KI-Agenten sind bereits eine Zeile in der Gewinn- und Verlustrechnung
Es gibt einen Unterschied, den die wenigsten Organisationen wirklich vollständig verarbeitet haben: Ein KI-Assistent wartet darauf, dass man mit ihm spricht. Ein Agent handelt eigenständig. Diese Unterscheidung, die technisch klingt, zieht wirtschaftliche und psychologische Konsequenzen nach sich, die grundlegend neu definieren, wie Führungskräfte ihre Technologiebudgets denken – und, noch stiller, wie ihre Teams die eigene Arbeit wahrnehmen.
Rahul Tikoo, Senior Vice President und General Manager der Kundengeschäftseinheit bei AMD, formulierte es in einem kürzlichen Gespräch mit Forbes präzise: KI-Assistenten haben Produktivitätssteigerungen in der Größenordnung von 20 bis 30 Prozent geliefert. Agenten werden dieses Ergebnis laut seiner Prognose mit einem Faktor multiplizieren, der noch keine klare Obergrenze hat. Der Unterschied ist kein gradueller. Es ist ein Unterschied in der Architektur, in der Governance und vor allem in der operativen Ökonomie.
Was den Moment interessant macht, ist nicht, dass AMD etwas grundlegend Neues über künstliche Intelligenz gesagt hat. Es ist vielmehr, dass das Gespräch ein Terrain erreichte, das die meisten Hardwarehersteller sorgsam vermeiden: Die Kosten pro Mitarbeiter für den Betrieb agentischer Arbeitsabläufe werden bereits in Hunderten oder Tausenden von Dollar pro Jahr gemessen, und das ist längst ein sichtbarer Posten in der Gewinn- und Verlustrechnung vieler Unternehmen. Das ist kein Versprechen für die Zukunft. Es ist ein Margenproblem, das Finanzvorstände heute im Blick haben.
Wenn der Token zum Problem der Liquiditätssteuerung wird
Um zu verstehen, warum dies über das Produktmarketing hinaus von Bedeutung ist, lohnt es sich, die Wirtschaftlichkeit von Agenten zu durchleuchten. Ein Chatbot verbraucht Token in einer einzigen Richtung: Der Nutzer fragt, das Modell antwortet. Ein autonomer Agent führt mehrere Schritte aus, ruft Werkzeuge ab, erzeugt Unteraufgaben, bewertet Zwischenergebnisse und iteriert erneut. Jeder dieser Schritte verbraucht Token. Wenn eine Interaktion mit einem traditionellen Assistenten Bruchteile eines Cents kostet, kann ein komplexer agentischer Arbeitsablauf mehrere Dollar pro Ausführung kosten. Wenn man das mit Hunderten von Mitarbeitern und Tausenden von täglichen Ausführungen multipliziert, kann der monatliche Ausgabeposten für Cloud-Inferenz auf eine Zahl anwachsen, die mit anderen Posten im Betriebsbudget konkurriert.
Tikoo nannte dies mit einer für einen Hardware-Führungskräfte ungewöhnlichen Offenheit: Unternehmen sprechen darüber in ihren Vorstandssitzungen. Dieser Satz offenbart mehr als ein kommerzielles Datum. Er zeigt, dass die Einführung von KI-Agenten bereits die Schwelle überschritten hat, an der sie aufhört, eine Diskussion der Technologieabteilung zu sein, und zu einer Diskussion der Finanzabteilung wird. Und wenn der CFO in das Gespräch einsteigt, ändert sich die Kauflogik vollständig.
Hier wird die Verhaltensanalyse relevant. Organisationen, die Chatbots eingeführt haben, taten dies größtenteils, weil die Grenzkosten niedrig und das wahrgenommene Risiko begrenzt waren. Der Nutzer experimentierte mit dem Werkzeug, schuf Wert oder nicht, und die Auswirkung auf das Budget war diffus. Bei Agenten verschwindet dieser Schutzschirm. Jede agentische Bereitstellung hat einen messbaren wirtschaftlichen Fußabdruck. Das erzeugt eine neue Art von Reibung: die Reibung der Rechenschaftspflicht. Technologieführer müssen jetzt nicht nur rechtfertigen, dass der Agent funktioniert, sondern auch, dass der Kostenaufwand pro Aufgabe die Verlagerung einer anderen Ressource rechtfertigt. Diese Rechtfertigung ist schwieriger aufzubauen als es scheint, denn sie zwingt dazu, Produktivität in Kontexten zu messen, in denen historisch gesehen nie gemessen wurde.
