Der größte Konkurrent vieler KI-Startups ist das nächste Update von ChatGPT
Der größte Konkurrent vieler KI-Startups ist möglicherweise nicht das nächste Startup. Es ist das nächste Update von ChatGPT.
Noch vor kurzer Zeit brauchte man für einen komplexeren KI-Workflow mehrere spezialisierte Werkzeuge: ein Tool für Recherche, eines für Browser-Automatisierung, eines für Dokumente, eines für Schnittstellen, einen Workflow-Builder und vielleicht noch einen Agenten, der alles miteinander verbindet. Irgendwo darunter lief ein großes Sprachmodell.
Heute verschiebt sich dieses Modell. Mit ChatGPT Work, Workspace Agents, Plugins, Cloud Browser und immer umfangreicheren Tool-Funktionen wandern viele Fähigkeiten direkt in die KI-Plattform selbst.
ChatGPT beantwortet nicht mehr nur Fragen. Es kann recherchieren, Dateien bearbeiten, andere Anwendungen einbeziehen, Websites bedienen, wiederkehrende Workflows ausführen und aus einem Ziel ein fertiges Arbeitsergebnis erzeugen.
Damit stellt sich für einen erheblichen Teil der jungen KI-Tool-Landschaft eine unangenehme Frage: Ist das noch ein eigenständiges Produkt oder inzwischen nur noch eine Funktion des Basismodells?
Von der Antwortmaschine zum Arbeitssystem
Die erste große Phase generativer KI war einfach zu verstehen: Man stellte eine Frage, das Modell antwortete. ChatGPT war im Kern eine neue Benutzeroberfläche für Wissen, Text und Reasoning.
Dann begann die zweite Phase. Die Modelle konnten viel denken und schreiben, aber wenig selbst tun. Sie konnten keine Website bedienen, nicht ohne Weiteres auf Unternehmenssysteme zugreifen, nicht über Stunden an einem Arbeitsauftrag weiterarbeiten und kannten keine wiederholbaren Unternehmensprozesse.
Genau in dieser Lücke entstanden tausende neue Produkte. Sie gaben dem Sprachmodell gewissermaßen Augen, Hände und Zugriff auf andere Systeme. Research-Agenten konnten das Web durchsuchen, Browser-Agenten auf Websites klicken, Automatisierungsplattformen APIs verbinden, Content-Systeme Texte, Bilder und Publishing kombinieren und Agent-Frameworks mehrere Modelle und Werkzeuge zu Workflows zusammenführen.
Der Mehrwert dieser Produkte war real, denn das Basismodell selbst konnte diese Dinge noch nicht. 2026 befinden wir uns meiner Einschätzung nach in einer dritten Phase: Die Basissysteme übernehmen zunehmend genau diese Fähigkeiten selbst. Damit verändert sich nicht nur ChatGPT, sondern die gesamte wirtschaftliche Logik rund um KI-Produkte.
OpenAI zeigt die Konsolidierung sogar an den eigenen Produkten
Diese Entwicklung betrifft nicht nur Drittanbieter. OpenAI konsolidiert selbst. Operator wurde zunächst als eigenständiges Produkt entwickelt, um Websites visuell bedienen zu können. Später wanderte diese Funktion in den ChatGPT-Agenten; OpenAI verweist inzwischen für die aktuelle Arbeitsoberfläche auf Work und Workspace Agents.
Work kann Informationen recherchieren und analysieren, über verbundene Apps und Dateien arbeiten und fertige Dokumente, Tabellen, Präsentationen, Reports oder andere Arbeitsergebnisse erzeugen. Mit dem Cloud Browser kann Work unterstützte Websites lesen, Buttons betätigen, Formulare ausfüllen und auch in angemeldeten Sitzungen Arbeitsschritte ausführen.
Parallel dazu gibt es Workspace Agents für wiederkehrende Prozesse. Sie können Anweisungen, Modelle, Tools, Apps, Trigger, Erinnerungen und Freigabemechanismen kombinieren und zeitgesteuert oder über eine API ausgeführt werden. Plugins bündeln wiederverwendbare Skills, Apps und Workflow-Fähigkeiten direkt innerhalb von ChatGPT und Codex.
Das ist mehr als ein Feature-Update. Die KI-Plattform entwickelt sich vom Modell zur Laufzeitumgebung für digitale Arbeit.
