Gehört die Zukunft den kleinen Teams? Was die KI-Evidenz wirklich zeigt

„In Zeiten von KI gehört die Zukunft den kleinen Teams.“ Der Satz ist auf dem besten Weg, von einer steilen These zur unhinterfragten Gewissheit zu werden. Die Logik dahinter ist verführerisch: Wenn ein Werkzeug die Arbeit von zehn Spezialisten übernimmt, braucht es den Apparat nicht mehr, der diese Spezialisten früher koordiniert hat. Das kleine, schnelle Team schlägt den schwerfälligen Konzern. Fünf Leute mit den richtigen Modellen erledigen, wofür gestern eine Abteilung nötig war.

Es ist eine schöne Geschichte. Sie ist nur nicht das, was die Daten zeigen, und noch weniger das, was sie eindeutig zeigen.

Die ehrliche Antwort ist unbequemer und für Entscheider deutlich nützlicher: Ob klein gewinnt, hängt vom Kontext ab, und die Bedingungen dafür sind präziser, als der Linked-Konsens vermuten lässt. An mehreren Stellen ist die Antwort sogar „wir wissen es noch nicht.“ Wer die falsche Lehre aus der richtigen Beobachtung zieht, baut seine Organisation auf einer Ausnahme auf und behandelt sie wie eine Regel. Dieser Text nimmt die These ernst, weil an ihr etwas dran ist, und zerlegt sie in ihre Teile, weil genau das über die richtige Entscheidung bestimmt.

Was die deutsche Evidenz sofort kompliziert

Wäre die These allgemein wahr, müssten kleine Unternehmen KI breiter und tiefer nutzen als große. Das Gegenteil ist der Fall. In Deutschland setzen große Unternehmen KI über mehr Funktionen hinweg ein. Im Kundenservice etwa nutzen 43,9 % der großen KI-Anwender die Technologie, gegenüber 36,4 % der kleinen Anwender^[1]. Dasselbe Muster zeigt sich quer durch Marketing, Vertrieb und Management: Wer mehr Ressourcen, mehr Daten und mehr Prozesse hat, findet mehr Stellen, an denen KI überhaupt wirkt. Größe ist nicht das Hindernis für KI-Nutzung, sie ist häufig die Voraussetzung dafür, sie in der Breite auszurollen.

Die Ausgangslage ist ohnehin nüchterner, als die Debatte suggeriert. Nur rund 22,5 % der deutschen Unternehmen bezeichnen sich als etablierte KI-Nutzer^[2]. KI ist noch keine flächendeckende Realität, sondern eine ungleich verteilte Fähigkeit, und Fähigkeiten sind teuer zu erwerben. Die große Mehrheit steht am Anfang oder außerhalb, und das gilt für kleine wie große Häuser, nur eben nicht gleich.

Auf gesamtwirtschaftlicher Ebene sind die erwarteten Produktivitätsgewinne real, aber ungleichmäßig verteilt und stark von der Umsetzungskompetenz abhängig^[3]. Ein IW-Gutachten macht denselben Vorbehalt explizit: Ob aus der technischen Möglichkeit ein makroökonomischer Effekt wird, entscheidet sich nicht am Modell, sondern an der Fähigkeit der Organisationen, es einzubetten^[4]. Das ist der erste Riss in der These. Sie unterstellt, KI sei ein universeller Gleichmacher. Die deutschen Zahlen zeigen einen Verstärker, der dort am stärksten wirkt, wo schon Fähigkeit vorhanden ist.

Das entwertet die These nicht. Es verschiebt die Frage: Nicht „gewinnen kleine Teams?", sondern „unter welchen Bedingungen gewinnen sie, und wann gewinnen weiterhin die Großen?"

Der Produktivitätsmythos: Inhalte gewinnen, Entscheidungen verlieren

Der wichtigste Befund der aktuellen Forschung ist der, der in der These fehlt: Der KI-Effekt ist nicht gleichmäßig, sondern hängt von der Art der Aufgabe ab. Die These behandelt „Produktivität" als eine Größe. Die Evidenz behandelt sie als mindestens zwei.

