Labor as a Service: Der angebliche Tod von SaaS und was wirklich passiert

Die Schlagzeile, die alle falsch verstehen

Öffnen Sie 2026 irgendeine Technologiepublikation und Sie finden einen vertrauten Refrain: "SaaS ist tot." Venture-Capitalists tweeten darüber. Gründer pivotieren deshalb. Konferenz-Keynotes drehen sich darum. Die Erzählung hat Fluchtgeschwindigkeit erreicht — mittlerweile wirkt es fast wie eine feststehende Tatsache.

Nur ist das nicht so.

Die These, Software as a Service habe sein Ende erreicht, ist nicht nur verfrüht — sie verkennt, was in der Branche wirklich passiert. Es ist nicht das Ende eines Liefermodells. Es ist die Geburt einer völlig neuen Beziehung zwischen Intelligenz und Infrastruktur. Wer diesen Moment falsch liest, trifft Entscheidungen, die Jahre kosten.

Hier ist die Wahrheit, ganz klar ausgesprochen: SaaS stirbt nicht. Es wird in einem Maß konsumiert werden, das alles in der Geschichte der Unternehmenstechnologie überragt. Aber die Konsumenten werden keine Menschen sein, die an Schreibtischen sitzen, durch Dashboards klicken und CSV-Dateien exportieren. Die Konsumenten werden autonome KI-Agenten sein — unermüdlich, parallel, rund um die Uhr im Einsatz — die SaaS-Anwendungen so behandeln, wie Fabrikroboter Werkzeugmaschinen behandeln: als Produktionsinstrumente, die mit übermenschlicher Geschwindigkeit eingesetzt werden.

This shift has a name. We call it Labor as a Service — LAAS — und es steht für die bedeutendste Veränderung darin, wie Unternehmen Technologie einkaufen, ausrollen und Mehrwert daraus ziehen, seit Marc Benioff ein CRM in die Cloud gebracht hat.

"Geschäftsanwendungen, wie wir sie kennen, werden im Agentenzeitalter zusammenbrechen."

— Satya Nadella, CEO von Microsoft

Nadella liegt mit dem Zusammenbruch nicht falsch. Er spricht nur über die Schnittstellenschicht. Die Anwendungen selbst — die Datenbanken, die APIs, die Geschäftslogik, die Workflow-Engines — verschwinden nicht. Sie werden sich vervielfachen. Was zusammenbricht, ist die Annahme, dass ein Mensch zwischen dem Geschäftsproblem und der Software sitzen muss, die es löst.

Bevor es SaaS gab: Eine Geschichte, die die meisten nicht kennen

Um zu verstehen, warum Labor as a Service die natürliche Weiterentwicklung der Softwarebranche ist, muss man viel weiter zurückgehen als bis zur Gründung von Salesforce im Jahr 1999. Der Impuls, Rechenleistung als On-Demand-Service bereitzustellen — statt als Produkt, das man installiert — ist so alt wie das kommerzielle Computing selbst.

Die Ära der Service Bureaus (1930er bis 1960er)

Der Entscheidungsbaum war schon damals einfach. War Ihr Transaktionsvolumen hoch genug, kauften Sie den Mainframe. Wenn nicht, nutzten Sie ein Service Bureau. Dieselbe Rechnung — bauen versus kaufen, besitzen versus mieten — hat seitdem jeden großen Plattformwechsel angetrieben.

Das Application-Service-Provider-Experiment (1990er)

Das ASP‑Modell scheiterte aus lehrreichen Gründen. Die Bandbreite war unzureichend. Die Latenz war für interaktive Anwendungen inakzeptabel. Die Sicherheit war fraglich. Und kritisch: Die meisten ASPs hosteten nur dasselbe monolithische On‑Prem‑Software auf eigenen Servern — ohne Neuarchitektur für Multi‑Tenancy oder internetnative Bereitstellung. Sie versuchten, ein Cloud‑Erlebnis mit Prä‑Cloud‑Technologie zu verkaufen.

Aber der Instinkt stimmte. Der Markt wollte Software als Service. Es fehlte nur die Infrastruktur, um mit dem Ehrgeiz Schritt zu halten.

Die Geburt von SaaS und das Ende des Shrink-Wrap

Die Kern-Erkenntnis des frühen SaaS war trügerisch einfach. Software war immer teuer zu verteilen und zu pflegen. Wenn Sie das Verteilungsproblem durch Browser-Lieferung und das Wartungsproblem durch zentralisierte Updates beseitigen, erschließen Sie ein Geschäftsmodell mit außergewöhnlicher Ökonomik: wiederkehrende Umsätze, geringere Akquisitionsreibung und sich verstärkende Netzwerkeffekte.

Was Benioff ahnte — und was der Markt schließlich bestätigte — war: Den meisten Unternehmen ist Software egal. Sie interessieren sich für Ergebnisse. CRM-Software ist nur das Mittel, mit dem sie bessere Kundenbeziehungen erreichen. Je weniger sie über das Mittel nachdenken müssen, desto besser.

Merken Sie sich diesen Punkt—er ist der Schlüssel für alles Folgende.

Das goldene Zeitalter: Tausend Tools für jede Aufgabe

Zwischen 2008 und 2024 wurde SaaS von einer disruptiven Idee zum Standard-Liefermodell für fast alle Business-Software. Die Zahlen sind atemberaubend.

Jede denkbare Geschäftsfunktion bekam ihre eigene SaaS-Schicht. Kundenbeziehungen bekamen Salesforce und HubSpot. Projektmanagement bekam Asana, Monday.com, Jira und Dutzende weitere. Kommunikation bekam Slack, Microsoft Teams und Zoom. Buchhaltung bekam Xero und QuickBooks Online. Marketing bekam Mailchimp, Marketo und Klaviyo. Personalwesen bekam BambooHR, Workday und Rippling. Selbst Nischenfunktionen — Restaurant-Wartelistenmanagement, Terminplanung in Zahnarztpraxen, HVAC-Dispatch — bekamen ihre eigenen spezialisierten SaaS-Anwendungen.

Die SaaS-Explosion war ein echtes Spezialisierungstriumph. Zum ersten Mal in der Geschichte konnte ein Fünf-Personen-Unternehmen auf dasselbe Kaliber von Tools zugreifen, das zuvor dem Fortune 500 vorbehalten war. Die Demokratisierung von Enterprise-Software war eine der folgenreichsten wirtschaftlichen Entwicklungen des frühen 21. Jahrhunderts.

Aber dieses goldene Zeitalter trug bereits den Keim eines anderen Problems in sich.

Das Problem, über das niemand spricht: Tool-Müdigkeit

Bis 2024 nutzte ein durchschnittliches Midmarket-Unternehmen irgendwo zwischen 100 und 300 SaaS-Anwendungen. Konzerne oft über tausend. Jede App hatte eigenes Login, Interface, Logik, Datensilo und Lernkurve.

Das Versprechen von SaaS war Vereinfachung. Die Realität wurde Komplexität im großen Maßstab.

Stellen Sie sich vor, wie ein typischer Kundenservicebetrieb im Jahr 2026 aussieht. Ein Mitarbeiter muss im CRM die Kundenhistorie prüfen, in der Wissensdatenbank Richtliniendetails nachschlagen, das Ticketsystem mit Lösungsnotizen aktualisieren, in der Abrechnungsplattform den Kontostatus prüfen, über das Marketing-Automatisierungstool eine Follow-up-E-Mail senden und die Interaktion in der Analyseplattform protokollieren. Das sind sechs verschiedene Anwendungen, sechs verschiedene Tabs, sechs verschiedene Oberflächen — für eine einzige Kundeninteraktion.

The software worked. Each individual tool did its job. But the menschlich Die Arbeit über all diese Tools hinweg wurde zum Flaschenhals. Kontextwechsel, Daten zwischen Systemen kopieren und einfügen, sich merken, welches Tool welche Information enthält, Navigation durch verschiedene UIs mit verschiedenen Mentalmodellen — dieser kognitive Overhead verschlang einen enormen Teil des Arbeitstags.

Studien zeigten, dass Wissensarbeiter nur 40 % ihrer Zeit mit tatsächlich produktiver Arbeit verbrachten. Der Rest entfiel auf den operativen Aufwand für die Verwaltung der Tools, die sie produktiver machen sollten.

Die Branche versuchte, das mit Integrationsplattformen zu lösen — Zapier, Workato, MuleSoft —, was half, aber eine weitere Komplexitätsschicht hinzufügte. Dann kam die „Plattform-Strategie“, bei der große Anbieter versuchten, alles unter einem Dach zu vereinen. Das half bei einigen Workflows, konnte aber nicht jeden Anwendungsfall abdecken.

Das eigentliche Problem war strukturell. SaaS wurde unter der Annahme entwickelt, Menschen seien die Bediener. Jedes Dashboard, jeder Button, jede Drag‑and‑Drop‑Oberfläche wurde für menschliche Augen und Hände gebaut. Aber was, wenn der Bediener kein Mensch ist?

Auftritt des Agenten: Software, die Software nutzt

Das Aufkommen leistungsfähiger AI-Agenten in den Jahren 2024 und 2025 hat die grundlegende Gleichung von Unternehmenssoftware verändert. Zum ersten Mal wurde es möglich, autonome Softwareeinheiten bereitzustellen, die Folgendes konnten:

• Grund about problems using natural language understanding
• Plan / Tarif multi-step workflows without explicit programming
• Ausführen actions through APIs, interfaces, and tool calls
• Mehr erfahren from interactions and improve over time
• Orchestrieren across multiple systems simultaneously

Das war nicht bloß Automatisierung. Automatisierung gibt es seit Jahrzehnten. Robotic Process Automation (RPA) konnte klicken und Formulare ausfüllen. Workflow‑Engines konnten Dokumente routen. Cron‑Jobs konnten Skripte nach Zeitplan ausführen. Aber all das erforderte einen Menschen, der jeden Schritt, jede Verzweigung und jeden Ausnahme‑Handler im Voraus definierte.

