Tech-Unternehmen im KI-Zeitalter: Der tiefste Burggraben ist sequenzielles Lernen

Ich programmiere seit 43 Jahren. Ich habe mit zehn angefangen, mit zwölf meine erste Software verkauft und mein ganzes Erwachsenenleben lang Softwareunternehmen aufgebaut. Die Ära des menschlichen Programmierens ist vorbei. KI schreibt keinen perfekten Code. Code ist nicht mehr der Engpass.

Auslöser für dieses Manifest war ein bestimmter Moment. Ich sah zu, wie eine KI eine komplexe Funktion in einem unserer Produkte per Reverse Engineering nachbaute, eine Funktion mit erheblicher Mathematik, die menschliche Wettbewerber nicht hatten nachbilden können. Die KI hatte keinen Zugriff auf unseren Quellcode. Sie studierte die Oberfläche, schloss auf die Randbedingungen und rekonstruierte den Ansatz. Das Ergebnis war nicht perfekt, kam aber nah genug heran, dass ich alles überdachte, was ich über Verteidigbarkeit geglaubt hatte. Mein Unternehmerherz stand unter leichtem Schock.

Ich habe dieses Dokument für Menschen wie mich geschrieben: Gründer, Macher, Investoren und alle, die echte Entscheidungen darüber treffen müssen, was sie bauen und wo sie investieren.

Anmerkung: Vollständige AGI, wenn KI alles besser kann als Menschen, liegt wahrscheinlich mittel- oder langfristig in der Zukunft. Wenn vollständige AGI kommt, ändert sich alle Wettbewerbslogik für alle gleichzeitig. Dieses Dokument gilt für das Zeitfenster davor, in dem menschliches Urteil noch zählt und die Physik der Wissensarbeit noch gilt. Dieses Zeitfenster könnte das folgenreichste in der Geschichte des Unternehmensaufbaus sein.

Was ändert sich, wenn KI Software schreiben kann?

Thalius vertritt die Auffassung, dass KI konzeptionell vertraute Arbeit in einem so hohen Tempo erledigt, dass sich die Kategorie ändert. Softwareerzeugung ging von Wochen menschlicher Arbeit zu Minuten KI-Arbeit. Ein Auto zeigt das Muster: Mit 10 km/h ist ein Auto eine Gehhilfe, mit 100 km/h ist es Transport, und mit 1.000 km/h ist es Luftfahrt. Die Physik bleibt gleich, und die Welt um sie herum ändert sich. Die Tempoänderung bei Software ist groß genug, um zu einer Kategorieänderung zu werden, und Arbeit, die zu langsam war, um wirtschaftlich zu sein, wird trivial.

Die Industrialisierung ist in der Fertigung denselben Weg gegangen. Der Wert wanderte von den Händen des Handwerkers in den Kopf des Fabrikplaners, dann zur Marke, dann zum Vertriebsnetz. Jeder Übergang machte die vorherige Schicht billiger und die nächsthöhere Schicht wertvoller. Software durchläuft jetzt dieselbe Wanderung, komprimiert auf Jahre statt Jahrzehnte.

Welche Softwareprodukte kann KI kopieren?

Thalius nennt die Software, die KI heute erzeugen kann, „Orbit-Produkte“: Standardsoftware wie ein komplexes CRM oder ein großartiges Design-Tool, die eine gute KI in Tagen erzeugen kann. Die Raumfahrt gibt den Maßstab vor. Viele erreichen den Orbit, was schwer, aber gelöst ist. Zum Mond zu fliegen ist qualitativ schwerer, der Mars noch schwerer. Unser nächster Stern ist eine völlig andere Kategorie, nicht Mars mal tausend. Die entscheidende Einsicht ist, wie der nötige Treibstoff wächst: exponentiell. Eine Rakete braucht Treibstoff, um den Treibstoff zu tragen, der den Treibstoff trägt, und jeder zusätzliche Abschnitt Entfernung verlangt überproportional mehr Ressourcen.

Nach Auffassung von Thalius geht das Denken der meisten Menschen genau hier schief, denn KI macht nicht alle Probleme im gleichen Maß trivial. Wissensarbeit hat dieselbe Struktur wie die Raumfahrt. Produkte, die vollständig auf der Orbit-Schicht aufbauen, sind ungeschützt. Ihre Architektur ist ihr Produkt, und sobald diese Architektur sichtbar ist, ist sie nachbildbar, einschließlich der zugrunde liegenden Algorithmen, die die Eigentümer für Geheimnisse hielten.

Warum sind Google Search und Stripes Betrugserkennung schwer zu kopieren?

Thalius stuft Such-Ranking und Betrugserkennung als Mond- und Marsprobleme ein, bei denen sich Komplexität potenziert und Qualität im angesammelten Lernen lebt. Ein solches Problem ist, eine Milliarde Webseiten so zu ranken, dass das beste Ergebnis zuerst erscheint. Ein anderes ist, ein Betrugserkennungssystem zu bauen, das in Millisekunden entscheidet, ob eine Transaktion legitim ist, trainiert auf Milliarden Zahlungen bei Millionen Händlern. Jede Qualitätsstufe in einem solchen System verlangt exponentiell mehr Daten, mehr Lernen und mehr angesammeltes Urteilsvermögen. Google Search und Stripes Betrugserkennung sind architektonisch weitgehend verstanden. Ihre Qualität lebt im angesammelten Lernen, in Jahren sequenzieller Signale auf privaten Daten, die Thalius den Treibstoff nennt, den ein Wettbewerber nicht kaufen kann.

Die Frage für jeden Gründer lautet, ob er ein Orbit-Produkt oder ein Mond-Produkt baut, denn die Ökonomie der beiden hat sich vollständig auseinanderentwickelt.

Warum ist sequenzielles Lernen der tiefste Burggraben für Software?

Thalius vertritt die Auffassung, dass sequenzielles Lernen die Kategorie von Burggraben ist, die wichtiger wird, je billiger die Ausführung wird. Sequenzielles Lernen umfasst alles, was Schritt N vor Schritt N+1 verlangt, wobei jeder Schritt auf dem letzten aufbaut und niemand vorspringen kann. Vertrieb, Marke und Wechselkosten zählen daneben weiterhin.

Die Weinherstellung zeigt die Struktur. Ein Weingut kann die besten Trauben und die beste Ausrüstung kaufen und den besten Winzer einstellen und kann die Gärung trotzdem nicht vorspulen, denn die Chemie jedes Tages hängt vom Vortag ab. Ein Wettbewerber mit unendlich viel Geld kann im Jahr 2020 keinen Jahrgang 2019 kaufen.

Wissen funktioniert genauso. Ein System, das zwölf Monate damit verbracht hat zu lernen, welche Fragen zählen, welche Muster wiederkehren und welche Entscheidungen sich auszahlen, besitzt angesammeltes Urteilsvermögen, das ein Wettbewerber nicht nachbilden kann, indem er mehr Geld auf das Problem wirft. Der Eigentümer dieses Systems musste die Sequenz durchleben.

Der Burggraben ist das Integral Ihrer Lernrate über die Zeit. Das kann niemand kaufen. Das kann niemand abkürzen.

Kann ein Wettbewerber ableiten, was ein Unternehmen gelernt hat?

Thalius warnt, dass ein Wettbewerber eine Lernsequenz überspringen kann, indem er ihr Ziel aus der Spur ableitet, die sie hinterlässt, und dass KI im Ableiten besser wird, je besser sie im Schlussfolgern wird. Jedes öffentliche Artefakt verrät Signale: das Verhalten der API, Produktentscheidungen und wie ein System mit Grenzfällen umgeht. Ein ausreichend fähiges Modell behandelt all das als Trainingsdaten und rechnet zurück.

Gründer stehen dann vor zwei Fragen. Die erste ist, ob ein Wettbewerber den Weg des Unternehmens nachbilden kann. Die zweite ist, ob ein Wettbewerber aus der Beobachtung, wo das Unternehmen war, ableiten kann, wohin es geht. Thalius folgert, dass der Burggraben darin liegt, in Richtungen zu laufen, die selbst für jemanden schwer abzuleiten sind, der sehen kann, wo das Unternehmen war, und nicht nur darin, schneller zu laufen. Thalius rät Unternehmen, jedes Signal zu hüten, das sie preisgeben, denn das Rennen ist nicht mehr nur sequenziell, sondern auch inferenziell.

Was begrenzt, wie viel KI über ein Unternehmen ableiten kann?

Thalius nennt zwei Grenzen des Ableitens, die verhindern, dass der Ausblick in Verzweiflung kippt. Erstens setzt die Informationstheorie eine harte Untergrenze: Keine noch so große Schlussfolgerungskraft kann Signale extrahieren, die im Input fehlen. Komplexe Wissensarbeit hängt von privaten Daten ab, die nie nach außen gelangt sind, etwa Kundenverhalten in den Logs eines Unternehmens, operative Realität aus dem Betrieb des tatsächlichen Prozesses und Korrekturen, die nur in seiner Feedback-Schleife existieren. Selbst ein perfekter Schlussfolgerer kann nicht ableiten, was nie zu finden war.