Eine systematische Meta-Analyse über zahlreiche Experimente kommt zu einem ernüchternden Ergebnis: Kombinationen aus Mensch und KI schneiden im Schnitt schlechter ab als das jeweils Bessere von beiden allein. Verluste zeigen sich vor allem bei Entscheidungsaufgaben, Gewinne dagegen bei der Erstellung von Inhalten^[5]. Das ist keine Fußnote, sondern der Kern. Genau dort, wo kleine Teams am sichtbarsten profitieren, beim Schreiben, Entwerfen, Erstellen, ist der Effekt am größten. Und genau dort, wo Skalierung schwierig wird, bei komplexen, koordinierten Entscheidungen, kippt der Effekt ins Negative. Ein Mensch mit KI trifft im Mittel nicht die besseren Entscheidungen, sondern oft die schlechteren, als hätte man den kompetenteren der beiden allein arbeiten lassen.

Auch die viel zitierten Produktivitätszahlen sind vorsichtiger zu lesen, als sie wiedergegeben werden. Schätzungen liegen in der Größenordnung von rund 14,5 % für ChatGPT-gestützte Aufgaben und etwa 17,3 % für andere Werkzeuge, aber mit breiten Standardfehlern und vielen Vorbehalten^[6]. „KI macht 15 % produktiver" ist deshalb keine Naturkonstante, sondern ein Mittelwert mit großer Streuung, der je nach Aufgabe, Kontext und Kompetenz massiv nach oben oder unten abweicht. Ein breiter Standardfehler bedeutet konkret: Für manche Aufgaben und manche Teams ist der Effekt groß, für andere verschwindet er, für wieder andere ist er negativ. Wer eine Strategie auf den Mittelwert baut, baut sie auf einer Zahl, die für sein konkretes Team womöglich gar nicht gilt.

Hinzu kommt, dass KI nicht nur die Aufgabe verändert, sondern die Bedingungen, unter denen ein Team arbeitet. Generative KI verschiebt, wie Teams sich bilden, wie sie Wissen teilen und wie viel Erfahrung sie noch selbst aufbauen, mit offenen Langzeitfolgen für Kompetenz und Vertrauen^[7]. Ein Produktivitätsgewinn heute kann ein Kompetenzverlust morgen sein, wenn das Team verlernt, das zu tun, was die KI übernimmt.

Die faire Lesart lautet also: KI ist ein starker Hebel für inhaltsgetriebene Wissensarbeit mit geringem Kapitalbedarf. Das ist ein echter Vorteil, aber ein schmaler. Er trägt eine Content-Boutique, eine Design-Einheit, ein Entwicklerteam. Er trägt nicht automatisch ein Unternehmen, das Kapital, Daten und regulierte Entscheidungen koordinieren muss, und schon gar nicht die Entscheidungen selbst.

Kapital, Daten und Marktzugang: warum „klein + KI" selten reicht

Die These unterschätzt systematisch, was Größe eigentlich leistet. Skalenvorteile sind nicht nur Kostenvorteile. Sie sind Zugang zu Daten, zu Kapital, zu regulatorischer Belastbarkeit und zu Marktmacht, und keiner dieser Vorteile verschwindet, weil ein Modell besser Texte schreibt.

Beginnen wir beim Kapital und der Zeit. Der Weg vom kleinen Team zum tragfähigen Geschäft ist lang. Deutsche KI-Startups brauchen im Median mehr als vier Jahre bis zum Umsatz, und Beschäftigungswachstum korreliert mit technologischer Breite, nicht mit Schlankheit^[8]. Das ist ein doppelt unbequemer Befund für die These. Erstens: Vier Jahre ohne nennenswerten Umsatz überlebt nur, wer Kapital hat oder Kapital einwirbt, also gerade nicht der Vorteil des schlanken Bootstrap-Teams. Zweitens: Wer wächst, tut das, indem er Fähigkeiten und Technologien hinzufügt, nicht indem er klein bleibt. Breite, nicht Schmalheit, ist mit Wachstum verbunden.

