Wie AI die Produktionsfunktion neu schreibt
1. Die alte Produktionsfunktion
In der Oekonomie beschreibt die Produktionsfunktion, wie eine Gesellschaft Inputs in Output verwandelt. Die klassische Formel lautet: Output ist eine Funktion von Kapital, Arbeit und Technologie.
Kapital finanziert Maschinen, Gebaeude, Werkzeuge und Material. Arbeit bringt Zeit, Faehigkeit, Koerperkraft und Wissen ein. Technologie bestimmt, wie effizient diese Inputs zu Waren und Dienstleistungen werden.
Das AI-Zeitalter erweitert diese Funktion. Output haengt nun auch von Compute, Daten, Modellen, Agents, Robotern, Energie, Workflow-Design, menschlichem Urteil, Vertrauen und Institutionen ab.
Die AI-Produktionsfunktion handelt nicht nur von billigerer Intelligenz. Sie handelt davon, wie Intelligenz in verlaessliches Handeln uebersetzt wird.
2. Compute wird Kapital
Im Industriezeitalter erschien Kapital als Maschine und Fabrik. Im AI-Zeitalter erscheint es immer oefter als Compute und Rechenzentrum.
Grosse Modelle brauchen GPUs, Netzwerke, Speicher, Kuehlung, Strom, Engineering-Teams und hohe Investitionen. Auch Inferenz ist ein dauerhafter Compute-Verbrauch.
Compute hat Kapitalmerkmale: hohe Anfangsinvestition, Skaleneffekte, schnelle Abschreibung, geografische und energetische Beschraenkungen sowie strategische Bedeutung.
3. Daten werden Land
Wenn Compute die neue Maschine ist, sind Daten das neue Land. Land trug landwirtschaftliche Produktion. Daten tragen Lernen.
Besonders wertvoll sind nicht nur oeffentliche Internetdaten, sondern strukturierte, legale und rueckkopplungsreiche Daten aus realen Situationen: Medizin, Industrie, Bildung, Robotik, Kundenprozesse und Unternehmensablaeufe.
Daten sind zugleich Macht. Deshalb braucht die neue Produktionsfunktion Datenrechte, Autorisierung, Anonymisierung, Standards, vertrauliche Rechenverfahren und glaubwuerdige Mechanismen fuer gemeinsame Nutzung.
4. Modelle verdichten Faehigkeit
Ein Modell ist aus Daten und Compute verdichtete Faehigkeit. Es macht Wissen und Schlussfolgern wie Software abrufbar.
Aber Modelle sind nicht genug. Sie halluzinieren, brauchen Kontext, Werkzeuge, aktuelle Daten, Evaluation, Sicherheitsgrenzen und Einbettung in Workflows.
Dauerhafter Wert entsteht deshalb in mehreren Schichten: Grundlagenmodelle, Branchenmodelle, private Unternehmensmodelle, persoenliche Modelle, Edge-Modelle und Robotersteuerung.
5. Agents werden Arbeit
Wenn ein Modell Faehigkeit ist, ist ein Agent ein Akteur. Er kann Ziele verfolgen, Aufgaben zerlegen, Werkzeuge aufrufen, Ergebnisse pruefen und seine Strategie anpassen.
Ein Sales-Agent recherchiert Accounts, schreibt Outreach, verfolgt Antworten und aktualisiert CRM. Ein Software-Agent liest Aufgaben, aendert Code, startet Tests und oeffnet Pull Requests.
Damit wandert AI vom Werkzeug zur Arbeit. Zugleich entstehen Fragen zu Rechten, Verantwortung, Signaturen, Einkaufsvollmachten, Protokollen und Auditierbarkeit.
6. Roboter geben AI einen Koerper
Industriemaschinen verstaerkten Muskelkraft. Roboter verbinden AI mit physischem Handeln.
Ein Roboter besteht nicht nur aus Hardware, sondern aus Modellen, Sensoren, Steuerung, Mechanik, Energie, Material, Sicherheit, Wartung und Service.
Ohne Roboter veraendert AI vor allem Information und Services. Mit Robotern kann sie Fertigung, Landwirtschaft, Logistik, Bau, Pflege und Alltag veraendern.