Zweitens bleibt schwere Wissensarbeit schwer, selbst wenn ein Problem aus seiner Formulierung lösbar ist. Das Raketentreibstoff-Problem gilt auch hier: 50.000 Verträge zu verarbeiten, zwei Jahre Hafendaten zu integrieren oder Geschmacksmodelle aus Millionen Browsing-Sitzungen zu bauen, braucht echte Rechenleistung, echte Daten und echte Zeit. Eine gut abgestimmte Wissensmaschine erledigt diese Arbeit schneller und billiger. Wenn die Arbeit selbst groß ist, ist die Geschwindigkeit der Maschine der Burggraben.

Wie bleibt ein Unternehmen verteidigbar, wenn sein Design öffentlich ist?

Thalius überträgt ein Prinzip aus der Kryptographie auf das Geschäft: Die Verteidigbarkeit eines Unternehmens muss von seinen Parametern abhängen, nicht davon, zu verbergen, wie sein System funktioniert. Ein Unternehmen will sein Produkt sichtbar, seine Architektur verstanden und seine Methoden bekannt haben, und wenn alles sichtbar ist, ist alles kopierbar. Thalius beschreibt das als den Bau eines Burggrabens in einem Glashaus.

Die Kryptographie hat dieses Problem längst gelöst. Das Feld beruht auf einem Prinzip von 1883: Die Sicherheit eines Systems darf nur vom Schlüssel abhängen, nicht von der Geheimhaltung des Designs. Online-Banking folgt diesem Prinzip. Der Verschlüsselungsalgorithmus ist veröffentlicht, und die Software ist oft Open Source. Der spezifische Schlüssel des Kontoinhabers bleibt geheim, und das schützt das Konto. Das Design ist öffentlich, der Schlüssel ist privat, und das genügt. Dasselbe Prinzip gilt jetzt für das Geschäft.

Was sind Parameter in einem KI-System?

Parameter sind die Einstellungen eines KI-Systems: Millionen numerischer Werte, die zusammen bestimmen, was das System weiß, wie es schlussfolgert und was es erzeugt. Jede Maschine hat Einstellungen, die bestimmen, wie sie sich verhält. Ein Thermostat hat eine Zieltemperatur, ein Automotor hat Einspritzzeitpunkte. Niemand entwirft KI-Parameter von Hand. Das Training stimmt sie schrittweise durch Daten und Feedback ab, wobei jede Anpassung auf der letzten aufbaut.

Parameter haben eine Nuance, die für die Verteidigbarkeit zählt. Wer die Parameter eines Unternehmens erhält, also die tatsächlich gelernten Werte, kann seine Maschine kopieren: Wer die Gewichte bekommt, bekommt das System. Die KI-Branche weiß das, und deshalb hüten führende Unternehmen ihre Parameter so entschieden.

Warum ist die Lernschleife das verteidigbare Asset?

Thalius vertritt die Auffassung, dass der verteidigbare Teil eines KI-Systems die Kontrolle über die Schleife ist, die seine Parameter fortlaufend verbessert, und nicht die Parameter zu einem bestimmten Zeitpunkt. Die Schleife besteht aus den proprietären Daten, der Pipeline für menschliches Feedback, den Kunden-Workflows, die neue Signale erzeugen, und der Fähigkeit, schneller weiter abzustimmen als alle anderen. Bis jemand den heutigen Schnappschuss stiehlt, ist der Eigentümer schon weiter. Die Parameter sind das Ergebnis, und die Lernschleife ist das Asset.

Die KI-Branche hat das im großen Maßstab bewiesen. Die Transformer-Architektur ist vollständig öffentlich: publiziert, quelloffen und von jedem baubar. Anthropic und OpenAI haben etwas, das den offenen Modellen fehlt: sich kontinuierlich verbessernde Parameter, verfeinert durch Millionen menschlicher Feedback-Interaktionen und eingebettet in Kunden-Workflows, die jeden Tag neue Trainingssignale erzeugen. Die Architektur ist der veröffentlichte Algorithmus, und die Lernschleife ist der geheime Schlüssel.

Die Struktur reicht über KI-Unternehmen hinaus. In einer Anwaltskanzlei ist der gelernte Zustand das angesammelte Urteil darüber, welche Vertragsklauseln Streitigkeiten vorhersagen. In einem Logistikunternehmen ist es die operative Intelligenz darüber, welche Routen in der Praxis funktionieren. Das Vokabular unterscheidet sich, die Struktur ist identisch: eine Lernschleife, die kontinuierlich verbessert, wie ein System Entscheidungen trifft.

