Sechs Monate sind das neue Modelljahr

1. Der iPhone-Moment der Künstlichen Intelligenz

Künstliche Intelligenz ist nicht im November 2022 entstanden. Sie hat vorher Schach gespielt, medizinische Bilder analysiert, Sprache übersetzt, Produktionsprozesse optimiert, Autos fahren lassen und 2011 mit Watson eine der großen Fernsehikonen der Wissenskultur besiegt. ChatGPT war deshalb nicht der Ursprung der KI, an KI wird seit den 60er Jahren geforscht:

Der Einschnitt lag woanders: Eine lange technische Entwicklung wurde für nahezu alle Menschen unmittelbar benutzbar, mit breiten Anwendungen und zu geringen Kosten. Ein Textfenster, eine einfache Frage, eine Antwort, die nicht wie eine Trefferliste wirkt, sondern wie ein Gegenüber. Das war der iPhone-Moment der KI.

Damit hat sich die Beziehung zwischen Mensch und Wissen verändert. Google liefert Fundstellen aus dem Bestand des bereits Vorhandenen. Generative KI erzeugt eine individualisierte Antwort für eine ganz konkrete Situation, einen konkreten Nutzer, eine konkrete Frage. Aus Recherche wird Dialog; aus Informationsmenge wird Entscheidungsvorlage; aus Vorbereitung wird iteratives Denken mit einem Partner, der weit größere Hintergrundinformationen instantan in den Prozess einbringen kann als das auch dem begabtesten Menschen möglich wäre. Wissen wird nicht nur gefunden, sondern in Echtzeit erzeugt, verdichtet, variiert und auf Handlungsfähigkeit hin organisiert.

Genau deshalb steht KI im Zentrum der vierten industriellen Revolution. Die erste mechanisierte Arbeit mit Dampfmaschinen, die zweite skalierte Produktion durch Elektrifizierung und Fließband, die dritte digitalisierte Information. Die vierte macht technische Systeme intelligent. Sie können wahrnehmen, klassifizieren, generieren, entscheiden, handeln und aus Rückkopplung lernen.

Damit betrifft KI nicht nur Kommunikation oder Verwaltung, sondern den industriellen Kern: Maschinen, Fahrzeuge, Netze, Energie, Logistik, Medizin, Sicherheit und Produktion. Auch das Auto wird nicht mehr nur ein physisches Produkt mit Software, sondern ein intelligentes technisches System.

2. Wenn Technologie schneller lernt als Organisationen entscheiden

Die zentrale Herausforderung liegt nicht allein in der Leistungsfähigkeit der Modelle. Sie liegt im Takt ihrer Entwicklung. Für KI gilt keine stabile Modelljahreslogik, wie sie die Industrie aus Hardware, Maschinenbau oder Fahrzeugplattformen kennt. Unterschiedliche Messgrößen zeigen in dieselbe Richtung: Fähigkeiten, Rechenleistung, Modellqualität, Tool-Integration und Agentenfähigkeit verändern sich in Zyklen von Monaten, nicht von Jahren. Als robuste Faustregel kann man von sechs bis sieben Monaten sprechen – nicht als Naturgesetz, aber als hinreichend ernste Managementannahme, die inzwischen von einer Vielzahl von Untersuchungen belegt wird.

Für eine Automobilregion ist dieser Gedanke unmittelbar übersetzbar. Wenn ein Verbrennerfahrzeug über viele Jahrzehnte etwa alle sechs Jahre eine neue Generation erhielt, entspricht eine KI-Generation von sechs Monaten ungefähr dem zwölfmal höheren Takt. Ein KI-Agent, der heute entwickelt und zwei Jahre später unverändert produktiv eingesetzt wird, gleicht im Automobilvergleich einem rund 24 Jahre alten Fahrzeug. Das freut vielleicht Liebhaber historischer Fahrzeuge, und man kann ihn noch fahren. Aber niemand würde ernsthaft behaupten, er repräsentiere den Stand der Technik.

Damit verschiebt sich die entscheidende Frage. Sie lautet nicht mehr: Was kann KI heute? Entscheidend ist, ob Unternehmen, Verwaltungen und Standorte verstehen, in welche Richtung sich KI entwickelt – und ob ihre Entscheidungs-, Beschaffungs-, Governance- und Qualifizierungsprozesse mit diesem Entwicklungspfad Schritt halten können.

Wer sechs Monate an einer KI-Richtlinie arbeitet, weitere Monate ein Tool auswählt und im Rollout feststellt, dass Kostenmodell, Architektur und Leistungsfähigkeit inzwischen anders aussehen, hat nicht schlecht gearbeitet. Er hat mit einer Prozesslogik gearbeitet, die für diese Technologie nicht gebaut wurde. Agilität wird damit zur Fähigkeit, Verantwortung unter permanenter technologischer Bewegung zu organisieren.

Agilität ist dabei kein modisches Organisationswort, sondern hatte ursprünglich einen sehr konkreten technischen Anlass. Im Software Engineering der 1990er-Jahre wurde zunehmend offensichtlich, dass klassische Lastenheftlogiken an ihre Grenzen geraten: Sobald eine Software nach langen Spezifikations-, Entwicklungs- und Freigabezyklen fertiggestellt war, hatten sich Anforderungen, Nutzererwartungen und technische Möglichkeiten bereits weiterbewegt. Das Agile Manifesto war die Antwort auf diese Erfahrung – nicht als Einladung zur Beliebigkeit, sondern als Versuch, Verantwortung, Qualität und Anpassungsfähigkeit unter Unsicherheit neu zu verbinden.

Lange ließ sich dieses Prinzip in Unternehmen punktuell übernehmen, ohne die grundlegenden Governance-Strukturen infrage zu stellen. Genau das verändert sich jetzt. Wenn sich zentrale technologische Fähigkeiten in Halbjahreszyklen verschieben, geraten mehrjährige Strategie-, Budget-, Beschaffungs- und Freigabeprozesse selbst unter Begründungsdruck. Agilität ist dann nicht mehr die Methode einzelner Projektteams, sondern eine Frage des institutionellen Designs.

3. Das Innovator’s Dilemma trifft die Starken zuerst

Traditionelle Industrieunternehmen sind nicht zufällig erfolgreich geworden. Sie wurden erfolgreich, weil sie Exzellenz in Präzision, Skalierung, Qualität, Risikobeherrschung, Lieferketten und industrieller Disziplin aufgebaut haben. Gerade deutsche Automobilstandorte wie Volkswagen verkörpern diese Fähigkeiten in besonderer Weise. Ihre Stärke bestand darin, komplexe physische Produkte über lange Zeiträume zuverlässig, sicher und mit hoher Fertigungstiefe zu entwickeln. Diese Fähigkeiten sind kein Relikt der Vergangenheit, sondern ein industrielles Vermögen. Verwundbar werden sie erst dann, wenn sie in einer technologisch veränderten Welt nicht schnell genug neu kombiniert werden.

Genau hier liegt die Verwundbarkeit und die eigentliche Schärfe, die Clayton Christensen exzellent als Innovator’s Dilemma beschrieben hat. Es trifft nicht die Schwachen zuerst, sondern oft die Starken. Erfolgreiche Unternehmen tun, was rational erscheint. Sie verbessern das bestehende Geschäft, hören auf ihre Kunden, schützen Margen, vermeiden unnötige Risiken und investieren dort, wo heute Ertrag entsteht. Genau dadurch fällt es ihnen besonders schwer, eine neue Technologie ernst zu nehmen, die zunächst kleiner, unsicherer oder weniger profitabel wirkt – aber später die Spielregeln des Marktes verändert. Wer vorne liegt, hat am meisten zu verlieren und deshalb oft die größten Beharrungskräfte.