Dann die Daten. Moderne Modelle wirken am stärksten dort, wo bereits saubere, umfangreiche Daten und klare Prozesse vorliegen. Genau das besitzen große Organisationen und kleine oft nicht: Datenberge aus Jahren des Betriebs, installierte Nutzerbasen, saubere Pipelines. In datenintensiven Branchen ist der Datenbestand selbst der Burggraben, und KI vertieft ihn eher, als ihn einzuebnen. Ein kleines Team mit demselben Modell, aber ohne die Daten, trifft auf einen Wettbewerber, der dieselbe KI plus den Datenvorsprung hat.

Bei produzierenden KMU zeigt sich das besonders deutlich. KI-basierte Geschäftsmodelle sind dort noch klar durch Datenverfügbarkeit, Integrationsaufwand und Kompetenz begrenzt^[9]. Die Technologie ist selten das Problem; die Voraussetzungen sind es, die man sich nicht herunterladen kann. Und die Produktivität von KMU insgesamt hängt an strukturellen Faktoren, die KI allein nicht löst, von Kapitalausstattung über Prozessreife bis zur Marktstellung^[10].

Der Ausweg der These lautet oft: Plattformen. Kleine Teams leihen sich Infrastruktur, Rechenleistung und Marktzugang von Cloud- und App-Plattformen, statt beides selbst aufzubauen. Das ist real und funktioniert, aber es ist kein Sieg der Kleinen über die Großen, sondern eine Abhängigkeit von den ganz Großen. Wer auf fremder Infrastruktur baut, tauscht Kapitalbedarf gegen Plattformrisiko: Preise, Konditionen und Zugänge liegen bei jemand anderem. „Klein + KI" heißt dann meist „klein + KI + Abhängigkeit von einer Handvoll Plattformen", und das ist eine andere These als die vom autonomen kleinen Team.

Talent und Kompetenz als eigentlicher Engpass

Wenn ein einziger Faktor über Erfolg oder Misserfolg mit KI entscheidet, dann ist es selten das Werkzeug. Es ist das Personal, das es bedient.

KI-Kompetenz und Fachkräfte für die Umsetzung bleiben ein knapper Flaschenhals, gerade im Mittelstand^[11]. Das ist die stille Ironie der Debatte: KI wird als Lösung für den Fachkräftemangel verkauft, während der Fachkräftemangel zugleich die größte Hürde für den sinnvollen KI-Einsatz ist. Ein Werkzeug, das man nicht kompetent bedienen kann, produziert Aktivität, keinen Vorteil. Es erzeugt Output, der teuer aussieht und selten stimmt.

Dieser Engpass trifft kleine Teams härter, nicht weicher. Ein Konzern kann sich ein Kompetenzzentrum, dedizierte Data Scientists und eine Weiterbildungsstruktur leisten. Ein Fünf-Personen-Team kann das nicht; es lebt davon, dass zufällig die richtigen Menschen an Bord sind. Wo diese Menschen fehlen, wird die schlanke Struktur nicht zur Stärke, sondern zur unterbesetzten Flanke. Das bestätigt sich in der Breite der KMU: KI-basierte Geschäftsmodelle scheitern seltener an der Technik als an fehlender Integrations- und Umsetzungskompetenz^[9].

Ein beliebtes Gegenargument lautet: No-Code und natürliche Sprache machen Kompetenz überflüssig. Wer sprechen kann, kann eine KI bedienen. Das stimmt für die Oberfläche und täuscht über den Kern hinweg. No-Code senkt die Hürde, den ersten Prototyp zu bauen. Es senkt nicht die Hürde, zu beurteilen, ob das Ergebnis stimmt, ob die Daten belastbar sind, ob der Prozess reguliert ist, ob das Modell im Grenzfall Unsinn produziert. Genau dieses Urteil ist die eigentliche Fachkraft, und sie wird durch niedrigschwellige Werkzeuge nicht ersetzt, sondern wichtiger. Auch der Weg deutscher KI-Startups belegt das: Wachstum kommt mit technologischer Breite und den dafür nötigen Menschen, nicht mit dem bloßen Zugang zu Tools^[8]. Kompetenz ist kein Startvorteil, den KI erledigt. Sie ist der Engpass, der bleibt.

