Kategorie: Meinung

Du stehst vor deinem CFO und erklärst, warum ihr in eine neue Qualitätssicherungs-Plattform investieren müsst. Du sprichst von Testabdeckung, Regression-Suites und automatisierter Fehlererkennung. Er nickt höflich, aber er folgt nicht. Das Budget bleibt zu. Der CFO denkt in Risiken, Kosten und Compliance. Du denkst in technischen Prozessen. Dazwischen liegt eine Übersetzungslücke, die jedes Jahr Millionen an verlorener Produktivität kostet. Ein aktueller Report von Tricentis zeigt, wie sich diese Lücke schließen lässt.

Der Report „2026 Quality Transformation Report“ enthält einen Satz, der wie eine Warnung klingt: „Softwarequalität wird zur Chefsache – ähnlich wie Cybersicherheit vor zehn Jahren.“ Der Autor des zugrunde liegenden Artikels argumentiert, der Aufstieg von KI-Entwicklungstools beschleunige diesen Wandel. KI-generierter Code flutet die Pipelines, menschliche Validierung wird zum Flaschenhals, das Risiko wächst schneller als das Verständnis dafür. Während Techniker die Dringlichkeit sehen, sitzen die Entscheider im Aufsichtsrat und fragen sich, ob das nicht wieder nur ein teures Tool ist. Die Lösung liegt nicht in besseren Tests, sondern in einer neuen Art der Kommunikation.

Die Kluft zwischen Führung und Praxis

Die Studie zeigt eine Diskrepanz: 93 Prozent der C-Level-Führungskräfte glauben, ihre Teststrategie decke die kritischsten Risiken ab. Aber nur 70 Prozent der Praktiker stimmen dem zu. Eine Kluft von 23 Prozentpunkten. Führungskräfte vertrauen auf eine Strategie, während die Experten an der Basis warnen. Ähnlich beim Thema Alignment: 42 Prozent der C-Level denken, Entwickler und Management seien sich einig, was gute Software ausmacht. Unter den QA- und DevOps-Verantwortlichen sind es nur 22 Prozent. Der Autor nennt das den „blinden Fleck der Führungsetage“. Diesen Fleck müssen technische Führungskräfte beleuchten – nicht mit technischen Details, sondern mit der Sprache der Entscheider.

Der Schlüssel liegt in einer einfachen Erkenntnis: In jeder Budgetverhandlung sitzen zwei Typen von Entscheidern. Die einen – CEO, CRO, Produktchef – sind „Opportunity-Decider“. Sie fragen: Wie macht uns das schneller, wachsen größer, stärker? Die anderen – CFO, CISO, Audit – sind „Risk-Decider“. Sie fragen: Was kann schiefgehen, was kostet uns das im Schadensfall, wie vermeiden wir regulatorische Aufmerksamkeit? Eine Technologie wird nur dann finanziert, wenn du beide ansprechen kannst. Sprich gegenüber einem Risk-Decider nur von Chancen, wirkst du fahrlässig. Sprich gegenüber einem Opportunity-Decider nur von Risiken, wirkst du wie ein Bremser. Die Kunst ist die Übersetzung: aus technischen Fähigkeiten werden Geschäftskonsequenzen, und aus Geschäftskonsequenzen werden Botschaften für jeden Entscheidertyp.

Vier autonome Agenten im Einsatz

Tricentis liefert mit seiner Plattform ein Beispiel für diese Übersetzung. Ihr Kernstück ist ein „AI Workspace“, eine Steuerungsebene für agentengestütztes Qualitätsmanagement. Eine zentrale Konsole koordiniert alle KI-Agenten, führt Kontexte aus 200 Unternehmenssystemen zusammen, verbindet sich mit Jira, GitHub und anderen Tools und versieht jeden Release-Entscheid mit einem Prüfpfad. Es schafft ein „System of Record“ für Freigabeentscheidungen. Die Geschäftskonsequenz: Du kannst nachweisen, warum etwas ausgeliefert wurde – und du kannst verhindern, dass etwas Schädliches rausgeht. Qualität wird von einem nachgelagerten Check zu einer kontinuierlichen, gesteuerten Schicht. Zum Opportunity-Decider sagst du: „So liefern wir in KI-Geschwindigkeit aus, ohne das QA-Team proportional wachsen zu lassen. Wir skalieren Output, nicht Headcount.“ Zum Risk-Decider: „Das ist unsere prüfbare Steuerungsebene für autonome Releases. Wenn der Aufsichtsrat oder eine Regulierungsbehörde fragt, wie wir KI-generierten Code governen, haben wir die dokumentierte, beweisbare Antwort.“