KI-Agenten sind grundsätzlich anders, weil sie Grund. Mit einem Ziel und Zugriff auf Tools können sie herausfinden wie um es zu erreichen. Sie können neuartige Situationen bewältigen, denen sie noch nie begegnet sind. Sie können sich anpassen, wenn ein Ansatz nicht funktioniert. Sie können klärende Fragen stellen, wenn Anforderungen mehrdeutig sind.

Und entscheidend: Sie brauchen keine grafische Benutzeroberfläche. Sie interagieren direkt mit APIs, Datenbanken und strukturierten Daten — der Maschinerie unter dem Dashboard. Was früher erforderte, dass ein Mensch drei verschiedene Anwendungen durchklickt und Informationen von einem Bildschirm auf den nächsten kopiert, erledigt ein Agent in Sekunden über direkte API-Aufrufe an alle drei Systeme gleichzeitig.

"Anwendungen sind im Wesentlichen CRUD-Datenbanksysteme. Sie haben etwas Geschäftslogik. Diese Geschäftslogik wird in die KI-Schicht migrieren."

— Satya Nadella über die Zukunft von Unternehmensanwendungen

Jetzt kippt die Erzählung. SaaS‑Anwendungen wurden als Werkzeuge für Menschen gebaut. KI‑Agenten machen dieselben Anwendungen zu Werkzeugen für autonome Arbeiter. Das Dashboard wird überflüssig — nicht weil die Anwendung es ist, sondern weil der Bediener keine visuelle Oberfläche braucht. Der Agent liest und schreibt Daten direkt.

Agenten heute in Produktion

Das ist keine Theorie. Anfang 2026 zeigt die Unternehmenslandschaft bereits klare Anzeichen dieser Verschiebung:

• Adobes Experience Cloud deploys AI agents that autonomously write, test, and optimize advertising copy across campaigns
• Workday uses agentic AI to prepare journal entries and process financial data without human data entry
• ServiceNow agents handle support ticket triage, categorization, and initial resolution autonomously
• Kundendienstabläufe across industries are deploying AI agents that handle 40-60% of incoming inquiries without human intervention

Camunda-Bericht 2026 (Agentic Orchestration): 81 % der Enterprise-Befragten halten agentische Orchestrierung für unverzichtbar; 57 % betreiben bereits KI-Agenten produktiv.

Was ist Labor as a Service?

Labor as a Service — LAAS — ist das Geschäftsmodell, das entsteht, wenn KI-Agenten zu den primären Nutzern von Software-Tools werden.

Im SaaS-Modell kaufen Sie Zugang zu einem Werkzeug. Sie zahlen pro Sitz, pro Monat, für das Recht, die Software zu nutzen. Die Wertschöpfung hängt vollständig davon ab, wie effektiv Ihr menschliches Team dieses Werkzeug bedient. Ein CRM ist nur so gut wie die Vertriebsmitarbeiter, die es aktualisieren. Ein Projektmanagement-Tool funktioniert nur, wenn Menschen es tatsächlich nutzen. Eine Analyseplattform ist nutzlos, wenn niemand die Dashboards liest.

Im LAAS-Modell kaufen Sie Ergebnisse. Sie zahlen nicht für einen Sitz in einer Kundenservice-Plattform. Sie zahlen für gelöste Kundenanfragen. Sie zahlen nicht für eine Marketing-Automatisierungslizenz. Sie zahlen für generierte qualifizierte Leads. Sie zahlen nicht für den Zugang zu einem Buchhaltungssystem. Sie zahlen für abgeschlossene Abstimmungen.

The shift is radical not because the software changes, but because the Wertschöpfungskette Änderungen. Bei SaaS endet die Verantwortung des Anbieters bei funktionsfähiger Software. Schulung, Adoption, Nutzung und Ergebnisse sind Sache des Kunden. Bei LAAS übernimmt der Anbieter die gesamte Kette vom Tool bis zum Outcome. Der Agent ist die Brücke zwischen Softwarefähigkeit und Geschäftsergebnis.

Die Architektur von LAAS

Ein Labor-as-a-Service-Angebot ist auf drei Schichten aufgebaut:

1. Die Tool-Schicht (SaaS) — Die zugrunde liegenden Softwareanwendungen, die Daten speichern, Geschäftslogik ausführen und APIs bereitstellen. Das ist bestehende SaaS-Infrastruktur: CRMs, ERPs, Kommunikationsplattformen, Datenbanken, Analyse-Engines. Diese Schicht verschwindet nicht. Sie wächst.
2. Die Agenten-Schicht (Intelligence) — Autonome KI-Agenten, die über Geschäftsprobleme nachdenken, innerhalb definierter Governance-Grenzen entscheiden und Aktionen über die Tool-Schicht ausführen. Das ist die neue Mittelschicht, die Tools in Arbeitskräfte verwandelt.
3. Die Governance-Schicht (Trust) — Regeln, Einschränkungen, Audit-Trails und menschliche Aufsichtsmechanismen, die sicherstellen, dass Agenten innerhalb genehmigter Grenzen arbeiten. Diese Ebene legt fest, was ein Agent darf und nicht darf, wann er an einen Menschen eskalieren muss und wie jede Aktion protokolliert und nachprüfbar ist.

