Mythos, Macht und das Ende der offenen Intelligenz

Grzegorz Olszowka•9. April 2026•20 Min. Lesezeit

KIAnthropicLLMOpen Source KIKI-RegulierungTechnologiepolitikPhilosophieKI für KMU

KI-Oligarchie statt offener Intelligenz? Anthropic setzt mit exklusivem Modellzugang einen Präzedenzfall. Was das für KMU und den Mittelstand bedeutet.

Mythos, Macht und das Ende der offenen Intelligenz

Von Grzegorz Olszowka · 9. April 2026
#KI #Anthropic #LLM #Macht #Technologiepolitik #Philosophie

Aquarellszene symbolisiert den Konflikt zwischen Mythos, Macht und dem Ende offener Intelligenz in der KI-Debatte.

Auf einen Blick

Anthropic hat mit „Mythos“ einen Präzedenzfall gesetzt: Ein Spitzenmodell wird nicht breit ausgerollt, sondern zunächst einem kleinen Kreis privilegierter Akteure zugänglich gemacht.
Das ist keine Produktentscheidung allein, sondern eine politische Weichenstellung: Wenn wenige Zugriff auf die beste verfügbare Intelligenz haben, entsteht faktisch ein Zwei-Klassen-Intelligenzsystem.
Die Begründung klingt plausibel: Kritische Sicherheitslücken wie ein 27 Jahre alter OpenBSD-Bug oder ein 17 Jahre alter FFmpeg-Bug lassen sich mit solchen Modellen schneller finden – und potenziell auch ausnutzen.
Das Kernproblem liegt tiefer: Wer KI primär als Waffe rahmt, trifft implizit eine Aussage über Mensch, Macht und Legitimität zentraler Kontrolle.
Für den Mittelstand bedeutet das konkret: Vendor-Lock-in, asymmetrischer Wissenszugang und steigende Abhängigkeit von Plattformen werden 2026 zu strategischen Risiken – nicht erst in drei Jahren.

Feine Waage zeigt, dass ein bisschen schlauer als Kategorie die KI-Entwicklung politisch falsch einordnet.

Kürzlich in einem Gespräch, spätabends, als der eigentliche Termin längst vorbei war, sagte ein Geschäftsführer etwas, das mir hängen blieb: „Wenn die beste Maschine der Welt nur noch den Großen gehört – woran erkennen wir dann überhaupt noch, dass der Markt fair ist?“

Das ist kein akademischer Satz. Das ist die Frage unserer Zeit.

Anthropic hat mit der neuesten Iteration seiner Modelle, intern und öffentlich mit einem Mythos-Narrativ aufgeladen, nicht nur ein technisches Signal gesetzt. Es war ein politisches Signal. Ein anthropologisches fast. Eines über Vertrauen, über Gefahr, über Elite und Masse – und über die stillschweigende Annahme, dass einige wenige mit überlegener Intelligenz ausgestattet werden sollten, während der Rest der Welt Zuschauer bleibt.

Um es klar zu sagen: Die intuitive Begründung ist nicht dumm. Im Gegenteil. Wenn ein Modell auf Anhieb jahrzehntealte Sicherheitslücken in OpenBSD oder FFmpeg findet, dann ist der Sicherheitsgedanke real. Dann geht es nicht um Spielerei, nicht um einen hübscheren Chatbot, sondern um Hebel mit infrastruktureller Wucht. Wer so etwas freigibt, öffnet nicht nur Produktivitätspotenziale, sondern möglicherweise auch Angriffsflächen.

Und trotzdem. Genau hier beginnt das Problem. Denn aus einer technisch nachvollziehbaren Vorsicht wird sehr schnell ein Herrschaftsmodell. Aus Risikomanagement wird Oligarchie. Aus „Wir müssen die Guten zuerst ausstatten“ wird ein System, in dem einige Akteure Zugang zur besten kognitiven Infrastruktur der Welt erhalten – und andere eben nicht.

Das klingt dramatisch. Ist es auch. Aber nicht aus Science-Fiction-Gründen. Sondern weil wir gerade womöglich den Übergang von einer Phase offener Verfügbarkeit zu einer Phase kontrollierter Intelligenzallokation erleben. Und wer das für eine Randdebatte hält, unterschätzt die wirtschaftliche Wucht dieser Verschiebung. Denn Intelligenz ist kein weiteres SaaS-Tool. Intelligenz ist Metainfrastruktur. Sie entscheidet darüber, wie schnell Wissen entsteht, wie effizient Entscheidungen fallen, wie günstig Innovation wird – und wer überhaupt noch auf Augenhöhe verhandeln kann.

Schachfigur als Waffe symbolisiert, wie KI als Machtinstrument politische Kontrolle und Aufrüstung nach sich zieht.