Was ist eine Wissensmaschine?

Eine Wissensmaschine ist im Sinne von Thalius der Prozess, der entscheidet, was ein System als Nächstes erzeugt, und mit jedem Zyklus besser in dieser Entscheidung wird. Ein Produkt ist ein Schnappschuss: das, was das System heute ausgibt.

Der Unterschied entspricht dem zwischen einer Bibliothek und einem Bibliothekar. Eine Bibliothek ist eine Sammlung, wertvoll und statisch. Ein Bibliothekar weiß, welches Buch ein Leser braucht, bevor der Leser fragt, aus Jahren der Beobachtung, was Menschen lesen, wofür sie zurückkamen und was sie abbrachen. Ein Wettbewerber kann die Bibliothek kopieren, die persönlichen Empfehlungen des Bibliothekars aber nicht.

Eine Wissensmaschine treibt ein sich selbst verstärkendes Schwungrad an. Kapital finanziert Parameter-Updates. Bessere Parameter erzeugen bessere Auswahl, bessere Auswahl erzeugt mehr Wert, und mehr Wert zieht mehr Kapital an. Jeder Zustand hängt von allen vorherigen Zuständen ab, sodass niemand mittendrin einsteigen kann.

Warum empfiehlt Thalius eine offene Architektur?

Thalius schlägt ein kontraintuitives Geschäftsmodell vor: die Architektur absichtlich offen machen und die Parameter lizenzieren. Eine offene Architektur lässt andere auf dem Format eines Unternehmens aufbauen, sodass Offenheit zur Vertriebsstrategie des Unternehmens wird. Je mehr Menschen das System nutzen, desto mehr Daten fließen zurück darüber, wie die Parameter als Nächstes aussehen sollten. Das Unternehmen lizenziert dann die kontinuierlich aktualisierten Parameter, vernünftig bepreist, weil Monate oder Jahre sequenziellen Lernens nicht übersprungen werden können.

Beispiele für kopierbare Architektur und Lernen, das sich nicht kopieren lässt

Thalius veranschaulicht das Argument an drei Fällen. In jedem Fall ist die Architektur generisch und kopierbar, die Lernschleife nicht.

Legal Discovery

Eine Kanzlei baut ein System, das Verträge auf bestimmte Risiken prüft. Jeder könnte dasselbe System in einer Woche bauen. Nach der Verarbeitung von 50.000 Haftungsverträgen aus der Pharmabranche hat das System gelernt, welche Klauselmuster Streitigkeiten vorhersagen und welche Kombinationen von Bedingungen verborgene Risiken schaffen. Ein Wettbewerber kann die Software über Nacht kopieren. Das Urteilsvermögen aus 50.000 sequenziellen Prüfungen kann der Wettbewerber nicht kopieren.

Lieferkettenoptimierung

Ein Logistikunternehmen baut ein Routing-System auf Standardarchitektur. Nach zwei Jahren Betrieb in südostasiatischen Häfen hat das System die tatsächlichen Verzögerungsmuster gegenüber den offiziellen Fahrplänen gelernt, welche Zollagenten die Dinge beschleunigen und wie sich die Monsunzeit in der Praxis auf verschiedene Routen auswirkt. Ein Wettbewerber kann den Algorithmus an einem Wochenende kopieren. Zwei Jahre operative Intelligenz kann der Wettbewerber nicht kopieren.

E-Commerce-Kuratierung

Ein Händler baut eine Empfehlungsmaschine. Nach einem Jahr, in dem erfasst wurde, wie Menschen stöbern und was sie kaufen, einschließlich der Frage, welche Attribute Entscheidungen treiben und welche Kombinationen zu Retouren statt zu Zufriedenheit führen, lernt das System ein Geschmacksmodell, das Präferenzen besser vorhersagt als jede Umfrage. Der Empfehlungsalgorithmus ist Standardware. Der Geschmack nicht.

Was ist die 95/5-Regel?

Die 95/5-Regel ist die Aufteilung der Wissensarbeit nach Thalius: KI erledigt 95 % der Arbeit, und Menschen erledigen die restlichen 5 %. Die 95 % sind Volumen: erzeugen, verarbeiten, entwerfen und rechnen. Die 5 % sind Urteil: die richtige Frage wählen, die falsche Antwort erkennen und wissen, wann eine selbstsichere Ausgabe selbstsicher falsch ist. Thalius vergleicht die 5 % mit Lenkrad und Pedalen und die 95 % mit dem Motor. Ohne Richtung ist Kraft nur Lärm.

