Kategorie: Meinung

Zehn Gigawatt und mehr – so viel Rechenkapazität für KI-Produkte plant Meta einem Investor zufolge ein. Die Zahl steht in einer Analyse, die erklärt, warum der Konzern aus Menlo Park mit einer neuen „Meta Enterprise Platform“ ins Geschäft mit Unternehmen und Entwicklern einsteigen will. Der Autor schreibt seit Jahren über Unternehmen, Kapitalmärkte und Technologie, und er argumentiert gegen den breiten Konsens: Meta versteht Consumer, aber nicht Enterprise.

Man kann sich das wie einen Kraftwerksbetreiber vorstellen. Wer Strom erzeugt, braucht Abnehmer. Wer viel Strom erzeugt, braucht viele Abnehmer. Diesen Gedanken wendet der Autor auf Meta an, und er zieht sich durch die ganze Argumentation. Wer ihn einmal verstanden hat, liest die Ankündigung anders als der skeptische Teil der Branche.

Was angekündigt wird und warum viele zweifeln

Im offiziellen Blogbeitrag beschreibt Meta die Plattform mit den eigenen Stärken: fortschrittliche Modelle, Agenten, Infrastruktur in großem Maßstab und jahrelange Zusammenarbeit mit vielen Unternehmen. Zum Start will Meta den kompletten Technologie-Stack an Unternehmen und Entwickler bringen – darunter den Muse-Agenten, den Meta Business Agent, die Muse API und Muse Code. Der Meta Business Agent soll Firmen helfen, KI Agenten für ihre eigenen Abläufe einzusetzen, die Muse API öffnet Entwicklern den direkten Zugang zu den Modellen. Damit positioniert sich Meta als Anbieter einer Meta KI Plattform, die nicht nur konsumnahe Anwendungen, sondern auch professionelle Werkzeuge abdeckt.

Interessanter als die Produktliste ist für den Autor eine Personalie. Meta hat CJ Desai verpflichtet, um die Unternehmensplattform zu führen. Desai war elf Monate CEO von MongoDB und davor President of Product and Engineering bei Cloudflare. Dass jemand einen Tag vor seinem eigenen Investorentag den Chefposten eines börsennotierten Unternehmens verlässt, um zu Meta zu wechseln, ist für den Autor mehr als eine Nebenbeschäftigung. Für ihn ein Signal, dass Meta die Sache ernster nimmt, als der Markt annimmt.

Die Skepsis ist nachvollziehbar und begründet. Meta hat über Jahre bewiesen, dass es die Aufmerksamkeit von Konsumenten in Geld verwandeln kann. Im Geschäft mit Unternehmen hat der Konzern bislang wenig Boden gewonnen. Ein zitierter Tweet bringt das Unbehagen auf den Punkt, und auch der Analyst Ben Thompson, sonst ein wohlwollender Beobachter von Metas KI-Investitionen, sagte, er „hasse“ diesen Schritt. Wer also reflexhaft die Stirn runzelt, ist nicht allein.

Trotzdem will der Autor nicht aus Prinzip dagegenhalten. Er räumt ein, dass der Konsens oft richtig liegt, und trennt deshalb seine Argumente sauber. Es geht ihm nicht darum, die Zweifel wegzureden, sondern die Gründe zu prüfen, die für das Vorhaben sprechen. Und diese Gründe sind weniger sentiment- als rechengetrieben.

Ein zweiter Nachfrager als eigentlicher Grund

Das einfachste Argument: Meta braucht einen zweiten Kunden. Der Konzern bindet sich in der Größenordnung von „zig Gigawatt“ Rechenleistung – auf Basis einer Nachfrageprognose für Produkte, deren Akzeptanzkurve mit hoher Fehlermarge behaftet ist. Muse mag als Consumer-Agent erste Produkt-Markt-Passung gefunden haben, doch der Autor weiß nicht, ob daraus ein Produkt mit 500 Millionen oder zwei Milliarden Nutzern wird, in welchem Zeitraum, und wie viel Rechenleistung ein agentisches Produkt pro Nutzer verbraucht, sobald es im großen Stil Aufgaben übernimmt. Dazu kommt: Wie sich die Preise für Rechenleistung künftig entwickeln, weiß niemand. Schon kleine Abweichungen summieren sich in einer mehrjährigen Prognose zu enormen Unterschieden.

Wer sich nur auf eigene Produkte verlässt, zahlt für Fehler in beide Richtungen. Baut Meta zu wenig, kann es die gerade gefundene Produkt-Markt-Passung nicht bedienen, und die Nutzer wandern zu konkurrierenden KI-Agenten ab. Baut Meta zu viel – was Alphabet und Meta laut Autor im Zweifel sogar strategisch bevorzugen –, verpufft der Überschuss in den Margen des Werbegeschäfts, weil die Abschreibung das operative Ergebnis belastet. Ein zweiter Nachfrager senkt die erwarteten Kosten eines Fehlers nach oben. Sobald es einen Abnehmer außerhalb des eigenen Hauses gibt, wird aggressives Bauen zur rationalen Strategie statt zum Risiko, das man allein trägt.

Was Meta fehlt: die Flexibilität nach unten

Ein Detail, das viele übersehen: Meta ist nach oben bereits flexibel. Braucht der Konzern mehr Rechenleistung als er besitzt, mietet er sie bei CoreWeave, Nebius, Google oder Oracle dazu. Nach unten fehlt diese Beweglichkeit – es gibt keinen Kanal, über den Meta überschüssige Kapazität wieder abgeben könnte. Ein Drittmarkt-Kanal wäre genau diese fehlende Hälfte: nach oben hineinmieten, nach unten hinausvermieten. Deshalb hält der Autor die Enterprise Plattform nicht nur für ein Wachstumsprojekt, sondern auch für eine Absicherung der Bilanz.

Dazu kommt der Zeitfaktor. Muse mag 2030 ein kategoriedefinierendes Geschäft sein, doch in diesem und vermutlich auch im kommenden Jahr wird es keine Milliardenbeiträge liefern. OpenAI hat laut Berichten mit Enterprise-Dynamik eine Jahreslaufrate von 70 Milliarden Dollar erreicht – und selbst dort fällt es offenbar schwer, Rechenleistung von Unternehmenskunden zugunsten von Consumer-Agenten umzulenken, solange externes Kapital nötig ist. Für Meta, das hochprofitabel ist, aber weiter investieren und dafür womöglich Anleihe- oder Aktienmärkte anzapfen will, gilt Ähnliches. Ein langsam anlaufendes Konsumgeschäft allein reicht als Erzählung für Investoren kaum, wenn die Ausgaben so hoch sind.