Abgeschirmter Turm zeigt, wie Eliten statt Schutz eine KI-Oligarchie durch Machtkonzentration errichten könnten.

Warum „ein bisschen schlauer“ die falsche Kategorie ist

Beginnen wir mit einem Denkfehler, der fast jede öffentliche KI-Debatte verzerrt: Wir sprechen über Intelligenz oft so, als wäre sie ein Dimmer. Ein Drehregler. Zehn Prozent mehr hier, zwanzig Prozent mehr dort, dann wird das Licht eben heller. Das klingt vernünftig. Ist aber im Grunde ein irreführendes Bild.

Nützlicher ist die Treppe. Oder noch präziser: der Schalter an einer Stahltür, hinter der ein neuer Raum liegt. Sie können lange auf derselben Stufe optimieren, schneller werden, sauberer arbeiten, mehr Varianten ausprobieren. Und dann passiert plötzlich etwas Diskontinuierliches: ein Durchbruch. Ein Problem, das für alle vorher unlösbar war, wird lösbar. Nicht graduell besser. Sondern kategorial anders.

Die Wissenschaftsgeschichte ist voll davon. Vor Einstein gab es brillante Köpfe. Trotzdem formulierte niemand die Raumzeit so, wie er es tat. Vor Turing gab es Mathematiker. Trotzdem entwarf niemand genau diese Architektur des Berechenbaren. Vor dem Transformer-Paper von 2017 arbeiteten Tausende an maschinellem Lernen. Trotzdem veränderte „Attention is all you need“ in wenigen Seiten den Pfad eines ganzen Industriezweigs. Das bedeutet nicht, dass Genialität aus dem Nichts kommt. Natürlich steht jeder Durchbruch auf Schultern. Aber nicht jede Schulterreihe führt automatisch zum Gipfel.

Für LLMs heißt das konkret: Wenn ein Modell einen 17 Jahre alten Bug in FFmpeg oder einen 27 Jahre alten Bug in OpenBSD erkennt, dann ist das nicht einfach nur „etwas bessere Pattern Recognition“. Es kann ein Hinweis auf einen Schwellenübergang sein. Ein Modell wird vom nützlichen Assistenten zum Akteur, der in bestimmten Domänen mehr sieht als fast alle Menschen, die gerade aktiv an denselben Problemen arbeiten.

Klingt verrückt? Ist es auch – aber wir sollten uns an die ökonomische Logik halten. In Märkten zählt nicht, ob ein System metaphysisch intelligent ist. Es zählt, ob es Probleme löst, die andere nicht lösen. Wer eine Lieferkette 30 Prozent besser steuert, gewinnt. Wer regulatorische Dokumente 60 Prozent schneller analysiert, gewinnt. Wer Cybersecurity-Lücken Wochen früher entdeckt, gewinnt. Und wer den Zugang zu einem System kontrolliert, das genau solche Quantensprünge ermöglicht, kontrolliert eben nicht nur ein Produkt. Sondern einen asymmetrischen Wettbewerbsvorteil.

Was wir in der Beratungspraxis sehen, bestätigt das in kleinerem Maßstab bereits heute. Unternehmen mit identischer Mitarbeiterzahl, identischem Umsatzkorridor und ähnlicher Marktposition entwickeln sich binnen sechs bis zwölf Monaten auseinander, wenn das eine Team KI systematisch in Angebotswesen, Dokumentenverarbeitung, Recherche und Support integriert – und das andere in der Tool-Euphorie stecken bleibt oder aus Unsicherheit gar nichts tut. Die Unterschiede liegen dann nicht bei 5 Prozent. Sondern schnell bei 20 bis 40 Prozent in Durchlaufzeit, Reaktionsgeschwindigkeit oder administrativer Last.

Übertragen auf Modelle wie Mythos heißt das: Wenn wenige Akteure Zugriff auf eine Stufe haben, die für andere nicht erreichbar ist, verschiebt sich nicht nur die Produktivität. Es verschiebt sich die Struktur des Feldes. Es ist wie im Schach, wenn eine Seite plötzlich nicht nur einen stärkeren Spieler hat, sondern zusätzlich ein Analyseboard, das alle Varianten der nächsten fünfzig Züge in Sekunden durchrechnet. Spielen dürfen formal weiterhin alle. Aber von Chancengleichheit zu sprechen, wäre dann eine höfliche Fiktion.

Das bedeutet konkret für KMU: Wenn fortgeschrittene Modelle nicht offen oder zumindest breit zugänglich sind, werden nicht nur Features ungleich verteilt. Es werden Denkgeschwindigkeiten ungleich verteilt. Genau das macht die Lage strategisch.

Ein ERP-Wechsel ist unangenehm. Eine asymmetrische Intelligenzinfrastruktur ist existenziell.