Diese Dreischicht‑Architektur ist unverzichtbar. Ohne die Tool‑Schicht haben Agenten keine Basis. Ohne die Agent‑Schicht brauchen Tools weiterhin Menschen zur Bedienung. Ohne die Governance‑Schicht sind Agenten unkontrolliert und nicht vertrauenswürdig.

Jede ernsthafte LAAS-Implementierung braucht alle drei.

Die Wendung: SaaS ist nicht tot

Hier geht die populäre Erzählung katastrophal schief.

Wenn Menschen sagen, „SaaS ist tot“, stellen sie sich eine Welt vor, in der das CRM verschwindet, das Projektmanagement-Tool verdampft und die Buchhaltungssoftware erlischt. Sie sehen KI-Agenten in einer formlosen Leere, die Geschäftsergebnisse durch reine Intelligenz herbeizaubern.

So funktioniert das alles nicht.

KI-Agenten brauchen Werkzeuge. Sie brauchen Datenbanken zum Lesen und Schreiben. Sie brauchen ausführbare Geschäftslogik. Sie brauchen Kommunikationsprotokolle zur Anbindung. Sie brauchen verständliche Datenmodelle. Jede Aktion eines Agenten ist im Kern ein API-Aufruf an ein Softwaresystem.

Agenten ersetzen Software nicht. Agenten konsumieren Software.

Und sie konsumieren es in einer Geschwindigkeit und einem Volumen, die keine menschliche Belegschaft erreichen könnte. Betrachten Sie die Auswirkungen:

• Ein menschlicher Kundenservice-Agent bearbeitet vielleicht 40-60 Interaktionen pro Tag. Ein KI-Agent kann Tausende gleichzeitig bearbeiten.
• Ein Mensch führt API-Aufrufe über einen Browser aus, einen nach dem anderen, mit Bedacht. Ein Agent führt API-Aufrufe programmatisch, parallel und in Millisekunden aus.
• Ein Mensch arbeitet 8-10 Stunden pro Tag, 5 Tage pro Woche. Ein Agent arbeitet 168 Stunden pro Woche, 52 Wochen im Jahr — ohne Pausen, ohne Krankheitstage, ohne Fluktuation.

Wenn Sie ein SaaS-Unternehmen sind und Ihr Produkt pro API-Aufruf, pro Transaktion oder pro verarbeitetem Datenvolumen bepreist wird, ist das LAAS-Zeitalter das Beste, was Ihnen je passiert ist. Ihre Verbrauchsmetriken stehen kurz davor, senkrecht nach oben zu gehen.

Wenn Ihre Preisgestaltung pro Sitz — pro menschlichem Nutzer — erfolgt, dann ja, haben Sie ein Problem. Nicht weil Ihre Software ersetzt wird, sondern weil Ihr Preismodell den geschaffenen Wert nicht erfasst. Die Software ist nützlicher denn je. Aber der Nutzer auf dem Sitz ist kein Mensch mehr.

Die Zahlen lügen nicht

Die weltweiten SaaS-Ausgaben nähern sich 2025 der Marke von 300 Milliarden US-Dollar und werden voraussichtlich nicht schrumpfen, sondern sich weiter beschleunigen. Die Ausgaben für Unternehmenssoftware sollen 2026 um über 15 % wachsen, wobei der Großteil dieses Wachstums von KI-fähigen Anwendungen getrieben wird. Der B2B-SaaS-Markt ist auf dem Weg, bis 2031 1,58 Billionen US-Dollar zu erreichen.

Das sind nicht die Zahlen einer sterbenden Branche. Das sind die Zahlen einer Branche, die von einer neuen Verbraucherklasse in Maschinengeschwindigkeit angekurbelt wird.

Die Ökonomie von LAAS: Vom Lizenz- zum Ergebnismodell

Die wirtschaftliche Transformation von SaaS zu LAAS betrifft jeden Aspekt davon, wie Technologie gekauft, verkauft und bewertet wird.

Abmessung	SaaS-Modell	LAAS-Modell
Was Sie kaufen	Zugang zu Software-Tools	Abgeschlossene Geschäftsergebnisse
Abrechnungseinheit	Pro Sitz, pro Monat	Pro Outcome, pro Lösung, pro Aufgabe
Der Wert hängt ab von	Menschliches Können im Umgang mit dem Werkzeug	Agentenfähigkeit und Governance-Qualität
Skalierung erfordert	Mehr Leute einstellen, mehr Seats kaufen	Mehr Agentenkapazität bereitstellen
Zeit bis zum Mehrwert	Wochen bis Monate (Schulung, Einführung)	Stunden bis Tage (Agentenbereitstellung)
Auslastung	Variiert je nach Mitarbeiterbindung	Nahezu 100 % — Agenten prokrastinieren nicht
Betriebszeiten	Geschäftszeiten (8–10 Std./Tag)	168 Stunden pro Woche, 52 Wochen pro Jahr
Qualitätskonstanz	Variiert je nach Person	Governiert, prüfbar, konsistent

Das ergebnisbasierte Preismodell hat tiefgreifende Auswirkungen auf Käufer und Anbieter. Für Käufer bedeutet es: nur für erhaltenen Wert zahlen. Keine „Regalsoftware“ mehr — gekaufte Lizenzen, die nie genutzt werden. Kein „Wir haben den Enterprise‑Plan gekauft, nutzen aber nur drei Features“. Jeder ausgegebene Dollar entspricht einer messbaren Einheit erledigter Arbeit.