Ein weiteres Modul heißt „Agentic Quality Intelligence“. Es liest kontinuierlich Änderungs- und Risikosignale aus dem gesamten Lebenszyklus, entscheidet, welche Tests wirklich nötig sind, bewertet die Release-Reife und eskaliert nur dann an einen Menschen, wenn echtes Urteilsvermögen gefragt ist. Das Geschäftsergebnis: Du testest nicht mehr alles, sondern nur das, was relevant ist. Das ist der Hebel, der dich gleichzeitig schneller und sicherer macht. Dem Opportunity-Decider erklärst du: „Wir verkürzen Release-Zyklen, weil wir nur die Tests laufen lassen, die eine Änderung wirklich braucht. Das entfernt die pauschale Regressionssteuer auf jeden Deploy.“ Dem Risk-Decider sagst du: „Wir kennen jederzeit unseren Release-Readiness-Status und können die Risikobasis jeder Go/No-Go-Entscheidung zeigen.“

Zwei weitere Agenten kümmern sich um Test-Erstellung und -Automation. „Agentic Test Creation“ verwandelt natürlichsprachliche Anforderungen in wiederverwendbare Testfälle – ohne seltene Spezialisten. „Agentic Test Automation“ führt diese Tests aus und pflegt sie intelligent, indem Module wiederverwendet statt neu gebaut werden. Das löst das zentrale Problem des Reports: Die Codemenge wächst schneller als die Validierungskapazität. Der Flaschenhals, der die Produktivitätsdividende von KI gedeckelt hat, fällt weg. Dem Opportunity-Decider: „Unsere Validierungsfähigkeit skaliert endlich mit unserer Generierungsfähigkeit. Wir heben den Produktivitätsgewinn, den KI versprach, den aber Qualitätsrisiken bisher ausbremsten.“ Dem Risk-Decider: „KI-geschriebener Code kann nicht mehr schneller produziert werden als wir ihn verifizieren können. Die Lücke zwischen generiert und vertrauenswürdig schließt sich, statt zu wachsen.“

„Agentic Performance Testing“ sind autonome Agenten, die Lasttests von der API bis zum End-to-End-System durchführen und Leistungsrisiken früh aufdecken. Tricentis berichtet, dass die Agenten die Zeit bis zur Erkenntnis um 90 bis 95 Prozent verkürzen im Vergleich zu manueller Expertenarbeit. Du findest den ausfallgefährdenden Fehler in der Pipeline, nicht erst in der Produktion. Der Report verbindet Produktionsausfälle direkt mit Umsatzverlusten und verlorenen Partnerschaften. Dem Opportunity-Decider: „Wir können unseren größten Kunden Leistung unter Last zusagen und es vorher beweisen.“ Dem Risk-Decider: „Wir fangen das ab, was das System runterreißen würde, bevor der Kunde es sieht – in der Pipeline, nicht um 2 Uhr nachts mit dem Brand in Gefahr.“

Wenn Qualität zur Chefsache wird

Verknüpfe diese vier Fähigkeiten über die Steuerungsebene, und etwas Grundlegendes ändert sich an der Kategorie, in der die Ausgabe liegt. Die Kategorie ist entscheidend für einen Budgetverantwortlichen. Präsentierst du diesen Stack als „mehr Werkzeuge“ – eine Testplattform, mehr Automatisierung, besseres QA-Management –, dann landet er als Kostenpunkt. Dann konkurriert er mit jedem anderen Tool, wird nach Preis pro Sitzplatz bewertet. Overhead ist das, was ein Aufsichtsrat kürzen will. Präsentierst du denselben Stack als „Governance-Schicht für KI-gestützte Release-Entscheidungen“ und als „System of Record, das dem Unternehmen erlaubt, in Maschinengeschwindigkeit zu arbeiten, ohne blind für Risiken zu sein“, dann landet er neben dem Security-Stack, der Audit-Funktion und den Kontrollen, die ein Board zu finanzieren verpflichtet ist. Governance ist das, wofür ein Aufsichtsrat rechenschaftspflichtig ist. Das ist der Weg, den Cybersicherheit bereits gegangen ist. Vor zehn Jahren war Security ein lästiger IT-Posten, den man widerwillig finanzierte – bis Vorfälle quantifiziert wurden, Regulierungen kamen, Kundenvertrauen einen Preis bekam. Dann zog Security mit eigenem Komitee und eigener Budgetlogik in den Boardroom ein. Mit dem Framing änderte sich alles.

Die finanziellen Zahlen tun jetzt dasselbe für Qualität. Jedes fünfte Unternehmen verliert laut Report bis zu fünf Millionen Dollar jährlich durch schlechte Softwarequalität. 45 Prozent verlieren zwischen einer halben Million und einer Million. 40 Prozent der großen Unternehmen liegen in der Bandbreite von einer bis fünf Millionen Dollar. Das sind die Metriken, mit denen du das Gespräch mit dem C-Level beginnen kannst. Sobald schlechte Qualität eine Dollarzahl und einen Vertrauensverlust-Posten bekommt, hört sie auf, eine technische Kennzahl zu sein, und wird zu einer Kategorie des Unternehmensrisikos. Und Unternehmensrisiko hat einen prominenteren Besitzer als technische Metriken. Der Autor des Artikels betont: „Das ist keine Aufblähung des Werts. Du übersetzt den echten Wert in den Rahmen, den der Entscheider nutzt, um Kapital zuzuteilen. Überzeugung hilft jemandem, das Wahre durch eine Linse zu sehen, die handlungsfähig macht. Manipulation wäre, jemanden gegen seine Interessen handeln zu lassen. Das Risiko ist wirklich auf Board-Ebene – es laut auszusprechen ist korrekt.“

