Als offizielle Begründung schreibt OpenAI: Die kostenlosen Tarife kosteten viel Rechenleistung, und Werbung finanziere breiteren Zugang. 

Das ist nicht falsch, aber unvollständig. Der Werbepilot startete am 9. Februar dieses Jahres in den USA. Sechs Wochen später bestätigte ein OpenAI-Sprecher über 100 Millionen Dollar Werbeumsatz annualisiert und mehr als 600 Werbetreibende. Der Europastart fällt nun ziemlich genau auf das halbjährige Bestehen des Geschäfts, und OpenAI spricht inzwischen von Zehntausenden Werbetreibenden.

Wohin die Reise geht, zeigen die Planzahlen, die OpenAI Investoren genannt hat: 2,5 Milliarden Dollar Werbeumsatz in 2026, 100 Milliarden bis 2030. Zum Vergleich: Google hat im vergangenen Jahr rund 294 Milliarden Dollar mit Werbung umgesetzt, Meta 196 Milliarden. 

CEO Sam Altman baut sich hier also keine nette, kleine Nebeneinnahme auf, um die Community fair versorgen zu können: Der Druck dahinter ist vielmehr erheblich. Bis 2030 könnte die Firma weit über 200 Milliarden Dollar allein für Rechenzentren, Cloud und Infrastruktur benötigen.

In einem Post auf X (ehemals Twitter) schrieb Altman im November 2025 sogar von 1,4 Billionen Dollar, die die Firma in den kommenden acht Jahren in den Aufbau der KI-Infrastruktur investieren werde. Werbung ist daher keine Option, sondern eine wirtschaftliche Notwendigkeit. 

Das Tempo passt dazu, denn es ist hoch: Der Self-Service Ads Manager öffnete im Mai für US-Unternehmen, Custom Audiences starteten wenig später. Zuletzt folgte der Launch eines Karussellformats mit mehreren Produkten – Erinnerungen an LinkedIn- und Insta-Ads werden wach. Die Aufzählung lässt sich fortsetzen, wer aber mehr Details wissen will, dem sei die detaillierte Timeline von Adscriptly empfohlen.

Warum explodieren die Kosten genau jetzt? Der Grund liegt im technologischen Paradigmenwechsel. Früher tippte der Nutzer einen Prompt ein, erhielt eine Antwort und der Prozess pausierte. Heute agieren moderne Tools als autonome Agenten. Sie arbeiten im Hintergrund, analysieren ganze Code-Repositories oder Server-Strukturen, testen eigenständig Lösungen, scheitern, korrigieren sich selbst und starten den Prozess von vorn.

Dabei jagen sie bei jeder Interaktion gigantische Datenmengen durch die Schnittstellen (API) der LLM-Provider. Da moderne Modelle über riesige Kontextfenster (Context Windows) verfügen, wird bei jedem automatisierten Iterationsschritt der gesamte Kontext neu eingelesen und berechnet. Der Effekt: Ein einziger Klick startet eine Kaskade, die innerhalb von Minuten Millionen von Token verbraucht. 

Autonome KI-Tools verhalten sich nicht mehr wie ein passiver Chatpartner, sondern wie ein hyperaktiver Praktikant, der ohne Limit die Firmen-Kreditkarte bei AWS hinterlegt hat.

Ein Blick in den aktuellen „World Robotics Report“ vom Internationalen Verband der Robotik-Industrie macht das Tempo greifbar: 2024 wurden weltweit 542.000 neue Industrieroboter installiert, der weltweite Bestand liegt inzwischen bei 4,7 Millionen Einheiten. In nur vier Jahren hat er sich damit fast verdoppelt. 

Allerdings: Unsere Industrie hinkt wieder einmal hinterher. 74 Prozent der neuen Roboter gingen 2024 nach Asien, allein 54 Prozent nach China. Ganz Europa zusammen kommt nur auf 16 Prozent. Unser Ingenieurwissen mag erstklassig sein, doch unser Hang zum Perfektionismus bremst uns anscheinend schon wieder aus: Lieber jahrelang die letzte Norm klären, als etwas in die Breite bringen.