Das verändert die klassische KI-Tool-Landschaft fundamental
Viele KI-Produkte der vergangenen Jahre basierten auf einem einfachen Prinzip: Das Sprachmodell konnte Fähigkeit X nicht, also baute jemand Fähigkeit X darum herum. Das war vollkommen legitim.
Problematisch wird dieses Geschäftsmodell erst dann, wenn Fähigkeit X Bestandteil des Basissystems wird. Ein Tool, das zehn Websites durchsucht, Inhalte zusammenfasst und daraus einen Bericht erstellt, war vor wenigen Jahren eine eigenständige Produktidee. Heute wird es zunehmend zur Standardfähigkeit eines leistungsfähigen KI-Arbeitssystems.
Dasselbe gilt für Dokumentenanalyse, Recherche über verschiedene Quellen, Bedienung von Websites, Formulare, Tabellen, Berichte, App-Verbindungen, wiederkehrende Aufgaben und einfache Agent-Workflows. Diese Funktionen verschwinden nicht. Sie werden wichtiger. Aber sie werden zunehmend Infrastruktur.
Infrastruktur allein ist selten ein dauerhafter Wettbewerbsvorteil.
Capability ist kein ausreichender Moat mehr
Eine technische Fähigkeit allein ist im Jahr 2026 immer seltener ein Produkt. Unsere KI kann recherchieren, Websites bedienen, E-Mails schreiben, verschiedene Tools verbinden oder Präsentationen erstellen: Keine dieser Aussagen ist für sich ein nachhaltiger Alleinstellungsfaktor.
Das bedeutet nicht, dass Produkte mit diesen Fähigkeiten automatisch verschwinden. Aber ihre Differenzierung kann nicht mehr ausschließlich aus der Fähigkeit selbst bestehen. Der eigentliche Wert muss eine Ebene darüber entstehen.
Die Wrapper-Schicht steht unter Druck
Ein großer Teil der ersten KI-SaaS-Welle lässt sich vereinfacht als Wrapper beschreiben. Das Wort wird manchmal abwertend verwendet. Das halte ich für falsch. Ein guter Wrapper konnte enorme Produktqualität liefern: bessere Benutzeroberflächen, Workflows, Prompts, Integrationen, branchenspezifische Funktionen und einfachere Bedienung.
Die Herausforderung entsteht erst, wenn der Unterschied zwischen Wrapper und Basismodell immer kleiner wird. Besteht ein Produkt im Wesentlichen aus LLM, Prompt und Oberfläche, wird es zunehmend schwierig. Wenn der Anbieter eines zugrunde liegenden Modells dieselbe Funktion direkt integriert, verschwindet ein erheblicher Teil des ursprünglichen Mehrwerts.
Deshalb dürfte die aktuelle Konsolidierung relativ brutal werden. Nicht weil alle KI-Produkte schlecht sind, sondern weil die Basissysteme außergewöhnlich schnell neue Produktkategorien absorbieren.
Das erinnert an frühere Plattformzyklen
Browser haben Funktionen übernommen, für die früher eigene Software benötigt wurde. Betriebssysteme integrierten zuvor separate Utilities. Smartphones ersetzten Kameras, Navigationsgeräte und MP3-Player. Cloud-Plattformen absorbierten ganze Kategorien eigener Infrastrukturprodukte.
Plattformen wachsen fast immer entlang derselben Logik: Was oft gebraucht wird und ausreichend standardisierbar ist, wandert irgendwann in die Plattform. Generative KI dürfte keine Ausnahme sein. Der Unterschied ist nur die Geschwindigkeit. Zwischen einer neuen Produktidee und ihrer Integration in ein Frontier-KI-System können heute teilweise nur Monate liegen.
Die wichtigste Produktfrage verändert sich deshalb. Früher lautete sie: Kann man diese Fähigkeit mit KI bauen? Heute lautet sie: Warum sollte diese Fähigkeit in zwölf Monaten noch ein eigenständiges Produkt sein?
Mein eigener Jarvis-Ansatz ist dafür ein gutes Beispiel
Ich habe selbst über Systeme nachgedacht und an Ansätzen gearbeitet, die verschiedene KI-Fähigkeiten unter einer eigenen Agentenschicht zusammenbringen. Intern haben wir einen solchen Ansatz beispielsweise unter dem Namen Jarvis gedacht.