7. Energie setzt die Obergrenze
Energie ist der aelteste Produktionsfaktor und wird leicht unterschaetzt. AI braucht Rechenzentren, Chips, Kuehlung, Netze und Stromvertraege. Roboter und intelligente Fabriken brauchen ebenfalls Strom.
Gueltige AI-Fuelle setzt daher guenstige, stabile und moeglichst CO2-arme Energie voraus. Regionen mit Strom, Land und Netzkapazitaet koennen neue Zentren fuer Compute und intelligente Produktion werden.
Wenn Netze nicht mithalten, stoesst Modellfaehigkeit an eine physische Wand.
8. Menschliches Urteil wird knapp
Je billiger Ausfuehrung wird, desto wichtiger wird Urteil. AI erzeugt viele Plaene, aber Menschen entscheiden, welcher Plan sinnvoll ist.
Knapp ist nicht die Person mit dem groessten Gedaechtnis, sondern die Person, die gute Fragen stellt, komplexe Systeme liest, Unsicherheit traegt, AI-Ausgaben beurteilt und Verantwortung uebernimmt.
Bildung muss sich daher von reiner Wissensvermittlung zu Urteilstraining bewegen. Wenn Antworten reichlich vorhanden sind, werden gute Fragen wertvoller.
9. Institutionen senken Reibung
Institutionen stehen oft ausserhalb der Formel. Im AI-Zeitalter sind sie selbst Produktionskraft.
Datenregeln, Haftung, Bildung, Gesundheitssysteme, Wettbewerbspolitik, Beschaffung, Auditstandards und oeffentlicher Compute bestimmen, ob Technologie reibungsarm in Nutzen uebersetzt wird.
Eine AI-Gesellschaft ist nicht nur ein technisches System. Sie ist auch ein rechtliches, finanzielles, paedagogisches und kulturelles System.
10. Fuenf neue Formen
Die neue Funktion zeigt sich in konkreten Organisationen: Ein-Personen-Unternehmen, AI-native Firmen, intelligente Fabriken, medizinische Netzwerke und AI-Forschungsplattformen.
Das Ein-Personen-Unternehmen kombiniert Gruenderurteil, Agents, Cloud und externe Lieferketten. Die AI-native Firma baut Abteilungen um Agent-Teams herum. Die intelligente Fabrik verbindet Robotik, Industriedaten, Energie und AI-Planung.
In Medizin und Forschung entstehen Schleifen aus Daten, Triage, menschlicher Pruefung, automatisierten Laboren und wiederholter Auswertung.
11. Wer faengt den Wert ein?
Wert wandert zu Akteuren, die knappe Inputs kontrollieren: Chips, Cloud, Datenzentren, Modelle, proprietaere Daten, Nutzerzugang, Agent-Betriebssysteme, Robotik, Energie und regulierte Infrastruktur.
Die strategische Frage lautet: Welchen knappen Faktor der neuen Produktionsfunktion kontrollierst du?
Nur ein Modell aufzurufen reicht nicht. Dauerhafte Unternehmen kontrollieren Compute, Daten, Workflow-Zugang, Vertrauen, Energie, Robotik, Marke oder Urteil.
12. Fazit
AI schreibt die Produktionsfunktion neu. Zur alten Formel aus Kapital, Arbeit und Technologie kommen Compute, Daten, Modelle, Agents, Roboter, Energie, menschliches Urteil und Institutionen.
Der Wettbewerb der Zukunft ist nicht nur Firma gegen Firma. Er ist Produktionssystem gegen Produktionssystem.
Stark ist die Organisation, die Compute, Daten, Modelle, Agents, Roboter, Energie, Urteil und Institutionen zu einem verlaesslichen Produktionssystem verbindet.
Diese neue Produktionsfunktion verändert auch die Rolle von Management. In einer klassischen Organisation koordiniert Management Menschen, Budgets, Prozesse und Maschinen. In einer AI-nativen Organisation koordiniert Management zusätzlich Modelle, Agenten, Datenflüsse, Berechtigungen, Evaluationssets, Tool-Zugriffe und menschliche Freigaben. Der Engpass verschiebt sich von der reinen Ausführung zur Gestaltung zuverlässiger Arbeitsketten.