Und damit sind wir beim eigentlichen Kern: Die Debatte über Mythos ist nicht nur eine Debatte über Sicherheit. Sie ist eine Debatte darüber, ob Intelligenz als öffentlich zugängliche Produktivkraft verstanden wird – oder als kontrollbedürftige Hochtechnologie, die nur in ausgewählten Händen legitim ist.

Eine Treppe aus Licht symbolisiert sprunghafte Intelligenz statt linearer Leistungssteigerung bei LLMs

Offenes Tor symbolisiert offene Intelligenz als letzte Verteidigung gegen naive Freiheitsskepsis und wachsende Machtkonzentration.

Wenn KI als Waffe verstanden wird – was folgt daraus politisch?

Die offizielle oder zumindest naheliegende Argumentation lautet: Dieses Modell ist zu stark, um sofort allen zugänglich gemacht zu werden. Also geben wir es zunächst verantwortungsvollen Akteuren – großen Plattformen, Sicherheitsfirmen, Infrastrukturanbietern, vielleicht staatlich eng eingebetteten Partnern. Erst sollen die Systeme gesichert, die Lücken gepatcht und die Risiken eingehegt werden. Danach sehen wir weiter.

Das ist die vernünftige Lesart. Und sie ist ernst zu nehmen.

Denn natürlich kennen wir Technologien, bei denen Offenheit naiv wäre. Niemand möchte Anleitungen für biologische Waffen auf Popularitätslogik skalieren. Niemand würde argumentieren, dass jede denkbare offensive Cyberfähigkeit ohne jede Hürde frei verfügbar sein sollte. Das Atomwaffen-Beispiel wird deshalb so gern bemüht, weil es intuitiv sofort funktioniert: Nicht jede Macht gehört in jede Hand.

Nur hat diese Analogie einen entscheidenden Riss. Eine Atombombe hat im Kern einen Zweck: Zerstörung oder Abschreckung durch Zerstörungspotenzial. Ein Milzbrandvirus ist nicht zugleich eine Hilfe für Buchhaltung, Wissensmanagement oder Produktentwicklung. Ein chemischer Kampfstoff verbessert keine Angebotskalkulation und senkt keine Bearbeitungszeit im Kundenservice um 35 Prozent. Ein starkes LLM dagegen ist gerade deshalb so folgenreich, weil es dual-use in radikaler Form ist. Es kann gefährlich sein – und zugleich massenhaft nützlich.

Genau hier beginnt die Dialektik. Wenn wir solche Modelle primär als Waffen framen, dann sortieren wir ihren zivilen Charakter unter den Tisch. Wir behandeln eine General-Purpose-Technologie, also eine Basistechnologie mit breitem Nutzen, so, als wäre sie nahezu ausschließlich ein Sicherheitsrisiko. Das ist ungefähr so, als hätten wir den Computer in den 1980ern nur als Kryptographie- und Raketensteuerungssystem beschrieben. Formal nicht falsch. Praktisch katastrophal verkürzt.

Und politisch wird es noch heikler. Denn selbst wenn wir für einen Moment akzeptieren, dass Mythos „waffenähnlich“ ist: Wer entscheidet dann, wer die Waffe haben darf? Wer legt den Kreis der Guten fest? Auf welcher Legitimation beruht das – demokratisch, marktwirtschaftlich, geopolitisch, moralisch? Und wer kontrolliert die Kontrolleure?

Wir kennen dieses Muster aus der politischen Theorie gut. Platon träumte vom Philosophenkönig: von den wenigen Einsichtigen, die die vielen weniger Einsichtigen lenken. In konservativen Varianten kehrt diese Idee immer wieder zurück: Die Masse ist für die Wahrheit, für die Komplexität, für die Macht nicht ausreichend gerüstet. Also braucht es eine aufgeklärte Elite. Nicht aus Bosheit. Sondern aus Verantwortung. Batman in The Dark Knight ist dafür ein fast schon didaktisches Popkultur-Beispiel: totale Überwachung, aber bitte nur einmal, nur in guten Händen, nur zur Rettung der Ordnung. Slavoj Žižek hat nicht zufällig gerade an diesem Stoff die Sehnsucht nach legitimer Ausnahmegewalt beschrieben.

Das Paradox ist offensichtlich. Jede Ausnahmegewalt erklärt sich selbst zur letzten Ausnahme. Fast nie bleibt es dabei.

Für KI bedeutet das: Wenn wenige private Unternehmen definieren, welche Modelle zu gefährlich für die Allgemeinheit sind, und gleichzeitig entscheiden, welche Partner privilegierten Zugang erhalten, dann entsteht eine neue Form privatwirtschaftlicher Souveränität. Keine gewählte Instanz, kein offenes Verfahren, keine transparente Rechenschaft im klassischen Sinne – sondern eine Mischung aus Sicherheitsnarrativ, proprietärer Kontrolle und Marktmacht.

