor und sparen am Grundriss. ^[13]

Die Kompetenzlücke. IDC prognostiziert, dass über 90 Prozent der Unternehmen weltweit bis 2026 mit kritischen KI-Skill-Engpässen konfrontiert sind — geschätzter Produktivitätsverlust: 5,5 Billionen Dollar. 62 Prozent der Arbeitgeber sagen, sie finden keine Arbeitskräfte mit den richtigen KI-Fähigkeiten. ^[14]

In Europa kommt der EU AI Act hinzu (in Kraft seit 2024, mit gestaffelter Umsetzung): Er schafft Planungssicherheit, verlangt aber erhebliche Compliance-Investitionen — das bremst die experimentelle Adoption, dürfte aber mittelfristig Vertrauen schaffen. ^[15]

Zwei Transformationen auf einmal

Viele Unternehmen trifft die neue Welle mitten in der alten: Sie sind noch nicht fertig mit der Cloud-Transformation — und jetzt kommt Agentic AI obendrauf. Die Transformation folgt demselben Dreiklang wie damals: People, Process, Technology. Nur die Reihenfolge muss diesmal umgedreht werden — erst Menschen befähigen, dann Prozesse neu denken, dann liefert die Technologie den Hebel.

Muss man also erst die eine Transformation abschliessen, bevor die nächste beginnen kann? Die Geschichte sagt: nein. In weiten Teilen Afrikas gab es nie ein flächendeckendes Festnetz — statt es nachzubauen, sprang der Kontinent direkt zur Mobiltelefonie. Und weil Mobiltelefone dann überall waren, Bankfilialen aber fehlten, entstand darauf M-Pesa in Kenia: Mobile Payment ohne den Umweg über klassisches Banking. Der fehlende Legacy war kein Nachteil, sondern ein Beschleuniger.

Für Unternehmen, die noch mitten in Cloud stecken, heisst das konkret:

1. Leapfrog — direkt auf Serverless und Managed Services starten. Zeit mit dem Geschäftsproblem verbringen statt mit Plattform-Engineering.
2. Parallel Track — bestehende Systeme stabilisieren und neue KI-Workloads von Anfang an Agentic-native bauen. Nicht alles migrieren — neue Wertschöpfung sofort richtig bauen.
3. Agentic-first Modernization — KI-Agenten selbst nutzen, um die Cloud-Migration zu beschleunigen: Agenten analysieren Code, identifizieren Modernisierungspfade, generieren Pull Requests. Die zweite Transformation beschleunigt die erste.

Was Redesign tatsächlich bringt

Dass sich der neu gezeichnete Grundriss auszahlt, lässt sich inzwischen beziffern. Amazon-intern zeigten Teams, die ihre Arbeitsabläufe um KI herum umstrukturierten, einen medianen Produktivitätsgewinn von 4,5x — einzelne über 10x. Teams, die KI-Werkzeuge einfach zu bestehenden Abläufen hinzufügten, sahen keine vergleichbaren Ergebnisse. ^[16]

Ein konkretes Beispiel: Das Team, das die Inferenz-Engine für Amazons Bedrock-Plattform neu baute, brauchte 6 Ingenieure und 76 Tage — für ein Projekt, das ursprünglich mit 30 Entwicklern und 12 bis 18 Monaten geplant war. ^[16]

Das Gegenargument: Warum es diesmal schneller geht

Die historische Parallele hat eine ehrliche Grenze: Die Diffusion war noch nie so schnell. Die Dampfkraft brauchte 80 Jahre, um Schwellenländer zu erreichen, die Elektrizität 40, das Internet 20 — ChatGPT erreichte die halbe Welt in sechs Monaten. ^[17] Generative KI kam innerhalb von drei Jahren auf 53 Prozent globale Bevölkerungsadoption, schneller als der PC (15 Jahre) oder das Internet (7 Jahre); über 800 Millionen Menschen nutzen wöchentlich KI-Assistenten. ^[18]

Und ein Unterschied ist fundamental: Anders als der Elektromotor kann diese Technologie am eigenen Redesign mitarbeiten. KI-Agenten identifizieren Prozess-Engpässe, prototypen neue Workflows und beschleunigen genau jene organisatorische Neuordnung, die in früheren Ären Jahrzehnte brauchte.

Die Elektrifizierungsanalogie ist deshalb keine Vorhersage, dass KI dreissig Jahre brauchen wird. Sie ist eine strukturelle Lektion darüber, was sich ändern muss. Der Verzug komprimiert sich wahrscheinlich auf fünf bis zehn Jahre — deutlich länger, als der atemlose Nachrichtenzyklus suggeriert, aber viel kürzer als jeder historische Präzedenzfall.

Was das bedeutet

Für AWS heisst das: Es genügt nicht, den Motor zu liefern. AWS adressiert deshalb alle drei Ebenen der 1:3:5-Formel — die Technologie (mit Amazon Bedrock AgentCore entfällt der Infrastruktur-Aufwand beim Bau von Agenten), das Prozess-Redesign (Prescriptive Guidance und AWS Transform, inklusive Agenten, die die Cloud-Migration selbst beschleunigen ^[19]) und die Menschen (Partner-Programme, Readiness Assessments, Executive Enablement). In der Sprache der Elektrifizierung: den Einzelantrieb-Motor, den neuen Fabrikgrundriss und die Ausbildung der nächsten Generation Fabrikleiter.

Die wichtigste Lektion aber betrifft nicht die Technologie, sondern die Führung. Die teuerste Transformation ist die, die man von oben verordnet. Die billigste ist die, die man von unten ermöglicht. 80 Prozent des Adoptionsgefälles zwischen den USA und Europa erklärt sich nicht durch Technologie oder Budget — sondern dadurch, ob der Arbeitgeber seine Leute aktiv ermutigt. ^[9] Intrinsisch motivierte Menschen brauchen drei Dinge: Zugang zu den neuesten Werkzeugen, die Erlaubnis zu experimentieren, und Vertrauen. Den Rest machen sie selbst.

Die Fabrikbesitzer von 1900 hatten den besten Motor ihrer Zeit — und zwanzig verlorene Jahre. Die Unternehmen, die heute vorausziehen, haben nicht die beste KI. Sie sind bereit, ihren Grundriss neu zu zeichnen.

AGENTIC AI ADOPTION STRATEGY HISTORY