Die Rechenökonomie der Labore und das Duopol-Risiko

Ein zweiter, weniger beachteter Risikofaktor betrifft die Preise für Rechenleistung. Der Autor rechnet vor, dass Anthropic auf Basis von Investorenerwartungen eine Rendite von rund 49 Milliarden Dollar pro Inferenz-Gigawatt-Jahr erzielen könnte. Läge die Rendite auch 2030 noch bei 30 bis 40 Milliarden Dollar, könnten sich die großen Labore Rechenkapazität zu Preisen sichern, die für alle anderen kaum zu halten wären. Ein marginales Gigawatt bringt bei einem solchen Ertrag 36 Milliarden Dollar im Jahr – dann kann ein Anbieter 20 Milliarden dafür zahlen und steht noch gut da. Verdient Metas Gigawatt dagegen „nur“ 15 Milliarden, geht die Rechnung nicht auf.

Der Autor hält das nicht für das wahrscheinlichste Szenario, mahnt aber zur Demut: Vor einem Jahr hätte er die Entwicklung vermutlich für unplausibel gehalten. Zudem betrifft das Problem nicht nur Meta. Zöge die zusätzliche Kapazität dauerhaft zu zwei Laboren, würde sich der Auftragsbestand der Hyperscaler auf zwei Vertragspartner konzentrieren – und damit Macht verschieben, die bis zu den Chip-Herstellern durchschlägt. Ein Duopol an der Technologiefront kann niemandem in dieser Kette gefallen. Genau deshalb, so die These, will Zuckerberg, dass die Rendite pro Inferenz-Gigawatt auf ein Niveau sinkt, bei dem neben den Laboren noch Platz für andere bleibt.

Das Modell als Vertriebsweg und das Team dahinter

Bleibt die Frage nach dem Vertriebsweg, an dem sich Meta messen lassen muss. Weder Anthropic noch OpenAI haben ihre heutige Umsatzlaufrate über jahrelang aufgebaute Außendienstteams erreicht. Sie kamen dorthin, weil Entwickler ein Modell an der Technologiefront wollten – und weil dieses Modell über Marktplätze wie Bedrock, Vertex und Foundry verteilt wurde. Solche Marktplätze gab es nicht, als Google Cloud mühsam ins Enterprise-Geschäft wuchs; heute gibt es mindestens drei. Ein Hyperscaler, dessen Auftragsbuch sich auf zwei Labore konzentriert, hat folglich ein eigenes Interesse daran, seinen Kunden eine weitere Front-Option anzubieten, schon um die Verhandlungsmacht dieser Labore zu verwässern.

Der Autor zieht daraus eine klare Rollenverteilung: Marktplätze sind der Einstieg, über den das Modell zu Entwicklern kommt, die Meta Enterprise Platform ist der Ort, an dem größere und stärker agentische Arbeitslasten landen. Damit das trägt, muss Muse Spark nahe genug an der Technologiefront bleiben, sonst verliert der Preisvorteil seine Bedeutung. Ein weiteres Debakel vom Typ „Llama 4“ dürfte sich Meta nicht erlauben, wenn es das Vertrauen von Unternehmenskunden gewinnen will. Und das zusammengestellte Team spricht für Ernsthaftigkeit: ein ehemaliger Enterprise-Chef, der direkt an Zuckerberg berichtet, ein Ex-AWS-Manager für das Infrastrukturprodukt, Daniel Gross für Kapazitätsstrategie und Lieferantenbeziehungen sowie Dina Powell McCormick für souveräne Finanzierungen. Das sieht nicht nach einem halbherzigen Versuch aus.

Was das konkret bedeutet

Man muss Metas Enterprise-Ambitionen nicht für einen sicheren Erfolg halten, um sie für sinnvoll zu halten. Der Autor argumentiert nicht, dass Meta das Geschäftskundengeschäft gewinnen wird, sondern dass selbst ein mäßig erfolgreicher Einstieg strategischen Wert hat, der weit über die eigene Gewinn- und Verlustrechnung hinausreicht. Ein glaubwürdiger Wettbewerber mit niedrigerem Preis begrenzt, was die großen Labore verlangen und bieten können. Und es ist besser, den Versuch jetzt zu unternehmen, solange das Modell der Vertriebsweg ist und die Hyperscaler einen Anlass haben zu helfen, als zu warten, bis die nächsten zwanzig Gigawatt vergeben sind und die Frage, wer an der Front mitspielen darf, längst beantwortet ist.

Für dich als Beobachter oder Entscheider heißt das: Die Meta Unternehmensplattform ist weniger eine Produktankündigung als eine Wette auf Rechenökonomie und Verhandlungsmacht. Ob sie trägt, hängt nicht am Marketing, sondern daran, ob Muse an der Front bleibt und ob genug agentische Arbeitslast tatsächlich auf Metas eigener Infrastruktur landet. Beides ist offen. Die Skepsis bleibt berechtigt – aber sie ist kein Grund, den Fall nicht wenigstens durchzurechnen.

Quelle: mbi-deepdives.com

100 Milliarden Vektoren in einem Index, 200 Millisekunden p99-Latenz bei über 1.000 Abfragen pro Sekunde — mit diesen Zahlen hat turbopuffer seine Speicherarchitektur lange verteidigt. Jetzt wird sie umgebaut. In einem technischen Bericht beschreibt Dan Harrison, Engineer bei turbopuffer, warum der ANN-Index seinen Rang als Primärindex verliert und nur noch ein Sekundärindex unter vielen sein soll.

Wer heute eine Vektordatenbank auswählt, schaut meist auf Latenz und Preis pro Million Vektoren. Der Bericht zeigt, dass die wichtigere Frage woanders liegt: Welche Datenstruktur bestimmt das Layout, und was passiert, wenn eine Datenbank mehr können muss als reine Ähnlichkeitssuche? Das hier ist keine Produktankündigung, sondern eine Zwischenbilanz aus einem laufenden Umbau — inklusive der Stellen, an denen es noch hakt.

Von einer ID und einem Vektor zur geclusterten Ablage auf Objektspeicher

In der ersten Version von turbopuffer bestanden Dokumente nur aus einer ID und einem Vektor. Der damals übliche Ansatz waren graphenbasierte Vektorindizes, doch die vertragen sich schlecht mit Objektspeicher als Quelle der Wahrheit. Das Team setzte stattdessen auf einen hierarchischen Clustering-Index, zunächst SPANN, später SPFresh, um auch inkrementelles Indexieren zu ermöglichen. Vektoren werden dabei in Gruppen zusammengefasst, deren Zentroide wiederum geclustert werden — so oft, bis ein Baum mit einer einzigen Wurzel entsteht.

Umgesetzt ist das auf einer Speicherschicht, die sortierte, eindeutige Schlüssel-Wert-Paare speichert. Jeder Cluster bekommt eine ClusterId, jeder Vektor darin eine LocalId; zusammen bilden sie die ANN-Adresse. Alles, was zu einem Dokument gehört, liegt unter dieser Adresse. Man kann sich das wie eine Lagerhalle vorstellen, in der jedes Dokument seine Signatur nach dem Regalplatz erhält, an dem es steht. Die Adresse ist also nicht nur Fundstelle, sondern Ordnungsprinzip. Deshalb heißt der ANN-Index der Primärindex.