Die hybride Architektur, die AMD vorschlägt – lokale Verarbeitung auf Geräten mit agentischer Fähigkeit, kombiniert mit Grenzmodellen in der Cloud für komplexe Aufgaben – antwortet genau auf diesen finanziellen Druck. Wenn ein bedeutender Anteil der Arbeitsabläufe lokal ausgeführt werden kann, werden die Cloud-Inferenzkosten proportional reduziert. Das ist für sich allein keine elegante technische Lösung. Es ist eine direkte Antwort auf ein Margenproblem, das Führungsausschüsse mit wachsender Dringlichkeit diskutieren.
Die Angst, die in der Einführungsbesprechung niemand benennt
Tikoo identifiziert zwei häufige Missverständnisse über agentische KI. Das erste ist, dass Agenten ausgefeiltere Chatbots sind. Das zweite ist, dass die Intelligenz des Modells das Haupthindernis darstellt. Er hat in beiden Fällen recht, aber keines von beiden berührt das tiefste Adoptionsproblem.
Der eigentliche Widerstand gegen autonome Agenten in Organisationen kommt nicht von denen, die die Technologie nicht verstehen. Er kommt von denen, die sie vollkommen verstehen. Ein erfahrener Entwickler, der jahrelang seinen beruflichen Wert rund um die Fähigkeit aufgebaut hat, komplexe Probleme zu lösen, erlebt einen Code-Agenten nicht als Produktivitätswerkzeug. Er erlebt ihn als eine Neudefinition dessen, was er selbst beiträgt. Das ist eine Bedrohung der Identität, keine technische Reibung, und sie reagiert auf rationale Argumente auf eine andere Weise.
Dasselbe gilt für professionelle Dienstleistungen. Tikoo erwähnt den Fall von Ärzten und Anwälten, die mithilfe von Agenten Zeit für administrative Aufgaben freisetzen könnten. Das Argument ist aus der Perspektive des Wertes tadellos. Aber die klinische oder juristische Praxis hat eine Dimensions von Kontrolle und Urteilsvermögen, die viele Fachleute nicht delegieren wollen – nicht weil sie der Technologie misstrauen, sondern weil die Delegation ihr Verständnis davon verändert, was es bedeutet, ihre Arbeit gut zu machen. Die Einführung scheitert nicht an mangelnder Information. Sie scheitert, wenn das Werkzeug etwas berührt, das der Fachmann nicht berührt haben möchte.
Dieses Muster hat praktische Konsequenzen dafür, wie Organisationen ihre agentischen KI-Piloten denken sollten. Der Standardrat, den auch Tikoo gibt, lautet: Arbeitsabläufe mit hoher Wiederholungsbelastung und geringem strategischen Wert identifizieren. Das ist ein richtiger, aber unvollständiger Ausgangspunkt. Arbeitsabläufe, die von außen rein administrativ erscheinen, werden von innen häufig als Statussymbole oder Kontrollinstrumente wahrgenommen. Wer Genehmigungen verwaltet, wer Informationen vor einer Führungsbesprechung zusammenfasst, wer die Nachverfolgungen zwischen Teams koordiniert – diese Person führt nicht immer Aufgaben aus, die sie automatisiert haben möchte. Manchmal übt sie Einfluss aus.
Diese Aufgaben auf einen Agenten zu verlagern, beseitigt die politische Reibung nicht. Es konzentriert sie. Und wenn die Organisation kein klares Konzept hat, wie die tatsächliche Autorität nach der Automatisierung neu verteilt wird, erzeugt der Pilotversuch positive Produktivitätskennzahlen und gleichzeitig eine parallele organisatorische Resistenz, die keine Kennzahl erfasst.
Die Infrastruktur als psychologisches Signal nach innen
Es gibt eine Dimension des Arguments von AMD, die es verdient, über ihre finanzielle Logik hinaus untersucht zu werden. Das Unternehmen verkauft nicht nur Hardware, die in der Lage ist, Modelle lokal auszuführen. Es argumentiert, dass das Gerät des Mitarbeiters als strategischer Knoten in der KI-Infrastruktur des Unternehmens betrachtet werden sollte – nicht als Peripheriegerät.
Diese konzeptuelle Neuausrichtung ist wichtig, weil sie Auswirkungen darauf hat, wie die Menschen innerhalb der Organisation das Werkzeug interpretieren. Ein Mitarbeiter, der mit einem Gerät arbeitet, das das Unternehmen ausdrücklich als Teil seiner Architektur der künstlichen Intelligenz designiert hat, nimmt etwas anderes wahr als jemand, der einen Chatbot im Browser benutzt. Das institutionelle Signal ändert sich. Die sichtbare Investition des Arbeitgebers in die Rechenkapazität des persönlichen Geräts kommuniziert etwas über den Ernst des Engagements und über die erwartete Rolle des Arbeitnehmers in diesem Ökosystem.