Man muss dafür niemandem bösen Vorsatz unterstellen. Das ist wichtig. Es kann vollkommen ehrlich gemeint sein. Es kann aus echter Sorge geschehen. Aber Strukturen wirken unabhängig von den moralischen Absichten ihrer Architekten. Ein geschlossenes Tor bleibt ein geschlossenes Tor, auch wenn der Türsteher überzeugt ist, die Richtigen hereinzulassen.

Und genau deswegen sollten Unternehmer im Mittelstand diese Debatte nicht als Silicon-Valley-Theater abtun. Wer die Zugänge zur kognitiven Infrastruktur kontrolliert, kontrolliert mittelfristig Innovationsgeschwindigkeit, Automatisierungsgrad, Sicherheitsniveau und Margenfähigkeit ganzer Branchen. Nicht morgen auf jedem Kontoauszug sichtbar. Aber schleichend, kumulativ und brutal effizient.

Schützen uns die Eliten – oder bauen sie gerade eine KI-Oligarchie?

Wir sollten hier präzise bleiben. Es gibt drei mögliche Lesarten des Mythos-Moments.

Dieses Thema vertiefen? 32 KI-Rezepte mit Kostenrahmen als kostenloses PDF.

PDF holen

Erstens: die wohlwollende Lesart. Anthropic und vergleichbare Akteure glauben tatsächlich, dass ein zu früher breiter Zugang erhebliche Sicherheitsgefahren erzeugt. Also wählen sie jene Organisationen aus, die schnell patchen, absichern und Schäden minimieren können. Microsoft, Google, große Sicherheitsunternehmen, vielleicht Regierungen oder regierungsnahe Einrichtungen. Das wäre die „erst die Feuerwehren ausrüsten“-Logik.

Zweitens: die ökonomische Lesart. Exklusivität ist ein Preismechanismus. Wer etwas Knappes nur an wenige verkauft, erhöht Zahlungsbereitschaft, Prestige und Verhandlungsmacht. Ein Modell wird nicht nur aus Sicherheitsgründen zurückgehalten, sondern weil es sich als Premium-Infrastruktur monetarisieren lässt. Das kennen wir aus anderen Märkten. Erst das exklusive Enterprise-Setup, dann die abgestuften Angebote für den Rest.

Drittens: die zynische Lesart. Sicherheitsargumente werden vorgeschoben, um Regulatory Capture vorzubereiten – also die Regeln so zu formen, dass nur die bereits großen Akteure compliant genug sind, Zugang erhalten und die Eintrittshürden für den Rest steigen. Das wäre die klassische Bewegung einer sich verfestigenden Plattform-Oligarchie: Erst Kontrolle mit Schutz begründen, dann aus Schutz Markteintrittsbarrieren machen.

Wahrscheinlich liegt die Realität, wie so oft, dialektisch dazwischen. Nicht reine Tugend. Nicht reine Bosheit. Sondern ein Gemisch aus echter Sorge, Geschäftsinteresse und institutioneller Selbstbehauptung.

Für die Wirkungen macht das allerdings nur begrenzt einen Unterschied. Denn unabhängig von der Motivation entsteht eine Struktur mit zwei Kasten. Auf der einen Seite jene mit Zugriff auf die stärkste verfügbare Intelligenz. Auf der anderen Seite jene, die mit abgespeckten, verzögerten oder stärker regulierten Varianten arbeiten müssen. Das ist kein theoretischer Schönheitsfehler. Das ist Marktarchitektur.

Stellen wir uns zwei Unternehmen vor. Beide haben 120 Mitarbeitende, beide entwickeln industrielle Komponenten, beide kämpfen mit Fachkräftemangel und Dokumentationslast. Unternehmen A erhält – direkt oder über privilegierte Partner – Zugang zu einem Modell, das Sicherheitsanalysen, Code-Reviews, Spezifikationsprüfung und regulatorische Dokumentation deutlich besser erledigt. Unternehmen B arbeitet mit einem öffentlichen Standardmodell, das solide, aber sichtbar schwächer ist. Nach drei Monaten wird man wenig sehen. Nach neun Monaten vielleicht 15 Prozent schnellere Entwicklungszyklen bei A. Nach 18 Monaten eventuell 25 bis 35 Prozent weniger Reibungsverluste in bestimmten Wissensprozessen. Nach zwei Jahren verschiebt sich nicht nur die Produktivität, sondern auch die Fähigkeit, selbst wieder bessere Systeme zu bauen.

Hier wirkt ein Matthäus-Effekt: Wer hat, dem wird gegeben. Stärkere Intelligenz erzeugt bessere Produkte, bessere Sicherheitslage, bessere Kapitalisierung, bessere Talente, bessere Daten. Das System verstärkt sich selbst.