Attributfilterung und BM25-Volltextsuche als nachgerüstete Zweitindizes

Der Übergang zu v2 war informell und wurde durch zwei neue Abfragetypen markiert. Kunden wollten Attributwerte speichern und Vektorsuchen danach filtern. Damit das schnell und mit hoher Trefferquote funktioniert, modelliert turbopuffer diese Attributfilterung als invertierten Index, der einen Attributwert auf die ANN-Adressen der zugehörigen Dokumente abbildet. Für Projektionen wurden die Attributwerte zusätzlich neben ID und Vektor abgelegt.

Die BM25-Volltextsuche folgt demselben Muster. Sie sucht zuerst die Dokumente, in denen der Suchbegriff vorkommt, und ergänzt die für die BM25-Bewertung nötigen Angaben wie Begriffshäufigkeit und Dokumentlänge. Später kamen Aggregationen, Regex-Suche, Fuzzy-Matching, Sparse-Vektor-Suche und Attribut-Sortierung hinzu. All diese Abfragepläne hängen aber weiterhin an der Ablage, die um den ANN-Index herum gebaut ist. Darin liegt das Problem.

Speicherverstärkung und Schreibverstärkung: der Preis der ANN-Adresse als Schlüssel

Solange ein Dokument nur einen Vektor hat, arbeitet diese Ablage effizient. Sobald ein Dokument jedoch durch mehrere Vektoren repräsentiert wird — etwa bei verschachtelten Dokumenten oder Late-Interaction-Modellen —, landet der komplette Inhalt unter jeder dieser Adressen. Der Bericht nennt das Speicherverstärkung und führt darauf einige der unangenehmsten Limitierungen des Systems zurück.

Schwerer wiegt die Schreibverstärkung. Jede Einfüge-, Änderungs- oder Löschoperation kann SPFresh dazu veranlassen, Vektoren neu zu balancieren, damit die Cluster sauber bleiben und die Recall-Werte nicht einbrechen. Weil die vollständigen Dokumentinhalte und die invertierten Indizes an der ANN-Adresse hängen, wandert bei so einer Umsortierung alles mit. Das Ändern eines einzigen Vektors kann Hunderte Attribute und deren Indizes verschieben. Die Versuche, den Durchsatz beim Indexieren weiter zu steigern, stoßen laut Harrison inzwischen an abnehmende Erträge.

Blockgrößen: Warum die Vektorisierung an Clustergrenzen hängt

Moderne Abfrage-Engines arbeiten vektorisiert, sie laufen in engen Schleifen über Blöcke von Werten. Das amortisiert feste Kosten pro Block, komprimiert besser, hält die CPU-Pipeline gefüllt und öffnet die Tür zu SIMD. DuckDB arbeitet in Stapeln von 2.048 Zeilen, ClickHouse bis etwa 65.000, Lucenes Posting-Blöcke fassen 256 Dokumente. Der ANN-Index von turbopuffer funktioniert am besten mit Clustern von 100 bis 200 Dokumenten.

Weil die ANN-Adresse der Primärschlüssel ist, müssen sich alle anderen Abfragepläne dieser Größe unterwerfen. Ein Plan, der Blöcke mit Tausenden Dokumenten bräuchte, bleibt bei 100 bis 200 hängen. Wie viel das ausmacht, zeigt die Volltextsuche: In der ersten Version folgten die Posting-Listen den Clustergrenzen, der mittlere Block enthielt rund 1,5 Einträge. Mit festen Blöcken von etwa 256 Einträgen wurde der Index zehnmal kleiner und die Abfragen bis zu zwanzigmal schneller. Posting-Listen konnten das, weil sie getrennt liegen und auf Dokumente zeigen. Aggregationen und andere Scans lesen dagegen die Dokumente selbst, und die liegen weiterhin ein Block pro Cluster.

turbopuffer v3: nicht mehr auf die ANN-Adresse schlüsseln

Die Lösung lässt sich in einem Satz sagen, ist aber schwer umzusetzen: nicht mehr auf die ANN-Adresse schlüsseln. Das macht turbopuffer v3, die neue Speicherarchitektur. Der ANN-Index wird zu einem Sekundärindex unter anderen, das Dokument selbst bekommt eine eigene, stabile Identität. Damit lösen sich die drei Probleme strukturell, statt einzeln wegoptimiert zu werden. Der ANN-Index bleibt wichtig, bestimmt aber nicht mehr das Layout des ganzen Systems.

Ein erster Meilenstein steht: Seit Anfang des Monats laufen 100 Prozent der CI-Tests auf v3 durch. Allerdings fällt die neue Engine in der Leistung noch deutlich hinter die Produktionsversion zurück, was niemanden überraschen dürfte. Bisher ging es um grundlegendes Design und Korrektheit, mit dem Feintuning wurde gerade erst begonnen. Der Bericht ist als Auftakt einer Reihe angelegt, die den Umbau und seine Optimierungen begleiten soll.

Was der Umbau für den Betrieb bedeutet

Wer eine Vektordatenbank betreibt, merkt von einem solchen Umbau zunächst wenig. Entscheidend ist die Frage, welche Abfragetypen die Datenbank künftig ohne Umweg bedienen kann. Ein Dokument, das unabhängig von seinem Vektor eine stabile Adresse hat, erlaubt es, ANN-Index, BM25-Volltextsuche, Attributfilterung und Aggregationen jeweils in ihrer eigenen optimalen Blockgröße abzulegen. Erst damit taugt eine Vektordatenbank auch als Suchdatenbank im allgemeinen Sinn.

Zur Größenordnung: turbopuffer hostet nach eigenen Angaben über eine Billion Dokumente, verarbeitet mehr als zehn Millionen Schreibvorgänge pro Sekunde und bedient über 25.000 Abfragen pro Sekunde. Ob dieselbe Leistung mit dem neuen Layout gelingt, entscheidet sich in den kommenden Monaten. Wer einen Wechsel erwägt, sollte die Benchmark-Zahlen beobachten: Die alte Architektur hat ihre Grenze erreicht, die neue ist noch nicht so weit.

Quelle: turbopuffer.com

38 Prozent. So hoch ist der Anteil der Beschäftigten aus der Generation Z, die laut dem AI Confidence Index von LinkedIn planen, sich in den kommenden sechs Monaten aktiv KI-Kenntnisse anzueignen. Bei der Generation X liegt der Wert bei 63 Prozent. Zwischen den Jüngsten und den Älteren im Arbeitsmarkt liegt damit eine Lücke von 25 Prozentpunkten.

Die Zahl stammt aus einer Auswertung, die LinkedIn News im Newsletter „The Work Shift“ veröffentlicht hat, verantwortlich ist die LinkedIn-Redakteurin Taylor Borden. Darin entsteht das Bild einer Belegschaft, die gerade ihr Verhältnis zu einer Technologie sortiert, die viele Berufsbilder umbaut. Für den Beitrag wurden Menschen auf der Straße nach einem einzigen Wort zu KI gefragt: Eine Unternehmerin antwortete „life-changing“, ein Anwalt „scary“, eine junge Angestellte erklärte, sie sei mit „Terminator“ aufgewachsen, und es falle ihr schwer, KI als aufregend zu bezeichnen.

Wer sich in dieser Skepsis wiedererkennt, ist damit nicht allein – und deshalb nicht unvernünftig. Auffällig ist etwas anderes: Aus der Skepsis wird keine Ablehnung, sondern ein Zögern genau dort, wo die Daten die größten Vorteile zeigen.

Was der AI Confidence Index tatsächlich misst

Der Index misst keine Begeisterung, sondern Selbstauskunft. 53 Prozent der befragten US-Beschäftigten geben an, KI mache sie bei der Arbeit effizienter – zwei Prozentpunkte mehr als bei der vorherigen Erhebung. Ebenfalls um zwei Prozentpunkte gestiegen ist der Anteil derer, die sich beim Aufbau von KI-Kompetenzen ausreichend unterstützt fühlen. Knapp sechs von zehn Befragten wollen in den kommenden sechs Monaten aus eigener Initiative neue KI-Fähigkeiten lernen.

Die Bewegung geht in eine Richtung: mehr KI-Vertrauen am Arbeitsplatz. Nur verläuft sie nicht gleichmäßig. Die Generation Z liegt bei praktisch allen abgefragten Werten hinter den älteren Kolleginnen und Kollegen. Am größten ist der Abstand bei der Frage, ob junge Beschäftigte überhaupt in entsprechende Kompetenzen investieren wollen. Bemerkenswert ist das, weil es dabei nicht um Sympathie für ein Produkt geht, sondern um die Bereitschaft, Zeit in die eigene berufliche Zukunft zu stecken.

Wer über KI-Skepsis sprechen will, muss zwei Dinge auseinanderhalten: die Zustimmung zu einer Technologie und die Entscheidung, sich mit ihr zu beschäftigen. Beides kann auseinanderfallen. Man kann KI für überschätzt halten und trotzdem lernen, sie zu benutzen – so wie man einen Taschenrechner nicht lieben muss, um ihn zu bedienen.

52 Prozent Nervosität: Die Sorge gilt dem Job, nicht dem Chatbot

Mehr als die Hälfte der Gen Z (52 Prozent) gibt an, nervös wegen der Auswirkungen von KI auf den eigenen Arbeitsplatz zu sein. Das ist der höchste Wert aller Generationen: Bei den Millennials sind es 43 Prozent, bei der Generation X 38 Prozent, bei den Babyboomern 26 Prozent. Die Differenz zwischen Jung und Alt beträgt bei dieser Frage 26 Prozentpunkte – mehr als bei jedem anderen gemessenen Wert.

Dafür gibt es eine nüchterne Erklärung, die nichts mit Technikangst zu tun hat. Junge Beschäftigte haben den größten Teil ihres Erwerbslebens noch vor sich und gleichzeitig die geringste Klarheit darüber, wie diese Jahre aussehen werden. Ältere Generationen haben mehr Übung darin, Umbrüche zu überstehen. Leslie Clavin, PR-Fachfrau aus der Generation X, bringt es so auf den Punkt: Man habe in den vergangenen drei Jahrzehnten jede größere Neuerfindung der Arbeitswelt miterlebt – Rezessionen, Internet, Mobilfunk, Cloud. Ein weiterer Anpassungsschritt mache ihr keine Angst, er sei „einfach das nächste Kapitel“.

Die Recruiterin Heidi Breitenmoser ergänzt eine zweite Ebene: Die Generation Z habe Schule und Studium während einer Pandemie absolviert und sei anschließend in einen unsicheren Arbeitsmarkt eingetreten. Rechnet man das Tempo hinzu, in dem sich KI-Anwendungen derzeit verändern, sei es „kein Wunder, dass das Vertrauen dünn ist“. Die Skepsis ist aus dieser Perspektive weniger eine Haltung zur Technik als eine Reaktion auf eine unruhige Ausgangslage.

Mehr Ambition als Skepsis: Was die Zahlen über die Gen Z verraten

Die Zurückhaltung bei KI ist kein Zeichen für mangelnden Ehrgeiz. Fast vier von zehn Gen-Z-Beschäftigten ohne Führungsverantwortung wollen in den kommenden Jahren eine Führungsrolle übernehmen – im Vergleich zu 30 Prozent aller Nicht-Führungskräfte. Auch beim Thema Karrierenetzwerk unterscheidet sich die Generation: Keine andere Gruppe nennt das eigene Netzwerk so häufig als wichtigsten Faktor für den beruflichen Aufstieg.

Das ergibt ein widersprüchliches Bild, das sich auflöst, wenn man genau hinsieht. Die Bereitschaft, Verantwortung zu übernehmen, ist da; unklar ist offenbar, welche Rolle KI auf dem Weg dorthin spielen soll. Wer nicht weiß, ob ein Werkzeug die eigene Arbeit erleichtert oder überflüssig macht, investiert verständlicherweise zögerlich.

Dazu kommt ein struktureller Punkt, den Felix Pola in den Kommentaren unter dem Beitrag formuliert: Berufseinsteiger hätten Urteilsvermögen und berufliches Kapital traditionell über grundlegende Ausführungsaufgaben aufgebaut. Wenn Unternehmen KI vor allem einsetzen, um genau diese Aufgaben zu automatisieren, ohne Mentoring, Bewertungsmaßstäbe und Entscheidungsrechte neu zu ordnen, wird die Laufbahn der Jüngeren nicht erweitert, sondern ausgehöhlt. Seine These: Die Skepsis bei jungen Talenten sei weniger ein Technikproblem als eine Frage der Organisationsarchitektur.

Warum diese Automatisierungswelle anders einschlägt als frühere

Die Verhaltenswissenschaftlerin Michelle Rozen, die sich mit Change-Management befasst und die Straßenantworten für LinkedIn ausgewertet hat, sieht einen grundlegenden Unterschied zu früheren Automatisierungsschüben. Bisherige Wellen hätten vor allem körperliche Arbeit umgeformt; diese Welle reiche bis ins Denken hinein. Angst vor KI ist deshalb nicht automatisch ein Technikproblem, sondern zunächst eine Frage der persönlichen Risikobereitschaft.

Wer sich an die Debatte über Taschenrechner in Schulen erinnert, erkennt das Muster. Damals war die Sorge groß, dass Kopfrechnen und schriftliches Rechnen verlernt werden. Heute rechnet kaum jemand mehr schriftlich, doch die Fähigkeit, ein Ergebnis auf Plausibilität zu prüfen, ist geblieben und wichtiger geworden. Ein Sprachmodell geht weiter: Es berührt Formulieren, Strukturieren und Abwägen – Aufgaben, die lange als die eigentliche Denkarbeit galten und über die viele Menschen ihre berufliche Identität definieren.