Regulation, Sicherheit und Compliance

Es gibt einen Bereich, in dem die These fast vollständig kippt: dort, wo Entscheidungen reguliert, sicherheitskritisch oder haftungsbewehrt sind.

Im Gesundheitswesen, in der Finanzbranche und bei kritischer Infrastruktur ist nicht die Erstellung eines Inhalts das Problem, sondern die Verantwortung für eine Entscheidung. Genau hier zeigt die Evidenz die größte Schwäche der Mensch-KI-Kombination: bei Entscheidungsaufgaben liegt sie im Schnitt hinter der besten Einzelleistung^[5]. In einem regulierten Umfeld ist ein „im Schnitt etwas schlechter" kein akademisches Detail, sondern ein Haftungs- und Zulassungsrisiko.

Compliance wirkt zudem als Kostenasymmetrie zugunsten der Großen. Datenschutz, Dokumentationspflichten, Audits und die Anforderungen des sich formierenden KI-Regulierungsrahmens verursachen weitgehend fixe Kosten. Ein Konzern verteilt diese Kosten über Millionen Transaktionen; ein kleines Team trägt fast dieselbe absolute Last auf einer winzigen Basis. DSGVO-Konformität, ein sauberes Verzeichnis von Verarbeitungstätigkeiten oder eine Datenschutz-Folgenabschätzung kosten das kleine Team relativ ein Vielfaches. Regulierung ist damit einer der wenigen Bereiche, in denen Größe nicht nur nützt, sondern strukturell schützt.

Sicherheit kommt hinzu. Modelle, die auf sensiblen Daten arbeiten, eröffnen neue Angriffsflächen: Prompt-Injection, Datenabfluss über Drittdienste, unklare Verantwortlichkeiten in Plattform-Ketten. Ein kleines Team, das auf fremder Infrastruktur baut, hat oft weder die Verträge noch die Kontrolle, um diese Risiken so zu beherrschen, wie es eine regulierte Branche verlangt. Und der Arbeitsmarkt- und Regulierungskontext, in dem all das stattfindet, ist selbst in Bewegung, mit noch offenen Wirkungen auf Beschäftigung und Qualifikation^[2]. Wo Regulierung dicht ist, ist „klein und schnell" selten der Gewinner. Dort gewinnt, wer die Last tragen kann.

Koordination und Teamgröße: was KI nicht automatisch löst

Die These enthält eine unausgesprochene Annahme: dass Teamgröße vor allem ein Koordinationsproblem sei, das KI wegautomatisiert. Weniger Menschen, weniger Abstimmung, mehr Tempo. Die Evidenz stützt diese Gleichung nicht sauber.

Schon der grundlegende Zusammenhang von Teamgröße und Leistung bei komplexen Aufgaben ist empirisch unklar. Eine experimentelle Studie findet keinen einfachen „kleiner ist besser"-Effekt; die Wirkung der Größe hängt von der Aufgabe und ihrer Struktur ab^[12]. Wer behauptet, kleinere Teams seien pauschal leistungsfähiger, beruft sich also auf eine Intuition, die die Forschung so nicht bestätigt. Mal hilft ein kleines Team, mal fehlt ihm schlicht die Kapazität, ein komplexes Problem in vertretbarer Zeit zu lösen.

KI ändert diese Rechnung, aber nicht in eine Richtung. Sie verändert, wie Teams sich bilden, wie sie kommunizieren und welche Rollen sie überhaupt brauchen, mit Effekten, die kurzfristig nach Produktivität aussehen und langfristig Kompetenz und Vertrauen berühren können^[7]. Ein Team kann mit KI kleiner sein und dennoch mehr koordinieren müssen, weil es nun Menschen und Agenten orchestriert, Ergebnisse prüft und Fehler auffängt, die die Automatisierung eingebracht hat.