Die Idee war logisch: Ein System kennt den Kontext eines Unternehmens, kann recherchieren, Inhalte und Assets erstellen, weitere Tools bedienen, Aufgaben in einer definierten Reihenfolge ausführen, Ergebnisse kontrollieren und den nächsten Prozessschritt anstoßen.
Vor ein oder zwei Jahren hätte man einen erheblichen Teil dieser technischen Infrastruktur selbst bauen müssen. Heute würde ich dieselbe Architektur anders beurteilen. Welche Teile muss ich überhaupt noch selbst entwickeln? Brauche ich wirklich eine eigene Browserautomation, eine generische Agentensteuerung, eine Lösung zum Laden von Dateien, eine separate Research-Schicht oder selbst entwickelte Standardconnectoren? Oder liefert die Plattform diese Fähigkeiten bereits besser, günstiger und stabiler?
Nicht alles muss verschwinden. Aber die Grenze dessen, was man sinnvollerweise selbst baut, verschiebt sich massiv.
Jarvis wird damit nicht wertlos. Sein Wert wandert.
Nehmen wir einen konkreten Unternehmensworkflow: Ein System soll für eine Marke regelmäßig Content produzieren. Die einfache Version lautet: Thema eingeben, Artikel schreiben, Bild generieren, Social-Media-Text erstellen. Das ist heute kaum noch ein eigenständiges Produkt.
Die interessante Version sieht anders aus. Das System kennt Marke, Zielgruppen, Produktdaten, Corporate Identity, historische Kampagnen, erfolgreiche Inhalte, rechtliche Vorgaben, Freigaberegeln, verfügbare Produkte, Lagerbestände, Redaktionsplan, Kanäle, vorhandene Assets und die gemessene Performance vergangener Inhalte.
Aus diesen Informationen plant es eine Kampagne, erstellt passende Inhalte, hält Formatvorgaben ein, verwendet freigegebene Assets, berücksichtigt Produktverfügbarkeit, legt Entwürfe zur Freigabe vor, veröffentlicht nach Genehmigung und übernimmt Erkenntnisse in den nächsten Zyklus.
Hier liegt weiterhin erheblicher Produktwert. Er liegt nicht primär darin, dass ein Agent ein Bild generieren kann. Er liegt im Prozess.
Die Wrapper verschwinden. Die Orchestrierung bleibt.
Das ist die zentrale These, die ich aus der aktuellen Entwicklung ableite: Die Wrapper verschwinden. Die Orchestrierung bleibt.
Vielleicht nicht jeder Wrapper und nicht sofort. Aber langfristig wird es für ein KI-Produkt schwer, allein davon zu leben, eine einzelne Modellfähigkeit bequemer zugänglich zu machen.
Stärker werden Produkte, die Unternehmenswissen, Prozesslogik, Berechtigungen, Daten, Qualität, Entscheidungsregeln, Integrationen, Monitoring, Freigaben und fachliche Standards verbinden. Dort entsteht ein deutlich robusterer Wettbewerbsvorteil.
Wo künftig echter KI-Produktwert entsteht
Ich sehe vor allem sechs Bereiche, in denen spezialisierte Produkte weiterhin sehr relevant bleiben werden.
1. Proprietärer Kontext
Ein Basismodell kennt viel, aber nicht automatisch das Unternehmen: nicht die echte Kundenhistorie, internen Regeln, Produkte, Margen, vergangenen Entscheidungen oder Besonderheiten einer Branche.
Je stärker ein Produkt proprietären Kontext strukturiert und nutzbar macht, desto schwieriger wird es für eine generische KI-Oberfläche, diesen Wert einfach zu ersetzen.
2. Tiefe Prozessintegration
Eine E-Mail zu schreiben ist einfach. Den richtigen Lead zu identifizieren, Daten aus CRM und ERP zusammenzuführen, Historie zu verstehen, eine passende Aktion auszuwählen, Freigabe einzuholen, das Ergebnis zu dokumentieren und den nächsten Prozessschritt auszulösen, ist etwas anderes.
Hier entsteht echter Wert: nicht in der Textgenerierung, sondern im vollständigen Prozess.
3. Governance
Je mehr KI tatsächlich handeln darf, desto wichtiger werden Regeln: Wer darf welchen Agenten verwenden? Auf welche Daten darf er zugreifen? Welche Aktion darf automatisch ausgeführt werden? Wann braucht es eine Freigabe? Welche Entscheidung muss protokolliert werden?