Rozen warnt zugleich davor, Äußerungen wörtlich zu nehmen. „Es ist die soziale Norm zu sagen, dass KI gruselig ist“, erklärt sie. Was Reaktionen wirklich präge, sei der Umgang mit Risiko und Unbekanntem. So lässt sich erklären, warum ein Unternehmer und ein Anwalt auf dieselbe Technologie mit gegensätzlichen Einschätzungen reagieren – nicht wegen unterschiedlicher Informationen, sondern wegen unterschiedlicher Risikoprofile.

Was KI-Kompetenz einbringt – und was das Zögern kostet

Die Daten zu den Folgen sind deutlich. Global betrachtet haben Gen-Z-Fachkräfte mit KI-Kenntnissen eine um 48 Prozent höhere Wahrscheinlichkeit, eingestellt zu werden. In den USA liegt ihre Beförderungsrate 14 Prozent höher, und ihnen stehen Berufe offen, die im Schnitt rund 30.000 Dollar mehr Jahresgehalt bringen. Die Chefökonomin von LinkedIn, Liz Wilke, berichtet, die Nachfrage nach KI-Kompetenzen sei in den vergangenen zwei Jahren jeweils um fast 80 Prozent gegenüber dem Vorjahr gewachsen.

Wichtig ist die Genauigkeit der Aussage: LinkedIn weist diese Werte als Zusammenhang aus, nicht als Beweis, dass ein einzelner Kurs den Unterschied macht. Wer sich weiterbildet, ist ohnehin oft die Person, die Karriereschritte aktiver verfolgt. Der Trend ist trotzdem eindeutig – und er wiegt schwerer als die Frage, ob man KI persönlich sympathisch findet.

Die Kosten des Abwartens sind schwer zu beziffern, die Kosten eines Kurses dagegen sofort sichtbar, in Stunden und Mühe. Deshalb wirkt Nichtstun billiger, als es ist. Genau dieses Missverhältnis erklärt einen guten Teil der 38 Prozent.

Vom Herumprobieren zur Partnerschaft: Was Beschäftigte und Arbeitgeber tun können

Die Recruiterin Breitenmoser beschreibt den Unterschied mit einer knappen Formel: KI könne purer Hebel sein oder sich wie Ersatz anfühlen. Damit sie sich wie das Erste anfühlt, empfiehlt sie, KI zur Beschleunigung von Arbeit einzusetzen und nicht das eigene Urteilsvermögen auszulagern. Der Berater Steve Yacovelli ergänzt, Beschäftigte gewönnen schneller Sicherheit, wenn sie vom „zufälligen Herumprobieren“ zu einer bewussten Partnerschaft mit ihrem bevorzugten Chatbot übergingen. Praktisch heißt das: Kolleginnen und Kollegen fragen, wie sie KI im Alltag tatsächlich nutzen, und übernehmen, was funktioniert.

Auch die Arbeitgeber stehen in der Pflicht. Wilke betont, der bloße Zugang zu KI-Werkzeugen reiche nicht; Beschäftigte brauchten zusätzlich die Kompetenzen und das Vertrauen, ihren Platz in einer KI-geprägten Arbeitswelt zu verstehen. Für die Generation Z könnte genau das der erste Schritt sein: nicht herausfinden, was KI technisch kann, sondern wo sie die eigene Arbeit sinnvoll ergänzt.

Die 38 Prozent bleiben ein Befund, kein Urteil über eine Generation. Sie beschreiben eine Gruppe, die gerade anfängt und deshalb mehr Risiko trägt als jene, die schon mehrere Umbruchphasen überstanden hat. Ob daraus ein dauerhaftes Muster wird, entscheidet sich weniger an der Technologie als an der Frage, ob junge Beschäftigte KI als weiteres Werkzeug im eigenen Werkzeugkasten begreifen – wie einst den Taschenrechner – oder als Konkurrenten, den sie lieber nicht kennenlernen wollen.

Quelle: linkedin.com

„Der Zweck eines Unternehmens ist es, einen Kunden zu erschaffen.“ Auf diesen Satz von Peter Drucker läuft eine aktuelle Analyse der OpenAI-Strategie zu. Er ist dort keine Pflichtübung in Managementlehre. Die Autoren behaupten, genau darin liege der Vorsprung des Unternehmens – nicht in den besten Modellen, den fortschrittlichsten Chips oder der steilsten Kostenkurve.

Ihr Argument: Der Wettbewerb um Intelligenz als Dienstleistung ist nicht mehr die entscheidende Frage. Intelligenz ist überall verfügbar. Fast jeder könnte fast alles tun, nur tun es die meisten noch nicht. Der Text ist auf September 2026 datiert und argumentiert aus dieser Zukunft. Danach kommt es darauf an, neues Verhalten bei Menschen auszulösen und dieses Verhalten auch zu erreichen.

Man kann sich das wie ein Stromnetz vorstellen. Ein fertiges Produkt ist eine Glühbirne: Sie tut genau eine Sache, und man verkauft sie Stück für Stück. Ein Netz mit Steckdosen ist etwas anderes. Es entscheidet nicht, was angeschlossen wird – Kühlschrank, Werkbank, Serverfarm. Mit dem Netz wächst die Zahl der Dinge, die darin möglich sind. Wenn du einer KI-Firma beim Wachsen zusiehst, hilft diese Unterscheidung.

Vier Hebel, von denen zwei praktisch ausscheiden

Der Text nennt vier Hebel, an denen ein Unternehmen mit KI ein dauerhaftes Geschäft aufbauen kann: neues Verhalten erzeugen, an viele Nutzer verteilen, den Preis so setzen, dass ein Teil des Werts zurückkommt, und hohe Wechselkosten aufbauen. Zwei davon fallen dem Autor zufolge weitgehend weg. Wechselkosten sind im Modellgeschäft kaum zu halten, weil sich Modelle fast beliebig austauschen lassen, bis hinunter zur einzelnen Aufgabe.

Beim Preis ähnlich. Alle Anbieter wollen über Skaleneffekte, vertikale Integration und eigene Chips die Token-Kosten drücken. Wer am Ende das beste Preis-Leistungs-Verhältnis bietet, führt ohnehin schon bei der Skalierung. Also bleiben die ersten beiden Hebel. Bei denen liegt OpenAI der These zufolge vorn.

Ein Zufall namens ChatGPT – und warum man ihn nicht beiseiteschob

OpenAI wurde nach Darstellung des Textes nicht als Konsumentenunternehmen gegründet. Mit der Veröffentlichung von ChatGPT stolperte man eher hinein. Ein glücklicher Unfall, der sich als Wendepunkt erwies. Der Autor zitiert Sam Altman mit einer Anekdote aus den Wochen danach: Die Haltung im Haus sei gewesen, das sei nett, aber nun sollten alle wieder echte Produkte bauen. Ein Chatbot könne ja wohl nicht das Ergebnis sein.

