AI-READINESS 2.0
Wenn KI schneller arbeitet, als Unternehmen entscheiden können.
Warum Unternehmen eine neue Organisationsarchitektur brauchen, die menschliche Urteilskraft, künstliche Intelligenz und organisationales Lernen verbindet.
“Transformation-Delay” by AIdentity-Engine.
Die nächste KI-Krise könnte dort beginnen, wo alles funktioniert: Agenten erledigen ihre Aufgaben zuverlässig. Doch was für jeden einzelnen richtig ist, kann für das Unternehmen insgesamt falsch sein.
Ausgerechnet bei Anthropic, einem der führenden KI-Unternehmen der Welt, lässt sich derzeit ein bemerkenswertes Paradox beobachten. Dort, wo man wie kaum anderswo gelernt hat, künstliche Intelligenz produktiv einzusetzen, arbeiten KI-Agenten inzwischen rechnerisch sechs Laufzeitstunden auf jede menschliche Arbeitsstunde. Im September 2026 stammten bereits mehr als 90 Prozent der Beiträge zur eigenen Codebasis von Claude.
Man könnte also erwarten, dass die Menschen bei Anthropic inzwischen deutlich weniger miteinander besprechen müssen. Die Maschinen arbeiten schließlich. Und zwar reichlich. Doch die Realität liefert eine interessante Pointe: Die durchschnittliche Meetingzeit ist im Jahresvergleich sogar um 20 Prozent gestiegen. [1][3]
Das macht einen grundlegenden Widerspruch sichtbar: Selbst dort, wo künstliche Intelligenz die Ausführung von Arbeit in beeindruckendem Maß übernimmt, verschwindet der Bedarf an menschlicher Verständigung, Urteilskraft und Verantwortung nicht. Er verändert seine Form.
Je mehr Maschinen selbstständig analysieren, empfehlen und handeln, desto wichtiger wird eine Frage, auf die technische Leistungsfähigkeit allein keine Antwort gibt:
Was geschieht, wenn künstliche Intelligenz schneller handelt, als die Organisation ihre Entscheidungen gemeinsam verstehen, verantworten und aus deren Folgen lernen kann?
Anthropic: Ein Blick in den Maschinenraum der KI-Organisation
Michael Domanic, Head of AI bei Section, einem auf KI-Transformation spezialisierten Unternehmen, bündelt die Beobachtungen in seinem Beitrag „5 AI Problems We’ll All Be Facing in 5 Years“: Agenten warten auf Menschen. Vollständige menschliche Kontrolle des Outputs wird unpraktikabel. KI verändert die Kostenrechnung. Juniorrollen schrumpfen, während Urteilskraft wichtiger wird. Und immer mehr Beschäftigte werden zu Managern ihrer Agenten. [2]
Der Anthropic-Report vom 16. Oktober 2026 gibt diesen Spannungen eine ungewöhnlich konkrete Form: Interaktive Agentensitzungen verbringen etwa 80 Prozent der verstrichenen Zeit wartend. Der Anteil agentenbezogener Meta-Arbeit an untersuchten interaktiven Sitzungen stieg von rund 10 auf 22 Prozent; innerhalb eines Jahres entstanden etwa 8.500 dauerhafte Agentenanweisungen. Selbst bei technischen Fachkräften ohne Führungsfunktion nahm die Meetingzeit um 16 Prozent zu. [1]
Anthropic ist keine Durchschnittsorganisation und keine Blaupause für alle Branchen. Aber das Unternehmen zeigt früh, was geschieht, wenn Agenten bereits einen erheblichen Teil der Ausführung übernehmen:
Menschliche Abstimmung verschwindet nicht. Sie verlagert sich auf Ziele, Ausnahmen, Verantwortung und Urteil.
Die Erkenntnis, dass technologische Produktivität nicht automatisch organisationale Leistungsfähigkeit erzeugt, ist keineswegs neu.
