Warum KI dich 100x schneller macht, aber nicht dein Unternehmen – Mitchell Troyanovsky, Basis
Original · Why AI Makes You 100x Faster but Not Your Company - Mitchell Troyanovsky, Basis
Key Takeaway
Der Aufbau produktionsreifer Agenten erfordert feste Prinzipien, klare Verhaltensspezifikationen sowie die Überprüfung von Prozessen, um Zuverlässigkeit und einfache Bedienung im großen Stil sicherzustellen.
Highlights
Menschen nutzen Co-Work, Codex, Claude Code oder ChatGPT zur massiven Steigerung der eigenen Produktivität, aber die Produktivität des durchschnittlichen Unternehmens steigt nicht um das 10- oder 100-fache.
Traditionelle Unternehmen skalieren nicht durch deterministische Systeme, sondern durch klar definierte Prozesse.
Die beiden Haupthindernisse für produktionsreife Agenten sind die Kompetenzlücke bei Benutzern und die Prozesslücke bei flexiblen Agenten.
Der Kontext, den ein Agent während seiner Arbeit sieht, funktioniert als Laufzeittrainingsdaten, weshalb jedes einzelne Token wichtig ist.
Forking und Simulationen ermöglichen Entwicklern die Überprüfung des Verhaltens sowie das Nachvollziehen von Fehlern in Agentenverläufen.
Timeline
Die Produktivitätslücke und das Vorbild traditioneller Unternehmen
Obwohl Einzelpersonen hochentwickelte Werkzeuge wie Claude Code oder Codex nutzen, bleibt der messbare Produktivitätssprung auf Unternehmensebene aus. Große Organisationen funktionieren nicht über starre, deterministische Abläufe, sondern durch eingespielte Prozesse, auf die sich die Führungsebene verlassen kann. Selbst kleinste Handgriffe wie das Extrahieren von Bankdaten unterliegen festen Vorgaben, um konsistente Ergebnisse zu garantieren.
- Individuelle Programmierer und Wissensarbeiter steigern ihre Produktivität durch KI-Tools enorm.
- Durchschnittliche Unternehmen verzeichnen im Gesamtsystem keine Steigerung um das 10- oder 100-fache.
- Mitarbeiter arbeiten erfolgreich mit nicht-deterministischen Kollegen zusammen, weil Unternehmen feste Prozesse einrichten.
Kompetenzlücke und Prozesslücke bei heutigen Agentenprodukten
Moderne Agentenprodukte scheitern im Unternehmenskontext an zwei grundlegenden Problemen. Erstens müssen Benutzer genau wissen, wann und wie sie den Agenten einsetzen, was die Mehrheit überfordert. Zweitens bestimmen unterschiedliche Nutzer-Anpassungen das Verhalten des Agenten, was dem Prinzip zentraler Unternehmensprozesse widerspricht.
- Agenten im Programmierstil lagern die Komplexität an den Benutzer aus und erfordern eine schwierige Theory of Mind.
- Unregulierte Agenten hängen von den individuellen Anpassungen der jeweiligen Mitarbeiter ab.
- Skalierbarkeit verlangt von der Führungsebene vorgegebene Prozesse anstelle individueller Arbeitsmethoden.
Einfachheit, Zuverlässigkeit und feste Prinzipien
Damit Agenten in Unternehmen flächendeckend zum Einsatz kommen, müssen sie simpel zu bedienen und absolut verlässlich sein. Perfektion ist dabei nicht entscheidend, sondern die konstante Ausführung gleicher Aufgaben ohne unerwartete Aussetzer. Feste Prinzipien legen im Vorfeld fest, wie bestimmte Aufgaben wie das Lesen von PDFs oder Steuerdokumenten zu lösen sind.
- Erfolgreiche Agenten müssen sich für den Nutzer so einfach anfühlen wie die Zusammenarbeit mit einem Kollegen.
- Niemand sucht nach perfektem Verhalten, sondern nach Konsistenz, Zuverlässigkeit und Vertrauenswürdigkeit.
- Feste Vorgehensweisen wie das Lesen der Primärquelle vor der Nutzung verringern die Fehlerquote.
Verhaltensspezifikationen, Forking und Simulationen zur Qualitätskontrolle
Ergebnisbasierte Evaluierungen reichen bei langen Agenten-Verläufen nicht aus, weshalb die Verhaltensüberwachung über Verhaltensspezifikationen an Bedeutung gewinnt. Über Forking können Entwickler exakt vor fehlerhaften Entscheidungen abzweigen und den Kontext anpassen. Simulationen mit Sub-Agenten bieten eine kostengünstigere und schnellere Methode, um Szenarien ohne vollständige Umgebungskopien zu testen.
- Der gesamte Kontext eines Agenten zur Laufzeit fungiert faktisch als Trainingsdaten.
- Verhaltensspezifikationen definieren die Absichten des Teams und dienen als skalierbare Bewertungsmaßstäbe.
- Forking und Sub-Agenten-Simulationen erlauben das gezielte Testen und Verstehen von Entscheidungsfehlern.
Fazit zur Skalierung von Agenten im Unternehmen
Die Zusammenarbeit mit Agenten ähnelt dem Review von Pull Requests menschlicher Mitarbeiter, bei dem Auswirkungen und Kompetenzen abgewogen werden. Unternehmen wollen keine revolutionierten Steuererklärungen, sondern skalierbare und vertrauenswürdige Prozesse. Der Schlüssel liegt in klaren Verhaltensmeinungen, die zusätzliche Signale für eine automatisierte Optimierung liefern.
- Die Beurteilung von Agenten erfolgt nach denselben Achsen wie bei menschlichen Kollegen: Blast Radius und Kompetenz.
- Wirtschaftlicher Output skaliert durch zuverlässige und vertrauenswürdige Abläufe statt durch ständige Revolutionen.
- Meinungsstarke Agenten und kontinuierliche Signale ermöglichen sich selbst optimierende Produktionssysteme.
Description
Individual engineers have seen huge productivity gains from AI, but most companies haven't. Mitchell Troyanovsky, co-founder of Basis, argues that agents need to be simple and reliable to spread through a company, and the way to get there is to make them opinionated. He covers behavior specs, why outcome evals don't generalize to production, and two tools for finding out why an agent made a bad call: forking and sub-agent simulations. 0:00 Intro to Basis 0:42 Why company productivity hasn't jumped 1:41 How organizations scale with processes 3:29 The competency gap and the process gap 5:57 Agents need to be opinionated 9:02 Why outcome evals don't generalize 10:18 Example: a bank reconciliation behavior 12:03 Behavior specs 13:24 Forking to diagnose bad decisions 15:15 Simulations with sub-agents 17:10 Earning trust like a coworker 18:10 Why not let agents find a better way? Mitchell Troyanovsky, co-founder of Basis Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!