Thalius betrachtet Menschen als architektonische Anforderung an KI-Systeme, die in der Produktion funktionieren, und nicht als Zugeständnis, denn KI-Systeme sind auf bestimmte Weise strukturell kaputt. KI-Systeme halluzinieren, sie haben kein Urteil bei mehrdeutigen Fällen, und sie können nicht wissen, was sie nicht wissen. Skalierung ohne Urteil erzeugt Müll im großen Maßstab. Urteil ohne Skalierung erzeugt Einsichten zu langsam, um zu zählen. Die Kombination aus beidem ist, was funktioniert.

Warum behalten Menschen im KI-Zeitalter die Urteilsarbeit?

Thalius nennt eine rasche Aushöhlung der Mitte, nicht Massenarbeitslosigkeit, als das KI-Szenario, das Menschen erschrecken sollte. Menschen, die Struktur erkennen und KI steuern können, werden außerordentlich produktiv. Alle anderen werden billiger, und zwar schnell.

Die 95/5-Regel, bei der KI 95 % der Arbeit erledigt und Menschen die 5 % behalten, die Urteil sind, zählt aus drei Gründen. Die Regel ist gut für die Ergebnisse, weil menschliche Aufsicht sich aufschaukelnde Fehler abfängt. Die Regel ist gut für die Menschheit, weil Menschen sinnvolle Rollen behalten. Die Regel ist gut für die Einführung, weil Organisationen sich schneller bewegen, wenn das System ihre Leute mächtiger macht, nicht ersetzbarer.

Die Maschine macht die schwere Arbeit, und der Mensch gibt die entscheidende Führung. Zusammen sind Maschine und Mensch die Wissensmaschine.

Das Thalius-Playbook für Softwareunternehmen im KI-Zeitalter

Thalius verdichtet das Manifest auf diese Handlungsprinzipien.

• Alte Software-Burggräben sind tot. Gehen Sie davon aus, dass alles, was genug Signale über seine innere Mechanik aussendet, per Reverse Engineering nachgebaut und kopiert wird.
• Kennen Sie Ihre Flughöhe. Entscheiden Sie, ob Sie ein Orbit-Produkt oder ein Mond-Produkt bauen. Wenn Ihr Wert in der sichtbaren Schicht liegt, frisst Sie die Geschwindigkeit der Nachbildung. Bauen Sie dort, wo sich Komplexität potenziert.
• Hören Sie auf, Ihre Architektur zu schützen. Öffnen Sie sie, und lassen Sie sie zum Standard werden. Ihre Verteidigbarkeit kommt aus Ihrer Lernschleife, nicht aus Ihrem Design.
• Bauen Sie Wissensmaschinen, keine Produkte. Ein Produkt ist das, was Ihr System heute ausgibt. Der Wert ist die Auswahlfunktion, die es gewählt hat.
• Optimieren Sie auf sequenzielles Lernen. Alles, was Schritt N vor Schritt N+1 verlangt, ist verteidigbar. Alles, was sich überspringen lässt, ist es nicht.
• Hüten Sie Ihre Signale. Jede öffentliche Ausgabe verrät Informationen über Ihren inneren Zustand. Bauen Sie dort, wo die Lücke zwischen dem, was sichtbar ist, und dem, was wertvoll ist, am größten ist.
• Wenden Sie die 95/5-Regel an. Lassen Sie KI die Volumenarbeit machen, und behalten Sie Menschen bei der Urteilsarbeit. Die Kombination ist strukturell besser als jede Seite allein.

Wer wird die nächste Ära der Softwareunternehmen prägen?

Thalius vertritt die Auffassung, dass die Gründer, die die nächste Ära prägen, Wissensmaschinen bauen: Systeme, die lernen, was zu erschaffen ist, dieses Urteil mit jedem Zyklus verbessern und schneller zulegen, als irgendjemand kopieren kann. Der beste Code und die cleversten Funktionen werden nicht das sein, was diese Gründer auszeichnet.

Vor dreiundvierzig Jahren setzte ich mich an eine Tastatur und begann, Code zu schreiben, weil man so Dinge baute. Software zu produzieren ist jetzt kostenlos. Das ist beängstigend und wunderbar zugleich.

Die Architektur ist offen. Das Design ist bekannt. Unsere Aufgabe ist es zu wissen, wie man sie abstimmt.

Ein Mensch hat dieses Manifest so geschrieben, wie es beschreibt, und dabei zwei Frontier-KI-Modelle gesteuert: eines half beim Schreiben, eines kritisierte. Die 95/5-Regel in der Praxis, in einer kleinen Wissensfabrik.