Warum der Name KI der teuerste Fehler der Branche war

Der Fehler war nicht, diese Systeme zu bauen. Der Fehler war, sie so zu nennen. Ein statistisches Sprachmodell “künstliche Intelligenz” zu taufen hat den Preis nach oben getrieben, den Investoren zu zahlen bereit sind, und mit denselben zwei Wörtern das Vertrauen gesenkt, das alle anderen aufbringen. Beide Effekte laufen bis heute. Sie ziehen in entgegengesetzte Richtungen, und sie treffen sich genau in dem Raum, in dem ein kleines Unternehmen entscheidet, ob es unterschreibt.

Wir arbeiten täglich mit diesen Modellen. Der Abstand zwischen dem, was das Wort verspricht, und dem, was das System tatsächlich tut, ist für uns keine philosophische Frage. Er ist die erste Stunde der meisten Projekte, in der wir einem Kunden erklären, dass die Sache aus den Schlagzeilen und die Sache, die wir installieren, nicht dasselbe Objekt sind.

Der Name war eine Positionierungsentscheidung, und die Gründer stritten darüber

Der Begriff wurde gewählt, um ein Forschungsprogramm abzugrenzen, nicht um eine Fähigkeit zu beschreiben. John McCarthy führte “artificial intelligence” im Antrag von 1955 für den Sommerworkshop in Dartmouth ein, vor allem um die neue Gruppe von Norbert Wieners Kybernetik abzugrenzen.

Zwei Anwesende widersprachen. Allen Newell und Herbert Simon wollten das Feld complex information processing nennen und benutzten diese Formulierung in ihren eigenen Arbeiten noch Jahre danach. Der nüchternere, genauere Name verlor gegen den suggestiveren. McCarthy selbst soll die Wahl später bereut und “computational intelligence” bevorzugt haben.

Das Feld streitet also seit der Woche über seinen eigenen Namen, in der es einen bekam. Siebzig Jahre später gewinnt immer noch der Marketingbegriff, und er ist immer noch der ungenauere von beiden.

Was tatsächlich in der Kiste liegt

Ein Modell, das das nächste Token vorhersagt, trainiert auf so viel Text, dass die Vorhersage oft nicht von Denken zu unterscheiden ist. Das ist der ganze Mechanismus. Alles Übrige ist Skalierung.

Die populäre Abfuhr lautet, es sei “nur Autovervollständigung”. Diese Version hält der Faktenlage nicht stand, und man sollte sie aufgeben, bevor jemand anderes sie zerlegt. Diese Systeme haben Konstruktionen und Beweise hervorgebracht, die nicht in ihren Trainingsdaten standen. Neuheit im Output gibt es wirklich.

Die ehrliche Behauptung ist enger und deutlich schwerer zu widerlegen: Neuheit im Output ist nicht dasselbe wie Urteilsvermögen über Ihre Lage. Das Modell bringt alles mit und nichts. Es hat kein Interesse an Ihrem Problem, keine Definition davon, was “richtig” in Ihrem Betrieb bedeutet, keine Kenntnis der Einschränkung, die niemand aufgeschrieben hat, und keine Möglichkeit zu bemerken, dass es sich gerade selbstbewusst irrt. Es trägt Intelligenz, wie ein Kabel Strom trägt. Beeindruckender Durchsatz, keine Meinung zum Ziel.

Deshalb kann dasselbe Modell eine Berufsprüfung bestehen und kurz darauf für einen Mandanten in Thessaloniki still eine Steuerregel erfinden. Am Modell hat sich nichts geändert. Geändert hat sich, was drumherum steht.

Die Intelligenz steckt im Aufbau drumherum, und genau dafür zahlt man

Sehen Sie sich an, was um ein Modell herum gebaut werden muss, bevor man es auf einen Kunden richten darf. Der Assistent auf dieser Website ist ein kleines Beispiel. Das Modell ist die billigste Komponente. Darum herum liegen eine kuratierte Wissenstabelle, ein System-Prompt mit ausdrücklichen Invarianten gegen Prompt Injection, ein begrenztes Werkzeugset, das genau zwei Dinge tun kann, eine harte Längenbegrenzung der Antworten, eine Sprachregel und ein definierter Punkt, an dem er aufhört zu raten und das Gespräch an einen Menschen unter info@techthos.net übergibt.