Die Brücke zum Budget bauen

Was bedeutet das konkret für dich als technische Führungskraft? Du musst nicht zum Controller werden. Aber du musst die Brücke bauen. Jede Technologie, die du vorantreiben willst, lässt sich in drei Schritten übersetzen: Erstens, was tut die Technologie? Zweitens, welche geschäftliche Konsequenz hat das? Drittens, wie erklärst du diese Konsequenz dem Opportunity-Decider und wie dem Risk-Decider? Wenn du das beherrschst, wirst du vom Tool-Propagandisten zum strategischen Partner. Das ist der Weg, um sicherzustellen, dass Softwarequalität nicht im Keller der IT-Budgets verstaubt, sondern dort ankommt, wo Entscheidungen fallen – im Boardroom. Die Studie von Tricentis liefert dir die Landkarte. Du musst nur noch losgehen.

Quelle: vinvashishta.substack.com

Du öffnest dein Smartphone, tippst eine Nachricht, und die Autovervollständigung schlägt dir die nächsten Wörter vor. Du sagst „Hey Siri“ oder „Okay Google“, und eine Stimme antwortet. Du suchst bei Amazon nach einem Produkt, und die Seite zeigt passende Ergebnisse. In all diesen Momenten arbeitet irgendwo ein großes Sprachmodell – ein LLM. Du weißt nicht, welches. Du fragst dich nicht, ob es GPT-4, Claude, Gemini oder etwas anderes ist. Es funktioniert einfach. Das ist das eigentliche Ziel der KI-Revolution: Unsichtbarkeit. Ein kürzlich erschienener Essay vergleicht die aktuelle Landschaft der Large Language Models mit den Datenbankkriegen der 1990er-Jahre. Der Vergleich zeigt: Die Technologie, die am Ende gewinnt, ist nicht die, über die alle reden, sondern die, die niemand mehr bemerkt.

Aufstieg und Fall der Datenbanken

Ein Blick zurück hilft. 1994 war die Datenbank das aufregendste Technologiethema. Oracle, Sybase, Informix und IBM lieferten sich einen Wettkampf um die besten Benchmarks. Ihre Versprechung: Gib all deine Unternehmensdaten in eine Engine, und du kannst sie alles fragen. Die Keynotes auf Konferenzen waren voll. Karrieren entschieden sich für oder gegen ein System. Wer die schnellste Abfrage baute, würde gewinnen. Heute, drei Jahrzehnte später, hat die Datenbank gewonnen – und ist doch verschwunden. Sie treibt jede Anwendung an. Niemand schreibt mehr über sie. Sie ist eine Zeile in einer Konfigurationsdatei. Du wählst sie einmal aus, vergisst sie und denkst erst wieder an sie, wenn sie kaputtgeht. Diese Beschreibung könnte 2036 auch für ein KI-Modell gelten. Die Frage: Wer hat damals eigentlich gewonnen?

Schauen wir uns die Sieger von damals an. Sybase wurde von SAP gekauft und verstummte. Informix landete bei IBM und wurde zur Fußnote. Oracle existiert noch, aber vor allem als Rechnung. Die beiden Motoren, die tatsächlich gewonnen haben, waren 1994 gar nicht im Rennen. PostgreSQL wurde zum Standard – ein offenes Projekt, kein Produkt. SQLite läuft in jedem Telefon, jedem Browser, jeder App. Rund eine Billion Kopien existieren, und du hast es nie konfiguriert. Niemand hat sie explizit ausgewählt. Die Motoren, die am Ende überall waren, waren nicht die, über die gestritten wurde. Der Essay zieht daraus eine Lehre: Wenn Modelle denselben Weg gehen, ist der Launch das falsche Signal. Achte auf das SQLite, auf das Modell, das gewinnt, ohne gewählt zu werden. Das ist keine Prophezeiung. Es ist eine Beobachtung darüber, wie Technologie sich verändert.

Wichtig ist nicht gleich aufregend

Wichtig und aufregend sind zwei verschiedene Dinge. Die meisten Technologien bewegen sich vom zweiten zum ersten. Die Datenbank hat es vorgemacht. Der Strom hat es gemacht. Vielleicht sind die Large Language Models auf dem besten Weg, das auch zu tun. Stell dir vor, du startest ein Startup. Du wählst ein KI-Modell aus. Vielleicht nimmst du GPT-4 wegen der Leistung. Vielleicht entscheidest du dich für Llama oder Mistral, um Kosten zu sparen. Du optimierst, vergleichst Benchmarks, liest Blogposts über Aktualisierungen. Das fühlt sich an wie die Datenbankkriege. Aber in fünf Jahren, so die These, wirst du die Wahl nicht mehr treffen. Das Modell wird auf dem Chip deines Smartphones laufen, oder in einer standardisierten Cloud-Umgebung, in der der Anbieter wechselt, ohne dass du es merkst. Wie bei SQLite: Es ist einfach da. Du rufst eine API auf, und das Modell antwortet. Welches Modell? Gute Frage.

