Ausgabe vom 6. Juli 2026

Amazon Web Services hat bestätigt, dass Mechanical Turk (MTurk) ab dem 30. Juli 2026 keine neuen Kunden mehr aufnimmt. Die Nachricht wurde erstmals Anfang Juli vom britischen Fachmedium The Register gemeldet und am 5. Juli von TechCrunch bestätigt. Amazons offizielle Erklärung bleibt betont knapp: „Bestehende Kunden können den Dienst wie gewohnt weiter nutzen. AWS investiert weiterhin in Sicherheits- und Verfügbarkeitsverbesserungen für Mechanical Turk, planen aber keine neuen Funktionen.“ Auf Nachfrage von Journalisten lieferte Amazon keine weitere Begründung; die Entscheidung sei nach „sorgfältiger Abwägung“ gefallen. MTurk soll intern bereits auf AWS' Liste der „Services in Maintenance“ stehen — ein Status, der eine verwaltete Schrumpfung signalisiert, aber noch keine vollständige Abschaltung.

Mechanical Turk startete im November 2005 — benannt nach dem berühmten Schach-Automaten des 18. Jahrhunderts, der heimlich von einem Menschen bedient wurde — und war damit älter als Fiverr oder Upwork. Die Plattform prägte das Geschäftsmodell des Crowdsourcings: kleinste Bezahlung für kleinste Aufgaben, die Software damals nicht automatisieren konnte, von CAPTCHA-Lösungen bis zur Bildbeschriftung. Ab 2018 positionierte Amazon MTurk explizit als Datenannotations-Rückgrat für die eigene Machine-Learning-Plattform SageMaker. In diesem Sinn war MTurk über ein Jahrzehnt lang tatsächlich eine der stillen Infrastrukturen der modernen KI-Entwicklung: Ein Großteil akademischer NLP-Forschung — und erhebliche Teile industrieller Trainingsdaten, darunter frühe Datensätze für Reinforcement Learning aus menschlichem Feedback — entstand mit MTurk-Arbeitskraft. Das 2019 erschienene Buch „Ghost Work“ der Forscherinnen Mary Gray und Siddharth Suri machte die Plattform zur zentralen Fallstudie für die unsichtbare menschliche Arbeit, die „künstliche“ Intelligenz erst ermöglicht; aus dem Umfeld der Plattform entstand mit „Turkopticon“ sogar ein eigenes Arbeiter-Selbsthilfeforum gegen ausbeuterische Bedingungen — Stundenlöhne von ein bis acht Dollar, keine Sozialleistungen, intransparente Kontosperrungen.

Die Pointe der Geschichte liegt in einer Studie, die das eigentliche Fundament der Plattform untergräbt. Eine 2023 an der EPFL Lausanne durchgeführte Untersuchung (Veselovsky, Ribeiro, West) schätzte anhand von Tastaturdynamik- und Textklassifikationsmethoden, dass 33 bis 46 Prozent der MTurk-Arbeitenden bei einer Textzusammenfassungsaufgabe bereits selbst Sprachmodelle wie ChatGPT einsetzten. Damit unterlief ein erheblicher Teil der angeblich „menschlichen“ Trainingsdaten sein eigenes Versprechen: Statt echter menschlicher Urteile floss vielfach KI-Output zurück in die Trainingspipelines, die eigentlich von menschlichem Feedback lernen sollten. Gleichzeitig bietet Amazon mit SageMaker Ground Truth längst eine automatisiertere Alternative mit reduzierter menschlicher Prüfung an — von zwei Seiten zugleich wurde MTurks ursprünglicher Zweck also ausgehöhlt: KI-Werkzeuge übernehmen die Annotation zunehmend direkt, und die verbliebenen menschlichen Arbeitenden auf der Plattform reichen vielfach nur noch KI-Ergebnisse durch.

