Es ist 2 Uhr morgens. Auf meinem Bildschirm laufen vier Fenster gleichzeitig. Eines verarbeitet Kundenunterlagen. Eines repariert Code. Eines arbeitet ungelesene Slack-Nachrichten auf. Das vierte hängt an einem API-Rate-Limit fest und wartet darauf, dass ich entscheide. Ich benutze KI nicht. Ich manage KI — wie ein Fabrikvorarbeiter, der um zwei Uhr morgens seine Runde dreht.
Vor zwei Monaten dachte ich, ich hätte die Grenze dessen erreicht, was KI für mich leisten kann. Seit GPT-3.5 nutzte ich sie täglich — zwei Jahre lang Gespräche, ein klügeres Sounding Board, nicht mehr. Dann hörte das Chatten auf, und das Managen begann. Die Kluft zwischen diesen beiden Modi — mit KI chatten oder wirklich mit ihr arbeiten — erwies sich als der wichtigste berufliche Übergang, den ich je gemacht habe. Dies ist ein Feldbericht von der anderen Seite, einschließlich der Fehlschläge.
Die Decke, die ich mir selbst gebaut habe
Ich bin kein Zuschauer der KI-Entwicklung. Ich leite ein Unternehmen, das KI vollständig angenommen hat. Ich habe Python geschrieben, mit APIs gearbeitet und die Forschung verfolgt. Ich nutzte KI mehrmals täglich — um Memos zu entwerfen, Strategien einem Stresstest zu unterziehen und mich auf Meetings vorzubereiten.
Genau diese Vertrautheit war die Falle.
Denn was ich tat — alles davon — war Chatten. Einen Tab öffnen, eine Frage stellen, eine Antwort bekommen, den Tab schließen. Beim nächsten Mal wieder von vorn. Ich nutzte KI so, wie die meisten Führungskräfte sie nutzen: als intelligenten Assistenten, mit dem man spricht, nicht als Kollegen, mit dem man arbeitet. Unterwegs probierte ich verpackte Agenten-Produkte aus. Manus konnte ein Briefing halten und Kontext über mehrere Sitzungen hinweg verfolgen — nützlich für Präsentationen, aber die Interaktion blieb dieselbe: Ich gebe Anweisungen, es führt aus, Schritt für Schritt.
Ich wusste von Coding-Copilots — GitHub Copilot und ähnlichen Tools. Aber ich bin CEO, kein Ingenieur. Ich hatte genug Code geschrieben, um gefährlich zu sein, aber nicht genug, um wirklich produktiv zu sein. Die Vorstellung, in einer IDE zu sitzen, fühlte sich an wie ein beruflicher Rückschritt. Unbewusst hatte ich Werkzeuge in Kategorien einsortiert: Das ist für Programmierer, das ist für Manager. Diese Decke wurde mir nicht von den Tools auferlegt. Ich habe sie selbst gebaut. Ich hatte entschieden, was „für jemanden wie mich“ gedacht ist, und aufgehört, darüber hinauszuschauen.
Wie es sich anfühlt, wenn die Wand fällt
Unser CTO drängte mich, Cursor auszuprobieren. Eine IDE — ein Werkzeug für Programmierer. Ich hatte seit Jahren nicht mehr ernsthaft programmiert. Aber die Neugier gewann.
Cursor interessiert sich nicht für deine Jobbezeichnung. Du beschreibst in einfachem Englisch, was du willst, und es baut — nicht Autocomplete, sondern Umsetzung. Für jemanden, der immer einen Schritt von der Implementierung entfernt war, der Dinge spezifizieren, aber nie selbst bauen konnte, fühlte es sich an, als würde eine Wand einstürzen. Zum ersten Mal konnte ich die Implementierungsebene berühren.
Dann drängte er mich zu Claude Code — Anthropic’s command-line AI agent — und etwas brach auf.
Cursor ist ein kluger Copilot — du sitzt weiterhin am Steuer, Zeile für Zeile. Claude Code ist ein Kollege. Ich beschreibe das Ziel. Es durchdenkt das Problem, stellt Rückfragen, schreibt den Code, testet ihn und repariert, was kaputtgeht. Es hält das ganze Projekt im Kopf — welche Dateien existieren, wie sie zusammenhängen, was wir gestern gebaut haben. Meine Rolle verschob sich vom Schreiben zum Überprüfen. Der Engpass verlagerte sich von meiner technischen Fähigkeit auf zwei völlig andere Dinge: wie klar ich formulieren kann, was ich will, und wie gut ich beurteilen kann, was zurückkommt.
Diese beiden Fähigkeiten sind, wie sich herausstellt, CEO-Fähigkeiten. Ich hatte mir eingeredet, Coding-Tools seien nichts für mich. Was ich nicht erkannt hatte: Die Tools waren dorthin gewandert, wo ich bereits war.
Dann entdeckte ich OpenClaw — ein Open-Source-Multi-Agenten-Framework — und erneut zog es mir den Boden unter den Füßen weg.
Von Manus zu Cursor zu Claude Code zu OpenClaw. Die ganze Entwicklung dauerte etwa drei bis vier Wochen, eine Beschleunigungskurve: Jeder Sprung war schneller und tiefer als der vorige. Am Ende nutzte ich nicht mehr ein einzelnes KI-Tool. Ich betrieb ein System.
Die Beschleunigungskurve: Jeder Sprung war schneller und tiefer als der vorige
Die andere Seite
So sieht die andere Seite dieser Kluft aus — in einem Monat wird sie wahrscheinlich schon wieder anders aussehen:
Ich betreibe zwei Ebenen. OpenClaw ist die Always-on-Ebene. Es läuft auf einem Cloud-Server, überwacht unser Firmen-Slack und übernimmt den operativen Rhythmus des Geschäfts: Team-Updates zusammenfassen, Outreach-Workflows ausführen, Kundenanfragen nachverfolgen, das Team an Deadlines erinnern. Es zieht die Teile zusammen, die über Menschen, Tools und Kanäle verstreut waren und die vorher niemand zu verbinden hatte.
Claude Code ist die Deep-Focus-Ebene. Wenn ich über eine Sache intensiv nachdenken muss — diesen Artikel schreiben, einen neuen Workflow entwerfen, OpenClaw selbst debuggen — sitze ich in Claude Code. OpenClaw ist die Fabrikhalle; Claude Code ist die Werkbank.
Für Agenten umstrukturiert: Markdown-Dateien dienen als Briefing-Dokumente, damit KI das Projekt versteht
Diese Aufteilung ist wichtig, weil unterschiedliche KI-Tools tatsächlich unterschiedliche Stärken haben — andere Modelle, anderes Gedächtnis, unterschiedliche Grade an Autonomie. Herauszufinden, welchem Agenten man welche Aufgabe zuweist, ist selbst eine neue Art von Arbeit, und ich lerne noch. Aber es geht nicht um die konkreten Tools. Es geht darum, dass ich vom Fragenstellen an KI zum Betreiben von KI-Systemen gewechselt bin — und dieser Unterschied ist nicht graduell. Er ist strukturell.
Wie es sich tatsächlich anfühlt
Das hat sich verändert:
Vorher und nachher: konkrete Veränderungen in sechs Bereichen der CEO-Arbeit
Die Zeitersparnis ist real — Aufgaben, die früher ein bis zwei Wochen dauerten, dauern jetzt eine Stunde. Aber Geschwindigkeit ist nicht der Hauptpunkt. Als CEO gibt es immer mehr zu tun, als man Kapazität hat. Viele Aufgaben liegen in einer unbequemen Mitte: wertvoll genug, um erledigt zu werden, aber nicht groß genug, um eine neue Stelle zu rechtfertigen. Also bleiben sie einfach liegen — das Shareholder-Update wird verschoben, die Recherche zu potenziellen Kunden bleibt oberflächlich, das Follow-up rutscht durch. KI hat meine bestehende Arbeit nicht nur schneller gemacht. Sie hat dafür gesorgt, dass die Arbeit, die sonst durch die Ritzen fiel, tatsächlich passiert.