Und die Skalierung selbst bleibt menschlich. Wenn aus dem Prototyp ein Produkt, aus dem Produkt ein Betrieb wird, entstehen genau die Aufgaben, bei denen die Mensch-KI-Kombination schwächelt: koordinierte Entscheidungen unter Unsicherheit, mit Verantwortung und Konsequenz^[5]. Das Wachstum, das die These verspricht, führt also in genau das Terrain, in dem ihr Werkzeug am unzuverlässigsten ist. Klein bleibt selten eine Wahl; es wird zur Grenze, sobald Erfolg kommt.

Was die Evidenzbasis nicht hergibt

An dieser Stelle ist intellektuelle Ehrlichkeit wichtiger als eine starke Pointe. Vieles, was oben steht, ist die beste verfügbare Evidenz, und die beste verfügbare Evidenz ist an mehreren Stellen dünn.

Erstens Selektion. Viele Befunde zur KI-Nutzung stammen von Unternehmen, die KI bereits einsetzen, oder von Startups, die überlebt haben. Die Gescheiterten und die Nicht-Nutzer fehlen. Das verzerrt fast jeden Vergleich nach oben und macht es schwer, aus „erfolgreiche kleine Teams nutzen KI" zu schließen, dass „KI kleine Teams erfolgreich macht".

Zweitens Messung. Produktivität in Experimenten ist nicht Produktivität im Betrieb. Die verfügbaren Schätzungen tragen breite Standardfehler und viele Vorbehalte, und sie messen oft eng umrissene Aufgaben unter Laborbedingungen, nicht das messy Ganze eines Unternehmens^[6]. Ein sauber gemessener Effekt in einer Schreibaufgabe sagt wenig über die Quartalszahlen eines Betriebs.

Drittens Zeit. Es fehlen belastbare Langzeitdaten. Ob die heutigen Gewinne bei inhaltsgetriebener Arbeit Bestand haben oder durch Kompetenzverlust, Sättigung und veränderte Teamdynamik teilweise wieder aufgezehrt werden, ist offen^[7]. Wir beobachten den Anfang einer Kurve und behandeln ihn wie ihr Ende.

Viertens Kausalität. Selbst dort, wo Zusammenhänge robust wirken, ist die Richtung oft unklar. Der Befund, dass die Mensch-KI-Kombination bei Entscheidungen im Schnitt schlechter abschneidet, ist stark, aber er sagt nicht, dass jede Kombination scheitert, sondern dass das Design entscheidet^[5]. Und dass die Wirkung der Teamgröße empirisch unklar bleibt, heißt nicht „egal", sondern „wir wissen es noch nicht"^[12].

Die redliche Konsequenz: An mehreren Punkten dieser Debatte lautet die richtige Antwort nicht „ja" oder „nein", sondern „die Evidenz reicht nicht". Wer das verschweigt, verkauft Meinung als Befund.

Wann die These teilweise gilt, wann nicht

Die produktive Frage ist nicht, ob kleine Teams die Zukunft sind, sondern wann klein der richtige Zuschnitt ist. Aus der Evidenz lässt sich eine brauchbare Checkliste ableiten. Klein gewinnt, wenn mehrere dieser Bedingungen zugleich zutreffen:

• Wissensintensiv und kapitalarm. Der Wert entsteht aus Können und Output, nicht aus Anlagen, Lagerbeständen oder Datenmengen. Content-, Design-, Beratungs- und Software-nahe Arbeit passt hier hinein.
• Inhaltsgetrieben, nicht entscheidungslastig. Der Kern der Arbeit ist Erstellen, nicht das Verantworten koordinierter Entscheidungen unter Haftung.
• Nische, in der Tempo Größe schlägt. Der Markt belohnt Domänentiefe und schnelle Iteration mehr als Reichweite, Kapital oder Datenbestand.
• Zugang zu knappem KI-Talent. Das Team hat Menschen, die die Werkzeuge tatsächlich beherrschen, statt sie nur zu lizenzieren.
• Gering reguliert. Es geht nicht um Gesundheit, Finanzen oder kritische Infrastruktur, wo Compliance-Fixkosten die Großen bevorteilen.