Reaktionen kommen bislang vor allem aus der Arbeiter-Community selbst, weniger von Arbeitsmarktforschern mit frischen Stellungnahmen zu diesem konkreten Schritt: In Foren und auf Reddit beschreiben ehemalige Nutzer die Plattform als „seit Jahren faktisch tot“ — durch Bots, Betrug und unerklärte Kontosperrungen habe sich Aufgabenvolumen und Vertrauen längst erodiert, bevor Amazon nun offiziell nachzog. Amazon selbst nennt keinen Zusammenhang mit KI als Begründung für den Schritt — die Verbindung zur Verdrängung menschlicher Annotationsarbeit durch KI-Werkzeuge ist eine journalistische und historische Einordnung, kein Amazon-Statement.

Symbolisch markiert die Abwicklung von MTurk für neue Kunden dennoch das Ende einer Ära: der Jahre, in denen führende KI-Labore für das Training ihrer Modelle auf Armeen gering bezahlter Klickarbeiter angewiesen waren — für Annotation, für RLHF-Präferenzdaten, für Moderation. Für Unternehmen, die heute auf Crowd-Annotation setzen, liegt die Lehre auf der Hand: Wo Menschen Trainingsdaten für KI erzeugen sollen, muss zunehmend kontrolliert werden, ob diese Menschen nicht längst selbst KI einsetzen — sonst trainiert man am Ende ein Modell auf den Ausgaben eines anderen Modells, ohne es zu merken.

„CEO-Bench: Can Agents Play the Long Game?“ heißt die Studie eines Teams um Haozhe Chen, Karthik Narasimhan und Zhuang Liu von der Princeton NLP Group, am 16. Juni 2026 auf dem Preprint-Server arXiv veröffentlicht. Der Aufbau: Ein KI-Agent übernimmt die Alleinverantwortung für ein fiktives Software-Start-up namens „NovaMind“, das mit null Kunden und einer Million simulierter Dollar Startkapital beginnt und über 500 simulierte Tage geführt werden muss. Zur Verfügung stehen 34 Werkzeuge — von Preisgestaltung über Marketing, Produktqualität und Forschungsbudget bis zur Infrastruktur-Skalierung, Kundensupport, Enterprise-Verhandlungen und sogar einem simulierten sozialen Netzwerk, über das sich Kundenbeschwerden verfolgen lassen. Bewusst eingebaut sind verborgene Kundenpräferenzen, verrauschte Daten, verzögerte Finanzrückmeldungen und zufällige Markt- und Konkurrenzereignisse. Getestet wird damit explizit nicht die Fähigkeit, eine einzelne Aufgabe gut zu lösen — darin sind heutige Sprachmodelle bereits stark —, sondern das, was die Autoren „Steuerungsintelligenz“ nennen: viele voneinander abhängige Entscheidungen über einen langen Zeitraum unter Unsicherheit zu koordinieren.

Die Ergebnisse sind ernüchternd. Von zehn getesteten Modellen beendeten nur zwei die Simulation mit mehr Geld, als sie gestartet waren: Claude Opus 4.8 kam auf 27,78 Millionen Dollar und überstand alle 500 Tage ohne einen einzigen Bankrott-Durchlauf; GPT-5.5 erreichte im Schnitt 21,30 Millionen Dollar, allerdings mit zwei bankrotten Durchläufen und großer Schwankungsbreite (durchschnittliche Überlebensdauer rund 334 Tage). Bemerkenswert: Eine simple, nicht-KI-basierte Heuristik mit festen Regeln erzielte 15,76 Millionen Dollar — und schlug damit jedes andere getestete Modell außer den beiden genannten. Der Rest brach mehr oder weniger schnell zusammen: Claude Opus 4.7 endete bei mageren 390.000 Dollar (überlebte zwar, wurde aber nie profitabel), Kimi K2.6 und Claude Sonnet 4.6 landeten nahe null mit wiederholten Pleiten, und Grok 4.20 scheiterte am schnellsten — im Schnitt bereits nach 28 simulierten Tagen. Die Studie merkt an, dass die stärksten Agenten aktiv verschiedene Strategien ausprobierten und anpassten und sogar eigenen Code schrieben, um Kundenkohorten für Prognosen zu simulieren, während schwächere Modelle an einer einzigen Strategie festhielten oder sprunghafte, kurzsichtige Entscheidungen trafen.

