# padhi-mckinsey-ai-operating-system-ceos-2026-10-01

## Veille

Artikel von **Asutosh Padhi**, **Brian Elliott**, **Daniel Swan**, **Kim Baroudy** und **Vik Sohoni** (Senior Partner, McKinsey), vorgestellt als Ausdruck der Sichtweise von **QuantumBlack, AI by McKinsey**, veröffentlicht im **Oktober 2026** (genauer Tag nicht angegeben, konventionell auf den 1. datiert); 12 Seiten, 2 Abbildungen, eine Tabelle, ein Architektur-Kasten und zwei Fallbeispiele.

## Titre Article

The AI operating system: A new way for CEOs to run the enterprise

## Date

2026-10-01

## URL

https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-ai-operating-system-a-new-way-for-ceos-to-run-the-enterprise

## Keywords

AI operating system, AI OS, second brain, second brain, AI operating system, semantische Schicht, Unternehmensontologie, Wissensgraph, Unternehmenskontext, Agentenorchestrierung, Wiederverwendung, Kontexthoheit, den Kontext besitzen, Vendor Lock-in, KI-Ökonomie, Tokenkosten, State of AI 2026, EBIT, signalbasiertes Management, kontinuierliche Steuerung, Delayering, Entscheidungsrechte, McKinsey, QuantumBlack

## Authors

Asutosh Padhi, Vik Sohoni (Chicago), Brian Elliott (Carolinas), Daniel Swan (Connecticut), Kim Baroudy (Copenhague) — senior partners, McKinsey (QuantumBlack).

## Ton

Profil: ein Artikel im Beratungsstil, der sich an CEOs und Geschäftsleitungen richtet, in präskriptivem, selbstsicherem Ton. Der Text beginnt mit einem stundengenauen Erzählszenario (ein Versicherer, der mit einer regulatorischen Margenbegrenzung konfrontiert ist, Dienstag bis Donnerstag), legt dann das Adoptions-/Wertparadox anhand hausinterner Umfragezahlen dar, definiert das Konzept und arbeitet sich durch Listen von Prioritäten, Veränderungen und Maßnahmen. Jede Management-Veränderung schließt mit "Key CEO questions", die die meisten organisatorischen Vorschläge (Delayering, Kultur, Vertrauen) offenlässt. Die Gewinne und Fallbeispiele sind anonym und auf die Erfahrung der Autoren zurückgeführt; das Vokabular (moat, compounding advantage, second brain) gehört eher zur Strategie als zum Engineering. Der Architektur-Kasten bleibt generisch, ohne Nennung von Produkt oder Anbieter.

## Pense-betes

- **Paradox**: 40% der Großunternehmen setzen Agenten im großen Maßstab ein, 6% verzeichnen ≥5% des EBIT, die der KI zuzuschreiben sind (State of AI 2026, im Jahresvergleich unverändert).
- **Definition**: AI OS = kontinuierliche Managementschicht — Kontext, funktionsübergreifendes Schlussfolgern, Empfehlung/Ausführung, Lernen; ein Echtzeit-Cockpit, kein retrospektives Dashboard.
- **Szenario**: Versicherer, ~140 Produkte in 7 Ländern, divergierende Margendefinitionen; 9 Produkte nicht konform, nachdem eine Annahme infrage gestellt wurde; Komitee-Entscheidungen als Guardrails protokolliert; Überwachung nach dem Launch.
- **Architektur**: bestehender Stack bleibt unverändert (proprietäre Cloud oder On-Premise als Zielumgebung, bereits vorhandene Daten, Multi-Provider-LLMs einschließlich Open-Weight, kein Training auf den Daten) + semantische Schicht, deterministische ML-Modelle als Tools, wiederverwendbare Agenten mit Modell-Routing, Experience-Schicht.
- **Regel**: *Den Kontext selbst besitzen; die Technologie mieten oder ersetzen*; maximal 1 bis 3 AI OS; End-to-End-Neugestaltung (Industrieunternehmen: 140-180 Mio. $/Jahr für Vertrieb und Betrieb).
- **Ökonomie**: Token −95%, Ausgaben ×3; das günstigste Modell kostet mehr, wenn es teure Fehler produziert.
- **Management**: Signal > Kalender; *always-on*-Planung, Engpass verschiebt sich auf das Feld und die Kontrollfunktionen; Urteilsvermögen > Weiterleitung; 10-12 → 20-40 direkte Mitarbeiter (offene Frage).
- **Maßnahmen**: 3 bis 5 Domänen, semantische Governance, das gemeinsam genutzte AI OS statt einzelner Use Cases finanzieren, Entscheidungsrechte zwischen Mensch und Agent neu definieren.
- ⚠️ **Geltungsbereich**: Gewinne (×10, 12 Wochen, −50% Time-to-ROI, −90% Zykluszeiten) ohne Angabe von Methode oder Geltungsbereich; anonyme Fallbeispiele.