Nehmen Sie dieses Gerüst weg, und dasselbe Modell, unverändert, wird zum Haftungsrisiko mit Chat-Blase.

Unser Liefermodell hat dieselbe Form, nur größer. Jedes Projekt beginnt mit einer Spezifikation, die ein Senior Engineer verantwortet. Agenten entwerfen Code, bauen Gerüste, refaktorieren und erzeugen Tests innerhalb dieses Rahmens. Ein namentlich benannter Senior Engineer prüft jedes Ergebnis gegen diese Spezifikation, bevor es ausgeliefert wird, und Agenten treffen keine Architekturentscheidungen. Wo sich das konkret rechnet, haben wir in KI-Integration im Unternehmen beschrieben, und was Produktion jenseits der Demo verlangt in Der KI-Prototyp-Eisberg.

Trüge das Modell die Intelligenz, wäre nichts davon bezahlenswert. Es ist bezahlenswert, weil es genau der Teil ist, der fehlt.

Dasselbe Wort hebt das Kapital und senkt die Akzeptanz

Hier liegt die Zwickmühle, und sie ist der Grund, warum die Namensentscheidung teuer und nicht bloß ungenau ist.

flowchart TD
    W["Ein Wort:<br/><b>künstliche Intelligenz</b>"]:::w
    I["Investoren hören<br/><i>einen Verstand, der skaliert</i>"]:::up
    U["Belegschaft und Käufer hören<br/><i>einen Verstand, der sie ersetzt</i>"]:::down
    R["Kapital strömt herein<br/>2 Bio. $ Umsatz nötig bis 2030"]:::up
    A["Akzeptanz stockt<br/>66% nutzen es · 46% vertrauen ihm"]:::down
    W --> I --> R
    W --> U --> A
    classDef w fill:#1e293b,stroke:#64748b,color:#f1f5f9,stroke-width:2px
    classDef up fill:#494fdf,stroke:#376cd5,color:#ffffff,stroke-width:2px
    classDef down fill:#7c4a2d,stroke:#a8613b,color:#ffffff,stroke-width:2px

Auf der Kapitalseite wirkt das Wort genau wie beabsichtigt. Bains Global Technology Report vom September 2025 beziffert den Bedarf auf 2 Billionen Dollar Jahresumsatz bis 2030, um den Ausbau der Rechenkapazität zu finanzieren, und rechnet selbst unter großzügigen Annahmen mit einer Lücke von 800 Milliarden Dollar. Für “complex information processing” sammelt niemand Geld ein.

Vor Ort tut dasselbe Wort das Gegenteil. Die Studie von KPMG und der University of Melbourne unter 48.000 Menschen in 47 Ländern fand 66 Prozent, die KI regelmäßig nutzen, und nur 46 Prozent, die ihr vertrauen. Die Pew-Erhebung vom September 2025 fand 50 Prozent der US-Bevölkerung eher besorgt als begeistert gegenüber 10 Prozent eher begeistert, und 64 Prozent, die in den kommenden zwei Jahrzehnten mit weniger Arbeitsplätzen rechnen.

Was dazwischen herauskommt, ist genau das, was man von einer Technik erwarten würde, die unter überhöhten Erwartungen gekauft und von Menschen benutzt wird, die sie nicht wollten. Das Projekt NANDA des MIT Media Lab berichtete, dass 95 Prozent der generativen KI-Pilotprojekte in Unternehmen keine messbare Wirkung auf die Gewinn- und Verlustrechnung hatten, und führte das auf organisatorische Lücken zurück, nicht auf die Modellqualität. Die Zahl wurde breit zitiert und ihre Methodik kritisiert, nehmen Sie sie also als Richtung, nicht als Messwert. Sie zeigt in dieselbe Richtung wie Daron Acemoglus deutlich nüchternere Schätzung von höchstens rund 0,66 Prozent zusätzlicher totaler Faktorproduktivität über zehn Jahre.

Für ein kleines europäisches Unternehmen sitzen beide Zielgruppen häufig im selben Raum. In einer Firma mit sechs Beschäftigten sitzt die Inhaberin, die die Rechnung unterschreibt, drei Meter von den Leuten entfernt, die die Schlagzeile über den Ersatz gelesen haben. Verkaufen Sie dieser Inhaberin “künstliche Intelligenz”, haben Sie gleichzeitig die zahlende Person begeistert und die Menschen verunsichert, auf deren Mitwirkung die Einführung angewiesen ist. Wir haben Projekte genau daran einen Monat verlieren sehen, und die Lösung ist nie technisch. Sie besteht darin, den Leuten präzise zu sagen, was die Software tut.

Der Kreisschluss: ein Produkt, kalkuliert gegen die Einkommen, die es entfernt

In der Art, wie das verkauft wird, steckt eine strukturelle Spannung, und die verdient es, ohne Weltuntergangsprognose ausgesprochen zu werden.

Das dominierende Verkaufsargument ist der Ersatz von Arbeit. Aber der Umsatz, der auf 2 Billionen Dollar jährlich kommen muss, stammt von Kunden, und Kunden brauchen Einkommen. Ein Sprachagent, der ein Vertriebsteam ersetzt, muss immer noch etwas verkaufen, mit Strom, der nicht gratis ist, an jemanden, der jetzt weniger Geld hat als vorher. Je vollständiger das Verkaufsargument aufgeht, desto dünner wird der Markt, in den hinein verkauft wird.

Das ist keine Vorhersage, dass die Wirtschaft zusammenbricht. Automatisierung hat Arbeitsmarktschocks schon früher absorbiert. Es ist die Feststellung, dass die Positionierung ihre eigene Grenze enthält, und dass eine Technik, die als Ersatz für den Käufer vermarktet wird, in der Wirtschaftsgeschichte ungewöhnlich ist. Sie erklärt auch einen Teil des Widerstands. Wer ein Werkzeug nach der einen Fähigkeit benennt, die Menschen definitionsgemäß als ihre eigene betrachten, und es dann als Ersatz für ihre Arbeit bewirbt, erntet keinen irrationalen Gegenwind. Er erntet die vorhersehbare Antwort auf die Behauptung, die er tatsächlich aufgestellt hat.

Was das mit dem Vertrauen zwischen Unternehmen macht, haben wir in KI und die Illusion, keine Partner mehr zu brauchen beschrieben.

Was man stattdessen sagen sollte

Nennen Sie es ein Sprachmodell. Und beschreiben Sie dann, was Ihr System tut, im Vokabular der Aufgabe, die es erledigt: entwirft die Antwort, liest die Felder aus der Rechnung, markiert den Ausnahmefall zur Prüfung. Der konkrete Satz verkauft besser als die Kategorie, weil der konkrete Satz überprüfbar ist.

Drei Fragen, die jeder Anbieter beantworten können sollte, wir eingeschlossen:

1. Wo sind die Grenzen? Nennen Sie die Werkzeuge, die es aufrufen, und die Daten, die es erreichen kann. Lautet die Antwort “alles”, gibt es kein System, sondern nur ein Modell.
2. Wo ist der Prüfschritt? Wer oder was kontrolliert das Ergebnis, bevor es einen Kunden erreicht, und was passiert, wenn es falsch ist?
3. Wem gehört die Spezifikation? Hat niemand aufgeschrieben, was richtiges Verhalten ist, kann Ihnen auch niemand sagen, ob es funktioniert.

Ein Anbieter, der das beantwortet, verkauft Ihnen ein System. Ein Anbieter, der mit dem Wort KI antwortet, verkauft Ihnen den Namen.

Das Fazit

Die Technik ist wirklich nützlich, und wir bauen täglich darauf. Kaputt ist das Etikett. Es wurde 1955 gewählt, damit ein Forschungsprogramm eigenständig klingt, es schlug eine genauere Alternative, weil es besser klang, und es hat die Jahre seither damit verbracht, die Erwartungen der einen Zielgruppe aufzublasen und die Mitwirkungsbereitschaft der anderen zu dämpfen. Das ist keine Wortklauberei. Das ist die größte einzelne Reibungsquelle dabei, diese Systeme in die Unternehmen zu bringen, die davon profitieren würden.

Der Wert lag nie im Modell. Er liegt in der Spezifikation, den Grenzen und der Prüfung, also weiterhin in dem Teil, den ein Mensch macht.

Wenn Sie herausfinden wollen, was ein Sprachmodell in Ihrem Betrieb ehrlich leisten kann, schreiben Sie uns, wie der Prozess heute aussieht, und wir sagen Ihnen, wo er trägt und wo nicht.