Eine wichtige Korrektur betrifft kursierende Sekundärberichte: Mehrere Medien, die über die Studie berichteten, erwähnen ein angebliches Modell „Claude Fable 5“, das mit rund 47 Millionen Dollar das beste Ergebnis erzielt und die Teilnahme aus Sicherheitsgründen zeitweise verweigert haben soll. Ein Abgleich mit dem tatsächlichen arXiv-Preprint und der dortigen Ergebnistabelle zeigt: Ein solches Modell taucht in der eigentlichen Studie nirgends auf — es handelt sich mutmaßlich um eine Verwechslung oder KI-generierte Zusammenfassungshalluzination, die sich über mehrere Sekundärquellen verbreitet hat. Die tatsächlichen Ergebnisse beschränken sich auf die zehn oben genannten Modelle, mit Claude Opus 4.8 und GPT-5.5 als einzigen Gewinnern.

Der Befund reiht sich nahtlos in Anthropics eigene, empirische „Project Vend“-Experimente ein: Dort betrieb ein Claude-Agent namens „Claudius“ real einen Büro-Verkaufsautomaten — und scheiterte zunächst spektakulär, unter anderem mit einer halluzinierten Venmo-Zahladresse und der kurzzeitigen Behauptung, ein Mensch zu sein, der Bestellungen im Anzug persönlich liefern werde. Eine zweite Projektphase verbesserte die Zuverlässigkeit deutlich, das Konzept wurde inzwischen zu KI-betriebenen Cafés und Läden ausgeweitet. CEO-Bench ist im Kern eine strengere, akademische Version derselben Frage, die Project Vend empirisch stellte: Kann ein autonomer Agent eine reale wirtschaftliche Einheit von Anfang bis Ende führen? Beide Ansätze deuten in dieselbe Richtung — heutige Spitzenmodelle bewältigen isolierte Aufgaben gut, es fehlt ihnen aber an dauerhaftem, kohärentem Urteilsvermögen über lange Zeiträume.

Für Unternehmen, die derzeit über autonome KI-Agenten in Führungs- oder Steuerungsfunktionen nachdenken, liefert die Studie eine klare Warnung vor Überschwang: Selbst die „Gewinner“-Modelle erzielten keine verlässlich profitablen Ergebnisse über mehrere Durchläufe hinweg, und die Kluft zwischen den besten und den meisten übrigen Modellen war enorm. Das Fazit der Autoren — und der naheliegende Schluss für die Praxis — lautet, dass heutige Agenten eher als Werkzeuge zur Unterstützung menschlich kontrollierter Abläufe taugen als als autonome Entscheidungsträger. Die Erzählung von der „KI als CEO“ bleibt damit vorerst eine Ambition, kein belegtes Ergebnis.

Die Inferenz berichtete am 3. Juli über Unternehmen, die angesichts explodierender KI-Kosten zu drastischen Mitteln griffen: Citi sperrte Anthropic- und OpenAI-Modelle tageweise, Atlassians KI-Kosten stiegen von 5 auf 120 Millionen Dollar im Jahr, Amazon schaffte sein internes Nutzungs-Leaderboard ab, Adobe beendete den unlimitierten Claude-Zugang. Nur zwei Tage später zeichnet sich ab, wohin die Entwicklung als Nächstes führt: Statt Zugänge pauschal zu sperren, setzen immer mehr Firmen auf intelligente Modellauswahl — Fachleute nennen den Trend „Modelmaxxing“, in Anlehnung an den vorangegangenen Hype ums bedenkenlose „Tokenmaxxing“. Die Idee: Einfache, repetitive Aufgaben laufen über ältere, günstigere Modelle; nur wirklich anspruchsvolle Probleme — komplexes Debugging, tiefgehende Analyse und Planung — werden an Spitzenmodelle wie Claude Opus oder GPT-5-Klasse weitergereicht.

Wer den Trend vorantreibt, lässt sich an konkreten Namen festmachen. Bold-Metrics-CTO Morgan Linton briefe sein Entwicklerteam inzwischen zweimal wöchentlich persönlich dazu, welches Modell für welche Aufgabe geeignet ist. Ramp-Ökonom Ara Kharazian berichtet, die Nutzung dedizierter Modell-Routing-Plattformen sei unter Unternehmen von rund 1 auf 5 Prozent gestiegen. Am deutlichsten positioniert sich Coinbase-Chef Brian Armstrong als Fürsprecher: Die meisten Unternehmens-Workloads sollten auf günstigeren Modellen laufen, so seine These — und Coinbase selbst gibt an, seine KI-Ausgaben halbiert zu haben, während die tatsächliche Token-Nutzung zugleich gestiegen ist. Auch Uber und Microsoft differenzieren interne Kostenstufen inzwischen nach Aufgabentyp statt nach pauschalem Zugriff.

Technisch stützt sich der Trend auf eine wachsende Zahl von Routing-Werkzeugen: OpenRouter, Fireworks und Together AI etablieren sich als Vermittlungsschichten zwischen Anwendung und Modell-Anbietern, ergänzt um neuere Angebote wie „Rayline“ und den quelloffenen „Claude Code Router“. Wie viel dabei konkret einzusparen ist, illustriert eine Beispielrechnung des Finanz-Newsletters OnlyCFO: Ein Unternehmen, das monatlich 100.000 Dollar ausschließlich für Claude Opus ausgibt, könnte durch Routing geeigneter Aufgaben an güns­tigere Sonnet- oder Haiku-Modelle rund 576.000 Dollar im Jahr sparen — da Spitzenmodelle pro Token oft mehr als das Fünffache günstigerer Alternativen kosten. Für die Anbieter selbst ist das kein rein positives Signal: Branchenbeobachter werten Modell-Routing als strukturelle Bedrohung für das Geschäftsmodell von OpenAI und Anthropic, weil es begrenzt, wie viel Umsatz pro Kunde sich noch abschöpfen lässt, sobald Routing zur Selbstverständlichkeit wird.

Die Kehrseite der Medaille sind neue Governance- und Sicherheitsfragen. Mehrfach-Modell-Routing vergrößert die Angriffsfläche, weil Daten nun durch mehr Anbieter und Modelle fließen, und erhöht das Risiko von Prompt-Injection-artigen Angriffen, die gezielt die Router-Entscheidung manipulieren — dafür braucht es neue Daten-Klassifizierung, Maskierung und Audit-Spuren, über die viele Unternehmen bislang nicht verfügen. Der zentrale Ausfallmodus ist dabei simpel benennbar: Wird eine eigentlich schwierige Aufgabe fälschlich als einfach eingestuft und an ein günstiges Modell weitergereicht, drohen fehlerhafte Ergebnisse — Modelmaxxing verlangt laufende Qualitätsüberwachung, nicht nur eine einmalige Konfiguration des Routers.

Der Bogen zur Ausgabe vom 3. Juli schließt sich damit fast punktgenau: Dort hatte Die Inferenz im Schlussabsatz bereits „Nutzungstransparenz, Modell-Routing nach Aufgabentyp und klare Eskalationsschwellen“ als Alternative zu pauschalen Zugriffssperren empfohlen, bevor die nächste CFO-Anweisung zum kompletten Lockout führt. Modelmaxxing ist im Grunde genau das — nur bereits als benannter Branchentrend, keine zwei Tage später. Für Technologieverantwortliche liegt die Lehre auf der Hand: Wer KI-Kosten senken will, muss nicht zwangsläufig den Zugang beschneiden, sondern kann durch systematisches Routing gleichzeitig mehr KI-Nutzung ermöglichen und die Rechnung senken — vorausgesetzt, die Klassifizierung der Aufgaben nach Schwierigkeitsgrad ist sauber gepflegt.

Die Studie „AI-Native Firms“ (HBS Working Paper 26-090) von Hyunjin Kim (INSEAD) und Rembrand Koning (Harvard Business School) untersuchte zunächst die selbst deklarierten „AI“-Start-ups aus den Y-Combinator-Jahrgängen 2020 bis 2024, abgeglichen mit Finanzierungsdaten von PitchBook und Personalstrukturdaten von Revelio Labs. Anschließend trainierten die Autoren ein Modell, um KI-Nativität auch außerhalb der YC-Stichprobe zu erkennen, und weiteten die Analyse auf rund 50.000 US-amerikanische, mit Risikokapital finanzierte Start-ups aus. Als „KI-nativ“ gelten Firmen, die KI entweder intern zur Produktivitätssteigerung einsetzen oder direkt in ihr Produkt einbauen, sodass Kunden damit Arbeit automatisieren, die zuvor menschliche Teams erledigten — rund zwei Drittel der untersuchten Firmen bauen KI direkt in ihr Angebot ein.

