[Yunqi-Beobachtung] Die Yunqi-Konferenz ist keine Antwort – sie ist eine Landkarte, auf der man sieht, worauf die KI-Branche gerade setzt

Diesmal auf der Yunqi-Konferenz war mein größter Erkenntnisgewinn nicht, dass ich wieder ein paar neue Modelle und neue Firmen im Kopf habe – sondern dass sich meine Art, eine Messe zu lesen, verändert hat.

Früher bin ich auf Tech-Konferenzen automatisch von ein paar Annahmen ausgegangen: Worauf die Großen den Schwerpunkt legen, steht mit hoher Wahrscheinlichkeit für die Zukunft; Konzepte, die immer wieder auf der Bühne auftauchen, sind vermutlich Branchenkonsens; und ein Produkt, das es auf den Messestand geschafft hat, gilt scheinbar schon als ausgereift. Mit der Erfahrung rutscht man leicht ins andere Extrem: Konferenzen sind dann nur Marketingveranstaltungen, Messestände nur Werbung, Folien nur Hochglanz.

Beide Sichtweisen sind zu bequem.

Natürlich steckt in jeder Messe auch Marketing – aber Marketing ist selbst eine Information. Wenn ein Anbieter Budget, Produktmanager, Engineering-Teams, Vertrieb und Standfläche in eine Richtung investiert, sagt das mindestens zweierlei: Woran soll der Markt glauben, und an welchem Problem versucht er gerade, eine produktive Lösung zu bauen?

Deshalb sehe ich große Tech-Konferenzen heute lieber als ein konzentriertes Beobachtungsfeld der Branche. Sie liefert keine Antworten, aber Stichproben, Signale, Gegenbeispiele – und eine Landkarte, auf der man sieht, auf welche Zukunft die Branche gerade setzt.

1. Den „Trubel” einer Messe in verschiedene Evidenzebenen zerlegen

Diesmal habe ich bewusst angefangen, eine technologische Richtung in fünf Evidenzebenen zu gliedern:

Erzählebene → Produktebene → Produktionsebene → Geschäftsebene → Umsatzebene
(Narrative → Product → Production → Business → Revenue)

Ganz oben liegt die Erzählebene (Narrative) – das, was Anbieter dem Markt vermitteln wollen. Beispielsweise, dass Agenten zum neuen Einstiegspunkt für Arbeit werden, Unternehmen eine KI-native Architektur (AI-native) benötigen, Kontext (Context) zur zentralen Ressource wird und Multi-Agenten-Systeme zunehmend komplexere Aufgaben übernehmen. Diese Narrative sind wichtig, weil sie zeigen, wohin Aufmerksamkeit und Kapital in Organisationen fließen – doch bleiben sie letztlich Hypothesen und Positionierungen.

Eine Ebene darunter liegt die Produktebene (Product) – das, was tatsächlich gebaut, vorgeführt, angesprochen und ausgeliefert werden kann. Vollständige Oberflächen, APIs, Workspaces und Governance-Plattformen auf Messeständen zeigen, dass eine bestimmte Richtung den Sprung vom Konzept in die Produktisierung geschafft hat. Zwischen „demonstrierbar” und „langlebig stabil im Betrieb” klafft allerdings weiterhin eine deutliche Lücke.

Wiederum eine Ebene tiefer liegt die Produktionsebene (Production) – der Punkt, an dem Produkte tatsächlich in Kundenprozesse integriert sind, dauerhaft laufen und erstmals auf die Realität stoßen: Berechtigungen, Daten, Audits, Wiederherstellung, Kosten und organisatorische Abstimmung. Erst dann spricht man von einer produktiven Umgebung.

Darunter liegt die Geschäftsschicht (Business) – hier muss man weiter nachfragen: Was hat sich nach dem Go-Live konkret verändert? Wurde die Time-to-Market verkürzt, die Conversion-Rate gesteigert, die Personalkosten gesenkt, die Anzahl getesteter Werbekreativen erhöht – oder wurde ein zuvor nicht umsetzbarer Geschäftsprozess überhaupt erst ermöglicht?

Ganz unten, und gleichzeitig die greifbarste Schicht, liegt die Umsatzschicht (Revenue) – ob Kunden langfristig zahlen wollen, für welches Ergebnis sie zahlen und unter welchen Voraussetzungen eine Verlängerung stattfindet.

Der Nutzen dieses Frameworks liegt darin, zu verhindern, dass man unterschiedliche Evidenzen in einen Topf wirft. Ein Messestand belegt, dass eine Richtung es wert ist, gezeigt zu werden; ein Forum zeigt, dass ein Anbieter ein bestimmtes Narrativ stärken will; echte Kundenreferenzen erhöhen die Glaubwürdigkeit von Produktions- und Geschäftsschicht; und erst wiederkehrende Umsätze validieren die Umsatzschicht.

Dass eine Richtung auf der Konferenz gerade gehypt wird, bedeutet also nicht automatisch, dass man „jetzt investieren sollte”.

2. Die auffälligste Veränderung: Über dem Modell wachsen immer mehr Schichten

In den vergangenen Jahren konzentrierte sich die AI-Diskussion fast ausschließlich auf das Modell selbst: Parameteranzahl, Benchmarks, Reasoning-Fähigkeit, Preis, Kontextfenster, Bildqualität, Code-Performance.

Diesmal vor Ort spüre ich deutlich, dass sich der Fokus verschiebt.

Die Modelle selbst bleiben wichtig – doch die Systemschicht oberhalb der Modelle wird sichtbar dicker. Datenfundament, Modellanbindung, Token-Governance, Agent Runtime, Sandbox, Context, Memory, Skills, Browser Use, Computer Use, Verification, Observability, Berechtigungen, Audit, Kostenkontrolle – immer mehr dieser Fähigkeiten werden inzwischen als eigenständige Produkte ausgeliefert.

Der Grund ist einfach: Ein Modell, das Fragen beantworten kann, ist noch lange kein Modell, das sich produktiv in reale Prozesse einfügt und dort zuverlässig arbeitet. Dazwischen steht ein komplettes Engineering-System.

Wer einen Tag lang über eine Messe läuft, begegnet fünf, sechs Produkten mit völlig unterschiedlichen Namen – und doch konvergieren sie alle auf dieselbe zugrundeliegende Struktur. QwenWork demonstriert, wie Agenten in isolierten Umgebungen mehrere Werkzeuge orchestrieren, um Aufgaben zu erledigen. Qoder dreht sich um Kontext, Anforderungsspezifikationen (Spec), Test-Frameworks (Harness), Verifikation, Gedächtnis und Multi-Model-Routing. Der unabhängige Anbieter TinyFish lässt Agenten in der realen Web-Welt Aufgaben ausführen. WonderClip zerlegt die Videoproduktion in Skript, Storyboard, Material, Generierung, Review, Versionierung und Batch-Produktion. Und Aliyun OpenSearch erweitert mit seinem Agentic Search die Suche um die Dimensionen Planning, Reasoning, Memory, Action und Evaluation.

Sie scheinen in völlig unterschiedliche Domänen zu fallen – die darunterliegende Struktur aber konvergiert:

Kontext → Planung → Skill → Ausführung → Verifikation → Gedächtnis → Geschäftsergebnis
(Context → Planning → Skill → Execution → Verification → Memory → Business Outcome)

Modelle werden zunehmend zu einer von mehreren Schlüsselkomponenten – der eigentliche Produktwert verschiebt sich in die übergeordneten Systeme.

III. Kontext wandelt sich von „Eingabematerial” zu einem langfristigen Vermögenswert

Eine Folie aus einer Qoder-Präsentation bringt es direkt auf den Punkt:

Model power is a commodity. Context is the asset.

Natürlich ist diese Aussage nicht ganz uneigennützig – sie benennt jedoch ein reales Problem: Je leistungsfähiger und günstiger Modelle werden, desto stärker hängt die langfristige Funktionsfähigkeit eines Agenten davon ab, was er tatsächlich weiß.

In einem ausgereiften Softwareprojekt finden sich Architekturvorgaben, historische Entscheidungen, Modulabhängigkeiten, Code-Konventionen, bekannte Stolperfallen und Deployment-Historie. In einem Unternehmen gibt es Organisationsstrukturen, Berechtigungen, SOPs, Dokumentationen, Gruppenchats, Geschäftsregeln und Kundenstatus. In einer Marke existieren Produktinformationen, visuelle Richtlinien, historische Assets, Kampagnendaten und Kanalvorgaben.

Diese Informationen entstehen nicht automatisch, nur weil ein stärkeres Modell eingesetzt wird.

Daher stattet Qoder seine Plattform mit Code-Repository-Wiki (Repo Wiki), Memory und Knowledge Cards aus, QwenWork setzt auf Enterprise Context, und OpenSearch fokussiert sich auf Langzeitgedächtnis, Aufgaben-Gedächtnis und Kontextkomprimierung. Alle drei verfolgen dasselbe Ziel: Agenten sollen die Welt nicht bei jedem Aufruf von Grund auf neu verstehen müssen.

Damit verliert aber auch die liebevoll gepflegte Prompt Library vieler Teams langfristig an Wert. Ein Prompt ist im Grunde nur die Art und Weise, wie eine einzelne Aufgabe angestoßen wird – Zinseszinsen erzeugen hingegen erst Geschäftskontext, Entscheidungshistorie, Validierungsergebnisse, Fehlerursachen und wiederverwendbare Skills.

4. Die Wettbewerbseinheit bei KI-Produkten verschiebt sich vom „einzelnen Feature” zum „kompletten Workflow”

WonderClip hat mir das besonders deutlich vor Augen geführt.

Betrachtet man nur die Feature-Liste, klingt vieles davon vertraut: Bilder generieren, Videos erstellen, Übersetzung, Vertonung, Material ersetzen, Massenproduktion. Jede dieser Funktionen für sich genommen kann ohne Weiteres von Modell-Anbietern, Schnittsoftware oder anderer SaaS übernommen werden.

Die in der Live-Demo gezeigte Produktarchitektur bewegt sich jedoch bereits in Richtung eines vollständigeren Produktionssystems:

Skript hochladen → Breakdown prüfen → Assets vorbereiten → Massengenerierung

Hinzu kommen Storyboard, Canvas, Custom Skills, geteilte Assets, Teamzusammenarbeit und Versionsverwaltung. Das Produkt rückt das Generieren zurück in die Mitte des Workflows.

Das liefert eine direkte Erkenntnis für alle, die KI-Anwendungen entwickeln.

Wenn der Kern eines Produkts weiterhin nur „Etwas hochladen, KI drüberlaufen lassen, Ergebnis herunterladen” ist, kann ein kommendes Modell-Upgrade seinen Wert im Handumdrehen auffressen. Die robustere Strategie besteht darin, sich die gesamte Aufgabe zu sichern, die der Anwender ohnehin erledigen muss.

Im E-Commerce-Content-Bereich etwa sind isolierte Funktionen wie Produktaustausch, Hintergrundwechsel, Übersetzung oder Voice-over ziemlich oberflächlich. Eine Ebene höher sollte das Produkt zunehmend Marke (Brand), einzelne Produkte (SKU), Kampagnen (Campaign), Märkte (Market), Kreativstrategie (Creative Strategy), Asset-Varianten (Variants), Distributionskanäle (Distribution) und Performance (Performance) als Objekte behandeln. Generierung ist nur der Executor – der eigentliche Wert entsteht im gesamten Creative Operations Workflow.

5. Agenten: Von „Fragen beantworten” zu „Aufgaben erledigen”

Beim heutigen Vortrag über Agentic Search bei Alibaba Cloud OpenSearch ist mir eine Entwicklungsgrafik besonders aufgefallen.

Die klassische Suche löste das Problem „Query → Results”. Generative KI verschob es zu „Question → Answer”. Agentic Search geht noch einen Schritt weiter und formuliert das Ziel als „Goal → Action”.

Das heißt: Auch die Suche selbst muss sich neu positionieren.

Ein künftiger Research Agent dürfte Anfragen automatisch zerlegen, einen Rechercheplan erstellen, mehrere Suchquellen anzapfen, Kontextinformationen anreichern, Ergebnisse kreuzvalidieren, zu Zwischenbefunden gelangen und anschließend weitere Tools einsetzen, um die Aufgabe weiterzuführen. Die Search API entwickelt sich zunehmend zur grundlegenden Infrastruktur, über die ein Agent externen Kontext bezieht.

Das verändert auch die Spielregeln für Search Engine Optimization (SEO) und Generative Engine Optimization (GEO). Standen früher Impression, Click und Ranking im Fokus, kommen jetzt AI Visibility, Citation, Mention und AI Referral hinzu – und vor allem die Frage, ob dieser Traffic tatsächlich zu Signup, Paid und Retention konvertiert.

Die Suche ist nicht verschwunden – sie wird zunehmend Teil umfassenderer Aufgaben- und Wirkungskreisläufe.

VI. Die eigentliche Hürde für Enterprise AI – sie liegt in der Organisation

Auf der Konferenz wurde ausführlich über die technischen Fragestellungen rund um Enterprise AI gesprochen: Daten, Berechtigungen, Sicherheit, Governance, Modellanbindung, Cloud-Architektur, Agent-Plattformen.

All das ist wichtig. Nachdem ich mir jedoch mehrere Unternehmensfälle angehört habe, interessiert mich eine andere Frage deutlich mehr:

Wer hat eigentlich einen Anreiz, es auch tatsächlich zu nutzen?

Nehmen wir an, eine Mitarbeiterin setzt KI ein und komprimiert eine Aufgabe, die ursprünglich 8 Stunden dauerte, auf 5 Stunden. Was geschieht mit den gewonnenen 3 Stunden? Lautet die Antwort lediglich „dann bekommt sie eben mehr Arbeit auf den Tisch”, dürfte ihre Eigeninitiative, KI aktiv voranzutreiben, wohl eher begrenzt sein.

Noch ein Beispiel: Wird das KI-Team an der Anzahl produktiver Agents und an Aufrufzahlen gemessen, hat es einen starken Anreiz, ständig neue Funktionen nachzulegen. Die Fachseite trägt die Kosten der Prozessumstellung, IT und Security tragen das Fehlerrisiko, der letztliche Umsatzanstieg lässt sich jedoch nicht klar zuordnen. In einer solchen Aufstellung verläuft die Einführung – selbst wenn die Technik bereitsteht – erfahrungsgemäß nur schleppend.

Enterprise AI ist keine Architekturfrage. Die wahre Obergrenze ist das Incentive-Design.

Technische Probleme lassen sich mit Geld lösen – organisatorische Probleme nicht unbedingt. Für jedes Projekt müssen mindestens diese sechs Punkte geklärt werden: Rolle (Role), Leistungskennzahl (KPI), Nutzen (Benefit), Kosten (Cost), Risiko (Risk) und Entscheidungsrecht (Decision Right). Wer den Nutzen erhält, trägt das Risiko; wer die Entscheidungsrechte hält, ist für das Ergebnis verantwortlich.

Die meisten sogenannten „KI‑Implementierungsprobleme” sind im Kern Organisationsdesign‑Probleme.

Sieben — Die irreführendsten Kennzahlen sind oft die, die am intuitivsten wirken

Eine Folie in einer Präsentation von Qoder (Alibabas KI‑Codierassistent) ist mir besonders in Erinnerung geblieben:

Generation rate is a vanity metric.

Dort wurde der Anteil der KI‑generierten Codes über verschiedene Phasen hinweg verglichen und gleichzeitig betont, dass der Delivery Cycle nicht im gleichen Verhältnis kürzer geworden sei. Die konkreten Zahlen stammen aus Anwenderberichten des Anbieters und lassen sich nicht ohne Weiteres als Branchen‑Benchmark heranziehen – die zugrunde liegende Logik aber überzeugt.

KI hat die Kosten für das Schreiben von Code (Coding) gesenkt – der Engpass wandert damit zu Anforderungen (Requirement), Kontext (Context), Architektur (Architecture), Review, Test, Integration, Deployment und Abnahme (Validation).

Entsprechend können Code-Generierungsrate, Token-Zahl, Anzahl der Agenten, Aufrufzahlen oder das Bildgenerierungsvolumen zu lokalen Effizienzmetriken werden. Was wirklich zählt, ist das Ende-zu-Ende-Ergebnis: Wurde die Durchlaufzeit (Lead Time) kürzer? Sind die menschlichen Aufwände (Human Minutes) gesunken? Ist die Erstdurchlauf-Akzeptanz (First-pass Acceptance Rate) gestiegen? Sind die Kosten pro akzeptierter Aufgabe (Cost per Accepted Task) gefallen? Und haben sich am Ende die Geschäftskennzahlen verändert?

Die Konferenz hat mir eines vor Augen geführt: Lass dich nicht blenden von „wie viel KI geleistet hat” – schau darauf, „was sich dadurch im Gesamtsystem verändert hat”.

8. Die Konferenz liefert Wetten – die Entscheidungshoheit bleibt bei dir

Was auf Konferenzen am leichtesten passiert: Man lässt sich von außen die eigenen Prioritäten diktieren.

Ein Thema wird auf der Bühne viel diskutiert – schon meint man, man müsse es selbst erforschen. Ein großer Konzern investiert massiv – schon hat man das Gefühl, nachziehen zu müssen. Ein Produkt wirkt fortschrittlich – schon glaubt man, selbst etwas Ähnliches aufbauen zu müssen.

Diesmal will ich all diese Informationen lieber in eine einfachere Frage einordnen:

Welche Entscheidung verändert diese Information bei mir?

Löst sie nur ein „interessant” in mir aus, ist es schlichter Input.

Bringt sie mich jedoch dazu, Build, Buy oder Ignore neu zu gewichten, Produktgrenzen zu verschieben, ein geringwertiges Vorhaben zu stoppen, einen Workflow neu zu denken oder eine Experimentmetrik neu zu definieren, dann erst wird sie tatsächlich entscheidungsrelevant.

Die Cloud-Apsara-Konferenz (Alibabas Jahreskonferenz) liefert keine Antwort.

Sie gleicht eher einer Karte der industriellen Wetten. Die Karte zeigt mir, wohin andere unterwegs sind, welche Pfade sich verdichten, welche Infrastrukturen sich formen und welche Probleme im großen Stil produktisiert werden.

Welchen Weg man am Ende geht, bleibt eine Frage der eigenen Ziele, Zwänge, Ressourcen und Belege.

Das ist auch das, was ich von Techkonferenzen am liebsten mitnehme: die Wetten der anderen sehen – und das Urteilsrecht bei sich behalten.

Falls Sie gerade einschätzen, wo Enterprise-KI ansetzen sollte, welche Richtungen Investitionen lohnen und welche nur durch Narrative aufgeblasen werden, sprechen Sie mich gerne an. Wir bieten spezialisierte Beratung zur KI-Transformation in Unternehmen – von Technologieauswahl über Organisationsdesign bis zum Messsystem. Wir helfen Ihnen, den „Konferenztrubel” in „eigenes Urteil” zu übersetzen. Kontakt: [email protected].

Weiterführende Lektüre: „Das Sieben-Schritte-Framework für die KI-Transformation” – es zeichnet den vollständigen Pfad zur KI-Implementierung im Unternehmen systematisch nach.

Über diese Reihe

„Yunqi-Beobachtungen” ist eine von IAIUSE veröffentlichte Vor-Ort-Reihe zur KI-Industrie. Sie setzt bei der Yunqi-Konferenz 2026 an und seziert aus Forscherperspektive die realen Verschiebungen, die sich gerade in der KI-Branche vollziehen – kein Hinterherhecheln nach Hypes, sondern nur die Frage, wohin wirklich investiert wird und wie belastbar die Belege sind.

Die Reihe umfasst rund zehn Beiträge zu Themen wie die Systemschicht oberhalb der Modelle, die Umsetzung von Agenten, Context-Assets, die Gestaltung von KI-Organisationen in Unternehmen sowie die Verschiebung der Wettbewerbseinheit bei KI-Produkten.

Ich bringe knapp acht Jahre Erfahrung in der Beratung und Geschäftsanalyse für Großunternehmen mit, war bei IBM tätig und habe in Telekommunikations-, Finanz-, Versicherungs- und Fertigungsprojekten mitgearbeitet. Danach blieb ich an der Front von Carrier-Produkten, Internet-Produkten und KI-Anwendungsentwicklung aktiv – in Anforderungsanalyse, Produktdesign und bereichsübergreifender Umsetzung. Die Einschätzungen dieser Reihe entspringen meinen Vor-Ort-Beobachtungen und branchenübergreifender Validierung, spiegeln eine klare Autorenhaltung wider und geben keine Herstellerposition wieder.