Michael Witzenleiter und Jean-Luc Winkler holen in Folge 110 einen Gast an Bord, der den KI-Diskurs konsequent erdet: Vivek Modi, VP Strategy bei Zeal Network. Die Episode ist als „Realitäts-Check“ angelegt – mit schnellen Thesen statt langer Theorie, inklusive Reibungspunkten wie Gartner-Hype, gescheiterte Piloten, Tokenbudgets und Jobangst. Ergebnis: ein praxisnahes Bild davon, warum KI gleichzeitig exponentiell wirkt und im Unternehmensalltag oft erstaunlich linear bleibt.
Vivek Modi: Warum KI nicht überschätzt, sondern beim Tempo unterschätzt wird
Vivek Modi widerspricht der gängigen Einordnung über den Gartner Hype Cycle: Nicht die Fähigkeiten der KI seien überschätzt – unterschätzt werde vor allem die Geschwindigkeit. Als Indikatoren nennt er milliardenschwere Infrastrukturinvestitionen, sprunghafte Modellfortschritte bei Reasoning und die Dynamik im Umfeld neuer Modell-Releases. Gleichzeitig entsteht eine „Split Reality“: vorn exponentielle Modell-Performance, hinten lineare Adoption im Betrieb. Vivek verweist dabei auf Zahlen, die regelmäßig in der Branche zirkulieren: Eine MIT-Studie, nach der 95% der KI-Projekte scheitern oder im Pilot stecken bleiben, sowie eine McKinsey-Einordnung, die von nur 1% erfolgreichen KI-Projekten spricht. Sein Punkt: Das Bottleneck sei meist nicht die Modellqualität, sondern ein Mix aus fehlendem Verständnis, mangelnder organisatorischer Adoption und fehlender Umsetzungs-Geschwindigkeit. Das führt zu einer Situation, in der Unternehmen „ein F1-Auto in der Garage“ haben – und damit nur „zum Bäcker um die Ecke“ fahren.
Vier Säulen für KI-Transformation – plus ein Streitpunkt, der plötzlich Budgetzeilen dominiert
Als Blaupause bringt Vivek ein Vier-Säulen-Modell mit: Foundation, Adoption, Application und Pace (Speed). „Foundation“ beschreibt die unsexy Pflichtarbeit – Data Governance, Datensicherheit, Datenqualität, klare Verantwortlichkeiten; ohne diese Wasserleitung keine Poolparty. Als Referenz nennt er Morgan Stanley: Durch früh implementierte Sicherheits- und Trust-Mechanismen (u.a. Zero-Data-Retention-Ansätze in der Zusammenarbeit) sei eine extrem hohe Nutzungsrate bei Financial Advisers möglich geworden – berichtet mit 98% Adoption. In „Adoption“ kritisiert er den typischen Reflex „Lizenzen kaufen und Magie erwarten“ und hält dagegen: KI sei Kultur-, Prozess- und Mindset-Wandel; als Beispiel nennt er Canva, wo 5.000 Mitarbeitende eine Woche lang den Fokus ausschließlich auf KI gelegt haben. Bei „Application“ strukturiert er in drei Einsatzpakete: persönliche Produktivität (Mail, Research, Präsentation), funktionale Use Cases (Marketing, Engineering, Support) und strategische Transformation (Geschäftsmodell). Konkrete Praxiszahlen liefert er aus dem Engineering-Kontext: Produktivität plus 11–15% in sechs Monaten – weit weg von Marketingversprechen wie „1000x“, aber messbar; im Marketing beschreibt er den Wechsel zu KI-generierten Assets mit deutlich schlankeren Inhouse-Teams, und im Support den Trend zur Automatisierung entlang des gesamten Prozesses. „Pace“ wird als entscheidender Hebel gerahmt: Klassische Jahresplanung und mehrstufige Vendor-Freigaben passen nicht zu einem Markt, in dem alle paar Wochen neue Fähigkeiten auftauchen – die Kernfrage wird damit organisatorisch: Wie schnell kann die Organisation reagieren, wenn nächsten Monat ein neues Modell erscheint?
Token Burn Rate als KPI – sinnvoll oder gefährliches Proxy-Signal?