Die Kontrollmechanismen in Workspace Agents zeigen, wie zentral dieses Thema wird.
4. Qualitätssicherung
Ein generiertes Ergebnis ist nicht automatisch ein gutes Ergebnis. Für Rechnungen, Vertragsprozesse, regulatorische Aufgaben, geschäftskritische Änderungen oder Kundendaten reicht eine Erfolgsquote von 90 Prozent oft nicht.
Hier brauchen Systeme fachliche Prüfregeln, Validierung, Monitoring und gegebenenfalls menschliche Freigabe. Ein großer Teil zukünftiger KI-Software wird nicht nur Output erzeugen, sondern Output zuverlässig kontrollieren.
5. Vertikales Fachwissen
Ein generischer Agent kann ein CRM bedienen. Ein spezialisierter Agent versteht zusätzlich, wie ein bestimmter Vertrieb funktioniert, welche Pipeline-Stufen sinnvoll sind, welche Daten zwingend benötigt werden, wann ein Lead verloren geht, welche regulatorischen Vorgaben gelten und welche Kennzahlen relevant sind.
Je näher ein KI-System an einem konkreten Geschäftsprozess arbeitet, desto wertvoller wird echtes Fachwissen.
6. Verantwortung für ein Ergebnis
Unternehmen kaufen langfristig keine Agenten. Sie kaufen Ergebnisse: weniger manuellen Prüfaufwand, zuverlässiger nachverfolgte qualifizierte Leads oder einen reproduzierbaren Contentprozess, der weniger Zeit benötigt und messbar funktioniert.
Sobald Produkte auf Ergebnisse optimiert werden, wird das zugrunde liegende Modell austauschbarer.
Was bedeutet das für Unternehmen?
Bevor heute ein neues KI-Tool gekauft oder ein eigenes Agentensystem gebaut wird, würde ich vier Fragen stellen.
Kann das Basismodell die Aufgabe inzwischen selbst?
Das klingt banal, spart aber möglicherweise Monate Entwicklungsarbeit. Der Markt verändert sich so schnell, dass Architekturentscheidungen aus dem vergangenen Jahr heute bereits überholt sein können.
Was ist an unserem Prozess wirklich individuell?
Die Antwort sollte nicht sein: Wir verwenden Salesforce oder Shopify. Entscheidend sind eigene Regeln, Daten, Freigaben, Prozesslogik und Qualitätsanforderungen. Dort lohnt sich Individualisierung.
Was ist unser langfristiger Wettbewerbsvorteil?
Wenn das einzige Alleinstellungsmerkmal lautet, unser Tool verwende KI für X, ist das wahrscheinlich kein besonders stabiler Moat. Wenn ein Produkt dagegen über Jahre Fachwissen, Daten, Workflowlogik und Integrationen aufbaut, sieht die Sache anders aus.
Können wir die KI-Schicht austauschen?
Ein gutes KI-System sollte möglichst nicht vollständig davon abhängen, dass genau ein bestimmtes Modell eine bestimmte Fähigkeit besitzt. Modelle, Preise, Capabilities und Plattformen ändern sich. Der wertvolle Teil der Architektur sollte oberhalb des einzelnen Modells liegen.
Build or Buy wird zu Build, Buy oder Configure
Früher lautete die klassische IT-Frage: Build or Buy? Entwickeln wir selbst oder kaufen wir Software? Bei KI entsteht zunehmend eine dritte Option: Configure.
Kann ich das gewünschte Ergebnis mit vorhandenen Plattformfähigkeiten, einem Workspace Agent, einem Plugin, bestehenden Apps und einigen unternehmensspezifischen Regeln bereits abbilden? Erst danach sollte die Frage nach eigener Software kommen.
Viele Unternehmen werden in den kommenden Jahren wahrscheinlich weniger klassische Individualsoftware für generische KI-Funktionen benötigen. Gleichzeitig werden sie mehr Unterstützung bei Prozessarchitektur, Agentendesign, Datenstruktur, Governance, Qualitätskontrolle, Systemintegration und Orchestrierung brauchen. Die Software verschwindet nicht. Sie wandert eine Ebene höher.
Wann ein spezialisiertes KI-Tool trotzdem klar überlegen ist
ChatGPT Work und Workspace Agents ersetzen keineswegs jedes spezialisierte System. Ein spezialisierter Anbieter kann klare Vorteile haben, wenn extrem tiefe Integrationen notwendig sind, ein Prozess deterministisch laufen muss, besondere regulatorische Anforderungen bestehen, sehr große Mengen verarbeitet werden, Kosten extrem optimiert werden müssen, spezifische Modelle erforderlich sind, niedrige Latenz entscheidend ist, Nutzer nicht in ChatGPT arbeiten sollen oder ein kompletter Branchenprozess abgebildet wird.
Auch Browserautomation ist nicht perfekt. Websites können automatisierten Zugriff blockieren. Bestimmte Aktionen werden nicht unterstützt. Logins oder Transaktionen können menschliche Bestätigung benötigen. Agenten können Fehler machen.
Die Aussage ist deshalb nicht: ChatGPT ersetzt Software. Die präzisere Aussage lautet: ChatGPT verschiebt die Grenze, ab wann eigene Software überhaupt notwendig ist.
Für KI-Startups wird der Moat wichtiger als das Feature
Aus Gründersicht führt das zu einer harten Frage: Was bleibt von meinem Produkt übrig, wenn OpenAI, Anthropic, Google oder Microsoft meine Kernfunktion morgen nativ anbieten? Wenn die Antwort lautet: Nicht viel, dann war der Wettbewerbsvorteil vermutlich zu dünn.
Ein robusteres Produkt besitzt mindestens einen Teil dieser Eigenschaften: proprietäre Daten, Netzwerkeffekte, tiefes Branchenwissen, komplexe Integrationen, hohe Wechselkosten, eigene Prozesslogik, regulatorische Expertise, besondere Distribution, Workflow-Lock-in oder eine deutlich bessere Benutzererfahrung für einen klar abgegrenzten Anwendungsfall.
Die interessante Frage für KI-Startups lautet deshalb nicht mehr nur: Was können wir mit KI bauen? Sondern: Was können wir bauen, das weiterhin Wert besitzt, wenn die KI selbst jedes Jahr wesentlich leistungsfähiger wird?
KI wird zunehmend unsichtbar
Heute wird AI noch auf nahezu jedes Produkt geschrieben: AI CRM, AI Marketing, AI Support, AI Research und AI Automation. Das erinnert an die Phase, in der jedes Unternehmen unbedingt eine Cloud-Lösung besitzen musste.
Irgendwann wird KI wahrscheinlich ähnlich selbstverständlich. Niemand bewirbt moderne Software damit, dass sie eine Datenbank verwendet oder Powered by API ist. KI könnte denselben Weg gehen. Sie wird Infrastruktur.
Der Nutzer interessiert sich dann weniger dafür, welches Modell im Hintergrund arbeitet. Er interessiert sich dafür, ob seine Aufgabe erledigt wurde. Vielleicht ist genau das das Zeichen dafür, dass die Technologie wirklich erwachsen geworden ist.
Fazit: Die KI-Tool-Welle endet nicht. Sie verändert ihre Ebene.
Wir erleben meiner Einschätzung nach keine Phase, in der KI-Software verschwindet. Wir erleben eine Konsolidierung. Fähigkeiten, für die gestern eigenständige Produkte notwendig waren, wandern in die großen Plattformen: Research, Browserautomation, Dokumenterstellung, Tool-Nutzung, Agentenlogik, Integrationen und wiederkehrende Workflows.
Damit geraten Produkte unter Druck, deren Mehrwert fast ausschließlich darin bestand, genau diese Lücken zu schließen. Gleichzeitig entsteht eine neue Generation von Software. Sie verkauft nicht mehr: Wir haben einen KI-Agenten. Sie verkauft: Wir haben diesen Geschäftsprozess gelöst.
Die entscheidende Frage für Unternehmen und Produktentwickler lautet nicht mehr: Wo können wir noch KI einbauen? Sondern: Welchen Teil unseres Prozesses müssen wir überhaupt noch selbst bauen und wo entsteht tatsächlich eigener Wert?
Mein Fazit lässt sich auf einen Satz reduzieren: Die Wrapper verschwinden. Die Orchestrierung bleibt. Nicht weniger KI, sondern weniger Produkte, deren einziger Mehrwert darin besteht, KI zu verpacken, und mehr Systeme, die aus KI tatsächlich funktionierende Arbeit machen.