Und jetzt kommt der Punkt, der mich wirklich umtreibt: Wir sind kulturell noch gar nicht darauf eingestellt, Intelligenz als verteilungsrelevantes Gut zu denken. Bei Bildung verstehen wir das. Bei Energie verstehen wir das. Bei Kapital ohnehin. Aber bei maschineller Intelligenz tun viele noch so, als ginge es bloß um angenehmere Interfaces oder schnellere Textentwürfe. Nein. Es geht um ein Produktionsmittel zweiten Grades – eines, das alle anderen Produktionsmittel intelligenter macht.

Wenn der Zugang dazu oligarchisch strukturiert wird, dann reden wir nicht mehr über Wettbewerb im liberalen Sinn. Dann reden wir über kuratierte Überlegenheit.

Was wir in Unternehmen schon heute sehen: Der eigentliche Vendor-Lock-in entsteht selten zuerst durch Datenmigration. Er entsteht durch Gewohnheit, Prozessumbau und Kompetenzverlagerung.

Wenn Ihre Teams lernen, nur noch in einem geschlossenen Ökosystem produktiv zu sein, dann verlieren Sie mit jedem Quartal Verhandlungsmacht – selbst dann, wenn die monatliche Lizenzrechnung noch harmlos aussieht.

Deshalb ist die Mythos-Frage nicht: „Ist Anthropic gut oder böse?“ Die Frage lautet: Welche Ordnung wird hier normalisiert? Eine Ordnung der offenen Hebel – oder eine Ordnung kuratierter kognitiver Privilegien?

Ein kleiner Kreis erhält Zugang zu leuchtender KI-Technologie und symbolisiert oligarchische Machtkonzentration

Ist offene Intelligenz naiv – oder die letzte Verteidigung gegen Machtkonzentration?

Nun wäre es bequem, die Gegenposition romantisch aufzuladen: Alles offen, alles für alle, maximale Freiheit, die Weisheit der Vielen wird es schon richten. So einfach ist es nicht. Auch die Open-Access-Seite hat blinde Flecken.

Denn selbstverständlich senken offene Modelle die Schwelle für Missbrauch. Sie erleichtern Skalierung. Sie verbreiten Fähigkeiten nicht nur an produktive, sondern auch an destruktive Akteure. Wer das leugnet, denkt nicht strategisch, sondern moralisiert. Es gibt keine perfekte Lösung. Nur schlechte, bessere und kontextabhängige Entscheidungen.

Aber genau deshalb müssen wir genauer hinsehen, worin der eigentliche Wert offener Intelligenz liegt. Nicht in einer naiven Ideologie grenzenloser Freigabe. Sondern in der Verhinderung monopolistischer Kognition.

Open Source und offene Modelle haben in der Technologiegeschichte eine entscheidende Gegenmachtfunktion erfüllt. Linux ist das klassische Beispiel. Nicht weil Linux immer das hübscheste oder bequemste System war. Sondern weil es eine Machtbalance hergestellt hat. Es schuf einen Raum, in dem nicht jede Basistechnologie vollständig privat kontrolliert wurde. Ähnlich bei offenen Standards im Web: HTML, HTTP, TCP/IP. Die Innovationskraft des Internets beruhte nicht zuletzt darauf, dass die Grundschichten nicht exklusiv einer Firma gehörten.

Übertragen auf KI heißt das: Selbst wenn Frontier-Modelle zeitweise geschlossen bleiben, braucht ein gesundes Ökosystem leistungsfähige offene Gegengewichte. Sonst gerät die gesamte Wertschöpfung in eine Lage, in der Infrastrukturpreise, Nutzungsbedingungen, Sicherheitsnarrative und Funktionszugänge von einer Handvoll Unternehmen diktiert werden. Das wäre nicht einfach nur teuer. Es wäre innovationspolitisch fatal.

Es gibt noch ein weiteres Argument, das viele zunächst kontraintuitiv finden: In einer Welt mit künstlicher Superintelligenz oder auch nur sehr ungleich verteilten hochleistungsfähigen Modellen kann Offenheit selbst ein Sicherheitsprinzip sein. Warum? Weil nur dann mehr Akteure in der Lage sind, Gegenmittel, Prüfmechanismen, Audits und Abwehrsysteme zu entwickeln. Wenn die stärkste Intelligenz ausschließlich zentralisiert ist, dann wird auch die Fähigkeit, sie zu kontrollieren, zentralisiert. Das ist wie eine Burg, deren Verteidigungssystem nur die Burgbesitzer verstehen. Beruhigend, solange sie wohlwollend sind. Beunruhigend, sobald Interessen kippen.