Das ist kein Argument für internes Branding. Es ist eine Beobachtung darüber, wie Menschen ihre eigenen Einführungserwartungen anhand der Signale kalibrieren, die sie von ihrer Organisation empfangen. Wenn das Unternehmen das Werkzeug als strategisch behandelt, neigt der Mitarbeiter dazu, es ebenfalls als strategisch zu behandeln. Wenn das Unternehmen es als optionalen Benefit oder als Experiment anbietet, behandelt der Mitarbeiter es wie ein wegwerfbares Accessoire.
Die Diskussion über die CPU als Orchestrierungsebene, die NPU für Effizienz, die GPU für Leistung und den erweiterten Arbeitsspeicher für große lokale Modelle – die Tikoo mit technischer Präzision darlegt – hat einen Nebeneffekt, der selten analysiert wird: Sie schafft ein gemeinsames Infrastrukturvokabular, das die interne Konversation über KI von der Ebene „Produktivitätswerkzeug" auf die Ebene „Geschäftsarchitektur" hebt. Dieses Vokabular ist nicht neutral. Es verändert, wer an den Entscheidungen beteiligt ist, welche Argumente als gültig gelten und welche Art von Widerstand legitim formuliert werden kann.
Die Branchen, die Tikoo als erste Anwender nennt – Softwareentwicklung, Kundendienst, professionelle Dienstleistungen – teilen ein Merkmal: Es sind Sektoren, in denen die individuelle Produktivität relativ einfach messbar ist und in denen der Wettbewerbsdruck um Talente hoch ist. Das erleichtert das wirtschaftliche Argument. Aber es sind auch Sektoren, in denen die berufliche Identität besonders stark aufgeladen ist, in denen die persönliche Leistung sichtbar ist und in denen der Vergleich zwischen Kollegen mit und ohne Agenten Druckdynamiken erzeugen kann, die die Organisation nicht immer gut handhabt.
Die Kosten, die im Pilotversuch niemand budgetiert hat
Das zentrale Paradox des agentischen Moments ist folgendes: Organisationen, die sich bei der Einführung langsam bewegen, riskieren, einen Wettbewerbsnachteil gegenüber denjenigen anzuhäufen, die bedeutende Produktivitätsmultiplikatoren realisieren. Jene, die sich schnell bewegen, ohne die interne psychologische Architektur zu berücksichtigen, riskieren, auf dem Papier erfolgreiche Pilotprojekte zu produzieren, die nicht skalieren, weil die echte Adoption sich unter der Nutzungszahl nie wirklich gefestigt hat.
Tikoo gibt einen vernünftigen operativen Rat: Beginnen Sie damit, zu identifizieren, wo KI bereits Wert erzeugt, priorisieren Sie eine begrenzte Anzahl messbarer Anwendungsfälle, legen Sie die Governance-Grundlagen fest, bevor Sie skalieren. Diese Abfolge ist aus der Perspektive des Managements technologischen Wandels korrekt. Aber es gibt ein Element, das keine Roadmap zur technologischen Adoption üblicherweise einschließt: die Zeit, die eine Organisation benötigt, um intern neu zu definieren, was es bedeutet, eine Arbeit gut zu erledigen, nachdem ein Agent einen Teil dieser Arbeit übernommen hat.
Diese Neudefinition ist weder automatisch noch schmerzlos. Sie erfordert, dass Führungskräfte explizite Gespräche darüber führen, was jetzt vom menschlichen Urteilsvermögen erwartet wird, welche Entscheidungen der Agent nicht treffen kann und warum, und wie die Leistung jemandes bewertet wird, dessen Arbeit teilweise unsichtbar geworden ist, weil der Agent sie ausführt. Ohne diese Gespräche erzeugt die Einführung eine Kluft zwischen dem offiziellen Verhalten – „Wir verwenden Agenten" – und dem tatsächlichen Verhalten – „Wir lassen sie im Hintergrund laufen, während wir die Dinge wie immer machen".
Das Datum, dass agentische Kosten bereits in der Gewinn- und Verlustrechnung vieler Unternehmen erscheinen, ist in diesem Sinne ein ambivalentes Signal. Es bedeutet, dass die Investition bereits stattgefunden hat. Es bedeutet nicht notwendigerweise, dass der Wert erfasst wird. Die Distanz zwischen diesen beiden Punkten ist genau dort, wo die Reibung lebt, die niemand in den Einführungspräsentationen benennt – und es ist dieselbe Reibung, die bestimmen wird, welche Organisationen die Ausgabe in einen Vorteil verwandeln und welche sie in eine Kostenzeile verwandeln, die niemand so recht weiß, wie man sie vor dem nächsten Vorstand rechtfertigen soll.