Das führt auch zu einer kulturellen Delle, die wir noch zu spüren bekommen werden. Während der humanoide Roboter in Asien schon Teil des Alltags wird, fremdeln wir hier noch mit Mähroboter oder Saugroboter – aus Sorge, einer von beiden könnte die Katze überfahren. 

Ob Ihr Unternehmen mit China Geschäfte macht oder nicht, spielt dabei keine Rolle. Es geht um die Richtung, in die sich Wertschöpfung gerade verschiebt.

Sie verbringen halbe Tage in virtuellen Konferenzen und die Aufgaben entstehen direkt im Gespräch? Hören Sie auf, während des Redens hektisch mitzuschreiben.

Wenn Sie im Microsoft-Kosmos unterwegs sind, ist das die Paradedisziplin von Copilot in Teams. Sobald die Transkription im Meeting läuft, arbeitet die KI im Hintergrund als stummer, ultraschneller Protokollant. Nach dem Call dauert es je nach Länge des Termins bis zu 30 Minuten, bis die Zusammenfassung und das Transkript da sind. Sie erhalten eine Mail oder finden es direkt am Termin in Outlook bzw. in Teams unter „Chats“. 

Wechseln Sie einfach in den Reiter „Recap“, bzw. „Rückblick“, falls Sie die Software auf Deutsch nutzen. Wichtig: Sie erhalten Mitschrift, To-Do-Listen und  Audio-Summary nur, wenn Sie bzw. ein:e Kolleg:in aus Ihrer Organisation das Meeting selbst aufgenommen hat oder die Gegenseite Sie freigegeben hat. 

Wer weniger Zeit hat: Per „Facilitator“ liefert Teams auch eine Management Summary Ihres Meetings. Die professionelle Zusammenfassung ist allerdings deutlich ergiebiger, gerade, wenn es Meetings mit verschiedenen Themen sind, und daher unser Favorit.

Das Transkriptions-Feature ist längst kein Microsoft-Monopol mehr. Gemini in Google Meet erledigt es genauso elegant. Und wer KI-Systeme wie nuwacom nutzt, findet dort inzwischen auch Meeting-Zusammenfassungen und To-Do-Extraktion. 

Wer Meetings per Default mit der Gegenseite teilen möchte, für den eignen sich Tools wie Fathom. Denn hier erhält Ihr Gegenüber direkten Zugriff auf das Transkript, ohne dass Sie Daten auf den eigenen Servern  teilen müssten. Nachteil: Es ist aufwändiger, das Transkript direkt als Teil des Corporate-Wissens abzuspeichern.

Wer seinen Teams kein sicheres, zentrales KI-Basissystem hinstellt, zwingt sie in die Schatten-KI und verhindert Skalierung – Skalierung, die der Wettbewerber womöglich längst schafft.

Denn wie schnell dies in der Praxis gelingt, wenn man KI in die richtigen Prozesse hineinbringt, zeigt das Beispiel eines mittelständischen Unternehmens: Wir haben dort eine KI-Lösung eingeführt, die den Vertrieb bei der Preisermittlung für eine bestimmte Art von Bestellungen unterstützt, die Hunderte Male pro Woche eingehen.

Das Tool übernimmt inzwischen Aufgaben, für die das Team früher über 40 Stunden gebraucht hätte. In weniger als zwei Monaten haben wir so Kapazitäten im Äquivalent einer kompletten virtuellen Vollzeitstelle freigeschaufelt. Für mich ein Best Case dafür, was möglich ist, wenn man die richtigen Prozesse angeht, die KI direkt mit der Basis-Software des Unternehmens verbindet und sie für alle nutzbar macht.