Die Gegenrede lautet dann oft: Aber nicht jeder Mittelständler braucht ein Frontier-Modell, um Rechnungen schneller zu bearbeiten. Stimmt. Nur ist das kein Argument für Exklusivität, sondern für abgestufte, verantwortliche Verfügbarkeit. Wir brauchen keine infantile Alles-oder-nichts-Debatte. Wir brauchen Governance-Modelle, die zwischen Hochrisikofähigkeiten und produktiven Alltagsanwendungen unterscheiden. Zwischen biooffensiver Unterstützung und Vertragsanalyse. Zwischen Malware-Automatisierung und Wissensmanagement. Zwischen autonomer Exploit-Entwicklung und Angebotskalkulation.

Das Problem mit pauschaler Geheimhaltung ist, dass sie beides zusammenbindet – Gefahr und Nutzen – und dann zentralisiert. Das ist politisch bequem. Aber selten die beste Lösung.

Für Unternehmen heißt das: Wir sollten weder blind auf das „offen ist immer gut“-Narrativ aufspringen noch uns in die Arme vollständig geschlossener Anbieter treiben lassen. Der Sweet Spot liegt in einer Architektur, die mehrere Modellklassen, austauschbare Schnittstellen und klare Governance kombiniert. Also: APIs statt Monokultur, Human-in-the-Loop statt Autopilot, dokumentierte Prozesse statt Tool-Magie.

Wer heute nur auf einen Anbieter setzt, weil dessen aktuelles Modell gerade am stärksten wirkt, verwechselt kurzfristige Exzellenz mit langfristiger Strategie. Das ist verständlich. Aber gefährlich. Gerade in einem Markt, in dem sich Fähigkeiten, Preise und Zugangspolitiken im Quartalstakt verschieben.

Was bedeutet das alles für den Mittelstand – jenseits der großen Theorie?

Hier wird es praktisch. Denn es ist leicht, über Oligarchie, Platon oder Batman zu sprechen. Die eigentliche Frage lautet: Was tun wir am Montagmorgen damit?

Die erste Antwort ist ernüchternd: Die meisten KMU haben gar kein Mythos-Problem. Sie haben ein Architekturproblem. In vielen Unternehmen ist noch nicht sauber geklärt, welche Wissensprozesse standardisierbar sind, wo Daten sauber liegen, welche Freigaben notwendig sind und an welchen Stellen KI tatsächlich einen ROI erzeugt. Wer dort direkt auf das allerstärkste Modell schielt, beginnt am falschen Ende.

Aber die zweite Antwort ist ebenso wichtig: Gerade weil nicht jedes Unternehmen sofort ein Frontier-Modell braucht, unterschätzen viele die strategische Bedeutung des Zugangsregimes. Sie sagen sich: „Für unsere Zwecke reicht doch ein Standardmodell.“ Heute vielleicht. Doch wenn Ihre Wettbewerber in sechs Monaten spezialisierte Agenten-Setups, bessere Code-Assistenz, stärkere Recherche-Workflows oder tief integrierte Compliance-Prüfungen nutzen können – und Sie nicht –, dann wird aus einer theoretischen Governance-Debatte ein operativer Margendruck.

Was wir in der Beratungspraxis sehen, ist erstaunlich konsistent. Drei Muster treten immer wieder auf:

1. Die Tool-Verliebten bauen Abhängigkeit statt Wertschöpfung

Ein Unternehmen testet zehn Tools, schließt drei Jahresverträge ab, verteilt Zugänge großzügig – und merkt nach vier Monaten, dass kein sauberer Prozess definiert ist. Ergebnis: Mehr Kosten, neue Schatten-IT, kein belastbarer Nutzen. Die Technologie war nicht das Problem. Die fehlende Blaupause war das Problem.

Wir sehen in solchen Fällen häufig 15 bis 25 Prozent unnötige SaaS-Kosten, ohne dass ein Kernprozess substanziell besser läuft. Schlimmer noch: Teams gewöhnen sich an proprietäre Routinen, die später kaum noch reversibel sind. Vendor-Lock-in beginnt psychologisch, nicht juristisch.

2. Die Vorsichtigen warten zu lange – und verlieren Lernzeit

Das gegenteilige Extrem ist ebenfalls teuer. Aus Angst vor Datenschutz, Compliance oder Modellwechseln wird nichts entschieden. Nach sechs Monaten merkt die Geschäftsführung, dass Wettbewerber Angebotsbearbeitung, interne Wissenssuche oder Support bereits 30 bis 40 Prozent schneller abwickeln. Dann beginnt hektische Aufholung – meistens teurer und schlechter gesteuert als ein früher Pilot.

Lernzeit ist eine stille Bilanzposition. Sie taucht in keiner GuV direkt auf und entscheidet trotzdem über Ihre Anpassungsgeschwindigkeit.