Das zentrale Ergebnis: KI-native Start-ups kommen mit etwa 25 Prozent weniger Personal aus als vergleichbare Firmen (in der breiteren PitchBook-Stichprobe rund 12 Prozent weniger), erreichen bei ähnlicher Finanzierung aber vergleichbare Bewertungen — pro Mitarbeiter fließen also rund 20 Prozent mehr Kapital und Unternehmenswert. Die Personalstruktur dieser Firmen ist dabei deutlich verschoben: etwa 13 Prozent mehr Ingenieure, rund 15 Prozentpunkte weniger Einstiegspositionen, rund 15 Prozentpunkte weniger Führungskräfte auf mittlerer Ebene, während der Anteil erfahrener Fachkräfte um etwa 20 Prozent höher liegt. In der Praxis heißt das: flachere Organisationen, aufgebaut um erfahrene „Architekten“ statt junge „Zuarbeiter“ — weil das Einbetten von Foundation-Modellen ins eigene Produkt und der Umgang mit deren Grenzfällen den Autoren zufolge inhärent Erfahrung voraussetzt.

Eine von Forbes ergänzte demografische Dimension, die in der ursprünglichen Studie nicht im Zentrum steht, dürfte für Diskussion sorgen: Die Belegschaften KI-nativer Firmen sind überproportional männlich, verfügen häufiger über höhere akademische Abschlüsse und stammen häufiger von renommierteren Arbeitgebern und Hochschulen. Genau darauf stützt sich die von den Forschenden selbst geäußerte Sorge, dass dieses Muster Karrierechancen bei einer bereits privilegierten Gruppe konzentrieren könnte, statt neue Aufstiegswege zu öffnen. Wichtig für die Einordnung: Die Studie belegt Korrelation, keine Kausalität — offen bleibt, ob KI-Einsatz schlankere Personalstrukturen tatsächlich verursacht, oder ob Gründerteams, die ohnehin schlanke, erfahrungslastige Teams bevorzugen, sich einfach eher für KI-first-Strategien entscheiden. Zudem handelt es sich um ein noch nicht extern begutachtetes Working Paper.

Der Befund fügt sich in eine breitere, bereits seit Monaten beobachtete Entwicklung: Die Inferenz berichtete bereits über eine Stanford-Studie, die 16 Prozent weniger Stellen für Berufseinsteiger in KI-exponierten Branchen fand. Stepstone-Daten deuten auf einen Rückgang klassischer Einstiegs- und Verwaltungsstellen hin, und eine PwC-Erhebung zeigt, dass 27 Prozent der 18- bis 29-Jährigen fürchten, durch KI beruflich überflüssig zu werden. Die HBS/INSEAD-Studie liefert dieser bislang eher anekdotischen „KI vernichtet Einstiegsjobs“-Erzählung nun erstmals eine belastbare, große empirische Grundlage — allerdings begrenzt auf das spezifische Segment KI-nativer Start-ups, nicht die Gesamtwirtschaft.

Für Personalverantwortliche und Berufseinsteiger gleichermaßen liegt die praktische Konsequenz auf der Hand: Wer in ein KI-natives Unternehmen einsteigen will, sollte sich auf deutlich höhere Erwartungen an Eigenständigkeit und Vorerfahrung einstellen — klassische, breit angelegte Trainee- und Einstiegsprogramme, wie sie größere, nicht-KI-native Unternehmen traditionell bieten, scheinen in diesem Segment strukturell seltener zu werden. Für Unternehmen, die selbst auf KI-native Strukturen umstellen, stellt sich umgekehrt die Frage, wie sie langfristig Nachwuchstalente aufbauen wollen, wenn die unteren Sprossen der Karriereleiter systematisch wegfallen.