Die Parallele ist verlockend, aber nicht perfekt. LLMs sind anders als Datenbanken, weil sie keine deterministischen Abfragen liefern. Sie generieren Neues, halluzinieren, lernen mit jeder Interaktion. Ihr Wert liegt nicht nur in der Infrastruktur, sondern auch in den Fähigkeiten, die sie mitbringen. Ein Datenbank-Management-System ist ein Werkzeug, das du genau beherrschst. Ein Sprachmodell kann dich überraschen. Das macht die Prognose schwieriger. Vielleicht wird es nie das eine Modell geben, das alles kann. Vielleicht bleiben wir in einer Welt der Spezialmodelle: eines für Sprache, eines für Bilder, eines für Code, jedes als Service, und der Anwender merkt nicht, welche Engine gerade arbeitet. Das wäre immer noch eine Form der Unsichtbarkeit. Der Benutzer fragt nicht nach dem Modell, sondern nach dem Ergebnis.

Architektur schlägt Benchmark-Siege

Der Essay schlägt vor, dass wir uns heute nicht auf die Sieger der Benchmarks konzentrieren sollten, sondern auf die Architektur, die am leichtesten in bestehende Systeme integriert werden kann. Das offene Modell, das auf einfacher Hardware läuft, das mit jeder Umgebung harmoniert, das brauchbare Ergebnisse liefert, ohne maximale Genauigkeit zu erreichen. Denn das ist der Weg der Datenbanken: PostgreSQL gewann nicht, weil es die schnellste Datenbank war, sondern weil sie verlässlich, flexibel und offen war. SQLite gewann, weil es keine Installation, keine Konfiguration, keine zentrale Verwaltung braucht. Es war einfach da, immer und überall. In dieser Logik könnte der „SQLite der LLMs“ ein Modell sein, das mit wenigen Parametern auf einem Smartphone läuft, ohne Internetzugang auskommt und alltägliche Aufgaben übernimmt – ohne dass der Nutzer es jemals bewusst wählt.

Ein Beispiel: Apples On-Device-Modelle, die auf der Neural Engine der iPhones laufen. Niemand sagt: „Ich nutze jetzt das Apple-LLM.“ Du tippst eine Nachricht, und die Tastatur vervollständigt sie. Du machst ein Foto, und die KI verbessert die Belichtung. Du sprichst mit Siri, und eine lokale Verarbeitung versteht dich. Kein Name, kein Hype, nur Funktion. Das ist die Unsichtbarkeit, von der der Essay spricht. Vielleicht ist das der eigentliche Sieg der KI: dass wir aufhören, sie als etwas Besonderes zu sehen. Dass sie genauso selbstverständlich wird wie die Datenbank – oder wie der Strom. Denk an die letzten fünfzehn Jahre: Wie oft hast du überlegt, ob du deine Datenbank wechseln sollst? Einmal? Nie. Das ist die höchste Form des Erfolgs: Du denkst nicht mehr drüber nach.

Was das für Entwickler heute heißt

Die Konsequenz für Unternehmen und Entwickler: Wer heute auf ein bestimmtes LLM setzt, muss überlegen, wie es sich in fünf Jahren aus dem Fokus verabschiedet. Der Wettbewerb um die beste Architektur wird nicht von Marktdominanz entschieden, sondern von der Einbettung in die Infrastruktur. Offene Formate, standardisierte APIs und kleine, effiziente Modelle haben eine größere Zukunft als patentierte, hyperskalierte Systeme. Die großen Player – OpenAI, Google, Anthropic – haben heute die Aufmerksamkeit. Aber die wahren Gewinner könnten in der Stille wachsen: in Projekten wie Llama, Mistral oder einem kleinen, unscheinbaren Modell, das in jedem Edge-Gerät residiert. Niemand wird es wählen, und doch wird jeder es nutzen.

Bleibt die Frage, ob der Vergleich mit der Datenbank überhaupt passt. Der Essay stellt selbst die Frage und gibt zu, dass niemand die Antwort kennt. Vielleicht sind LLMs grundlegend anders, weil sie nicht nur abfragen, sondern erschaffen. Vielleicht bleiben sie aufregend. Vielleicht wird es nie das „AWS von KI“ geben, sondern nur eine fragmentierte Landschaft. Aber die Tech-Geschichte hat gezeigt: Die Technologie, die zum Standard wird, ist selten die, die zuerst als Sensation gefeiert wird. Es ist die, die sich unauffällig in den Alltag einschleicht. Die Datenbank hat es vorgemacht. Der Strom hat es vorgemacht. Vielleicht sind die KIs gerade jetzt auf dem Sprung, das auch zu tun. Das ist vielleicht das Aufregendste: dass die Zukunft nicht spektakulär ist, sondern normal.