Die These, Adoption über „Token Burn“ zu messen, wird als US-Trend eingeordnet: Bonus-Logiken, „Token Maxing“ und teils extreme Nutzungswerte. Vivek nennt das Beispiel, dass Top-Entwickler bei Anthropic in Wochen sechsstellige Token-Kosten verursachen können – „crazy“, aber in R&D-nahen Deep-Tech-Umfeldern nicht automatisch irrational. Für die meisten Unternehmen sei Token-Maxing jedoch keine gute Strategie: häufig gehe es eher um bewährte Muster als um ständig neue Experimente. Zahlen aus einer Ramp-Analyse ordnen das Feld: Top 10% der Firmen liegen bei über 600 US-Dollar pro Monat und Mitarbeitendem, Top 1% bei über 7.400 US-Dollar – jeweils pro Mitarbeitendem, nicht nur pro Entwickler.
Tokenbudgets nach Rollen statt Gießkanne – Benchmarks aus der Praxis
Statt pauschaler Limits plädiert Vivek für rollenbasierte Budgets: Generalisten, Semi-Tech, Tech – mit klarer Erwartung, dass KI nicht nur im Chatfenster stattfindet, sondern entlang des gesamten Office-Workflows integriert wird. Als Größenordnung nennt er mindestens 200 pro Monat und Mitarbeitendem in seinem Kontext; Entwicklerbudgets lägen dreistellig, je nach Bedarf. Als zusätzlicher Benchmark fällt Uber: rund 1.500 pro Entwickler als Budgetrahmen. Pointiert wird es beim Recruiting: Tokenbudgets als Signal in Stellenanzeigen – wer kein Budget gibt, werde mittelfristig schwerer Top-Leute gewinnen.
Nimmt KI Jobs weg? Netto-Beschäftigungseffekt und Jevons Paradox
Zur Jobangst bleibt Vivek optimistisch – bei klarer Anerkennung, dass sich Jobprofile verändern und individuelle „USPs“ verschwinden können. Als Referenz nennt er eine Analyse von Exponential View: Unternehmen, die Automatisierung vorangetrieben haben, hätten zwischen 2000 und 2015 rund 37% mehr Mitarbeitende eingestellt als vergleichbare Unternehmen ohne diesen Fokus. Als Erklärung bringt er Jevons Paradox: Effizienz senkt Stückkosten, erhöht aber Nutzung – und führt am Ende zu mehr Gesamtaktivität statt weniger. Eine zweite Zahl liefert erneut Ramp: Unternehmen mit stärkerer KI-Adoption hätten 12% mehr Mitarbeitende eingestellt als solche ohne entsprechende Adoption.
🎙️ Folge in kompletter Länge anhören
Sponsor der Folge: pagent.ai
Wir reden hier jede Woche darüber, was KI alles kann – Pagent zeigt, wie das im Marketing konkret aussieht: Die Plattform analysiert eure Website, entwickelt eigenständig Testideen, baut die Varianten mit Texten, Bildern und Layouts, führt die A/B-Tests durch und wertet sie aus. Ihr gebt nur noch per Mail eure Freigabe. Das Ergebnis: im Schnitt 15 % mehr Conversions innerhalb von 30 Tagen – Kunden wie Pixum haben so ihre Order-Conversion um 16 % gesteigert. Die Integration? Ein einziger Script-Tag. Wenn ihr also Website-Traffic habt, aber euer Testing-Programm nicht hinterherkommt: Schaut euch Pagent.ai an – das ist Conversion-Optimierung auf Autopilot
weiterführende Links
- KI-Transformation & die Zukunft der Arbeit
- Die gespaltene Realität der KI: Warum die Zukunft nicht für alle gleichzeitig ankommt
https://www.linkedin.com/pulse/split-reality-ai-vivek-modi-56hdf
- Moonshots, Kimi K3 & das neue KI-Rennen: Was die nächste Welle der künstlichen Intelligenz bedeutet
- KI-Adoption und Arbeitsplätze: Warum Unternehmen mit hoher KI-Nutzung mehr einstellen
https://ramp.com/data/heavy-ai-adopters-hire-more
- Vivek Modi — LinkedIn-Profil: