Die Personalabteilung durchläuft derzeit einen grundlegenden Wandel: Sie entwickelt sich von einer reaktiven Kostenstelle zu einem proaktiven Werttreiber. Dennoch halten viele Unternehmen weiterhin an einem minimalistischen Ansatz in der Personalanalyse fest. Während generative AI-Modelle und autonome Agenten im gesamten Unternehmen zunehmend an Bedeutung gewinnen, beschränkt sich der Einsatz von data in der Personalabteilung oft noch auf einfache Fluktuationsprognosen.

Red Hat baute mit Linux ein 1,4634 Billionen Dollar schweres Geschäft auf. IBM kaufte das Unternehmen. Was dieser Deal bestätigte, war eine Hypothese, die vier Jahrzehnte lang Bestand hatte: dass Unternehmen, die enormen Wert aus gemeinsam genutztem Code schöpfen, aus Eigeninteresse die Projekte, von denen sie abhängig sind, weiterhin finanzieren würden. Diese Hypothese steht nun auf dem Prüfstand. Nicht, weil jemand beschlossen hätte, die Finanzierung von Open Source einzustellen. Sondern weil die Branche, die es am meisten finanziert hat – SaaS – von der Branche, die am meisten davon abhängt – AI – zerschlagen wird.

In einem früheren Beitrag habe ich untersucht, wie acht unabhängige Forschungsteams zu derselben Erkenntnis kamen: anstatt Speichersysteme um das Modell herum zu bauen, trainiert man das Modell selbst im Umgang mit dem Speicher als erlernte Fähigkeit. Post-Memory-Training – die Verwendung von Reinforcement Learning in der Post-Training-Phase – erzeugt Agenten, die entscheiden, was gespeichert, gelöscht, konsolidiert und abgerufen wird, alles optimiert für den Erfolg bei der Erledigung von Aufgaben.

Post-Memory-Training war in den letzten Monaten mein Hyperfokus. Wenn Sie meine jüngsten Artikel über Kontextmanagement, Speicherarchitekturen und die wiederkehrende Frage, warum Agenten nach Runde 50 degradieren, verfolgt haben, dann laufen diese Fäden in diesem Artikel zusammen. Das ursprüngliche Muster war klar genug. Acht unabhängige Forschungsteams kamen zu demselben Schluss: Hören Sie auf, Speichersysteme um das Modell herum zu bauen, und trainieren Sie das Modell selbst, um sich den Speicher als erlernte Fähigkeit anzueignen. Diese Konvergenz war signifikant.

Wenn wir auf das Jahr 2025 zurückblicken, wird eines deutlich: artificial intelligence und data sind keine experimentellen Werkzeuge mehr, die am Rande von Unternehmen stehen. Sie haben sich entscheidend in den Kern der Geschäftsabläufe, des Wettbewerbs und der Wertschöpfung verschoben. Das Tempo der Einführung spricht für sich. Bis Ende 2025 hatte laut dem AI-Diffusionsbericht von Microsoft etwa jeder Sechste weltweit generative AI-Tools genutzt. In Unternehmen war die Dynamik sogar noch stärker: Bis zur Jahresmitte setzten fast 70% der globalen Organisationen generatives AI in mindestens einer Geschäftsfunktion ein. Was als vereinzelte Pilotprojekte begann, hat sich rasch zu fest integrierten Funktionen entwickelt, die Entscheidungsfindung, Kundenbindung und betriebliche Effizienz beeinflussen.

Im Sport werden data und AI in erster Linie mit der Leistung auf dem Spielfeld in Verbindung gebracht: Spieleranalysen, taktische Modellierung und Verletzungsprävention. Die Technologie hat die Grenzen sportlicher Leistungen erweitert und es Athleten ermöglicht, bisherige Grenzen zu überschreiten. Warum wenden dann nicht mehr Sportorganisationen dieselbe Denkweise auf das Sportgeschäft an? Der Sport ist eine äußerst wettbewerbsintensive Unterhaltungsbranche, in der marginale Verbesserungen in Bereichen wie Fanbindung, Inhalte, Betriebsabläufe und kommerzielle Entscheidungsfindung genauso wichtig sein können wie die Ergebnisse.