Und das Überqueren der Kluft öffnete eine Tür, die ich nicht erwartet hatte: zu KI selbst. Ich nutze Voice Chat mit KI auf Spaziergängen, in Taxis, zwischen Meetings — eine Idee, die ich beim Überqueren der Straße erwähne, wird zu einer Spezifikation, bis ich mich hinsetze. Durch die tägliche Arbeit mit Agenten bin ich ganz nah an der Frontier — ich wechsle zwischen Foundation Models (Claude, Gemini, Qwen, Kimi), baue RAG-Pipelines und ringe mit Gedächtnissystemen für Agenten. Nicht darüber lesen. Sie nutzen. Die Angst, bei KI zurückzufallen — dieses Gefühl, das gerade jede Führungskraft mit sich trägt — ist weg. Nicht, weil ich alles weiß, sondern weil ich ein Setup habe, mit dem ich alles anfassen kann.
Was bedeutet das, wenn Sie ein Family Office führen?
Sie managen keinen Code. Sie managen generationenübergreifendes Vermögen, komplexe Familiendynamiken und regulatorisch sensible Daten. Ihre Vorsicht gegenüber Automatisierung ist berechtigt — eine falsche Anweisung könnte Vermögensstrukturen über Generationen hinweg beeinflussen, ein Datenleck könnte den Ruf einer Familie zerstören. Aber Vorsicht ist nicht dasselbe wie Vermeidung.
Die Kernarbeit eines Family Office besteht im Grunde darin: fragmentierte Informationen sammeln, Verständnis verdichten, ein Urteil fällen, ausführen, verifizieren. Von der Konsolidierung von Positionen über mehrere Depotbanken hinweg über die Prognose von Cashflows aus PE-Fonds bis zur Anpassung von Reports für jedes Familienmitglied — wie viel davon ist wiederholte Datenaufbereitung, und wie viel ist echte Entscheidungsarbeit?
KI wird keine Asset-Allocation-Entscheidungen für Sie treffen oder Ihnen sagen, welchem Fondsmanager Sie vertrauen sollen. Aber sie kann Ihnen fünfzehn Minuten vor einem Meeting eine vollständige Portfolioansicht über alle Depotbanken hinweg liefern und die wichtigsten Klauseln und Risikofaktoren markieren, die in Due-Diligence-Unterlagen vergraben sind, bevor Sie Ihren Kaffee ausgetrunken haben. Die entscheidende Grenze verläuft zwischen Informationsverarbeitung, die automatisiert werden kann, und Urteilsvermögen, das menschlich bleiben muss. Sobald Sie diese Grenze klar ziehen, beginnt das Schwungrad zu laufen — und die Lücke zwischen denen, die hinübergegangen sind, und denen, die es nicht getan haben, wird schnell größer.
Der Teil, vor dem niemand warnt
Das war die rosige Version. Hier ist der Rest.
Das Setup frisst dich auf. Die Aufgaben, die ich beschrieben habe, dauern jetzt weniger lang. Aber das System aufzubauen und zu warten, das sie schneller macht, ist ein neuer, laufender Job. Ich habe Aufgabenzeit gegen Infrastrukturzeit getauscht — und für mich ist der Nettoeffekt klar positiv. Aber ich habe die Motivation, den technischen Hintergrund und die Stunden, die ich investieren kann. Für die meisten Menschen wäre das anders.
Die Welt ist nicht für Agenten gebaut. CAPTCHAs, Zwei-Faktor-Abfragen, Session-Timeouts, PDFs, alte Tabellen, API-Rate-Limits, die für Nutzung in Menschengeschwindigkeit entworfen wurden — jedes Mal, wenn ein Agent gegen eine dieser Wände läuft, sind Sie derjenige, der den Workaround finden muss. (Diese Reibung ist auch eine enorme Chance — auch für Unternehmen wie unseres. Barrieren sind Geschäftsmodelle.) Und selbstgebaute Agenten sind keine Produkte. Sie sind LEGO — Gedächtnis, Reporting, Aufgabenorchestrierung, Berechtigungen, Monitoring, Fehlerbehandlung, Tool-Integrationen — jeder Baustein verlangt Entscheidungen, viele verlangen technisches Urteilsvermögen. Es endet nie, weil sich die zugrunde liegenden Modelle, APIs und Tools alle paar Wochen verschieben.
Auch wenn die neuesten Agenten einfaches Englisch verstehen, müssen Sie sie weiter führen und überstimmen, wenn ihr Denken seitlich wegrutscht.
Kürzlich machte ich mich daran, ein dreischichtiges Gedächtnissystem für OpenClaw zu bauen: Echtzeit-Gedächtnis, Tagesgedächtnis, Wochengedächtnis. Klingt sauber, oder? Ich ließ Claude Code einen Stapel Forschungsarbeiten lesen und die Architektur entwerfen. Es produzierte einen Plan, der gründlich und vollständig wirkte. Ich atmete aus und dachte, damit sei es erledigt.
Es lief nicht.
Ich ließ eine zweite Claude-Instanz die Architektur prüfen. Sie fand strukturelle Probleme. Ich reparierte sie. Es brach wieder. Ich öffnete Codex — OpenAI’s coding agent — für ein frisches Paar Augen. Es entdeckte neue Randfälle, die ich übersehen hatte. Auch die reparierte ich. Dann veröffentlichte OpenClaw eine neue Version, die den Code überschrieb, an dem ich tagelang gearbeitet hatte. Zurück auf Anfang.
Der absurdeste Teil: Claude und Codex führten manchmal Tippfehler ein — keine Denkfehler, nur Rechtschreibfehler in den Anweisungen, die sie für sich selbst geschrieben hatten. Diese trivialen Fehler verdoppelten die Zeit, die ich mit der Fehlersuche verbrachte, weil man immer annimmt, dass etwas Grundsätzliches kaputt ist, und stundenlang auf das große Ganze schaut, bevor man entdeckt, dass in einem Wort ein Buchstabe fehlt.
Vier oder fünf Tage dieser Schleife: reparieren, kaputtgehen, reparieren, kaputtgehen — das Gefühl, auf der Stelle zu laufen. Am Ende musste ich die kritischen Abschnitte herausziehen und sie Zeile für Zeile manuell prüfen. Das war ungefähr so weit von „Zeit sparen mit KI“ entfernt, wie es nur geht.
Das Gedächtnissystem funktioniert jetzt, vielleicht achtzig bis neunzig Prozent der Zeit. Das Echtzeit-Gedächtnis wirft gelegentlich noch Fehler, aber zumindest haben die Agenten genug ihrer eigenen Reparaturhistorie protokolliert, dass ich nachvollziehen kann, was schiefging. Gibt es noch Bugs? Ja. Bin ich einigermaßen zuversichtlich, dass die drei Ebenen halten? Meistens. Fingers crossed.
Die Tools waren nie zugänglicher. Das Urteilsvermögen, das man braucht, um sie gut zu nutzen, war nie knapper.
Claude Code in Aktion — wie „mit KI arbeiten“ tatsächlich aussieht
Dann ist da noch, was es mit Ihnen macht. Etwa zwei Wochen lang hatte ich wirklich das Gefühl zu ersticken. Agenten baten ständig um Berechtigungen, fragten nach Entscheidungen, produzierten Output schneller, als ich ihn prüfen konnte. Ich arbeitete jede Nacht bis 2 oder 3 Uhr morgens — nicht, weil ich musste, sondern weil ich nicht aufhören konnte. Ich begann, es das menschliche Token-Rate-Limit zu nennen: Der Engpass im System ist nicht mehr die Maschine. Er sind Sie.
