Agents Over Bubbles
Aktualisiert 2026-04-07
Ben Thompson argumentiert hier, dass wir bei KI-Agenten nicht nur ein Hype-Phänomen sehen, sondern eine echte Verschiebung der Nachfrage nach Compute, Software und Unternehmenseinsatz.
Die wichtige Verschiebung
Der Text macht drei Paradigmen sichtbar:
- ChatGPT machte LLMs alltagstauglich.
- Reasoning-Modelle machten sie zuverlässiger.
- Agenten machen sie handlungsfähig.
Der entscheidende Punkt ist nicht nur das Modell, sondern der Harness: die Software, die das Modell steuert, verifiziert und mit Tools koppelt. Genau dort entsteht Differenzierung.
Warum das wirtschaftlich zählt
Agenten erhöhen nicht nur die Modellnutzung, sondern die Dauer und Tiefe der Arbeit. Ein Agent kann mehrere Modellaufrufe machen, Tools benutzen, Ergebnisse prüfen und iterieren. Dadurch steigt Compute-Bedarf nicht linear, sondern strukturell.
Das erklärt auch, warum sich der Nutzen zunehmend in Unternehmenskontexten zeigt: Dort ist Produktivität direkt monetarisierbar, und Koordination ist teuer genug, dass ein guter Agent echte Hebel erzeugt.
Die stärkste These
Der Text ist im Kern ein Plädoyer gegen die einfache Commodity-Erzählung. Nicht jedes LLM wird ein austauschbares Rohmaterial sein, wenn das eigentliche Produkt aus Modell plus Harness besteht.
Verbindungen
- Anthropic — profitiert besonders, wenn Integrationsqualität zählt
- OpenAI — ähnliches Muster, aber anderer Agenten- und Produktzugang
- Claude Code — Beispiel für ein funktionierendes Harness
- Vibe Coding — Agenten verschieben Programmieren in Richtung Intentionssteuerung
- AI Evals — sobald Agenten Handlungen ausführen, werden Prüfmechanismen wichtiger