- McKinsey dokumentiert die Lücke zwischen individueller KI-Produktivität und Unternehmenserfolg: 80 Prozent der Befragten berichten persönliche Produktivitätsgewinne, aber nur 37 Prozent einen positiven EBIT-Effekt. [4]
- Deloitte zeigt, dass beschleunigte Entscheidungen und Ausführung (81 Prozent) nur selten von tiefgreifender Unternehmenstransformation begleitet werden (25 Prozent). [5]
- EY beschreibt die Governance-Lücke: 98 Prozent verfügen nach eigener Aussage über formale KI-Richtlinien, 47 Prozent haben ihre Verfahren bei dringenden Deployments bereits umgangen. [6]
- Anthropic ergänzt diese Befragungen um etwas Besonderes: den operativen Blick in eine Organisation, die technologisch schon dort ist, wo viele andere erst hinwollen. [1]
Wenn alle Agenten richtig liegen – und das Unternehmen falsch entscheidet
Wie sich diese Lücke im Alltag anfühlt, zeigen zwei fiktive, aber plausible Situationen.
Beispiel 1: Montag, 7:40 Uhr – drei richtige Empfehlungen, eine gefährdete Produktionslinie
Ein Zulieferer meldet den Ausfall einer kritischen Sensor-Komponente. Der Einkaufsagent findet binnen Minuten die günstigste Ersatzquelle: Lieferung Donnerstag. Der Produktionsagent erkennt dagegen, dass die Montagelinie schon am Dienstag stillstehen könnte, und empfiehlt eine sofort verfügbare, deutlich teurere Alternativcharge. Der Qualitätsagent hält dagegen: Für diese Charge fehlt noch die Freigabe der betroffenen Produktvariante.
Alle drei Agenten arbeiten korrekt. Einkauf minimiert Kosten, Planung sichert Verfügbarkeit, Qualität schützt Produktsicherheit. Doch die preiswerte Lieferung kommt zu spät, die schnelle Charge ist noch nicht zugelassen. Die Produktionsleitung sitzt wenig später im Krisenmeeting. Nicht, weil Daten fehlen, sondern weil drei lokale Optimierungen keine unternehmerische Priorität ergeben.
Entscheidend wäre eine gemeinsame Grundlage: Wie gewichten wir in dieser Lage Lieferfähigkeit, Qualitätsrisiko, Kundenversprechen und Mehrkosten? Wer darf diese Abwägung treffen? Welche Erkenntnisse aus früheren Engpässen gelten weiterhin – und welche nicht?
Beispiel 2: Das Serviceticket ist geschlossen. Das Kundenproblem nicht.
Ein Elektronikhändler automatisiert Reklamationen. Der Serviceagent erstattet den Kaufpreis eines defekten Geräts und verschickt einen Gutschein. Sekunden später ist das Ticket erledigt; die Bearbeitungskennzahl verbessert sich. Gleichzeitig registriert der Retourenagent weitere Rücksendungen desselben Modells. Der Vertriebsagent plant bereits die nächste Promotion dafür.
Keiner der Agenten hat offensichtlich falsch gehandelt. Was fehlt, ist die Verbindung der Signale: Aus einzelnen Reklamationen könnte sich ein systematischer Produktmangel ergeben. Doch die Organisation entschädigt Kunden schneller, während sie neue Käufer womöglich demselben Fehler aussetzt. Die Ausführung wurde optimiert. Die Ursache bleibt unangetastet.
Lokale Intelligenz ist noch keine organisationale Urteilskraft.
Beide Fälle zeigen denselben Bruch: Technisch erfolgreiche Aufgaben können ein wirtschaftlich falsches Gesamtverhalten ergeben. Der Engpass ist nicht zwingend das einzelne Modell. Es ist die fehlende gemeinsame Bedeutung dessen, was die Signale für die Entscheidung des Unternehmens bedeuten.
Wenn Ausführung schneller wird als Organisation
Hier liegt die strukturelle Asymmetrie. Modelle werden laufend leistungsfähiger, Agentenketten autonomer, Entscheidungen häufiger vorbereitet. Organisationen verändern ihre Zusammenarbeit dagegen meist in längeren Zyklen: durch Führungsklausuren, Prozessredesign, Schulungen und Change-Programme.
Diese soziale Organisationsentwicklung bleibt unverzichtbar. Doch sie kann nicht jeden Kontextwechsel und jede Agentenhandlung neu aushandeln.
Mehr Meetings skalieren nicht mit maschineller Ausführung. Und wer jeden Schritt durch einen menschlichen Freigabeklick sichern will, verlagert den Engpass nur.
Wie dynamisch diese Entwicklung werden könnte, zeigt eine weitere Untersuchung bei Anthropic. Die unabhängige Forschungsorganisation METR [8] berichtet im November 2026, dass sich der Fortschritt bei klar definierten Modellfähigkeiten seit Oktober 2025 nahezu verdoppelt haben könnte. Ein erheblicher Teil dieser Beschleunigung geht nach Einschätzung der Forscher bereits auf den Einsatz von KI in der eigenen Forschung zurück. Die Schätzungen sind noch mit großen Unsicherheiten behaftet.
Doch sollte sich diese Entwicklung verstetigen, verschärft sich das organisationale Problem fundamental: KI würde nicht mehr nur die Ausführung beschleunigen, sondern zunehmend auch das Tempo ihrer eigenen Weiterentwicklung.
Damit stellt sich eine neue strategische Frage: Wie können Organisationen ihre Steuerungs- und Entscheidungsfähigkeit weiterentwickeln, wenn sich die Leistungsfähigkeit ihrer Technologie in immer kürzeren Zyklen verändert?
Konzeptionelle Darstellung einer möglichen Geschwindigkeitsasymmetrie. Keine Messwerte oder Prognose aus der Anthropic-Studie. / Quelle: AIdentity 2026
Nicht Menschen müssen im gleichen Tempo wie Agenten entscheiden. Vielmehr muss die Organisation sicherstellen, dass Ziele, Werte, Entscheidungskriterien und Verantwortlichkeiten bereits dort wirksam werden, wo menschliche und maschinelle Entscheidungen entstehen – und dass ihre tatsächlichen Wirkungen kontinuierlich in das System zurückfließen.
Dafür braucht es eine gemeinsame Steuerungsvariable: Bedeutung. Sie verbindet Informationen und Handlungen mit dem Kontext, den Zielen und den Erfahrungen des Unternehmens. Sie schafft die Orientierung, die Menschen und Agenten benötigen, um nicht nur schnell und effizient, sondern auch kohärent und verantwortbar zu entscheiden.
Warum Organisationsentwicklung jetzt Systemarchitektur braucht
Ein ERP kennt Bestände und Aufträge. Ein CRM kennt Kundenbeziehungen. Agenten analysieren, empfehlen und handeln. Doch wo wird über diese Systeme hinweg verbindlich geklärt, welche Bedeutung ein Signal in der konkreten Unternehmenslage hat – und welche Entscheidung daraus folgen darf?
Eine weitere Agentenplattform beantwortet das nicht automatisch. Ebenso wenig das nächste Governance-Handbuch oder ein zusätzlicher Werte-Workshop. Dokumente können Orientierung formulieren. Sie machen sie noch nicht laufend verfügbar, eindeutig und verbindlich für verteilte Menschen und Agenten.
Was bisher in Meetings geklärt wurde, muss unter Agentenbedingungen teilweise zur ausführbaren Organisationslogik werden.
Die Konsequenz ist eine neue Funktion im Enterprise Stack: eine systemübergreifende Bedeutungs- und Entscheidungsarchitektur. Sie verbindet Signale mit Zielen, Werten, Kontexten, Verantwortlichkeiten und Entscheidungsrechten – und koppelt die tatsächlichen Wirkungen zurück. Nicht als Ersatz für ERP, CRM oder Agentenplattformen, sondern als gemeinsame Steuerungsreferenz darüber hinweg.
Technologie allein genügt dabei nicht. Menschen müssen Ziele definieren, Konflikte entscheiden, Verantwortung tragen und neue Formen der Zusammenarbeit entwickeln. Digitale Meaning Governance muss diese soziale Reorganisation operativ anschlussfähig machen – und umgekehrt von ihr korrigierbar bleiben.
Auch Salim Ismail von OpenExO argumentiert mit seiner „Organizational Singularity“, dass es nicht reicht, KI auf die alte Organisationsstruktur aufzusetzen. Seine ExO-3.0-Architektur verbindet neue Formen agentenbasierter Zusammenarbeit mit einem Intelligence Stack und eingebauter Governance. [7] Damit wird die Richtung deutlich: Die Transformation braucht soziale Neuordnung und digitale Steuerung zugleich. Die weiterführende Frage: wie werden Ziele, Werte und Erfahrungen über Teams und Agenten hinweg zu einer gemeinsamen, kontinuierlich aktualisierten Bedeutungs- und Urteilsreferenz?
Das hybride Organisationsmodell: soziale Reorganisation und digitale Meaning Governance als wechselseitig lernende Architektur. / AIdentity 2026
AI-Readiness 2.0 bedeutet: Nicht nur KI einführen – hybride Intelligenz steuern
Bisher meint AI-Readiness vor allem Einsatzfähigkeit: Daten, Modelle, Infrastruktur, Kompetenzen und Use-Cases. Das bleibt notwendig, reicht aber nicht mehr. Denn ein Unternehmen kann technisch weit sein und zugleich schlecht darauf vorbereitet, dass Menschen und Agenten auf unterschiedlichen Entscheidungsgrundlagen handeln.
| DIMENSION | AI-READINESS 1.0 | AI-READINESS 2.0 |
| Fokus | Technologische Einsatzfähigkeit | Organisationale Steuerungs- und Lernfähigkeit |
| Leitfrage | Wie setzen wir KI ein? | Wie handeln Menschen und Agenten kohärent? |
| Gestaltung | Tools, Daten, Skills, Workflows | Bedeutung, Kontext, Urteil und Verantwortung |
| Autonomie | Automatisierungsgrad und Freigaben | Kontextabhängige, verantwortbare Autonomie |
| Erfolg | Adoption, Output, Produktivität | Entscheidungsqualität, Outcomes und Lernen |
| Dauerhafter Wert | Wiederverwendbare KI-Use-Cases | Unternehmenseigener, wachsender Company IQ |
AI-Readiness 2.0 stellt deshalb die weiterführende Frage:
Können Menschen und Agenten auf einer geteilten Bedeutungsgrundlage handeln, ihre Entscheidungen verantworten und aus den tatsächlichen Ergebnissen lernen?
AIdentity / OS: Das Betriebssystem für hybride Unternehmensintelligenz
Für diese neue Organisationsrealität entwickeln wir AIdentity / OS: keine weitere Anwendung für einen einzelnen Prozess, sondern eine Bedeutungs- und Entscheidungsarchitektur für hybride Unternehmensintelligenz. Sie soll menschliche Urteilskraft, KI und organisationale Erfahrung auf einer gemeinsamen Grundlage verbinden – damit erkennbar wird, was in einer Situation zählt, warum es zählt und wer innerhalb welcher Grenzen handeln darf.
Bedeutung meint dabei mehr als Relevanz. Sie entsteht aus der Beziehung zwischen Signal, Kontext, Ziel, Unternehmensidentität, Entscheidung, Verantwortung und erwarteter Wirkung. Technische Governance beantwortet, was ein Agent darf. Meaning Governance ergänzt, welche Entscheidungsmaßstäbe im jeweiligen Kontext gelten sollen.