3. Die Strategischen entkoppeln Use Case, Modell und Oberfläche

Die robustesten Setups sind meist überraschend unspektakulär. Ein Unternehmen definiert drei bis fünf Kernprozesse mit hohem Schmerzpunkt: Dokumentenverarbeitung, Angebotsentwürfe, Wissensrecherche, Protokollierung, erste Antwortentwürfe im Service. Dann wird ein Framework gebaut, das Modelle austauschbar hält. Ein Teil läuft über API, ein Teil über sichere Enterprise-Oberflächen, sensible Schritte bleiben Human-in-the-Loop. So entsteht kein perfektes System. Aber ein belastbares.

In solchen Fällen sehen wir oft nach 6 bis 12 Wochen erste harte Effekte: 20 bis 35 Prozent weniger administrative Bearbeitungszeit, 30 bis 50 Prozent schnellere Recherche und deutlich weniger Reibung an Schnittstellen. Der ROI liegt – je nach Reifegrad und Prozessdichte – häufig nach 3 bis 8 Monaten.

Ein typisches Beispiel: Eine Steuerberatungskanzlei mit 15 Mitarbeitenden führte kein „magisches KI-Projekt“ ein, sondern zwei klar begrenzte Workflows: Mandantenkommunikation vorstrukturieren und Fachinformationen auffindbar machen.

Nach 10 Wochen sank der interne E-Mail-Traffic in diesen Prozessen um rund 35 Prozent, die Erstbearbeitung standardisierter Anfragen wurde etwa 45 Prozent schneller. Nicht spektakulär im Feuilleton. Extrem wertvoll im Alltag.

Genau hier liegt der Mittelstands-Sweet-Spot: nicht im Hype, sondern in sauber designten Hebeln.

Was hat das mit Mythos zu tun? Alles. Denn in einer Welt, in der Spitzenmodelle selektiv verteilt werden, wird strategische Modularität zur Versicherung. Sie können den politischen Kurs der Frontier-Anbieter nicht kontrollieren. Aber Sie können verhindern, dass Ihr Unternehmen vollständig von deren Launen abhängt.

Mittelständisches Team arbeitet mit modularen KI-Werkzeugen und symbolisiert strategische Unabhängigkeit

Die eigentliche Entscheidung lautet nicht offen oder geschlossen – sondern: Wer darf denken?

Im Kern kreist die ganze Debatte um eine Frage, die größer ist als Anthropic, größer als ein einzelnes Modell, vielleicht sogar größer als die KI-Branche selbst: Wie verteilen wir Denkfähigkeit in einer technischen Zivilisation?

Das klingt hochtrabend. Ist aber betriebswirtschaftlich erstaunlich konkret. Wer denken darf – im Sinn von schnell analysieren, kombinieren, simulieren, prüfen, entwerfen –, der entscheidet schneller. Wer schneller entscheidet, lernt schneller. Wer schneller lernt, baut Vorsprung auf. Und Vorsprung, wiederholt über viele Zyklen, wird zu Macht.

Wir erleben gerade, dass Intelligenz von einer anthropologischen Konstante zu einer infrastrukturellen Variablen wird. Früher war menschliche Denkfähigkeit breit verteilt, wenn auch ungleich ausgeprägt. Heute kommt eine Schicht hinzu: maschinelle Kognition, deren Leistungsniveau, Zugänglichkeit und Kosten politisch und unternehmerisch gestaltet werden. Das ist neu. Und es macht die alten liberalen Selbstverständlichkeiten brüchig.

Die These wäre: Aus Sicherheitsgründen muss die stärkste Intelligenz kontrolliert werden. Die Antithese: Jede solche Kontrolle kippt in Machtkonzentration. Die Synthese kann nur lauten: Wir brauchen kontrollierte Offenheit statt privater Souveränität. Also Systeme, in denen riskante Fähigkeiten abgestuft, auditierbar und regelbasiert gehandhabt werden – ohne dass wenige Konzerne faktisch zu Torwächtern des Denkens werden.

Wird das einfach? Natürlich nicht. Es gibt keine perfekte Lösung. Aber es gibt bessere Fragen. Nicht: „Sollte jeder alles bekommen?“ Sondern: „Welche Fähigkeiten unter welchen Bedingungen, mit welcher Rechenschaft, für welche Akteure?“ Nicht: „Wem vertrauen wir blind?“ Sondern: „Welche Checks and Balances verhindern Missbrauch – auch durch die Guten?“ Nicht: „Welches Modell ist heute am klügsten?“ Sondern: „Welche Architektur hält uns morgen handlungsfähig?“

Vielleicht ist genau das die eigentliche Lehre des Mythos-Moments. Nicht dass ein Anbieter ein Modell zurückhält. Sondern dass die Branche offen ausspricht, was lange implizit war: Intelligenz wird zu einer Frage der politischen Zuteilung. Und sobald das geschieht, endet die naive Phase der offenen Euphorie.