Laut dieser Erzählung brachte Peter Thiel Altman davon ab: Nein, das ist es. Er habe gesagt, hier sei eine neue Art von Kunde entstanden, und nichts anderes sei so wichtig. Ohne diesen Moment, so das Gegenargument im Text, wären die Modelle weiter in Laboren und bei ausgewählten Kunden eingeschlossen geblieben. Sie würden langsamer besser werden, und wir lebten in einer Zeitlinie, in der KI standardmäßig geschlossen ist. Der Nutzen dieser Entscheidung ist also nicht nur kommerziell. Er verändert auch, wie die Technik sich entwickelt.

Das Muster: Durchbrüche, die im Rückblick offensichtlich wirken

Die Analyse beschränkt sich nicht auf ChatGPT. Der Entwickler Ben Hylak wird mit dem Satz zitiert, OpenAI sei darin kaum zu schlagen, das jeweils nächste Ding zu finden; immer viel einfacher, als man denke, und im Rückblick offensichtlich. Chat-Oberfläche, Reasoning, Tool Calling und Computer Use hätten der Technik eine klarere Richtung gegeben. Einzige große Ausnahme sei das Programmieren gewesen, wo OpenAI nicht geführt habe, aber schnell aufgeholt habe.

Als Ursache nennt der Text drei Zutaten. Erstens den Willen, eine Plattform zu sein, mit Nutzern, denen man zutraut, innerhalb klarer Grenzen eigene Entscheidungen zu treffen. Zweitens technische Tiefe: jede Schicht des eigenen Stapels zu besitzen oder zu kontrollieren. Drittens eine breite Konsumentenbasis, die das Unternehmen durch die Vielfalt der Anwendungsfälle und Lebenslagen führt.

Warum Breite kein Beiwerk ist, sondern Voraussetzung

Der wichtigste Teil der Argumentation betrifft diese Breite. Hylak merkt an, Computer Use sei eine allgemeine Fähigkeit. Um darin besser zu werden, müsse man Intelligenz insgesamt erhöhen, über viele Bereiche und Arbeitsabläufe hinweg. Diesen Sprung von der spezifischen zur allgemeinen Lösung unterschätzen die meisten. Das Einfache und Offensichtliche findet man meist erst, wenn man das Allgemeine ernsthaft verfolgt.

Warum tun das nicht mehr Firmen? Weil es teuer ist und den üblichen Regeln einer fokussierten Produktorganisation widerspricht. Du musst Rückmeldungen aus einer großen Bandbreite von Kunden, Verhaltensweisen und Handlungen einsammeln und sie alles tun lassen, was sie tun wollen. Erst daraus entsteht allgemeines Wissen statt Fortschritt an einzelnen Produkten. Die Fähigkeit, solche Allgemeinheit ins Produkt zu bauen, hängt direkt an der Distributionsstrategie. Über diesen Zusammenhang werde, so betont der Text, zu wenig gesprochen.

Produkt, Partnerschaft oder Plattform: drei Wege zur Distribution

Für die Frage, wie man das, was jemand will, in großem Maßstab an alle liefert, kennt der Text drei Wege. Ein eigenständiges Produkt hat einen Vorteil: Das Produkt muss zulassen, dass Nutzer alles fragen und alles versuchen. Die Kundenerfahrung entsteht dann in der eigenen Hand, vom ersten Kontakt bis zur täglichen Nutzung. Vertrieb über Partnerschaften bringt dagegen schnell Reichweite und viele Anwendungsfälle.

Der Haken an Partnerschaften: Der Partner besitzt und lenkt den Wunsch des Nutzers, etwas Bestimmtes zu tun. Auf lange Sicht dürfte er deshalb die besseren Margen einnehmen und kontrollieren, was der Nutzer am Ende tun darf und was dabei gelernt wird. Häufig ahnt der Kunde nicht einmal, dass die Leistung von jemand anderem kommt. Beim eigentlichen Anbieter bleibt dann kein Vertrauen hängen.

Der Plattformweg ist der langsamste. Man baut alle Produkte selbst und von Grund auf, die alles stützen, was Nutzer wollen. Wenn er steht, entsteht daraus ein starker Lernkreislauf: Nutzer setzen die eigenen Bausteine und Muster ein und zeigen damit, was sie wirklich brauchen. Das ist nicht als Training auf Kundendaten gemeint, sondern als Landkarte, die dem Territorium Schritt für Schritt ähnlicher wird. Im Bild des Stromnetzes: Wer nur Glühbirnen verkauft, erfährt nichts über die Häuser, in denen sie hängen.

Was eine echte Plattform von einer Modellschnittstelle unterscheidet

Der Text bezieht sich dafür auf einen Aufsatz von Marc Andreessen von vor neunzehn Jahren, der bis heute brauchbar ist. Plattform heißt dort: ein System, das von außen programmiert und angepasst werden kann, sodass es viele Bedürfnisse und Nischen bedient, an die die ursprünglichen Entwickler nie gedacht hätten. Diese Anpassbarkeit lässt sich auf drei Arten bauen. Sie werden von Stufe zu Stufe schwieriger.

Typ eins ist das, was heute schlicht API heißt: Man gibt Zugriff auf etwas Nützliches, wie einst Flickr oder heute Stripe. Typ zwei arbeitet mit Erweiterungen, bei denen eine Kernleistung die ersten achtzig Prozent der Bedürfnisse deckt und Apps auf eigenen Servern den Rest, meist über einen Marktplatz verteilt, wie bei Facebook früher oder Shopify und HubSpot heute. Typ drei schließlich ist eine echte Laufzeitumgebung, die man programmieren kann, um daraus zu machen, was man will: iOS, AWS, Ethereum oder zuletzt Cloudflare.

Interessant daran ist, dass heute jedes Modellunternehmen und jeder Inferenzanbieter behaupten kann, an einer Plattform vom Typ drei zu arbeiten. Ein Modell ist eine Art Laufzeitumgebung, die man mit eigenen Anweisungen anspricht. Der Text hält das für zu wenig. Modelle allein lösen kein neues Verhalten aus und sind kaum zu verteidigen. Entscheidend ist der Überbau aus Grenzen und Bausteinen, also die Steckdosen samt Vorschriften, nicht der Strom allein.

Was die These für Unternehmen bedeutet, die eine KI-Plattform aufbauen

Die Analyse kommt zu einer unbequemen Reihenfolge. Wer eine dauerhafte KI-Plattform aufbauen will, kommt mit einem besseren Modell nicht weit, wenn die Distributionsstrategie nur aus Partnerschaften besteht. Kurzfristig ist das attraktiv: schnelle Reichweite, viele Anwendungsfälle, schnelles Wachstum. Langfristig bleibt das Lernen beim Partner und damit auch das Wissen darüber, welche Bedürfnisse zu bedienen sind.