Für Verkäufer bedeutet das eine andere Art von Beziehung. Sie sind nicht länger im Werkzeuggeschäft. Sie sind im Arbeitsgeschäft. Ihr Umsatz korreliert direkt mit dem Wert, den Sie Ihren Kunden liefern, was bedeutet, dass Ihre Anreize perfekt auf ihre ausgerichtet sind. Das ist gesünder als nutzerbasierte Preisgestaltung, bei der der Anbieter von der Anzahl der Seats profitiert, unabhängig davon, ob diese Seats Ergebnisse liefern.

Die Margenfrage

Skeptiker fragen sofort nach Margen. Wenn Sie Ergebnisse statt Softwarezugang liefern, steigen Ihre Kosten nicht mit der Auslieferung? Ja — aber die Kostenkurve für KI-Inferenz bricht schneller ein als fast jede andere Technologiekostenkurve in der Geschichte. Die Modellkosten sanken allein in den ersten zwei Monaten von 2025 um etwa 80 %. Je günstiger die Inferenz wird, desto stärker verbessert sich die Marge bei Preisen pro Ergebnis.

Der Vergleich passt zur Cloud-Infrastruktur. AWS-Preise pro Rechenstunde wirkten riskant gegenüber dem Verkauf perpetuierlicher Serverlizenzen. Doch als Infrastrukturkosten fielen und die Nutzung wuchs, erwies sich das Nutzungsmodell für Anbieter und Kunden überlegen.

Wie LAAS in der Praxis aussieht

Abstrakte Frameworks sind nützlich, aber echtes Verständnis entsteht, wenn man LAAS im Betrieb sieht. Gehen wir drei Szenarien durch, die das Modell veranschaulichen.

Szenario 1: Kundenservice, der nie schläft

Ein Home-Services-Unternehmen — Sanitär, HVAC, Elektro — erhält pro Woche Hunderte Kundenanfragen. Im SaaS-Modell würde es eine Helpdesk-Plattform (Zendesk, Freshdesk), ein CRM (HubSpot, Salesforce), ein Planungstool (ServiceTitan) und eine Kommunikationsplattform (Twilio) kaufen. Danach würde es Kundenservice-Mitarbeiter einstellen und schulen, um alle vier Systeme zu bedienen.

Im LAAS-Modell steuert ein KI-Agent alle vier Systeme autonom. Ruft ein Kunde um 2 Uhr morgens mit einem Heizungsnotfall an, stuft der Agent den Anruf anhand der Notfallkriterien des Unternehmens ein, prüft im Scheduling-System verfügbare Bereitschaftstechniker, sieht die Kundenhistorie im CRM nach, entsendet den passenden Techniker, sendet dem Kunden eine Bestätigung und protokolliert alles im Helpdesk zur Qualitätsprüfung.

Das Unternehmen zahlt nicht für vier SaaS-Plätze plus ein Menschengehalt. Es zahlt pro gelöster Anfrage. Die SaaS-Tools laufen weiter — der Agent braucht sie — aber der menschliche Engpass ist weg.

Szenario 2: Marketing Operations mit Maschinengeschwindigkeit

Ein mittelständisches E-Commerce-Unternehmen muss kanalübergreifende Marketingkampagnen betreiben. Traditioneller Ansatz: Marketingteam einstellen, E-Mail-Plattform, Social-Media-Scheduler, Analytics-Suite, A/B-Testing-Tool und CMS abonnieren. Danach Monate in Schulung, Workflow-Aufbau und Performance-Optimierung investieren.

LAAS-Ansatz: Ein Agent verarbeitet die Markenrichtlinien, den Produktkatalog und historische Leistungsdaten des Unternehmens. Danach erstellt er eigenständig Kampagneninhalte, plant die Verteilung über Kanäle, überwacht Echtzeitkennzahlen, passt Targeting und Botschaften anhand der Ergebnisse an und erstellt Wochenberichte zur menschlichen Prüfung. Der menschliche Marketingdirektor wechselt vom Bediener zum Strategen — Ziele setzen und Ergebnisse prüfen statt sich durch sechs verschiedene Oberflächen zu klicken.

Szenario 3: Finanzabschluss, der von selbst läuft

Am Monatsende vollziehen Buchhaltungsteams weltweit das Ritual des „Abschlusses“ — Konten abstimmen, Transaktionen zuordnen, Buchungen vorbereiten, Abweichungen prüfen und Berichte erstellen. Es ist ein intensiv manueller, multisystemischer Prozess, der typischerweise 5–10 Werktage dauert.