AIdentity verbindet dafür drei Prinzipien: gemeinsame Bedeutungsreferenzen statt isolierter Agentenlogiken; AItoIQ als systemisch verankerte menschliche Urteilshoheit statt Freigabeklick bei jedem Schritt; und rekursives Lernen, das Entscheidungen mit ihren realen Folgen verbindet.
So kann Company IQ wachsen: ein unternehmenseigener Intelligenzbestand aus Zielen, Erfahrungen, Entscheidungsbedingungen und beobachteten Wirkungen. Modelle wechseln; das Lernen der Organisation soll bleiben. Ob AIdentity dadurch Entscheidungsqualität verbessert und Koordinationsaufwand reduziert, müssen unsere Lighthouse-Piloten anhand realer Fälle beweisen – nicht ein Claim.
Konzeptionelle Darstellung einer möglichen Geschwindigkeitsasymmetrie. Keine Messwerte oder Prognose aus der Anthropic-Studie. / AIdentity 2026
Wie verteilte Intelligenz zu besseren Entscheidungen und organisationalem Lernen wird. / AIdentity 2026
Die entscheidende Steuerungsfrage ist eine Führungsentscheidung
Wer heute Agenten einführt, trifft bereits Architekturentscheidungen – auch wenn sie nur als Prompts, Freigabegrenzen oder Workflow-Regeln erscheinen. Jede Anweisung setzt Prioritäten. Jede Schwelle verteilt Verantwortung. Jede Entscheidung ohne dokumentierten Kontext nimmt der Organisation eine Gelegenheit zu lernen.
Die Frage für Vorstände lautet deshalb nicht mehr nur, welche Arbeit sie automatisieren. Sondern welche Ziele, Bedeutungskriterien und Verantwortlichkeiten verbindlich bleiben müssen, wenn Menschen und Agenten zunehmend dezentral handeln. Und wie jede reale Wirkung diese gemeinsame Grundlage weiterentwickelt.
Das Problem der nächsten KI-Generation wird nicht sein, dass Unternehmen zu wenig Intelligenz besitzen.
Es wird sein, dass Menschen und Agenten mehr Entscheidungen vorbereiten und Handlungen ausführen können, als die Organisation kohärent verstehen, verantworten und aus ihnen lernen kann.
Die Antwort liegt weder in noch mehr technischer Automatisierung noch in einem zusätzlichen Change-Programm allein. Sie verlangt beides: soziale Reorganisation und eine digitale Steuerungsschicht, die Bedeutung, Verantwortung und Erfahrung im laufenden Betrieb verbindet. Erst daraus kann eine lernfähige hybride Intelligenzorganisation entstehen.
AI-Readiness 2.0 beschreibt genau diesen Übergang: von der Fähigkeit, KI einzusetzen, zur Fähigkeit, hybride Intelligenz zu steuern. Die strategische Entscheidung fällt jetzt. Denn wer diese Architektur nicht bewusst gestaltet, überlässt ihre Regeln morgen Tausenden einzelner Agentenanweisungen und lokaler Optimierungen.
AIdentity® /OS schließt den Decision Architecture Gap
AIdentity ist das erste Operating System für hybride Unternehmens-Intelligenz. Nicht noch ein Agent. Nicht der nächste Copilot. Nicht noch eine Wissensplattform. AIdentity schafft die fehlende Steuerungsebene zwischen wachsender verfügbarer Intelligenz und organisationalem Handeln.
Signal → Kontext → Bedeutung → Urteilskraft → Entscheidung → Accountability → Outcome → Lernen
AIdentity operationalisiert dabei eine Variable, die in der aktuellen AI-Architektur fast vollständig fehlt: Bedeutung. Denn wenn Intelligenz im Überfluss vorhanden ist, wird nicht das Generieren von Möglichkeiten zum Engpass. Sondern die Fähigkeit zu bestimmen:
Was davon zählt für uns?