Für die Kundenakquise heißt das: Neue Kunden durch KI zu gewinnen ist weniger ein Marketingproblem als eine Frage der Form. Ein Produkt, das Menschen alles fragen lässt, erzeugt andere Kunden als eine Funktion, die in ein fremdes Angebot eingebettet ist. Die ChatGPT-Geschichte ist in dieser Lesart kein Beweis für überlegene Technik, sondern für die Entscheidung, ein Massenprodukt zuzulassen, dessen Nutzen sich erst im Gebrauch zeigt. Man ließ den Zufall zu und machte ihn zur Strategie.

Ob sich diese These hält, entscheidet sich nicht an einer Rangliste, sondern daran, ob aus Nutzern Baumeister werden. Eine KI-Plattform für Unternehmen ist dann mehr als eine Sammlung von Endpunkten, wenn andere darauf eigene Lösungen bauen, die die ursprünglichen Entwickler nicht vorgesehen haben. Bleibt das aus, bleibt es bei einem sehr guten Produkt mit sehr vielen Nutzern. Die Frage nach der dauerhaften Plattform ist dann noch offen. Der Text lässt sie offen.

Quelle: a16z.news

16,4 Prozent der Marken, die ChatGPT in seinen Antworten nennt, haben jemals auf der Plattform geworben. Die Zahl stammt aus einer Auswertung von über 150.000 gesponserten Platzierungen zwischen April und August. Seit Monaten vergleichen Marketingverantwortliche ihre Daten zur ChatGPT-Werbung, und immer wieder zeigt sich dasselbe Muster: Läuft die Kampagne, steigt der organische Traffic aus ChatGPT. Wird sie pausiert, fällt er. Die Beispiele, die gerade unter Kolleginnen und Kollegen die Runde machen, sind konkret.

Ein Werbetreibender berichtete von einem fünffachen Anstieg des organischen ChatGPT-Traffics, solange die Anzeigen liefen, und von einem Einbruch am selben Tag, an dem die Kampagne gestoppt wurde. Ein anderes Team testete den Kanal mit ein paar hundert Dollar, sah im Werbedashboard fast nichts und wollte das Thema schon abhaken. Dann prüfte es das CRM und fand dort den größten potenziellen Abschluss des Jahres, als Quelle vermerkt: organisch über ChatGPT. Wer länger im Suchmarketing unterwegs ist, kennt den Verdacht, der daraus entsteht. Google steht seit Jahren im Raum, organische Ergebnisse zugunsten von Werbetreibenden zu gewichten. Jetzt fragen sich manche, ob OpenAI Werbung denselben Effekt hat. Die Beteiligten betonen ausdrücklich, dass sie es nicht beweisen können — vielleicht sieht jemand eine Anzeige und kommt eine Woche später mit dem Markennamen zurück. Aus den Daten im Werbeinterface lässt sich das nicht herauslesen.

Für die Einordnung hilft ein schlichtes Bild: ein einziger Wasserzähler, an dem zwei Rohre hängen. Der Zähler misst die Menge, nicht die Herkunft. Genau so arbeitet Google Analytics 4, wenn es einen Besuch als chatgpt.com-Referral verbucht. Alles, was über diesen Eingang hereinkommt, landet in derselben Leitung — egal, ob dahinter eine bezahlte Platzierung oder eine freie Erwähnung steht. Dieser eine Umstand erklärt einen Großteil der Diskussion.

Was OpenAI über ChatGPT Ads sagt – und warum sich das kaum nachprüfen lässt

Die offizielle Position hat sich seit dem Start nicht verändert. Im Hilfecenter steht, dass Anzeigen die Antworten von ChatGPT nicht beeinflussen, dass sie auf getrennten Systemen laufen und dass Werbetreibende keine Möglichkeit haben, Antworten zu gestalten oder zu sortieren. Die Anzeige erscheint unterhalb der Antwort mit dem Hinweis „Sponsored“. Wer den Platz überhaupt kaufen darf, entscheidet OpenAI selbst und kann Wettbewerber ausschließen. Es gibt keinen Beleg dafür, dass das Unternehmen die Funktionsweise falsch beschreibt. Es gibt aber auch keine Möglichkeit für Werbetreibende, das Gegenteil zu prüfen.

Im laufenden Test bekommen sie aggregierte Zahlen: Aufrufe, Klicks, sonst wenig. Welche Gespräche ihre Anzeige ausgelöst hat, sehen sie nicht. Bewegt sich der organische Traffic im Takt des Werbebudgets, bleibt nur die Vermutung — und „die Antworten stehen zum Verkauf“ ist die Vermutung, zu der man am schnellsten greift. Dabei gibt es mindestens vier Erklärungen für das, was auf den Dashboards zu sehen ist. Manche passen deutlich besser zu den Daten als andere, und die langweiligste passt am besten.

Die nüchterne Erklärung: Warum ChatGPT Anzeigen den organischen Traffic verzerren

Wenn ChatGPT in einer Antwort auf eine Seite verlinkt, hängt es der URL utm_source=chatgpt.com an, und GA4 verbucht den Besuch als Referral von chatgpt.com. Genau diese Zeile melden die meisten Teams heute als organischen KI-Traffic. Klicks auf eine ChatGPT-Anzeige kommen dagegen ohne eigenen Kanalnamen. OpenAI hängt eine Klick-ID namens oppref an, die GA4 nicht als Quelle behandelt. Fehlen zusätzlich die eigenen UTM-Parameter, landet der Anzeigenklick als gewöhnlicher chatgpt.com-Referral — im selben Topf wie eine kostenlose Erwähnung. Ohne saubere Kennzeichnung bläht bezahlter Traffic die organische Zahl vom ersten Tag an auf. Das ist die eigentliche Fehlerquelle beim ChatGPT-Ads-Tracking in Google Analytics 4, lange bevor irgendein Modell eine Antwort verändert.

Der Blick zurück in die Reports lohnt sich. Der Traffic steigt, wenn die Anzeigen starten, und fällt an dem Tag, an dem sie enden. Markenerinnerung verhält sich nicht so; sie klingt über Wochen ab. Ein falsch einsortierter bezahlter Kanal verhält sich exakt so. Wenn ein fünffacher Anstieg über Nacht verschwindet, ist die wahrscheinlichste Ursache Werbetraffic, der nie als Werbetraffic gekennzeichnet wurde. Das ist keine spektakuläre Erkenntnis, aber sie erklärt den Großteil der gemeldeten Fälle.

Es gibt daneben einen zweiten, direkteren Weg zwischen den beiden Ebenen. In der Anzeige lässt sich über das Menü „Ask ChatGPT“ öffnen, wodurch die Anzeige mit dem Modell geteilt wird und Fragen dazu beantwortet werden. OpenAI sagt, Werbetreibende hätten auf diese Antworten keinen Einfluss, und es gibt keinen Grund, daran zu zweifeln. Trotzdem dreht sich das folgende Gespräch um den Werbetreibenden, und jeder Link, den ChatGPT in seiner Antwort setzt, trägt die normale organische Kennzeichnung. Man kann diesen Traffic organisch nennen, weil das Modell ihn ausgewählt hat. Ohne die Anzeige gäbe es ihn trotzdem nicht. Keines der beiden Dashboards sortiert das für dich.

