Acht Wochen, neun Kapitel, viele Datenpunkte. Was bleibt am Ende der Serie hängen.
Erstens: es gibt nicht mehr ein einzelnes AI-Modell, das den anderen davonzieht. Die führenden vier Anbieter sind praktisch gleich gut, der Vorsprung der USA vor China ist auf knapp drei Prozent geschmolzen. Wer also lange darüber diskutiert, welches Modell man kauft, hat den falschen Punkt im Fokus. Die wichtigere Frage ist: wofür setze ich es ein, und wie verlässlich muss es dort sein.
Zweitens: AI ist überall, aber nicht überall gleich. 53 Prozent der Weltbevölkerung nutzen generative AI nach drei Jahren, das ist die schnellste Verbreitung, die wir je gesehen haben. Trotzdem haben in den meisten Unternehmen unter zehn Prozent der Funktionen einen echten AI-Agenten in Produktion. Junge Software-Entwickler in den USA verlieren ihre Jobs, ältere nicht. Schüler nutzen AI längst, Schulen meistens nicht. Die Welle ist riesig, aber sie trifft nicht alle gleich.
Drittens: die Werkzeuge zur Kontrolle hinken hinterher. Gemeldete Vorfälle sind innerhalb eines Jahres von 233 auf 362 gestiegen. Transparenz nimmt ab statt zu. Selbst die größten Modelle erfinden in vielen Fällen Fakten, ohne dass man es ihnen anmerkt. Bei AI-Medizingeräten, die in den USA zugelassen werden, liegt nur jedem vierzigsten eine richtige klinische Studie zugrunde. Wer 2026 AI in regulierte Prozesse einbaut, ohne ein Risiko-Verfahren mitzuführen, hat ein Problem, das er noch nicht sieht.
Was unter dem Strich übrig bleibt: AI ist im Alltag angekommen, aber die Praxis, sie verantwortlich einzusetzen, ist es noch nicht. Wer berät, baut oder führt, trägt 2026 mehr Verantwortung für das Wie als für das Ob.
Danke fürs Mitlesen. Wer den Report selbst lesen will: hai.stanford.edu
Zuerst erschienen auf LinkedIn.
Zurück: 50pt Gap zwischen Experten und Public bei Job-Impact Alle Teile der Serie