18. Februar 2026

AGI in 1–3 Jahren?

Was Dario Amodei wirklich sagt

und was das für Unternehmen, Investoren und M&A bedeutet

In einem ausführlichen Interview mit Dwarkesh Patel hat Dario Amodei, CEO von Anthropic, eine der klarsten Zeitlinien formuliert, die man bislang von einem Lab-Leader gehört hat.

Seine zentrale These ist nicht nur, dass KI-Modelle weiterhin schnell leistungsfähiger werden. Sondern dass wir uns „nahe am Ende der Exponentialkurve“ befinden. Gemeint ist das Ende der Phase, in der KI von „beeindruckend“ zu „menschlich vergleichbar“ wächst. Danach beginnt eine zweite Exponentialkurve. Die wirtschaftliche Diffusion.

Was sagt Amodei zur AGI-Timeline?

Amodei unterscheidet zwischen Aufgaben, die objektiv überprüfbar sind, und solchen, bei denen Qualität oder Richtigkeit schwer messbar ist. Bei verifizierbaren Aufgaben wie Software, Mathematik oder formalen Beweisen sieht er die schnellste Entwicklung.

Für Coding und Software Engineering spricht er von einem Zeithorizont von ein bis zwei Jahren für eine weitgehend end-to-end Abdeckung. Für die „volle Paketlösung“ nennt er eine sehr hohe Wahrscheinlichkeit innerhalb von zehn Jahren.  

Wichtig ist dabei. Er beschreibt keine plötzliche magische Schwelle, sondern eine Beschleunigung entlang bekannter Mechanismen. Mehr Compute, mehr Datenqualität, bessere Trainingsverfahren und eine fortgesetzte Skalierung auch im Reinforcement Learning.

Seine „Big Blob“-Perspektive ist sinngemäß. Viele vermeintliche Barrieren lösen sich nicht durch radikal neue Methoden, sondern durch Skalierung und Engineering.  

Warum Software Engineering zuerst?

Amodei argumentiert, dass Software für Modelle besonders gut lernbar ist, weil sie ein starkes Feedback-Signal liefert. Code funktioniert oder funktioniert nicht. Das ermöglicht Training in großem Maßstab, schnelle Iteration und eine objektive Messbarkeit der Leistung. Daraus leitet er ab, dass Software Engineering als erstes Feld eine sehr weitgehende Automatisierung erreichen kann.  

In der Praxis heißt das. Wenn sich die Rolle des Engineers verändert, verschiebt sich der Schwerpunkt von Routinearbeit hin zu Kontext, Architekturentscheidungen, Produktverständnis, Kommunikation und Steuerung von KI-Systemen. Das ist keine reine Effizienzgeschichte. Es ist ein Rollen- und Organisationsdesign-Thema.

Zwei Exponentialkurven. Capability und Diffusion.

Einer der wichtigsten Gedanken aus dem Gespräch ist die Unterscheidung zwischen zwei Kurven. Die technische Leistungsfähigkeit der Modelle wächst schnell. Die wirtschaftliche Verbreitung ist ebenfalls schnell, aber gebremst durch Organisationen, Prozesse, regulatorische Anforderungen und Adoption im Alltag.

Die Lücke zwischen beiden Kurven ist ein Chancenraum. Dort entstehen neue Geschäftsmodelle, neue Arbeitsweisen und neue Gewinner.  

Aus meiner Arbeit mit Leadership-Teams und Investoren ist genau diese Lücke entscheidend. Nicht die Frage, ob ein Modell etwas kann. Sondern ob ein Unternehmen es zuverlässig in Wertschöpfung übersetzen kann. Mit klarer Verantwortlichkeit, Datenlogik, Governance, Qualitätssicherung und Change Management.

Billionenumsätze bis 2030. Was bedeutet das für den Investmentblick?

