Over the past century, we’ve witnessed staggering productivity gains in industries like manufacturing and agriculture—factories churn out goods exponentially faster and farms feed billions with a fraction of the workforce they once needed. Yet, in classrooms, it still takes one teacher to educate 30 students. This is Baumol’s curse. When wages rise in high-productivity sectors like manufacturing, labour-intensive services must increase wages to compete—even if their productivity remains stagnant. So, while manufactured goods become cheaper, many services grow more expensive.
At the heart of this issue is our inability to scale our own human time. As per Amdahl’s Law, a system’s speed is limited by its slowest component. In many parts of the service sector, this comes down to constraints around human-dependent processes. The Industrial Revolution overcame physical constraints through mechanization; AI could be a similar opportunity to transcend cognitive bottlenecks² across…
Speed: AI systems operate far beyond human reaction times, processing data in milliseconds. The fastest LLM produces output at 6000x the speed a human can.³
Scale: We can deploy as many AI agents as our computational resources allow—potentially exceeding the human population.
Parallelization: Tasks can be divided among thousands or even millions of AI agents. Rather than analysing 100 documents sequentially, 100 AI agents can process them simultaneously and merge their findings into one report.
Cost efficiency: Over time, agents become cheaper than human labour, especially when scaled. Right now we can get a proto-agentic system to perform a meta-analysis of 200 ArXiv papers for ~1% of the human cost. AlphaFold predicted 200 million protein structures, each of which would traditionally cost $100,000 and an entire PhD to determine.
Personalization: Instead of splitting one human service among many, AI enables individualised experiences for everyone – a private tutor for you or your kid, for example.
Learning and adaptation: As independent researcher Gwern Branwen argues, “every sufficiently hard problem becomes a reinforcement-learning problem.” Every complex challenge requires making sequences of decisions under uncertainty where each choice affects future options and outcomes—which is exactly what reinforcement learning solves. With this, AI systems can run millions of parallel experiments, aggregate their learnings through weight-sharing and act on those insights in ways biological systems cannot.
Over the next year, deployment of agents will take a “Crawl, Walk, Run” approach. Businesses are experimenting with simple use cases, before expanding in complexity. Hence all the talk of customer-service agents, a relatively low-risk and easy implementation. But the complexity and the range of tasks an agent can handle will grow.
The magic of the agentic system is that it can scale. You could have a dozen or more briefs being prepared in parallel. What begins with a few specialized agents handling a legal brief quickly cascades. Start with 1.3 million US lawyers, each deploying 5 specialized agents for each of the 22 tasks they do—that’s already 1 billion agents. That’s only for 1 million lawyers… There are an estimated 1 billion knowledge workers worldwide. There will be billions of agents. And this is assuming 5 agents per task. But why not 5, 10, 100 agents? There is theoretically no limit other than what is effective.
To work effectively with an AI infrastructure we all need to become managers. Just as executives must learn to delegate and verify work, interfacing with an AI chief-of-staff will demand clear judgment about tasks, goals and overall intelligent oversight. This isn’t about outsourcing our thinking; we’ll need to elevate how we manage our AI and our human coworkers.
Articulation of the agentic network won’t take away the need for expertise and understanding. Agents and their underlying systems will become better at understanding what we want and ask for over time, but financial portfolio managers will still need to have expertise in their domains to direct their AI chief-of-staff to properly handle things. When things go wrong, a manager working with a chief-of -staff should still know enough to interpret and understand what the problems are and why they’re happening.
In so einer Welt braucht man also:
Know How in einer spezifischen Sache, um den Überblick zu behalten, ob die KI-Agenten BS produzieren oder Aufgaben richtig erledigen
Management-Fähigkeiten, um KI-Agenten einzuteilen, zu koordinieren und ihnen ihre Aufgaben klar und verständlich zu erklären
Soziale und emotionale Fähigkeiten
Letzteres weil Menschen einfach andere Menschen mögen, vertrauen und mit ihnen sein möchten. Wer mit Menschen arbeitet und sie mag, hat auch in Zukunft viele Möglichkeiten, sinnstiftender Arbeit nachzugehen.
All das ist aber auch schon heute wichtig, um beruflich zu florieren. KI wird also diese Trends weiter verstärken und massiv beschleunigen.
Übrigens denke ich, dass es nicht nur in einigen Jahren personalisierte KI-Tutoren geben wird, mit denen Kinder, Jugendliche und Erwachsene besser lernen werden.
Ich gehe auch davon aus, dass wir personalisierte Nachrichten auf unser Handy, in unsere Uhr oder wo auch immer KI-Inhalte ausgespielt werden, erhalten werden.
Mein Device weiß dann, dass ich mich für internationale & österreichische Politik, ökonomische Entwicklungen, wissenschaftliche Erkenntnisse sowie Kunst und Literatur interessiere und bereitet mir die wichtigsten Neuigkeiten auf.
Wenn es ein stressiger Tag ist, sage ich dem Device, dass ich nur 15 Minuten Zeit neben dem Duschen habe und es als Audio brauche. Wenn mehr Zeit bleibt lasse ich es mir vielleicht ausdrucken und lese gemütlich eine halbe Stunde zum Frühstück.
Das Device kann mir dann auch personalisierte Empfehlungen für Veranstaltungen in Wien und Umgebung geben, für Konzerte, Vorträge oder Ausstellungen.
Mein Terminkalender weiß, dass ich um 11 Uhr im neunten Bezirk Wiens sein muss, und erinnert mich, einen Regenschirm einzupacken, da es regnen wird.
Wenn wir personalisierte Nachrichten bekommen, könnte das den Großteil der Journalist:innen zu anonymen Produzent:innen von News-Rohstoffen machen, wie heute schon bei Agenturmeldungen.
Vermutlich werden auch KI-Agent:innen selbst Nachrichten produzieren. Hier wird spannend, wie es um die soziale Akzeptanz bestellt sein wird: Wenn man von einer KI der NYT angerufen wird, gibt man dann Auskunft für den Bericht?
Auch vorstellbar ist, dass Medien selbst diese personalisierten KI-Ausgabetools anbieten. Man hat dann ein Abo der New York Times, bekommt aber nur die Dinge, die einen interessieren, in Länge und Detailgrad, die für einen passen.
Journalismus, der eine Zukunft will, muss weg von austauschbarer Produktion von Inhalten, die man überall sonst auch bekommt, hin zu persönlichem Vertrauen und Beziehungsaufbau zu den Konsument:innen. Viele neue Medien machen genau das.
Viele alte Medien und dort tätige Journalist:innen interessieren sich im Grunde nach wie vor nicht dafür, wer das eigene Publikum ist. Wenn es einen selbst interessiert, wird es schon auch die anderen interessieren…
Für die meisten dieser Medien war das Internet schon eine unangenehme Konfrontation mit der Realität, KI dürfte ihnen endgültig den Garaus machen.