Wenn wir digitale Mitarbeitende und Agenten erfolgreich in bestehende Systeme integrieren wollen, stoßen wir immer wieder auf die gleichen vier Hürden:

• Daten-Silos: Ein Agent, der keinen Zugriff auf Mails, Transkripte, Datenbanken oder das CRM hat, rät nur. Die Folge: Die Belegschaft ist genervt und weicht auf eigene, unsichere Tools aus – aka Schatten-KI.
• Fehlender Kontext: Wenn die Logik hinter Prozessen nirgends strukturiert dokumentiert ist, bleibt die KI blind. Dabei geht es nicht nur um das grundlegende Firmenwissen: Dass die KI darauf Zugriff haben muss, haben inzwischen die meisten verstanden. Prozesse sind lebende Systeme – sie ändern sich täglich, weil jemand in Elternzeit geht oder ein Lieferant ausfällt. KI bekommt das nicht mit, weil sie vom Alltag entkoppelt ist. Bei uns nehmen wir deshalb mittlerweile alle Online-Meetings auf – auch die internen. Dort wird das meiste Alltagswissen geteilt.
• Analoge Freigabe-Architekturen: Wenn jeder Teilschritt eines eigentlich automatisierten Workflows zwei Wochen auf das nächste Management-Meeting warten muss, steht das System still. Immer noch hat nur eine Minderheit der Firmen professionelle KI-Guidelines, ebenso fehlt die klare Rolle für die Schnittstelle aus Software und operativem Ablauf. Wetten, dass der „Chief AI Deployer“ in zwei Jahren ein Standardjob in Tech-Firmen ist?
• Schein-Metriken im Reporting: Viele Unternehmen feiern eingekaufte Lizenzen oder einmalige Logins nach dem Kick-off. Diese Zahlen sagen nichts darüber aus, ob ein KI-Werkzeug die Arbeit revolutioniert. Wir müssen andere Fragen stellen: Wird das Tool proaktiv genutzt? Entstehen echte Team-Lösungen, die Workflows optimieren? Chatbot-Nutzung als KPI ist so was von 2023.

Um aus dieser Spielerei einen echten Kultur-Hack zu machen, braucht es keine HR-Großprojekte, sondern ein gezieltes Aufbrechen der Komfortzone im Team:

• Das Chef-Ego als Köder nutzen: Gehen Sie als Führungskraft radikal voran. Jagen Sie Ihr eigenes Foto durch die KI und posten Sie das Ergebnis unkommentiert im internen Chat. Das nimmt dem Thema die künstliche Gravitas, zeigt Selbstironie und liefert den visuellen Beweis, dass die Tools funktionieren.
• Die Sammelwut als Treiber einspannen: Rufen Sie eine „Kader-Nominierung“ im Team aus. Wer baut das präziseste oder skurrilste Sammlerbild? Indem das Ziel ein rein kreatives, persönliches Artefakt ist, schalten Sie den Leistungsdruck ab, der Mitarbeiter sonst bei neuen Tech-Tools blockiert.
• Die Startaufstellung festnageln: Sammeln Sie die Sticker auf einem digitalen Whiteboard wie Miro oder im Intranet. Es entsteht eine visuelle Startaufstellung Ihres Teams – kein theoretischer Report, sondern der sichtbare Beleg dafür, dass Ihre Leute die Tools tatsächlich bedienen können.

Was die folgenden drei Hacks gemeinsam haben: Sie investieren einmal in den Aufbau eines Notebooks und profitieren bei jeder weiteren Nutzung von diesem Fundament. Genau das unterscheidet Notebooks vom klassischen Chat, in dem jeder Prompt bei null startet.

Hack 1: Das Briefing – komplexe Aufgaben übersichtlich strukturieren

Komplexe Aufgaben wie ein Kundenpitch, eine Wettbewerbsanalyse oder ein Quartalsbericht brauchen Kontext, Tonalität und einen klaren Adressaten. Im Chat müssen Sie all das in jedem Prompt neu mitliefern, sonst werden die Antworten generisch.

