Zwei Jahre lang war der Constraint für den Output unseres Teams das Modell. Wart auf ein besseres, erhöh das Token-Budget, liefer schneller. Diese Geschichte ist vorbei.
Der Bottleneck ist jetzt der Mensch, der erklären muss, wie "gut" aussieht. Die Information steckt bereits im Modell. Knapp war die Person im Team, die dem Modell sagen kann, wann der erste Entwurf subtil falsch ist, wann eine kürzere Antwort reichen würde, wann das Problem neu gerahmt werden sollte. Diese Person muss die Domäne tief genug kennen, um Geschmack zu haben - nicht nur Vertrautheit, Geschmack.
Und genau das ist das Problem, denn im letzten Jahrzehnt haben wir in die entgegengesetzte Richtung optimiert. Wir haben ausgelagert. Wir haben unsere Spezialisten dünn gestreut. Wir haben auf Generalisten gesetzt, die jedes Projekt fahren können. Jetzt ist der Constraint dafür, wie viel Wert unser Team aus einem LLM zieht, exakt die Tiefe der Expertise, die wir ein Jahrzehnt lang zurückgeschnitten haben.
Wir können uns nicht mit einem größeren Modell aus diesem Bottleneck rauskaufen. Ein stärkeres Modell mit demselben Operator liefert denselben Output. Wir brauchen bessere Wege, Menschen in unsere agentischen Workflows einzuschleifen. Wenn wir Glück haben, sitzen sie im Nebenraum. Wenn nicht, auf einem anderen Kontinent. Aber wenn unser Ziel ist, gut gemachte Software zu schreiben, die sich immer noch durchdacht gefertigt anfühlt, dann müssen wir genau die eine Person in der Organisation einschleifen, die die Domäne tief genug kennt, um Geschmack zu haben.
Der Bottleneck ist vom Modell zum Human Loop gewandert. Es ist ein zäher Bottleneck, weil wir an drei Fronten gleichzeitig kämpfen: