Fake it till you never make it

LLMs machen es heute extrem einfach, klug klingende Konzepte zu produzieren. In wenigen Minuten entstehen Businesspläne, Strategiepapiere, Produktvisionen und Pitch Decks auf hohem Niveau. Sprache ist sauber. Logik wirkt stimmig. Slides sehen professionell aus.

Das Problem: Gute Outputs sehen inzwischen aus wie Kompetenz. Sind es aber nicht.

Ich beobachte das regelmäßig bei Startup-Teams, vor allem in der Pre-Seed- und Early-Stage-Phase, aber auch in Innovation Units etablierter Organisationen. Die Geschwindigkeit, mit der qualitative Dokumente entstehen, steigt. Die Qualität der Umsetzung oft nicht, manchmal sinkt sie sogar.

Meine These: Wir erleben gerade eine neue Version von „Fake it till you make it“. Nur mit einem Unterschied. Viele bleiben im Fake stecken.

Warum LLMs diese Illusion verstärken

Die aktuellen LLMs sind vor allem Verstärker. Sie verstärken vorhandene Ideen, Denkmodelle und Annahmen. Sie ersetzen weder echte Erfahrung noch tiefes Verständnis für den Kontext.

Schnelle Ergebnisse erzeugen Sicherheit. Wer in einer Stunde ein fertiges Strategiepapier hat, fühlt sich vorbereitet. Das Gehirn bekommt ein falsches Signal: „Problem gelöst.“

In vielen Teams entsteht aktuell kein großer Effizienzgewinn, sondern zusätzlicher Overhead. KI-Outputs müssen permanent überprüft, korrigiert und angepasst werden. Das fühlt sich wie Beschleunigung an, ist aber oft nur ein improvisierter Quality-Assurance-Prozess. Das eigentliche Problem ist selten die KI. Es fehlt ein Setup für Standards und saubere Qualitätssicherung.

Wo es in der Realität kippt

Ein typisches Muster aus meiner Arbeit: Akademisch starke Founder-Teams bauen beeindruckende Konzepte. Deep Research. Saubere Modelle. Gute Storylines. Sobald es aber um Execution geht, bricht das System.

Kundengespräche werden vermieden oder mechanisch durchgeführt. Gespräche wirken wie Skriptabfragen. Keine echte Empathie. Kein echtes Zuhören. Keine Beziehung zum Kunden.

Auf der Tech-Seite sehe ich Ähnliches. In meiner aktuellen Umfrage mit 58 überwiegend Senior Engineers zeigt sich klar: AI-Code wird fast immer manuell überprüft. Vertrauen in KI als autonomen Entscheider existiert nicht. KI wird als Accelerator genutzt, nicht als Autorität.

Das ist kein Zufall. Denn produktive Software entsteht nicht durch Copy-Paste. Sie muss in bestehende Systeme und Rahmenbedingungen passen, Sicherheitsanforderungen erfüllen, Deployment-Prozesse integrieren und langfristig wartbar bleiben. Das kann aktuell keine einfache Prompt-Abkürzung ersetzen.
Teams, die das verstanden haben, gehen deshalb weg von Einzel-Prompts hin zu agentenbasierten Workflows mit klaren Übergaben, Prüfmechanismen und Verantwortlichkeiten.

Das eigentliche Problem ist dabei selten das Team. Es ist die fehlende strategische Entscheidung auf Management-Ebene, KI nicht nur als Produktivitätstool, sondern als neues Operating Model zu denken.

Welche Teams besonders gefährdet sind

Am stärksten gefährdet sind Teams, die:

• stark konzeptionell arbeiten, aber wenig operativ liefern
• wenig reale Kundenkontakte haben
• sich auf Präsentationen statt auf Systeme fokussieren
• Output mit Fortschritt verwechseln

Auch Innovationseinheiten in Corporates fallen oft in diese Kategorie. Viele Slides. Wenig reale Marktinteraktion. Viel Strategie. Wenig Ownership für Umsetzung.

Execution ist der neue Rare Skill

Execution bedeutet heute mehr als „machen“. Es bedeutet:

• komplexe Systeme und Kontext verstehen
• mit Unsicherheit arbeiten
• Feedback aus der Realität integrieren
• Technik, Menschen und Prozesse verstehen und orchestrieren
• Verantwortung übernehmen, wenn es nicht funktioniert
• und vor allem auch weitere Erfahrung sammeln und lernen mit KI zu wachsen

In meinen Umfrageergebnissen zeigt sich ein weiteres Muster: Der größte Aufwand liegt nicht im Schreiben von Code, sondern im Aufbau produktionsreifer Grundlagen. CI/CD, Infrastruktur, Sicherheit, Deployment. Genau dort entscheidet sich, ob ein Projekt tragfähig wird.

Execution ist nicht immer sexy. Aber sie ist der Engpass.

Wie LLMs sinnvoll genutzt werden sollten

LLMs sind kein Ersatz fürs Denken. Sie ist zur Zeit ein Sparringspartner.

Die besten Teams nutzen LLMs so:

• als Ideengenerator, nicht als Entscheidungsinstanz
• als Beschleuniger, nicht als Shortcut
• eingebettet in agentenbasierte Workflows und Review-Prozesse
• gekoppelt an klare Standards und Qualitätsschranken

Wer LLM-Output blind übernimmt, gibt Kontrolle ab. Wer die Technologie ignoriert, verliert Tempo. In der Praxis heißt das: KI beschleunigt Arbeit, aber sie nimmt dir nicht die Verantwortung ab. Und genau hier werden automatisierte Qualitätsmechanismen entscheidend. Ohne klare Checks, Standards und kontinuierliche Validierung skaliert KI nicht produktiv, sondern nur Fehler.

Was bedeutet das für die Zukunft?

Gerade im Startup-Ökosystem werden wir in den nächsten Jahren immer mehr brillante Konzepte sehen. Aber nur wenige Startups werden sie wirklich umsetzen können. Der neue Wettbewerbsvorteil ist nicht, Ideen zu haben. Nicht Slides. Nicht Prompts. Es ist die Fähigkeit, komplexe Realität in funktionierende Systeme zu übersetzen und zuverlässig auszuführen. 

Oder anders gesagt: In einer Welt mit künstlicher Intelligenz gewinnt, wer konsequent executed. Denn das ist der härteste Skill beim Aufbau reproduzierbarer, automatisierter Systeme.

Über den Autor
Peyman Pouryekta arbeitet seit fast zwei Jahrzehnten im Bereich Technologie und Produktentwicklung. Mit seinem Unternehmen beschäftige er sich intensiv mit dem Thema, wie Startups den schnellen Erfolg mit einhergehenden Wachstumsschmerzen in den Griff bekommen.

Startup-Jobs: Auf der Suche nach einer neuen Herausforderung? In der unserer Jobbörse findet Ihr Stellenanzeigen von Startups und Unternehmen.

Foto (oben): Shutterstock