Für viele Unternehmen ist das ein unangenehmer Gedanke. Man möchte Technologien gern wie Werkzeuge behandeln: Hammer, Schraubendreher, ERP, API. Nützlich, austauschbar, neutral. Doch starke KI ist nicht neutral in diesem simplen Sinn. Sie ist näher an Elektrizität plus Rechtsabteilung plus Analystenteam plus Junior-Entwickler plus Rechercheur – in einem. Wer darüber verfügt, verfügt nicht nur über Effizienz. Sondern über Deutungshoheit im operativen Alltag.

Und deshalb betrifft mich diese Entwicklung auch persönlich. Ich habe in den vergangenen Monaten meine eigenen Systeme umgebaut, Modellrouten geändert, Setups neu bewertet – nicht aus Technikromantik, sondern weil sich die Arbeitsqualität spürbar verändert, wenn geschlossene Plattformen ihre Prioritäten verschieben. Man arbeitet plötzlich nicht mehr mit einem Werkzeug, sondern gegen dessen Produktpolitik. Das ist ein miserables Fundament für Wertschöpfung.

Richtig problematisch wird es dort, wo Unternehmen diesen Kontrollverlust erst bemerken, wenn zentrale Prozesse bereits an ein Ökosystem gekettet sind.

Was jetzt vernünftig ist – ein Handlungsrahmen für Unternehmer

Wir sollten also weder in Alarmismus verfallen noch die Schultern zucken. Beides wäre bequem. Beides wäre falsch.

Die Kernspannung bleibt bestehen: Starke KI schafft enorme Produktivität und reale Sicherheitsrisiken zugleich. Die Antwort darauf kann nicht blinde Freigabe sein. Aber eben auch nicht eine stillschweigend akzeptierte Oligarchie des Denkens.

Die dialektische Auflösung lautet deshalb: so viel Offenheit wie möglich, so viel Kontrolle wie nötig – aber mit überprüfbaren Regeln, modularen Architekturen und strategischer Souveränität auf Unternehmensseite.

Für den Mittelstand heißt das konkret:

Inventarisieren Sie Ihre kognitiven Engpässe. Wo verlieren Ihre Teams heute Zeit durch Suche, Dokumentation, Abstimmung, Wiederholung oder manuelle Prüfung? Nicht abstrakt. Prozess für Prozess.
Priorisieren Sie 3 bis 5 Use Cases mit klarem ROI. Typischerweise: Angebotswesen, Dokumentenverarbeitung, Wissenssuche, Protokollierung, interne Erstentwürfe. Dort liegen oft 20 bis 40 Prozent Effizienzhebel.
Bauen Sie modellagnostisch. Trennen Sie nach Möglichkeit Oberfläche, Prozesslogik und Modellzugriff. APIs, RAG-Systeme und klar dokumentierte Workflows schlagen monolithische Tool-Abhängigkeit.
Definieren Sie Governance statt Verbotskultur. Welche Daten dürfen wohin? Welche Freigaben sind nötig? Wo bleibt Human-in-the-Loop verpflichtend? Wer entscheidet Modellwechsel?
Planen Sie gegen Vendor-Lock-in. Nicht nur technisch, auch organisatorisch. Schulen Sie Teams in Prinzipien, nicht nur in einem Tool. So bleibt Ihr Setup beweglich.
Beobachten Sie Zugangspolitik als strategischen Faktor. Wer bekommt welche Modelle, zu welchem Preis, mit welchen Restriktionen? Das ist keine Nerd-Frage mehr, sondern Teil von Wettbewerbsanalyse.

Wenn Sie diese Punkte sauber angehen, entsteht etwas sehr Wertvolles: keine Abhängigkeit vom Hype-Zyklus, sondern eine belastbare Entscheidungsfähigkeit. Und genau das wird in den kommenden 12 bis 24 Monaten zur knappsten Management-Ressource.

Wir bei kiba.berlin sehen unsere Aufgabe nicht darin, das lauteste Tool zu feiern. Sondern darin, aus Lärm belastbare Entscheidungen zu machen. Für Unternehmen, die weder den Anschluss verlieren noch blind in den nächsten Plattformkäfig laufen wollen.

Mythos ist deshalb mehr als ein Modellname. Es ist ein Symptom. Für eine Branche, die merkt, dass Intelligenz Macht ist – und für eine Gesellschaft, die erst noch entscheiden muss, wie viel dieser Macht offen bleiben darf.

Die offene Frage ist nicht, ob KI groß wird. Das ist sie längst. Die offene Frage ist, ob wir den Zugang zu ihr wie ein Gemeingut der Produktivität behandeln – oder wie das Vorrecht einer kleinen technischen Aristokratie.

Darüber wird nicht irgendwann entschieden. Sondern gerade jetzt.