Was bedeutet das konkret? Wenn du heute eine KI-gestützte Anwendung baust, überlege nicht nur, welches Modell die besten Antworten gibt. Frage dich: Wie wird diese Technologie in drei Jahren aussehen, wenn sie selbstverständlich ist? Wirst du noch zwischen Anbietern wählen, oder wird die Entscheidung längst von der Plattform getroffen, auf der du arbeitest? Wirst du ein Modell hosten oder es einfach nutzen, ohne zu wissen, wo es läuft? Der Trend zur Unsichtbarkeit ist stark, aber nicht unausweichlich. Es liegt auch an uns, ob wir die Infrastruktur der KI offen, standardisiert und austauschbar bauen – oder ob wir sie in proprietären Silos einschließen. Die Geschichte der Datenbanken lehrt: Die offenen Lösungen gewinnen am Ende, nicht weil sie die besten sind, sondern weil sie die vergessbarsten sind. Vielleicht ist das die wichtigste Lektion aus den Datenbankkriegen für die LLM-Kriege: Am Ende gewinnt nicht der Lauteste, sondern der Leiseste.

Quelle: rruxandra.github.io

Du hast einen Kundenservice-Chatbot erlebt, der einen Rückruf verspricht – und nie zurückruft? Mitchell Hashimoto, Gründer von HashiCorp und Entwickler des Terminals Ghostty, beschreibt genau diese Begegnung mit Mitsubishi. Ein Chatbot nahm sein Anliegen auf. Sechs Monate später wartet er noch. Was damit geschah, bleibt unklar. Vermutlich wurde die Anfrage als „gelöst“ verbucht – ohne dass ein Mensch sie sah. Hashimoto sieht das als Symptom einer weltweiten Massenpsychose in Unternehmen.

In einem Essay legt Hashimoto offen, was viele ahnen: Die KI-Manie lähmt die Entscheidungsfähigkeit. Er sprach mit Hunderten Fachleuten – vom Handwerk bis zum Fortune-500-Manager. Das Muster ist überall gleich. Führungskräfte lassen keine rationale Diskussion über KI mehr zu. Mitarbeiter geben aus Angst Lippenbekenntnisse ab. „Man kann mit diesen Firmen nicht mehr vernünftig reden“, schreibt er. Wer klar sieht, lebt in Furcht und Frustration.

KI-Projekte scheitern – und niemand spricht darüber

Hashimoto fragt: Erzielen Unternehmen die massiven Produktivitätsgewinne, die sie verkünden? Die Antwort ist schwer zu bekommen. Alle Beteiligten haben ein Interesse an Verschleierung. Vorstände werden gefeuert, wenn sie die Wahrheit sagen. Ehrliche Mitarbeiter landen auf der Kündigungsliste. Consulting-Firmen leben von den Aufträgen. Hashimotos Team beobachtete 18 Monate lang KI-Projekte. Die Erfolgsquote: null Prozent. Kein Projekt brachte den erhofften Nutzen.

Woran liegt das? Unternehmen sind schlecht in Softwareprojekten. KI-Projekte erben diese Fehler und fügen eigene Risiken hinzu. Selbst technisch korrekte Projekte liefern nicht, was erwartet wird. Beispiel: Interne Chatbots, die niemand nutzt, weil die Dokumentation unzureichend ist. Ein Sprachmodell weiß nur, was aufgeschrieben wurde. Kundenservice-Chatbots entpuppen sich oft als Sackgasse. Projektverantwortliche vermeiden harte Kennzahlen wie Nutzung oder Kundenzufriedenheit. Sie präsentieren leicht manipulierbare Metriken. So entsteht der Anschein von Erfolg.

Glaube wird zur Pflicht

Noch beunruhigender ist die soziale Dynamik. In Unternehmen ab 500 Mitarbeitern hängt der Aufstieg am Bekenntnis zur KI. Es geht nicht um fundierte Vorschläge, sondern um Bekenntnisse. Auch Techniker äußern absurde Behauptungen. Hashimoto berichtet von einem Manager ohne KI-Hintergrund, der eine KI-Strategie für ein Milliardengeschäft entwarf – obwohl er nie ein KI-Tool benutzt hatte.

Es gibt Trittbrettfahrer. Aber die meisten sind überzeugt, nicht lügnerisch. Sie glauben, was sie sagen. Das macht sie gefährlicher als Betrüger. Wer wirklich glaubt, ist immun gegen rationale Argumente. Hashimoto erlebte einen Wendepunkt: Ein Unternehmer entließ seine besten Leute, weil sie ohne KI arbeiteten. Privat, ohne Ankündigung. Für Hashimoto war das der Beweis, dass die Verantwortlichen es ernst meinen. Sie verbrennen Geld für eine Ideologie.