Fehlt eine dieser Bedingungen, kehrt sich das Bild um. Ohne knappes Talent wird das Werkzeug zur teuren Lizenz^[11]. Ohne Nische trifft man auf Wettbewerber, die dieselbe KI plus mehr Kapital und mehr Daten haben^[8]. In stark regulierten Feldern schützt Größe strukturell. Und selbst wenn alle Bedingungen erfüllt sind, bleibt ein ehrlicher Vorbehalt: Es fehlt die Langzeit-Evidenz, um aus „kann gewinnen" ein „gewinnt dauerhaft" zu machen^[6]. Die These ist also kein Naturgesetz, sondern ein Sonderfall mit klaren Vorbedingungen und einem offenen Zeithorizont.

Was Entscheider daraus machen sollten

Der ehrlichste Schluss ist kein Schulterzucken. Die Zukunft gehört nicht kategorisch den kleinen Teams, sondern einem heterogenen Mix: großen Plattformen, mittelgroßen Spezialisten und kleinen Nischenakteuren, jeweils dort, wo ihr struktureller Zuschnitt zur Aufgabe passt. Für konkrete Entscheidungen folgt daraus mehreres.

Erstens: Behandeln Sie „klein" als Wette auf einen Kontext, nicht als Strategie an sich. Prüfen Sie Ihr Vorhaben gegen die Checkliste oben, bevor Sie Personalstärke zur Tugend erklären. Passt der Kontext nicht, ist ein schlankes Team keine Stärke, sondern eine unterbesetzte Flanke.

Zweitens: Setzen Sie KI zuerst dort ein, wo die Evidenz sie trägt, in der inhaltsgetriebenen Arbeit, und behandeln Sie komplexe, koordinierte Entscheidungen mit Vorsicht. Wo Mensch und KI schlecht ineinandergreifen, kostet naive Automatisierung im Schnitt Qualität^[5]. Bauen Sie die Freigaben dort ein, wo Verantwortung liegt, nicht dort, wo es bequem ist.

Drittens: Investieren Sie in Kompetenz vor Werkzeugen. Der Engpass im Mittelstand ist Talent, nicht Software^[11]. Ein Team, das seine Werkzeuge wirklich beherrscht, schlägt ein größeres, das sie nur besitzt, und das ist der wahre Kern der These. Nicht die Betriebsgröße gewinnt, sondern der Fokus.

Viertens: Nehmen Sie Ihre Daten, Ihre Regulierung und Ihre Kapitalbasis ernst, bevor Sie auf „klein" setzen. Wo Daten der Burggraben, Compliance die Hürde und Kapital die Voraussetzung sind, verstärkt KI die Vorteile der Großen, statt sie einzuebnen^[1]. Auch die makroökonomische Evidenz sagt: Der Gewinn hängt an der Umsetzung, nicht am Werkzeug^[4].

Fünftens: Messen Sie ehrlich und rechnen Sie mit Streuung. Der 15-Prozent-Schub ist ein Mittelwert mit breiten Fehlern, kein Versprechen^[6]. Führen Sie eigene, kleine Messungen durch, bevor Sie eine Zahl aus einer Studie zur Grundlage einer Personalentscheidung machen. Und akzeptieren Sie, wo die Evidenz schweigt: Vieles an dieser Debatte ist noch nicht entschieden^[12].

Die richtige Lehre lautet deshalb nicht „werde klein", sondern „werde fokussiert und ehrlich über deinen Kontext". Das ist die Entscheidung, die morgen einen Unterschied macht, unabhängig davon, wie viele Menschen an Ihrem Tisch sitzen.