Ein kleines Team kann dadurch größer wirken, aber nicht automatisch reifer. Wenn Agents Aufgaben erledigen, braucht das Team klare Ziele, saubere Quellen, Grenzen für Autonomie, Tests, Protokolle und Eskalationsregeln. Ohne diese Schicht entsteht nur schnelleres Durcheinander. Produktivität wächst erst, wenn AI-Ausführung in überprüfbare Prozesse eingebettet ist.
Auch Arbeit selbst bekommt eine andere Form. Ein Mitarbeiter schreibt nicht nur mehr Text oder Code, sondern entwirft Prompts, kuratiert Kontext, prüft Zwischenergebnisse, verbindet Tools und entscheidet, wann ein Agent stoppen muss. Die wertvolle Fähigkeit ist, ein Problem so zu rahmen, dass Maschine, Daten und Mensch gemeinsam handeln können. Das ist weder klassische Sachbearbeitung noch reine Softwareentwicklung.
Für Volkswirtschaften ist die Frage ähnlich. Länder konkurrieren nicht nur über Lohnkosten oder Fabrikkapazität, sondern über Energiepreise, Datenzugang, Chipversorgung, Cloud-Standorte, Bildungssysteme, Forschungseinrichtungen, öffentliche Beschaffung und Regulierungsgeschwindigkeit. Wer diese Inputs gut kombiniert, kann AI in reale Produktivität übersetzen. Wer nur Modelle konsumiert, bleibt abhängig von fremder Infrastruktur.
Die Produktionsfunktion wird dadurch politischer. Compute braucht Stromnetze und Standorte. Daten brauchen Rechte und Vertrauen. Robotik braucht Sicherheit und Normen. Medizinische AI braucht Haftung und Zulassung. Bildung braucht neue Curricula. Eine Gesellschaft, die diese Institutionen nicht modernisiert, kann trotz starker Modelle langsam bleiben.
Für Unternehmen entsteht daraus ein praktischer Test: Welche knappen Inputs kontrollieren wir, welche mieten wir nur und welche fehlen ganz? Ein Team mit proprietären Daten, direktem Workflow-Zugang und hohem Vertrauen kann mehr Wert schaffen als ein Team, das nur denselben öffentlichen Chatbot nutzt wie alle anderen. Dauerhafte Differenzierung liegt in der Verbindung der Faktoren, nicht in einem einzelnen Tool.
Am Ende ersetzt AI die alte Formel nicht vollständig. Kapital, Arbeit und Technologie bleiben wichtig. Aber sie erscheinen in neuer Gestalt: Kapital als Compute, Arbeit als menschlich-agentische Koordination, Technologie als Modelle plus Tools, Energie als harte Grenze und Institutionen als Produktivitätsmultiplikator. Wer diese Verschiebung versteht, kann früh erkennen, wo neue Unternehmen, neue Monopole und neue öffentliche Aufgaben entstehen.
Besonders wichtig ist dabei die Schnittstelle zwischen persönlichem Kontext und organisatorischem Kontext. Ein Modell ohne die richtigen Quellen versteht weder Kundenhistorie noch interne Regeln noch die Gründe früherer Entscheidungen. Sobald aber Quellen, Notizen, Verträge, Forschung, Tickets und Daten sauber verbunden sind, kann derselbe Agent viel näher an realer Arbeit handeln. Produktivität entsteht also nicht nur durch bessere Modelle, sondern durch besseren Kontext.
Diese Perspektive erklärt, warum Wissensmanagement wieder strategisch wird. In der Cloud-Ära reichte es oft, Dateien zu speichern und sie über Suche wiederzufinden. In der AI-Ära müssen Quellen so organisiert sein, dass Menschen und Agents sie gemeinsam nutzen können: mit Herkunft, Aktualität, Berechtigungen, Zusammenfassungen, Beziehungen und klarer Verantwortlichkeit. Die Bibliothek wird Teil der Produktionsanlage.
Damit wird auch Messung schwieriger. Eine AI-Initiative ist nicht erfolgreich, weil viele Prompts gesendet wurden. Erfolgreich ist sie, wenn Durchlaufzeiten sinken, Fehler früher entdeckt werden, Entscheidungen besser dokumentiert sind, Kundenerlebnisse stabiler werden und Mitarbeiter mehr Zeit für Urteil statt Suche verbringen. Die neue Produktionsfunktion verlangt deshalb operative Kennzahlen, nicht nur Modellbenchmarks.