In diesem Kontext. Für diese Entscheidung. Mit diesen Konsequenzen. AIdentity® / OS macht dieses organisationale Meaning explizit, steuerbar und lernfähig. So wird aus AI Output organisationales Judgment. Aus Entscheidungen entsteht Decision Lineage. Aus Outcomes entsteht Outcome Memory. Und aus wiederholtem Lernen entsteht proprietäre Unternehmens-Intelligenz.
Agents werden die nächste Unternehmensgeneration fundamental verändern. Aber sie sind nicht das Ziel. Sie sind Infrastruktur. Und Infrastruktur allein erzeugt keinen Wettbewerbsvorteil.
Die entscheidende Fähigkeit der AI-nativen Organisation besteht darin, immer größere Mengen menschlicher und maschineller Intelligenz kohärent zu steuern. Bedeutung zu bestimmen. Urteilskraft skalierbar zu machen. Entscheidungen verantwortbar zu gestalten. Und aus jedem relevanten Outcome zu lernen.
Das ist AI-Readiness 2.0.
Die Gewinner der Agenten-Ära werden nicht die Unternehmen mit den meisten Agents sein.
Es werden die Unternehmen sein, die hybride Intelligenz am besten steuern.
QUELLEN UND EINORDNUNG
[1] Anthropic (16.10.2026): Wilmers, Catipon, Massenkoff, McCrory, „How employment is changing at Anthropic“. https://www.anthropic.com/research/employment-at-anthropic
[2] Michael Domanic, Section AI (31.10.2026): „5 AI Problems We’ll All Be Facing in 5 Years“. Newsletterbeitrag, vom Auftraggeber bereitgestellt.
[3] Anthropic, PBC (26.10.2026): Form S-1, SEC, Kennzahlen zur Claude-Nutzung in der Softwareentwicklung. https://www.sec.gov/Archives/edgar/data/2130357/000162828026067168/anthropicpbc-sx1.htm
[4] McKinsey (05.10.2026): „AI is changing work. Now it has to change the organization“. https://www.mckinsey.com/capabilities/people-and-organization/our-insights/ai-is-changing-work-now-it-has-to-change-the-organization
[5] Deloitte (2026): „The State of AI in the Enterprise“, globale Führungskräftebefragung. https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html
[6] EY US (15.09.2026): „AI Risk and Governance Survey“ – Umsetzungslücke bei AI-Governance. https://www.ey.com/en_us/newsroom/2026/09/ey-survey-finds-that-autonomous-ai-implementation-outpaces-oversight-yielding-an-ai-governance-gap
[7] Salim Ismail / OpenExO (2026): „The Organizational Singularity“ – ExO 3.0, Intelligence Stack, GOVERN/ASSURE und REWRITE. https://openexo.com/organizational-singularity
[8] METR (5. November 2026): Independent Assessment of AI R&D Acceleration at Anthropic in October 2026. https://metr.org/blog/2026-11-05-anthropic-ai-rd-acceleration-assessment/?utm_source=chatgpt.com
Einordnung:
Die Anthropic-Daten betreffen ein außergewöhnlich KI-intensives Unternehmen und begründen keine universelle Kausalität. Die beiden Unternehmensbeispiele sind fiktiv. Die Grafiken, die AI-Readiness-2.0-Typologie und die Meaning-Governance-These sind konzeptionelle Ableitungen von AIdentity. McKinsey, Deloitte und EY liefern externe Befunde; Salim Ismail einen eigenständigen Organisationsentwurf.
AI-READINESS 2.0
FÜHREN SIE KI IN Echte PRODUKTIVITÄT.
Schaffen Sie jetzt die Steuerungsarchitektur, die aus verteilter Intelligenz messbare Unternehmenswirkung macht. Mit dem ersten Betriebssystem für hybride Unternehmens-Intelligenz.