## RésuméDe400mots

Der Artikel beginnt mit einem Szenario. Der CEO eines internationalen Versicherers erfährt, dass die Regulierungsbehörden die Margen bei bestimmten Produkten begrenzen wollen. Innerhalb von Minuten liest das AI OS des Unternehmens den Regelungsentwurf, gleicht ihn mit dem Produktkatalog ab und identifiziert rund 140 betroffene Produkte in sieben Ländern, ein Drittel davon gefährdet, während es darauf hinweist, dass jede Regulierungsbehörde die Marge anders definiert. Die Landesverantwortlichen stimmen zu; einer von ihnen stellt eine Annahme zur Kostenzuordnung infrage und senkt die Zahl der nicht konformen Produkte auf neun. Am nächsten Tag modelliert das System die Optionen (Neupreisung, Neugestaltung, Provisionen, Rückzug), das Komitee entscheidet sich für einen Plan, den das System als Guardrails protokolliert, anschließend erzeugen Agenten Entwürfe und Preise, die Aktuaren, Compliance und Linienverantwortlichen vorgelegt werden. Nach dem Launch überwacht das System jedes Produkt; die nächste Regulierung wird schneller bearbeitet.

Die Autoren gehen von einer Lücke aus: Laut der State-of-AI-2026-Umfrage von McKinsey haben 40% der Großunternehmen Agenten im großen Maßstab eingesetzt, aber nur 6% schreiben mindestens 5% ihres EBIT der KI zu. Die Herausforderung liegt nicht mehr in der Einführung, sondern darin, wie das Unternehmen operiert. Das AI OS, das second brain des Unternehmens, hält den Kontext, schlussfolgert funktionsübergreifend, empfiehlt oder trifft Entscheidungen und lernt aus den Ergebnissen. Es baut auf dem Vorhandenen auf (Infrastruktur, bereits vorhandene Daten, Modelle mehrerer Anbieter) und ergänzt eine semantische Schicht aus Ontologien und Wissensgraphen, deterministischen analytischen Modellen, die von Agenten aufgerufen werden, wiederverwendbarer Agentenorchestrierung und einer Experience-Schicht.

Sechs Prioritäten leiten den Aufbau: den Kontext selbst besitzen und die Technologie mieten oder ersetzen; die Zahl der AI OS auf eins, zwei oder drei begrenzen; Prozesse end-to-end neu gestalten; auf Wiederverwendung ausrichten, damit sich der Vorteil kumuliert; die KI-Ökonomie einbeziehen, da die Tokenkosten um mehr als 95% gesunken sind, während sich die Ausgaben verdreifacht haben; von bereits bezahlten Technologien ausgehen.

Das Management muss sich ändern: nach Signalen statt nach Kalender handeln, kontinuierlich steuern, Führungszeit auf Urteilsvermögen verwenden und über direkte Verbindungen statt über Hierarchieebenen arbeiten, bis hin zur Überlegung von 20 bis 40 direkten Mitarbeitern pro Manager. Ein globaler OEM und ein US-amerikanisches Industrieunternehmen veranschaulichen den Ansatz. Die Autoren empfehlen, sich auf drei bis fünf Domänen zu konzentrieren, eine semantische Governance einzurichten, das gemeinsam genutzte AI OS zu finanzieren und die Entscheidungsrechte neu zu definieren.

## GrapheDeConnaissance

- McKinsey —publie→ article The AI operating system (DOCUMENT, 0.97)
- QuantumBlack —fait_partie_de→ McKinsey (ORGANISATION, 0.95)
- Asutosh Padhi —travaille_chez→ McKinsey (ORGANISATION, 0.95)
- article The AI operating system —référence→ State of AI 2026 (DOCUMENT, 0.95)
- State of AI 2026 —mesure→ 40 % des grandes entreprises déclarent des agents à l'échelle, 6 % attribuent à l'IA au moins 5 % de l'EBIT (MESURE, 0.92)
- McKinsey —a_créé→ AI operating system (CONCEPT, 0.8)
- AI operating system —utilise→ Couche sémantique (CONCEPT, 0.93)
- Couche sémantique —utilise→ Ontologie (CONCEPT, 0.92)
- Couche sémantique —utilise→ Knowledge graph (TECHNOLOGIE, 0.9)
- AI operating system —utilise→ Orchestration d'agents (METHODOLOGIE, 0.92)
- AI operating system —utilise→ LLM (TECHNOLOGIE, 0.88)
- AI operating system —permet→ Management par intervention (METHODOLOGIE, 0.88)
- McKinsey —recommande→ Own the context, rent or replace the technology (CONCEPT, 0.95)
- McKinsey —recommande→ limiter l'entreprise à un, deux ou trois AI OS (AFFIRMATION, 0.92)
- McKinsey —recommande→ financer l'AI OS partagé plutôt que des cas d'usage isolés (AFFIRMATION, 0.93)
- McKinsey —mesure→ planification jusqu'à dix fois plus rapide, première valeur en environ 12 semaines, délai de ROI réduit de 50 % (MESURE, 0.8)
- McKinsey —affirme_que→ le coût unitaire du token a baissé de plus de 95 % tandis que la dépense IA a plus que triplé (AFFIRMATION, 0.88)
- McKinsey —prédit→ des managers passant de 10-12 à environ 20-40 rapports directs (AFFIRMATION, 0.75)
- AI operating system —s_applique_à→ Assurance (CONCEPT, 0.8)

---
Canonical: https://www.thekb.eu/de/fiches/padhi-mckinsey-ai-operating-system-ceos-2026-10-01/