Dass Dan Loeb, Gründer des Hedgefonds Third Point, öffentlich einräumt^[1]„Wir dachten, wir wüssten es besser“ – Hedgefonds-Milliardär Dan Loeb warnt vor schwerem KI-Irrtum, die Geschwindigkeit der KI-Transformation unterschätzt zu haben, verdient Aufmerksamkeit — aber nicht aus den Gründen, die in der Finanzpresse üblicherweise hervorgehoben werden. Nicht die persönliche Fehleinschätzung eines erfahrenen Investors ist das Erkenntnisinteresse. Es ist die strukturelle Implikation, die Loeb dabei ungewollt offenlegt: Die Annahme, proprietäre Daten bildeten einen dauerhaften Schutzwall gegen KI-Disruption, hat sich als strategisch unhaltbar erwiesen.

Diese Annahme war kein individueller Irrtum. Sie war die verbreitete Defensivformel ganzer Branchen. Und sie findet ihr genaues Spiegelbild in einer anderen, noch weniger hinterfragten Formel — der des produzierenden Gewerbes, das auf sein einzigartiges Prozesswissen verweist. Beide Formeln folgen derselben Logik. Beide leiden unter derselben stillschweigenden Bedingung. Und beide erodieren unter denselben Transformationskräften — wenn auch mit unterschiedlicher Geschwindigkeit.

I. Die Anatomie des Schutzwalls

In den Jahren nach dem Durchbruch von Large Language Models entwickelte sich in Finanzdienstleistung, Fachinformation, Beratung und Recht eine strukturell ähnliche Antwort auf die Frage nach der eigenen Zukunftsfähigkeit: Wir verfügen über Ressourcen, die andere nicht haben. Im Informationssektor hieß diese Ressource proprietäre Daten — Transaktionshistorien, Forschungsdatenbanken, Mandantendossiers. Im produzierenden Gewerbe hieß sie Prozesswissen — die akkumulierte Erfahrung, wie eine Walzstraße optimiert, ein Reaktor gesteuert, eine Präzisionsfertigung organisiert wird.

Beide Formulierungen haben dasselbe innere Gerüst. Warren Buffetts Metapher des Moat — des Burggrabens, der ein Unternehmen vor Wettbewerb schützt — war die implizite Referenz. Die These lautete: Was schwer zu replizieren, rechtlich geschützt oder historisch gewachsen ist, bleibt auch unter Transformationsdruck ein Vorteil.

Die These war nicht unplausibel. Sie litt jedoch von Anfang an unter einer stillschweigenden Bedingung, die selten explizit gemacht wurde: Der Schutzwall gilt nur, solange das neue Technologieregime die dahinterstehende Ressource tatsächlich benötigt, um leistungsfähig zu sein. Genau diese Bedingung ist in den letzten zwei Jahren strukturell ins Wanken geraten — und zwar in beiden Bereichen, wenngleich durch unterschiedliche Mechanismen.

II. Der Informationssektor: Wenn Datenhaben nicht mehr reicht

Loeb und Third Point haben nach eigenem Bekunden auf der Grundlage der Datenmauer-These aktiv gegen KI-exponierte Unternehmen gewettet — und dabei übersehen, dass dieselbe Logik für den eigenen Sektor galt. Der blinde Fleck ist symptomatisch.

Foundation Models der aktuellen Generation haben einen Leistungsgrad erreicht, der in einer Vielzahl von Anwendungsfeldern ausreicht, ohne domänenspezifisches Fine-Tuning auf proprietären Daten. Der marginale Vorteil exklusiver Datensätze sinkt damit nicht auf null, aber er sinkt strukturell. Was früher eine Zugangsbarriere war, wird zu einem Differenzierungsmerkmal zweiten Ranges.

Im Fachinformationssektor — Wolters Kluwer, RELX, Springer Nature im B2B-Segment — war die Geschäftslogik jahrzehntelang stabil: Wer die umfassendste, aktuellste, qualitativ hochwertigste Datenbank besitzt, kontrolliert den Zugang zu professionellem Wissen. Generative KI senkt den Aufbereitungsaufwand dramatisch. Der eigentliche Wert liegt nun nicht mehr im Datenhaben, sondern im Qualitätssignal — der Frage, ob ein Nutzer dem Ergebnis vertrauen kann. Das ist ein anderes Geschäftsmodell, nicht eine Verbesserung des alten.

In der Finanzdienstleistung — Assetmanagement, Research, spezialisierte Datendienstleister wie Bloomberg oder Refinitiv — gilt Ähnliches mit einer zusätzlichen Schicht: Proprietäre Daten dienten nicht nur als Schutzwall gegenüber Wettbewerbern, sondern auch als Legitimationsgrundlage gegenüber Kunden. Wir haben bessere Daten, also haben wir bessere Insights. Wenn Foundation Models diese Insights zunehmend ohne exklusive Datensätze reproduzieren können, erodiert auch diese Legitimationsgrundlage. Loeb hat diesen Moment am eigenen Sektor erlebt — und beschrieben.

III. Das produzierende Gewerbe: Prozesswissen als verkannte Datenmauer

Die Parallele zum produzierenden Gewerbe ist enger, als sie auf den ersten Blick erscheint. Auch hier lautet die Defensivformel: Unser Wissen ist nicht replizierbar, weil es nicht kodifiziert ist. Das implizite Wissen erfahrener Instandhalter, Fertigungsleiter, Prozessingenieure gilt als das eigentliche Asset — tief eingebettet in Erfahrungsheuristiken, die sich nicht in Datensätzen abbilden lassen.

Diese Formel hat in der Vergangenheit funktioniert, weil sie stimmte: Implizites Wissen war tatsächlich schwer zu externalisieren. Was sich verändert hat, ist nicht das Wissen selbst, sondern die Fähigkeit der Technologie, es zu extrahieren — über drei Einfallstore.

Erstens: Predictive Maintenance und Prozessoptimierung. Foundation Models kombiniert mit Sensordaten können Anomaliemuster identifizieren, die jahrzehntelang erfahrene Instandhalter erkannt haben. Das Prozesswissen wird nicht gelöscht — es wird enkodiert, und zwar schneller, als neue Fachkräfte ausgebildet werden. Für den deutschen Maschinenbau bedeutet das eine doppelte Falle: Demographischer Wissensverlust trifft auf KI-gestützte Wissensextraktion.

Zweitens: Simulationsmodelle ersetzen Erfahru…