Allianz der Skeptiker

Hashimoto findet Verbündete, auch mit unterschiedlichen Motiven. Der Sicherheitsexperte Thomas Ptacek stellt in einem eigenen Essay fest: „Tech-Manager schreiben den Einsatz von LLMs vor. Das ist eine schlechte Strategie.“ Beide sehen die Besessenheit als Ablenkung von wichtigen Aufgaben. Hashimotos Team bietet keine KI-Implementierung an. Verträge wären von OpenAIs Zusammenbruch unberührt. Er ist überzeugt, dass die Blase platzt.

Hashimoto rät zur Vorsicht. Nachfragen zu KI-Projekten ist sinnlos. Es gibt keine guten Antworten. Die falsche Frage macht dich zum Feind der Führung. Konzentriere dich auf solide Grundlagen: Datenstrategie, Produktivität, messbare Ergebnisse. Am Ende zählen Kundenzufriedenheit und funktionierende Produkte. Die Mitsubishi-Erfahrung: Ein versprochener Rückruf vertreibt Kunden.

Hashimotos Essay ist eine Bestandsaufnahme. Eine gut gemeinte Technologie wird durch blinden Hype zur Gefahr. Die Botschaft: Nüchtern hinschauen, Erfolge hinterfragen, sich nicht blenden lassen. Die Manie wird nicht ewig währen, aber sie richtet jetzt Schaden an. Klarer Blick hilft, die schlimmsten Folgen zu vermeiden.

Quelle: hermit-tech.com

Im Fitnessstudio, umgeben von Gewichten und keuchenden Menschen, kommt das Gespräch auf Bücher. Was liest du gerade? Empfehlungen für den Sommer? Die Autorin eines Newsletters erlebte genau das. Unterbrochen von Sätzen über Kinder und Arbeitspläne entsteht eine lebhafte Diskussion über Autoren und Geschichten. Menschen haben Meinungen. Sie tauschen Titel aus, gründen eine Textgruppe, die wie ein asynchroner Buchclub funktioniert. Das klingt nicht nach dem Ende des Lesens.

Im August 2025 veröffentlichte das Magazin The Atlantic einen Artikel: „Das Ende des Lesens ist da“. Die These: Wir befinden uns in einer „postliteraten“ Ära. Nicht dass wir keine Wörter mehr entziffern können. Uns fehlen die tiefen kognitiven Fähigkeiten, die langes Lesen trainiert – wie Bulgarian Split Squats die Beinmuskeln aufbauen. Die Fähigkeit, still mit einem Buch zu sitzen, den Inhalt zu verstehen und zu verinnerlichen.

Die Autorin las den Artikel. Sie stimmte zunächst zu: Kurze Videos trainieren passiven Konsum. Die Aufmerksamkeit springt weg ohne sofortige Dopaminbelohnung. KI verführt zum Auslagern des Denkens. Aber dann hörte die Zustimmung auf. Die Schlussfolgerung sei zu schwarz-weiß, zu sicher. Der Artikel behandle die Entwicklung, als ob sie uns einfach widerfahre – dabei treffen wir Entscheidungen. Und die können wir anders treffen. Viele tun das bereits.

Zwei zentrale Punkte aus der Diskussion sind relevant für alle, die lesen, schreiben oder kreativ arbeiten.

Punkt 1: Ist Lesen wirklich nur noch ein Nischenhobby wie Briefmarkensammeln?

Der Atlantic-Artikel behauptet, Lesen werde zur Nischenbeschäftigung. Die Daten sprechen dagegen. Verkaufszahlen gedruckter Bücher liegen heute höher als vor zehn Jahren. Barnes & Noble eröffnete über 60 neue Filialen. Fast 400 unabhängige Buchhandlungen starteten 2025. Die Abonnentenzahlen für lange Inhalte auf Substack sind gestiegen. Die Zeit, die Leser täglich mit Büchern verbringen, hat sich im Vergleich zu vor zwei Jahrzehnten erhöht. Prominente Buchclubs – von Dua Lipa bis John Mulaney – treiben reale Verkaufszahlen.

Der Artikel räumt diese Zahlen ein, tut sie dann aber als „Nische“ ab. Man könnte die gleichen Daten auch als Zeichen einer Vertiefung des Lesens deuten. Die Autorin des Newsletters stellt fest: Der Artikel erkennt Fakten, die seine These komplizieren, wählt aber konsequent die apokalyptischste Lesart. Keine bewusste Fälschung, aber eine klare Ausrichtung der Argumentation.

Punkt 2: Wir lesen mehr Wörter als je zuvor – aber anders

Ein weiteres Argument: „Amerikaner lesen wahrscheinlich mehr Wörter als jemals zuvor. Was sich geändert hat, ist was sie lesen und wie.“ Viele lesen diesen Text auf Smartphone oder Laptop. Online-Nachrichten, Social-Media-Feeds, Bildunterschriften, E-Mails – wir sind mit Wörtern zugeschüttet. Der Artikel wertet kurze Formen sofort als Beleg für verminderte kognitive Kapazität. Ja, Fähigkeiten, die wir nicht trainieren, verkümmern. Aber folgt daraus, dass jemand, der viele kurze Texte konsumiert, nicht mehr tief denken kann?

Die Autorin zweifelt an dieser Gleichsetzung. Die Beweise für mehr Kurztexte beweisen nicht den Verlust der Tiefe. Wenn Leser heute mehr Zeit mit Büchern verbringen als vor zwanzig Jahren – ist das ein Zeichen des Zusammenbruchs? Oder einer bewussteren, selektiveren Lesegewohnheit? Vielleicht ist das eine Chance. Die Autorin sieht langes Lesen als gezieltere Wahl. Nicht tot, nicht Nische – vermutlich größer als die Orchideen-Züchter.

Zusammengenommen entsteht ein nuancierteres Bild: Schnellere Formate zerstören das Lesen nicht automatisch, sie verändern es. Auch wir können uns verändern. Wir wählen anders. Vielleicht ist die Botschaft, dass ein Teil der Leser bewusster mit seiner Lesezeit umgeht – und dass Autoren ihr Spiel verbessern müssen, um außergewöhnliche Leseerlebnisse zu schaffen. Diejenigen, die noch lesen, sind keine Überlebenden. Sie haben sich bewusst dafür entschieden. Sie machen Bulgarian Brain Squats – anstrengend, aber effektiv.

Ein Einwand: Die Autorin veröffentlicht im Februar 2027 ein Buch. Natürlich will sie keine postliterate Welt. Was sie am Atlantic-Artikel ärgert, ist die darin mitschwingende Unausweichlichkeit. Die Zukunft wird als etwas dargestellt, das einfach passiert. Das stimmt nicht. Die Zukunft ist nie vorbestimmt.

Wenn alles schneller und billiger wird, gewinnen Dinge, die echte Zeit und Aufmerksamkeit erfordern, an Bedeutung. Sie werden zu einer bewussten Wahl – und viele treffen sie bereits. Lesen ist nicht tot. Es stirbt nicht. Aber wir müssen die Gewohnheit bewusst aufbauen. Wie beim Krafttraining.

Zurück zum Fitnessstudio. Eine Frau namens Elle liest ein Buch auf ihrem Kindle. Sie „verschlingt“ es, sagt sie. Sie liest an der Supermarktkasse oder in der Autoschlange vor dem Ferienlager. Für die Autorin ist sie wie viele: müde vom Social-Media-Scrollen, bewusst, dass regelmäßiger Konsum sich anfühlt wie eine Diät aus Käse-Chips. Wir geben unsere Handys nicht auf. Aber wir wissen, dass es einen anderen Weg gibt. Und wir wählen ihn bewusst, wenn es darauf ankommt. Oder können es zumindest.

Das Gespräch im Fitnessstudio war eine echte Freude. Menschen empfehlen gerne Bücher. Sie reden gerne darüber. Viele lieben es, sie zu lesen. Die Autorin verließ das Gym gestärkt – in jeder Hinsicht: Die großen Muskeln brannten – Glutes, Quads und das Gehirn. Die Ära des Lesens ist nicht vorbei. Sie wird nur bewusster. Das ist eine gute Nachricht.

Quelle: annhandley.com

Du scrollst durch deinen Feed und siehst den hundertsten Beitrag einer Marke. Ein weiteres Reel, ein weiterer Blogpost, ein weiterer Newsletter. Du hast gelernt, diese Inhalte auszublenden. Wir sind umgeben von einer Flut aus Geschichten, Produkten und Botschaften. Unternehmen, die glauben, mehr Content sei die Lösung, haben ein Problem. Die Panel-Diskussion auf dem dentsu day 2026 mit Vertretern von Dentsu Creative, der NFL Mexico und Warner Bros. Discovery zeigte eine andere Richtung: Es geht um Zugehörigkeit, nicht um Content.

„Mehr ist besser“ hat ausgedient. Algorithmen und KI produzieren Content in nie dagewesener Menge. Aufmerksamkeit wird zum raren Gut. KI, oft als Effizienz gefeiert, treibt das an: Sie generiert Texte, Bilder, Videos – und überflutet die Kanäle. Niemand hat Zeit, alles zu konsumieren. Stattdessen entwickeln wir Filter. Wir entscheiden instinktiv, was einen Moment wert ist. Wer nur auf Lautstärke setzt, hat den Kampf um Sichtbarkeit verloren. Relevanz entsteht durch Bindung, nicht durch Masse.

Von Reichweite zu kultureller Zugehörigkeit

Stell dir eine Party vor, auf der jeder gleichzeitig schreit. Du würdest schnell gehen. Aber wenn dich jemand in eine kleine Runde einlädt, in der über ein Thema gesprochen wird, das dich wirklich interessiert – dann bleibst du. Genau das beschreiben die Panel-Teilnehmer. Izamna Crail, Head of Marketing bei NFL Mexico, sagt: „Eine Marke muss Authentizität in der Kommunikation haben, Respekt für ihr Publikum und vor allem eine echte Verbindung, um ein Gespräch zu führen.“ Authentizität ist keine Option mehr, sondern Voraussetzung. Leere Versprechen durchschauen wir sofort.