KI macht dieses Dilemma noch grundsätzlicher, weil sie nicht nur ein neues Produkt hervorbringt, sondern Entwicklung, Produktion, Kundenerwartungen, Wertschöpfung und Geschäftsmodelle gleichzeitig verschiebt.

In der Automobilindustrie ist diese Verschiebung in Deutschland extrem sichtbar. Der Wettbewerb läuft nicht mehr primär über Motoren, Spaltmaße, Plattformen und Produktionskosten. Er läuft zunehmend über Software, Assistenzsysteme, autonomes Fahren, Entertainment, Nutzererlebnis, Updatefähigkeit und datenbasierte Dienste. Kosteneffizienz bleibt wichtig, aber Effizienz allein beantwortet nicht, warum Kunden in zehn Jahren ein deutsches Auto kaufen sollen. Die eigentliche Aufgabe liegt darin, industrielle Stärke nicht defensiv zu verwalten, sondern mit intelligenten technischen Systemen neu zu kombinieren. Deutschland braucht nicht weniger Industrie. Es braucht eine neue Generation von Industrie, und es braucht neue Zielbilder.

4. Kostendisziplin ist noch kein Zukunftsbild: Der neue Möglichkeitsraum der Industrie

Die Debatte über industrielle Transformation beginnt derzeit häufig bei Kosten. Das ist verständlich, aber nicht ausreichend. Natürlich müssen Unternehmen wettbewerbsfähig produzieren, Kapital klug einsetzen und Strukturen hinterfragen, die in einer neuen technologischen Lage zu schwerfällig geworden sind. Aber Kostendisziplin ist noch kein Zukunftsbild. Gesellschaften, Unternehmen und Regionen verändern sich nicht dauerhaft, weil ihnen jemand erklärt, was nicht mehr finanzierbar ist. Sie verändern sich, wenn erkennbar wird, wofür der Umbau geschieht: welche Produkte entstehen, welche Fähigkeiten aufgebaut werden, welche Märkte erreichbar werden und welche Rolle ein Standort künftig spielen kann.

Für die Automobilindustrie liegt ein solcher Zielraum nicht darin, chinesische oder amerikanische Strategien zu kopieren. Die Frage ist nicht, wer den größten Bildschirm, das lauteste Entertainment oder die schnellste Softwaredemo bietet. Die stärkere Frage lautet: Wofür kann ein deutsches, europäisches, in Wolfsburg entwickeltes intelligentes Fahrzeug in zehn Jahren stehen? Eine Antwort könnte das vertrauenswürdige intelligente Auto sein: nicht nur autonom, sondern nachweisbar sicher; nicht nur vernetzt, sondern cyberresilient; nicht nur personalisiert, sondern datensouverän; nicht nur updatefähig, sondern über Jahre hinweg beherrschbar, überprüfbar und technisch verlässlich.

Früher hieß Vertrauen: Der Motor hält. Künftig könnte Vertrauen heißen: Das KI-System handelt nachvollziehbar, schützt Daten, bleibt lernfähig und verliert auch im Ausnahmefall nicht seine Beherrschbarkeit.

Ein zweites Zielbild geht darüber hinaus. Wenn Fahrzeuge elektrisch, autonom und softwaredefiniert werden, verändern sie ihren Charakter. Das Auto wird zum mobilen Lebens- und Arbeitsraum: ein Ort für Kommunikation, Konzentration, Unterhaltung, Lernen, Erholung, Familie und Gesundheit. Dann besteht Premium nicht mehr primär in Leder, Leistung und Markeninszenierung, sondern in Lebenszeitqualität. Wie gut schützt ein Fahrzeug Privatsphäre? Wie gut integriert es Arbeit, Mobilität und Alltag? Wie intelligent verbindet es Innenraum, Assistenzsysteme, Energie, Sicherheit und digitale Dienste? Gerade hier kann aus deutscher Ingenieurskunst, Design, Ergonomie, Sicherheit und KI ein neues Produktversprechen entstehen.

Ein drittes Zielbild liegt in der industriellen Wertschöpfung selbst. Deutschland verfügt über eine außergewöhnliche Fähigkeit, komplexe technische Systeme zu entwickeln, zu produzieren und in globalen Lieferketten zu beherrschen.

Mit KI, Simulation, Robotik, digitalen Zwillingen, neuen Rechenarchitekturen und resilienten Dateninfrastrukturen kann daraus eine neue industrielle Intelligenz entstehen: Entwicklung schneller, Produktion flexibler, Qualität präziser, Energieeinsatz geringer, Lieferketten transparenter, Wartung vorausschauender. Das ist kein Abschied von Industrie, sondern ihre nächste Generation.

Und schließlich geht es um Mobilität als gesellschaftliche Infrastruktur. Intelligente Mobilität entscheidet nicht nur darüber, wie Fahrzeuge verkauft werden, sondern wie Menschen arbeiten, lernen, versorgt werden und am gesellschaftlichen Leben teilnehmen können – in Städten ebenso wie in ländlichen Räumen. Autonome Flotten, vernetzte Verkehrssysteme, flexible Logistik, Ladeinfrastruktur, Energieintegration und ausfallsichere Kommunikation können Mobilität neu definieren. Wolfsburg und sein industrielles Umfeld hätten damit nicht nur die Aufgabe, ein bestehendes Erfolgsmodell zu verteidigen. Sie könnten zeigen, wie industrielle Stärke, Künstliche Intelligenz und gesellschaftlicher Nutzen in einer neuen Epoche zusammenfinden.

5. Wolfsburg braucht eine Werkstatt, kein Schaufenster

Vor diesem Hintergrund wird ein Deep-Tech-Innovationsökosystem nicht zur Begleitmusik der Transformation, sondern zu ihrer Arbeitsform. Es geht nicht um ein Schaufenster, in dem man Zukunftstechnologien ausstellt. Es geht um eine Werkstatt, in der sie bearbeitet, getestet, verworfen, kombiniert und in industrielle Anwendung gebracht werden. Genau hier liegt die Rolle, die ein KI-Park-Satellit in Wolfsburg übernehmen kann: als Umsetzungsplattform zwischen Forschung, Industrie, Mittelstand, Start-ups, öffentlicher Hand, Kapital und Qualifizierung. Nicht als weiteres Netzwerkformat, sondern als Ort, an dem aus technologischen Möglichkeiten konkrete industrielle Fähigkeiten werden.

Das Werkstattbild ist bewusst gewählt. Wer eine Schreinerei betritt, findet dort Materialien, Werkzeuge, Maschinen, Erfahrung und eine Umgebung, in der aus Ideen reale Gegenstände werden. Unternehmen brauchen für KI eine ähnliche Umgebung: freigegebene Werkzeuge, Zugriff auf Modelle, Sandboxes, Testumgebungen, Governance, Benchmarks, rechtliche Kompetenz, Schnittstellen zu bestehenden Systemen und Menschen, die experimentieren dürfen, ohne in Schatten-IT auszuweichen. Der Unterschied zur klassischen Werkstatt ist jedoch entscheidend: Eine Kreissäge altert funktional langsam.

Ein KI-System altert schnell. Was heute funktioniert, kann morgen schlechter, teurer, unzulässig, instabil oder schlicht nicht mehr Stand der Technik sein.

Deshalb wird Wechselfähigkeit zu einem strategischen Vermögenswert. Nicht das eine beste Modell entscheidet über Souveränität, sondern die Fähigkeit, Modelle zu vergleichen, zu wechseln, zu versionieren, Agenten neu zu kombinieren, Kosten zu steuern und Plattformabhängigkeiten zu begrenzen. Ein KI-Park-Satellit könnte genau diese Fähigkeit institutionalisieren: nicht jedes Unternehmen allein experimentieren lassen, sondern gemeinsame Test-, Bewertungs- und Transferstrukturen schaffen. Für einen Standort wie Wolfsburg wäre das ein erheblicher Unterschied. Die Region würde nicht nur KI anwenden, sondern lernen, technologische Wechsel systematisch zu beherrschen.