Und es hakt sich in Ihnen fest. Forscher haben festgestellt, dass die nichtdeterministische Natur von KI-Antworten Dopaminbahnen ähnlich wie Spielautomaten aktiviert — variable Belohnungen, die einen nach dem nächsten Treffer greifen lassen. Eine HBR-Studie in diesem Monat bestätigte das Muster: “KI-Tools verringerten die Arbeit nicht — sie intensivierten sie dauerhaft.”
Es gibt eine Szene in The Matrix, in der Neo aufwacht und erkennt, dass er an ein System angeschlossen war und Output erzeugte, den er für sein eigenes Leben hielt. Die Parallele ist nicht exakt, aber das Gefühl ist unangenehm vertraut. Mein Therapeut sagte es einfacher: „Sie sagten mir, KI solle Ihre Zeit freimachen. Warum sind Sie gestresster als zuvor?“
Ich vermute, das ist eine der existenziellen Fragen der KI-Welle — nicht ob die Technologie funktioniert, sondern was sie mit den Menschen macht, die sie am besten nutzen. Es ist größer als meine persönliche Erfahrung. Ich versuche noch herauszufinden, wie man darin lebt. Wenn Sie diesen Weg gehen, müssen Sie es ebenfalls herausfinden.
Wenn Sie jetzt anfangen
Wenn Sie spüren, dass KI mehr kann, als Sie derzeit aus ihr herausholen, haben Sie recht. Was ich nicht erkannt hatte: KI hat die Distanz von ihrer Seite aus geschlossen — die Tools sind so viel besser geworden, so schnell, dass Sie vielleicht nur einen Schritt von einem qualitativen Sprung entfernt sind und es nicht wissen. Wählen Sie eine Aufgabe, die Ihnen wirklich wichtig ist. Geben Sie KI echten Kontext. Lassen Sie Vertrauen von dort aus wachsen. Der Zweifel wird nicht verschwinden — er verändert nur seine Form — und die Lernsteuer wird weiter eingezogen. Aber die Rendite ist real.
Die Linie zwischen Chatten mit KI und Arbeiten mit KI wird breiter. Angelo Robles, der mit über hundert Milliardärsfamilien gearbeitet hat, sagte es unverblümt: “What used to require twenty employees now requires one or two people with AI.” Ich habe sie vor zwei Monaten überschritten. Es war chaotisch, erschöpfend und unfertig — ich bin fast ausgebrannt. Ich schreibe das nicht vom Gipfel. Ich schreibe es auf halber Höhe des Aufstiegs, außer Atem.
Aber ich würde nicht zurückgehen.
In den nächsten Beiträgen werde ich tiefer gehen — harte Daten zu KI-Agenten, wie mein Team diese Tools Tag für Tag nutzt und wie wir Canopy’s product an der Schnittstelle von KI und Vermögensverwaltung neu denken. Aber wenn Sie eine Sache aus diesem Beitrag mitnehmen: Die Kluft lässt sich überqueren. Es beginnt mit einer Aufgabe.
Mu Chen ist CEO von Canopy, das weltweit 60+ Family Offices und UHNW-Kunden betreut und Vermögenswerte von über USD 90 Milliarden nachverfolgt. Er ist außerdem Gastdozent an der Tsinghua PBCSF. Bei Amongst Families schreibt er über die vorderste Schnittstelle von KI und Vermögensverwaltung.
[1] M. Karen Shen & Dongwook Yoon, “The Dark Addiction Patterns of Current AI Chatbot Interfaces”, CHI 2025
[2] Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work — It Intensifies It”, Harvard Business Review, February 2026
[3] Angelo Robles, Family Office Association