Amodei erwartet, dass KI bis 2030 in vielen Bereichen Umsätze in Billionenhöhe ermöglicht. Ob man diese Zahl teilt oder nicht, der wichtige Punkt ist. Wenn Intelligenz der Engpass ist, wird die Beseitigung dieses Engpasses ganze Märkte neu strukturieren. 

Das betrifft nicht nur Tech-Unternehmen, sondern alle Branchen, in denen Wissen, Entscheidung und Prozessqualität zentrale Werttreiber sind. Für PE und VC ergeben sich daraus zwei Konsequenzen.

1. Die Werttreiber in Software und Services verschieben sich.
2. Der Bewertungs- und Risikorahmen in Due Diligence und Value Creation muss angepasst werden.

Meine Einordnung als Produkt-, Technologie- und M&A-Berater

Ich halte die Zeitlinien für eine Hypothese, die man ernst nehmen sollte, ohne in Hype zu verfallen. Der operative Hebel liegt nicht in „AGI kommt“, sondern in der Frage. Wie verändern sich Rollen, Produktstrategien, Daten- und Plattformarchitekturen und Organisationsmodelle, wenn KI-Fähigkeiten weiter so schnell zunehmen?

Aus meiner Sicht wird die zentrale Managementaufgabe dadurch klarer. Unternehmen müssen sich weniger über Tools definieren und stärker über Arbeitslogik. Wer entscheidet was. Wo entsteht Kundenwert. Welche Leading Indicators zeigen, dass KI wirklich Wert schafft. Welche Guardrails schützen Qualität, Sicherheit und IP. Und wie wird das in wiederholbare Prozesse übersetzt.

Was ändert sich konkret in M&A Due Diligence?

Wenn Amodei recht behält, wird KI in kurzer Zeit von „Feature“ zu „Betriebssystem“ vieler Wissensprozesse. Das verändert Due Diligence fundamental. Klassische TechDD prüft Architektur, Security, Skalierbarkeit und Delivery. Das bleibt wichtig. Aber es reicht nicht mehr.

Zusätzlich müssen Investoren verstehen, wie KI in Geschäftsprozesse eingebettet ist. Welche Datenflüsse und Verantwortlichkeiten existieren. Welche Qualitätsmetriken und Monitoring-Mechanismen greifen. Und wie robust die Organisation ist, wenn Entscheidungen zunehmend mit oder durch KI getroffen werden.

KI als operatives Betriebssystem

Wenn Unternehmen beginnen, Arbeitslogik in orchestrierten Agenten-Systemen oder mit Claude Skills zu kodifizieren, entsteht eine neue Transparenz über das operative Betriebssystem des Unternehmens.

Das kann ein positiver Indikator für Reife und Skalierbarkeit sein. Es kann aber auch Risiken sichtbar machen. Implizite Abhängigkeiten, unklare Ownership, nicht abgesicherte Datenpfade oder fehlende Compliance-Mechanismen werden plötzlich auditierbar. Damit wird Due Diligence weniger Momentaufnahme und stärker eine Prüfung von ausführbarer Organisationslogik.

Fazit. Keine Panik. Aber auch kein Abwarten.

Ob AGI in ein bis drei Jahren kommt, ist nicht die entscheidende Managementfrage. Die entscheidende Frage ist. Wie schnell werden KI-Systeme so leistungsfähig, dass sie Aufgaben, Rollen und Wertschöpfung in Unternehmen spürbar verschieben. Und wie gut sind wir vorbereitet, diese Verschiebung in Richtung Ergebnis, Qualität und Wert umzusetzen.

Wer jetzt investiert in Klarheit, Use-Case-Disziplin, Datenlogik, Governance und Organisationsdesign, wird die Diffusionskurve nutzen. Wer nur auf Technologie setzt, bekommt Prototypen. Keine Wertschöpfung.

Quelle: Original-Interview mit Dario Amodei bei Dwarkesh Patel.

Experten mit Struktur und auf Augenhöhe

finden Sie bei der F&P Executive Solutions AG.