Auch die Souveränitätsfrage muss dabei präziser gestellt werden. Sie entscheidet sich nicht allein daran, ob Europa eigene Modelle oder Cloud-Angebote hervorbringt. Entscheidend werden vor allem drei Infrastrukturen: erstens Kommunikationstechnologien wie 6G und Satellitenkommunikation, weil intelligente Mobilität und industrielle Systeme robuste, ausfallsichere Netze benötigen; zweitens High-Performance Computing der nächsten Generation einschließlich Quantum Computing, weil Simulation, Optimierung und KI immer stärker zusammenwachsen; drittens Rechenzentren und Energieversorgung, weil digitale Leistungsfähigkeit am Ende auch eine physische Grundlage hat.

Wer über KI spricht, spricht deshalb immer auch über Infrastrukturpolitik.

Der KI Park kann für Wolfsburg genau an dieser Schnittstelle wirksam werden: nicht als Ersatz für industrielle Strategie, sondern als Beschleuniger ihrer Erneuerung. Er kann Forschung näher an Anwendung bringen, Start-ups mit industrieller Tiefe verbinden, Mittelstand und Konzernlogik über gemeinsame Projekte koppeln und Qualifizierung dort organisieren, wo neue Arbeit tatsächlich entsteht. Wenn aus Forschung schneller Anwendung, aus Anwendung schneller neue Produkte und aus Produkten schneller neue Märkte werden, wird Wolfsburg mehr als ein Ort, der auf Wandel reagiert. Dann wird Wolfsburg zu einem Ort, an dem die nächste industrielle Epoche nicht nur diskutiert, sondern gebaut wird. 

Quellen und Bezugspunkte
METR / Kwa et al. (2025): Measuring AI Ability to Complete Long Tasks. Arbeitsquelle für die These, dass die von KI-Agenten zuverlässig bearbeitbare Task-Länge seit 2019 ungefähr alle sieben Monate wächst.

Epoch AI (2024/2026): Compute Trend Post-2010 und Trends in Artificial Intelligence. Arbeitsquelle für Trainings-Compute, Chip-Stock, Kosten- und Effizienztrends.
Stanford HAI, AI Index Report 2025/2026: Datengetriebener Überblick über Modellfähigkeiten, Investitionen, Leistungsentwicklung, Governance und gesellschaftliche Auswirkungen von KI.

Clayton M. Christensen (1997): The Innovator's Dilemma. Bezugspunkt für die Verwundbarkeit erfolgreicher etablierter Unternehmen durch disruptive technologische Verschiebungen.

Mario Draghi / Europäische Kommission (2024): The Future of European Competitiveness. Bezugspunkt für europäische Wettbewerbsfähigkeit, Investitionen, Produktivität und strategische Technologien.

Michael E. Porter (1998): Clusters and the New Economics of Competition. Bezugspunkt für Standort- und Clusterlogik; Wettbewerb entsteht nicht nur in Unternehmen, sondern in regionalen Wertschöpfungs- und Innovationssystemen.

OECD (2019/2026): Regions in Industrial Transition / Innovation and Technological Change for Industrial Transition and Regional Development. Bezugspunkt für regionale Transformationsfähigkeit, Diversifizierung und innovation-led growth.

Eigene Vorträge Prof. Dr. Sabina Jeschke (2026): Quo vadis AI - The End of the Beginning; Quantum Computing & AI; Blick in die Werkstatt - AI & I. Bezugspunkte: iPhone-Moment der KI, 6-7-Monats-Regel, Werkstattmetapher, AI First, Compute-/Souveränitätsargument.