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.