Halo-Effekt, Kannibalisierung und die alte Google-Debatte

Die großzügigere Theorie — jemand sieht eine Anzeige und kommt später mit dem Markennamen zurück — hat im Suchmarketing eine lange Geschichte. Googles eigene Untersuchung zu pausierten Suchkampagnen aus dem Jahr 2011 kam zu dem Ergebnis, dass die meisten bezahlten Klicks nicht durch organische Klicks ersetzt wurden. Google nutzte das wenig überraschend als Argument für mehr Werbebudget. Ein paar Jahre später fanden Ökonomen bei eBay für gebrandete Keywords fast das Gegenteil: Die meisten, die auf eine Anzeige für „eBay“ klickten, wären ohnehin auf eBay gelandet.

Ein Jahrzehnt Streit über diese beiden Studien hat wenig geklärt. Halo-Effekte und Kannibalisierung existieren beide, sie unterscheiden sich nach Kategorie, und Last-Click-Analytics kann keines von beiden messen. Ein verzögerter Besuch von jemandem, der den Markennamen schon kennt — wie der überraschende Deal im CRM — sieht nach Halo aus. Ein Einbruch am selben Tag tut das nicht. Diese Unterscheidung trennt saubere Beobachtung von Bauchgefühl, und sie fehlt in den meisten Beiträgen zu diesem Thema.

Warum sich der Verdacht nicht sauber klären lässt

Ausgeschlossen ist die dritte Erklärung nicht: dass die Anzeigen die Antworten verändern. Die Daten sprechen dagegen. Die Auswertung von mehr als 150.000 gesponserten Platzierungen zwischen April und August ergab, dass nur 16,4 Prozent der dort genannten Marken jemals auf der Plattform geworben hatten. Würde Werbebudget organische Erwähnungen kaufen, wären die genannten Marken überwiegend die zahlenden. Sie sind es überwiegend nicht. Das ist kein Beweis, aber ein Gegengewicht zu der Annahme, OpenAI Werbung habe einen direkten Einfluss auf die Inhalte der Antworten.

Die Studie, die die Frage entscheiden könnte, existiert bislang nicht. Die AI-Visibility-Firma Geoptimizer hielt Ende Juli fest, dass keine öffentliche Untersuchung organische Zitate in Antworten mit Anzeigen gegen passende Antworten ohne Anzeigen verglichen hat. Die Antwort selbst lässt sich kaum auditieren. Eine Google-Ergebnisseite sieht für die meisten Menschen ungefähr gleich aus. Eine ChatGPT-Antwort ändert sich mit der Formulierung, dem Gesprächsverlauf, gespeichertem Gedächtnis und Personalisierung. Darüber rotiert der Anzeigenplatz ständig: Dieselbe Frage zweimal gestellt brachte in 84,2 Prozent der Fälle einen anderen Werbetreibenden. Setzt man eine Antwort, die sich bei jeder Anfrage verschiebt, neben eine Anzeige, die sich bei jeder Anfrage verschiebt, stützt jede Datenreihe über ein paar Wochen fast jede Theorie.

Dazu kommt, dass organische Zitate auch ohne Werbung stark schwanken. Reddit verlor innerhalb von vier Tagen 86 Prozent seiner ChatGPT-Zitate, und die Listicles, die Agenturen für KI-Zitate aufgebaut hatten, verloren die Hälfte. Wenn die Grundlinie sich derart bewegt, beweist eine Traffic-Kurve über einem Werbekalender sehr wenig. Auch die wirtschaftliche Seite spielt in die Diskussion hinein: OpenAIs Werbegeschäft hat im August eine annualisierte Milliardenmarke erreicht und nach berichteten Angaben das Jahresziel von 2,5 Milliarden Dollar deutlich verfehlt. Unternehmen, die bei Werbeeinnahmen hinterherhinken, reagieren selten damit, weniger zu verkaufen. Das hält den Verdacht am Leben, auch wenn die Zahlen ihn derzeit nicht stützen.

Was Marketer jetzt messen können – und was daraus folgt

Die praktische Konsequenz beginnt beim Tagging. Häng an jede Ziel-URL einer ChatGPT-Anzeige eigene utm_source– und utm_medium-Werte und richte in GA4 eine Kanalgruppe ein, die bezahlten ChatGPT-Traffic vor dem chatgpt.com-Referral-Bucket einsortiert. Liefen Kampagnen ungetaggt, ist die organische KI-Kurve ab dem Starttag unzuverlässig. Prüf die Vergangenheit: Filtere historische organische ChatGPT-Sitzungen nach Ziel-URLs mit oppref — jede davon war ein Anzeigenklick. Vergleiche zusätzlich die Landingpages. Ein Anstieg des organischen Traffics genau auf der Seite, auf die deine Anzeigen zeigen, ist ein guter Hinweis auf die Herkunft.

Für belastbare Aussagen führt an einem Holdout-Test kaum ein Weg vorbei. Pausiere die Anzeigen drei bis vier Wochen lang in einem Markt oder einer Produktlinie, während sie anderswo weiterlaufen, und beobachte die Erwähnungsrate bei einem festen Set von Prompts. Bleiben die Erwähnungen stabil, während der Traffic fällt, kam der Traffic aus den Anzeigen. Prompt-Tracking ohne Login oder über die API zeigt keine Anzeigen und verrät damit, ob das Modell dich unabhängig von fehlenden UTM-Parametern nennt. Bei großen Abschlüssen bleibt die Frage „Wo hast du zuerst von uns gehört?“ im CRM erstaunlich aussagekräftig. Wer all das tut und trotzdem sieht, dass Erwähnungen mit dem Werbebudget steigen und fallen, sollte die Daten veröffentlichen — genau diese Untersuchung fehlt der Branche, und sie wäre der erste echte Beleg in einer Debatte, in der bisher nur vermutet wird.

Was sich davon unabhängig halten lässt, ist der Platz in der Antwort selbst. Die ausgewerteten Daten legen nahe, dass die meisten von ChatGPT empfohlenen Marken dort ohne einen einzigen Werbedollar gelandet sind. Sie sind dort, weil andere über sie schreiben — KI nutzt die eigene Website kaum, um eine Marke zu beschreiben, und ein Großteil der zitierten Quellen rankt nicht einmal bei Google. Wer heute gut abschneidet, setzt auf Reddit und eigene Medien statt auf klassische PR, und immer mehr bauen eigene Publikationen auf. Dieser Teil der KI-Suche ist weiterhin die Mühe wert, und er ist gleichzeitig der Teil, der bei Budgetkürzungen am ehesten unter den Tisch fällt. Bezahlte Sichtbarkeit mag sich durchsetzen, weil niemand beweisen kann, dass sie nötig ist. Ausschlaggebend bleibt, ob andere über dich schreiben.

Quelle: thestateofbrand.com