Said Gil, CEO von Dentsu Creative Mexico & LATAM, ergänzt: „Jahrelang glaubten wir, Marketing sei Kommunikation. Heute ist es zunehmend Kultur. Der primäre kulturelle Motor unserer Zeit ist Unterhaltung.“ Unterhaltung ist nicht mehr nur eine Taktik für Aufmerksamkeit. Sie wird zur strategischen Plattform für Wachstum. Denk an Franchises wie „Game of Thrones“, „Harry Potter“ oder „The Last of Us“. Diese Geschichten sind keine bloßen Inhalte. Sie sind kulturelle Ökosysteme, die Menschen über Jahre begleiten. Sie schaffen Gemeinschaften, in denen Fans eigene Codes entwickeln, Inhalte teilen und sogar Wirtschaften aufbauen.

Claudia Galindo, Data & Insights Director bei Warner Bros. Discovery, sagt: „Das Publikum sucht nicht mehr nach Inhalten an sich, sondern danach, zu diesen Inhalten dazuzugehören.“ Es geht nicht darum, eine Serie zu sehen. Es geht darum, Teil einer Gruppe zu sein, die diese Serie liebt. Das ist der Unterschied zwischen einem passiven Konsumenten und einem aktiven Mitglied einer Community. Die Chance für Marken: Sie müssen keine eigenen Communitys von Null aufbauen, sondern können sich organisch in bestehende einfädeln. José Martínez von Warner Bros. Discovery erklärt: „Wenn eine Marke Teil solcher Geschichten und Inhalte wird, hinter denen bereits ein starkes Fandom steht, senken die Menschen ihre Abwehrhaltung. Sie nehmen die Botschaft leichter an.“

Verbindung statt kurzfristiger Metriken

Ein Wandel im Denken ist nötig: Weg von der reinen Reichweite, hin zu echter Verbindung. Die Panel-Teilnehmer warnen davor, kurzfristige Metriken wie Impressionen oder Klicks zu überbewerten. „Kurzfristige Messungen sind nicht sehr effektiv. Wir müssen langfristige Beziehungen zu Fans aufbauen und pflegen“, sagt Claudia Galindo. Viele Unternehmen tun sich schwer damit. Langfristige Beziehungen lassen sich nicht wie eine einmalige Kampagne vermarkten. Sie erfordern Geduld, Respekt und echte Teilhabe.

Ein Beispiel: Die NFL Mexico organisierte ein Event, bei dem Fans unterschiedlicher Teams während des Día de Muertos zusammenkamen. Trotz sportlicher Rivalitäten entstand eine gemeinsame Erfahrung. Izamna Crail erinnert sich: „Sie alle hatten etwas gemeinsam. Es gab Respekt, Liebe und eine schöne Verbindung. Mir wurde klar, dass wir uns oft nur in die Nähe der Fans setzen und beobachten müssen.“ Zugehörigkeit wird nicht erzwungen, sondern ermöglicht. Marken müssen den Raum für echte menschliche Verbindungen schaffen.

Die Rolle der Content-Creator wird auch beleuchtet. Sie sind mehr als bloße Verstärker von Botschaften. Sie werden zu kulturellen Übersetzern zwischen Marken und spezifischen Communities. „Die Ko-Kreation mit Fans und diesen Universen schafft mehr Glaubwürdigkeit für Marken“, sagt José Martínez mit Blick auf Kooperationen rund um „The Last of Us“. Der Creator wird zum aktiven Teil der kulturellen Entwicklung, nicht nur zum Verteiler. Marken müssen Kontrolle abgeben und Vertrauen schenken.

KI als Katalysator, nicht als Ersatz

Und was hat das mit künstlicher Intelligenz zu tun? KI-Technologie ist der Katalysator für die Content-Flut. Sie produziert immer mehr und schneller – aber sie kann keine echten Beziehungen ersetzen. Die Panel-Teilnehmer zeigen den Ausweg: Nicht auf Technik setzen, um noch mehr zu produzieren, sondern auf menschliche Verbindung. KI kann helfen, Muster zu erkennen und personalisierte Angebote zu schaffen, aber sie ersetzt nicht das Gefühl von Zugehörigkeit. In einer Welt, die von Algorithmen beherrscht wird, wird der authentische Kontakt zwischen Menschen zum entscheidenden Wettbewerbsvorteil.

Said Gil sagt: „Unternehmen, die diesen Wandel verstehen, werden aufhören, über Volumen und Maßstab zu konkurrieren, und beginnen, etwas viel Mächtigeres aufzubauen: kulturelle Relevanz.“ In der neuen Unterhaltungsökonomie ist die knappste Ressource nicht mehr Aufmerksamkeit, sondern die Fähigkeit, Gemeinschaften zu schaffen, die bleiben.

Quelle: lbbonline.com