Im Notebook setzen Sie dieses Briefing einmalig auf. Über die Copilot-Anweisungen legen Sie fest, in welcher Rolle Copilot antworten soll, in welchem Ton und in welchem Format. Diese Vorgaben gelten dann für jeden neuen Prompt im selben Notebook.

Eine konkrete Prompt-Struktur für ein Notebook-Briefing könnte so aussehen:

• Rolle: „Du bist Senior Consultant für mittelständische Energieversorger.“
• Adressat: „Du schreibst für CFOs ohne tiefen IT-Hintergrund.“
• Ton: „Sachlich, knapp, ohne Marketingfloskeln.“
• Format: „Bullet Points mit Quellenverweisen, maximal eine halbe Seite.“
• Tabuthemen: „Vermeide Spekulationen ohne Quellenbasis.“

Das entspricht im Wesentlichen den vier Komponenten guter Prompts, die Microsoft selbst empfiehlt: Ziel, Kontext, Erwartung und Quelle. Der Unterschied: Im Chat müssen Sie das jedes Mal manuell mitliefern. Im Notebook sind sie die feste Voreinstellung für das gesamte Projekt.

Der Effekt auf die Qualität der KI-Textgenerierung ist deutlich, weil Copilot nicht mehr raten muss, was Sie eigentlich brauchen. Übersetzt ins Praktikanten-Bild aus Teil 1: Ihr Praktikant ist endlich richtig eingearbeitet. Er fragt nicht jeden Montag wieder, welche Rolle er hier eigentlich einnimmt.

Besonders wertvoll wird das bei wiederkehrenden Formaten. Für Kundenpitches, Wochenreports oder Newsletter-Recherchen lohnt sich eine feste Notebook-Vorlage, die Sie im Bedarfsfall einfach duplizieren. So entsteht nach und nach eine kleine Bibliothek spezialisierter Copilot-Setups, jeweils mit eigenem Briefing und passenden Quellen.

Hack 2: Der Prompt-Baukasten – Vorlagen direkt im Tool optimieren und wiederverwenden

Gute Prompts entstehen selten beim ersten Versuch. Sie werden iteriert: Version eins liefert zu viel, Version zwei zu wenig, Version drei trifft den Punkt. Im klassischen Chat geht diese feinjustierte Version irgendwann im Verlauf unter – und beim nächsten ähnlichen Anliegen geht der Optimierungsprozess von vorne los.

Im Notebook bleibt Ihre Prompt-Historie strukturiert sichtbar. Sie können Iterationen vergleichen, das beste Ergebnis identifizieren und den dazugehörigen Prompt als wiederverwendbaren Baustein behalten. Aus dem Notebook wird so Stück für Stück ein eigenes Repository an Prompt Vorlagen, die sich im konkreten Arbeitskontext bewährt haben.

Ein realistisches Beispiel: ein Wochenreport an die Geschäftsleitung.

• V1: „Fasse die wichtigsten Vorgänge der Woche zusammen.“ → Zu lang, zu generisch, ohne Priorisierung.
• V2: „Fasse maximal fünf Themen zusammen, jeweils ein Satz, geordnet nach Relevanz für die Geschäftsleitung.“ → Schon besser, aber ohne Status-Information.
• V3: „… ergänze pro Thema eine Ampel-Logik (grün/gelb/rot) und nenne den nächsten konkreten Schritt.“ → Trifft.

Diese dritte Version ist Ihr Baustein. Nicht im Hinterkopf, sondern dokumentiert im Notebook.

Ein kleiner, aber unterschätzter Zusatz-Tipp: Benennen Sie Ihre Notebook-Arbeitsbereiche sprechend um – also nach dem, was tatsächlich darin steht. Aus „Neues Notebook“ wird „Wochenreport GL – V3 final“ oder „Pitch-Briefing Kunde X“. So finden Sie (und Ihr Team) den richtigen Prompt beim nächsten Mal in Sekunden, statt sich durch eine Liste namenloser Verläufe zu klicken.

Microsoft bietet inzwischen auch einen unternehmensweiten Prompt-Katalog. Der hat seine Berechtigung, aber er liefert nur den isolierten Prompt-Text. Im Notebook dagegen liegen Prompt, Kontext und Ergebnis zusammen. Sie sehen also nicht nur: „So lautet der gute Prompt“, sondern auch: „So sah die passende Antwort aus“. Das ist ein erheblicher Unterschied, wenn Kolleg:innen einen Prompt wirklich nachvollziehen wollen.

Genau hier kommt der Cowork-Aspekt ins Spiel: Wenn ein Teammitglied einen Prompt verfeinert, profitiert das gesamte Team davon. Aus privatem Bastelwissen wird ein gemeinsames Asset. So sieht Prompt Engineering Copilot-Style in der Praxis aus: nicht als Theorie aus dem Seminarraum, sondern als sichtbare, gelebte Praxis im Tool.

Hack 3: Strukturierte Textanalyse mit direkten SharePoint- und Datei-Verweisen

Analysen über viele Quellen hinweg – etwa zwölf Vertragsversionen, dreißig Kundenstimmen oder ein halbes Dutzend Studien – sind im normalen Chat mühsam. Dateien müssen einzeln hochgeladen werden, Kontext geht zwischen den Anfragen verloren, am Ende fehlt der Überblick. Notebooks lösen genau dieses Problem, weil die Quellenbasis dauerhaft erhalten bleibt.

Sie referenzieren die relevanten Dateien einmal aus OneDrive, aus SharePoint oder als direkt hochgeladene Dokumente. Copilot hat ab diesem Moment den Gesamtkontext im Blick und behält ihn über alle Folgefragen hinweg. Drei Anwendungsfälle, die in der Praxis besonders gut funktionieren:

• Vertragspaket prüfen: Mehrere PDF-Versionen reinwerfen und systematisch durchfragen: „Wo weichen die Haftungs­klauseln voneinander ab?“, „Welche Formulierungen entsprechen keinem Standard?“, „Markiere die Punkte, die juristisch nachverhandelt werden sollten.“
• SharePoint-Ordner als Wissensbasis: Über die Copilot-harepoint-ntegration verknüpfen Sie einen Studien- oder Marktanalyse-Ordner als Quelle und destillieren daraus ein Themenpapier oder ein Quartals-Update. Voraussetzung: Sie haben ohnehin Zugriff auf die Dokumente. Notebooks erben Ihre Berechtigungen, sie umgehen sie nicht.
• Kundenfeedback-Cluster: Dreißig Antworten aus einer Umfrage ins Notebook, dann Cluster-Analyse, Tonalitäts-Check und O-Töne für die Präsentation, alles in einem Raum.

Die SharePoint-Integration ist dabei eine der am stärksten unterschätzten Microsoft-Copilot-Funktionen im Mittelstand. Viele Unternehmen pflegen seit Jahren Dokumentenstrukturen, die sie selbst als „digitalen Dachboden“ wahrnehmen. Mit Notebooks wird daraus eine zugängliche, durchsuchbare Wissensbasis. Ohne Migration, ohne neues Tool, ohne Datenexport.

Und jetzt der eigentliche Cowork-Move: Aus der Analyse entstehen Aufgaben. Statt diese Aufgaben in ein separates Projektmanagement-Tool zu übertragen, ergänzen Sie das Notebook direkt um eine Seite mit Aufgaben- oder Kanban-Elementen. „Recherche zu Klausel 4.2 an Person X delegieren“, „Slide-Draft bis Freitag“, „Rückfrage an Legal“. Alles liegt im selben Raum wie die Quellen und die KI-Antworten. Aus Textanalyse wird in einem Schritt Arbeitssteuerung.

Im Praktikanten-Bild aus Teil 1 gesprochen: Sie sagen Ihrem Praktikanten nicht nur, wo er suchen soll. Sie legen ihm einen sortierten Aktenstapel auf den Tisch und daneben eine Liste, was nach der Lektüre konkret zu tun ist.