In einer LAAS-Implementierung übernehmen Agenten die mechanische Arbeit: Sie ziehen Transaktionen aus dem ERP, gleichen sie mit Bank-Feeds ab, erstellen Standard-Buchungssätze, markieren Anomalien zur menschlichen Prüfung und generieren vorläufige Finanzabschlüsse. Ein Prozess, der früher ein Team von Buchhaltern eine Woche beschäftigt hat, ist nun in Stunden erledigt, wobei Menschen das Ergebnis prüfen, statt es selbst zu erzeugen.

Die Rolle des Menschen in einer LAAS-Welt

Der häufigste Einwand gegen LAAS — und generell gegen KI-Agenten — ist existenziell: „Was passiert mit den Menschen?“

Das ist eine berechtigte Frage, und sie verdient eine durchdachte Antwort statt abweisendem Techno-Optimismus.

In a LAAS world, human roles shift from Vorgang zu Aufsicht, von Ausführung zu Governance, von tut zu entscheiden. Das ist kein Euphemismus für Abschaffung. Es ist eine echte Transformation der Arbeitsweise.

Denken Sie daran, wie sich die Rolle des Fabrikarbeiters während der Industriellen Revolution verändert hat. Vor der Automatisierung formte ein Mensch jedes Bauteil persönlich. Nach der Automatisierung entwarfen Menschen die Prozesse, warteten die Anlagen, prüften die Ergebnisse und behandelten die Ausnahmen, die Maschinen nicht bewältigen konnten. Der insgesamt erzeugte Wert schoss in die Höhe, und die Arbeit wurde komplexer und wertvoller, nicht weniger.

Dieselbe Dynamik entfaltet sich jetzt beim Wissensarbeit:

• Kundendienstmitarbeiter werden Customer-Experience-Strateg:innen, die Interaktionsrichtlinien entwickeln, Agentenleistung prüfen, eskalierte Fälle mit Empathie und Urteilsvermögen bearbeiten und die Governance-Regeln, die KI-Verhalten begrenzen, fortlaufend verfeinern.
• Marketingkoordinatoren werden Marketing-Direktor:innen, die Kampagnenstrategie festlegen, KI-generierte Inhalte auf Marken-Fit prüfen, Performance auf höherer Ebene analysieren und kreative Entscheidungen treffen, die kulturellen Kontext und menschliche Intuition erfordern.
• Buchhalter werden Finanzanalyst:innen, die KI-erstellte Auswerteungen prüfen, Anomalien untersuchen, strategische Finanzsteuerung liefern und urteilsintensive Entscheidungen treffen, die Geschäftskontext jenseits der Zahlen erfordern.

Der rote Faden: Menschen steigen in der Wertschöpfungskette auf. Wiederholungsarbeit, prozessgetriebene Navigation über viele Tools übernehmen Agenten. Strategisches, urteilsintensives, kreatives und einfühlsames Arbeiten bleibt bei Menschen. Oft wird die menschliche Rolle interessanter, nicht weniger.

Das Governance-Imperativ

Es gibt eine neue menschliche Rolle, die das LAAS‑Zeitalter aus dem Nichts schafft: KI-Governance.

Wenn Agenten autonom arbeiten, muss jemand die Grenzen festlegen. Was darf der Agent Kund:innen sagen? Welche Preisermächtigung hat er? Wann muss eskaliert werden? Wie prüfen wir seine Entscheidungen? Auf welche Inhalte darf er sich beziehen? Was zählt als Halluzination versus gültige Inferenz?

Diese Governance‑Fragen sind im Kern menschliche Fragen. Sie erfordern ethisches Urteil, Fachexpertise und Verantwortung, die nicht an die KI selbst delegiert werden kann. Jedes Unternehmen, das LAAS einsetzt, braucht Menschen, die Technologie und Geschäft gut genug verstehen, um angemessene Leitplanken zu setzen.

Aus diesem Grund haben wir Office 168/52 so gebaut. Bob, unser KI‑Agent, ist von Grund auf mit Governance im Mittelpunkt konzipiert. Jede Antwort stützt sich auf vom Kunden freigegebene Inhalte. Wenn Bob etwas nicht weiß, sagt er das. Jede Interaktion wird protokolliert, prüfbar und nachvollziehbar. Die KI arbeitet nicht im luftleeren Raum — sie arbeitet innerhalb eines Vertrauensrahmens, den Menschen definieren und pflegen.

Wer in der LAAS-Ära gewinnt

Nicht jedes Unternehmen ist gleichermaßen für den Übergang von SaaS zu LAAS positioniert. So verändert sich die Wettbewerbslandschaft:

Gewinner

• API-first-SaaS-Unternehmen — Wenn Ihre Software für den programmatischen Zugriff gebaut ist, können Agenten sie sofort nutzen. Unternehmen mit robusten, gut dokumentierten APIs werden zur essenziellen Infrastruktur im LAAS-Stack.
• Ergebnisorientierte KI-Unternehmen — Unternehmen, die gelöste Anfragen, qualifizierte Leads oder erledigte Aufgaben statt Softwarelizenzen verkaufen, arbeiten bereits im LAAS-Modell. Sie haben bei Preisen, Lieferung und Kundenerwartungen einen Vorsprung.
• Governance-orientierte Plattformen — Vertrauen ist die knappste Ressource im Agenten-Zeitalter. Plattformen, die Auditierbarkeit, evidenzbasierte Antworten und transparente Entscheidungsfindung nachweisen können, werden eine Premium-Position einnehmen.
• Branchenspezialisten — Agenten, die eine Branche tief verstehen — Gesundheitswesen, Hausdienstleistungen, Recht, Finanzdienstleistungen — schlagen generische Agenten, weil sich Domänenexpertise potenziert. Je besser ein Agent HVAC-Notfälle oder die Terminplanung in der Zahnarztpraxis versteht, desto besser bedient er genau diese Kundinnen und Kunden.
• Kleine Unternehmen — LAAS ist der große Ausgleich. Ein Fünf-Personen-Unternehmen kann KI-Agenten einsetzen, die denselben Standard an Kundenservice, Marketing-Umsetzung und operativer Effizienz liefern wie ein Unternehmen mit 500 Mitarbeitenden. Der Skalenvorteil über Kopfzahlen schwindet.

Verlierer

• Nur-Dashboard-SaaS — Wenn der Hauptwert Ihres Produkts eine hübsche Oberfläche zum Datenansehen ist und Sie keinen robusten API-Zugang bieten, können Agenten Sie nicht nutzen. Ihre Software wird eine Visualisierungsschicht über Daten, auf die Agenten direkt an der Quelle zugreifen.
• Widerstand / Altlasten beim Umstieg auf pro-Sitz-Modelle — Unternehmen, die auf Preise pro menschlichem Seat bestehen, sehen ihre Erlösmodelle unter Druck, wenn Kunden menschliche Bearbeiter auf Agenten-Workflows umstellen. Die Seat-Zahl sinkt, auch wenn die Nutzung steigt.
• Undifferenzierte Personalvermittler — Agenturen und Personaldienstleister, die generische menschliche Arbeit auf Prozessebene für Aufgaben liefern, die Agenten übernehmen können, treffen auf direkte Konkurrenz von LAAS-Anbietern, die dieselben Ergebnisse zu geringeren Kosten mit höherer Konsistenz liefern.

Der Weg nach vorn: 2026 bis 2030

Wir befinden uns in den allerfrühesten Phasen der LAAS-Transformation. Nach aktuellen Entwicklungspfaden und beobachtbaren Trends spricht vieles dafür, dass die nächsten vier Jahre Folgendes bereithalten:

2026: Das Jahr des Agenten-Deployments

Genau hier stehen wir jetzt. Die Technologie ist erprobt. Early Adopter sehen echte Ergebnisse. Laut G2‑Research nutzen oder testen 72 % der Unternehmen KI‑Agenten. Das MIT's Harvard Data Science Review veröffentlichte Erkenntnisse zu 2‑ bis 10‑fachen Produktivitätsgewinnen, wenn Workflows um Agenten neu gestaltet werden, statt KI nur auf bestehende menschliche Prozesse aufzusetzen.

Aber es gibt eine Lücke. Camundas Forschung zeigt eine 73%-Diskrepanz zwischen der Vision von Agentic AI in Unternehmen und der Realität. Die meisten Organisationen pilotieren noch. Die nächsten 12 Monate gehen darum, von Pilot zu Produktion zu kommen.

84 % der Unternehmensführer planen, die Investitionen in KI-Agenten in diesem Jahr zu erhöhen. Das Kapital bewegt sich.

2027: Die Preisrevolution

Mit wachsender Agentennutzung gerät das Pro-Sitz-Preismodell unter nicht haltbaren Druck. SaaS-Anbieter werden zu nutzungs-, ergebnis- oder hybriden Modellen wechseln, die nicht-menschliche Nutzer berücksichtigen. Frühe Umsteiger 2026–2027 werden Marktanteile von zögerlichen Platzhirschen gewinnen.

Wir werden auch das Entstehen von „Agent Marketplaces“ sehen — Plattformen, auf denen Unternehmen spezialisierte Agenten für bestimmte Funktionen abonnieren können, ähnlich wie heute SaaS-Tools. Doch statt Software abonnieren sie Fähigkeit.

2028: Die Integrationswelle

Je mehr Agenten es gibt, desto wichtiger wird Orchestrierung. Multi-Agenten-Systeme—spezialisierte Agenten für Kundenservice, Marketing, Finanzen und Operations, die zusammenarbeiten und Kontext teilen—werden zur Standard-Enterprise-Architektur. Das erzeugt enorme Nachfrage nach Integration, Daten-Governance und Kommunikationsstandards zwischen Agenten.

Unternehmen, die Multi-Agent-Orchestrierung lösen, werden die nächste Generation von Enterprise-Plattformanbietern.

2029 - 2030: LAAS als Standard

Bis Ende des Jahrzehnts wird LAAS das Standardmodell sein, wie KMU Technologiedienste konsumieren. Die Frage wird nicht sein „Sollen wir KI-Agenten nutzen?“, sondern „Welche Agenten, kontrolliert von wem, auf welcher SaaS-Infrastruktur, mit welchen Ergebnissen?“

Große Unternehmen werden hybride Modelle betreiben, in denen menschliche Spezialisten mit Agententeams zusammenarbeiten und Governance-Frameworks beide Seiten umfassen. Das Organigramm wird KI-Agenten als anerkannte Mitglieder funktionaler Teams enthalten, mit definierten Fähigkeiten, Einschränkungen und Leistungskennzahlen.

SaaS-Ausgaben werden stark steigen — Agenten verbrauchen mehr Software als Menschen —, aber der Umsatz kommt über API-Verbrauch, nicht Seat-Lizenzen. Die Branche wird größer denn je, die Kundschaft anders: mehr Maschinen als Menschen.

Wo Office 168/52 passt

Wir wollten keine Labor-as-a-Service-Firma gründen. Wir wollten ein konkretes Problem lösen: Dienstleister verloren Kunden, weil sie keine Experteninteraktion rund um die Uhr bieten konnten.

Aber die Lösung, die wir gebaut haben — Bob, ein KI-Agent, der Ihr Geschäft autonom lernt, jede Antwort in Ihren freigegebenen Inhalten verankert und mit kontrollierter, auditierbarer Intelligenz arbeitet — ist genau das, was das LAAS-Modell beschreibt.

Wenn Sie Bob auf Ihrer Website einsetzen, kaufen Sie keinen Chatbot. Sie buchen keine Software und müssen dann erst herausfinden, wie Sie sie nutzen. Sie setzen einen digitalen Kollegen ein, der:

• Lernt Ihr Geschäft ab dem ersten Tag by analyzing your website, products, services, and policies
• Arbeitet 168 Stunden pro Woche, 52 Wochen im Jahr — that's where our name comes from
• Antworten nur aus Ihren freigegebenen Inhalten, verweigert Spekulationen, wenn keine Evidenz vorliegt
• Verbessert sich kontinuierlich from every customer interaction
• Kostet nur einen Bruchteil of the human labor it augments

Bob nutzt die darunterliegenden SaaS-Tools — Kommunikationsschicht, Datenschicht, Analytics —, aber Sie müssen sie nie anfassen. Sie bekommen das Ergebnis: professionelle Kundengespräche, erfasste Leads, beantwortete Fragen, weitergeleitete Notfälle. Das ist Labor as a Service.

Und weil Governance von Grund auf in Bobs Architektur integriert ist, erhalten Sie etwas, das die meisten KI-Lösungen nicht bieten können: Vertrauen. Jede Antwort ist evidenzbasiert. Jede Interaktion wird protokolliert. Wenn Bob etwas nicht weiß, sagt er "Ich weiß es nicht", statt etwas zu erfinden. In einer Zeit, in der KI-Halluzination die größte Hürde für Enterprise-Adoption ist, ist das kein Feature — es ist das Fundament.

Der Haken, der Kern und das Fazit

Kehren wir zur Überschrift zurück: „Labor as a Service: Der Tod von SaaS.“

Jetzt kennen Sie die Wahrheit: Es ist kein Tod. Es ist eine Metamorphose.

Die Raupe stirbt nicht, wenn sie zum Schmetterling wird. Sie verwandelt sich in etwas, das auf einer völlig anderen Ebene arbeitet. SaaS — die Tools, die APIs, die Dateninfrastruktur — ist die Raupe. LAAS — die agentengesteuerte, ergebnisorientierte, governance-geschützte Lieferung erledigter Arbeit — ist der Schmetterling.

Die Tools verschwinden nicht. Sie vervielfachen sich. Der Softwareverbrauch wird ein Niveau erreichen, das undenkbar war, als Benioff 1999 Salesforce aus dieser Wohnung startete. Aber der Verbrauch wird von intelligenten Agenten in Maschinengeschichte getrieben — nicht von Menschen, die Dashboards durchklicken.

Unternehmen, die das verstehen — die die Tool-Schicht und die Arbeitsschicht als ergänzend statt konkurrierend sehen — werden die prägenden Firmen des nächsten Jahrzehnts aufbauen.

Unternehmen, die „SaaS ist tot“ wörtlich nehmen und die Tool-Schicht aufgeben, werden ohne die Infrastruktur dastehen, die ihre Agenten zum Arbeiten brauchen.

Und Unternehmen, die die Agentenrevolution vollständig ignorieren und an der Annahme festhalten, dass Software etwas ist, das Menschen mit Händen und Augen bedienen, werden von Wettbewerbern überholt, deren KI-Belegschaft nie schläft, nie denselben Fehler zweimal macht und ihren Software-Stack mit einer Präzision betreibt, die kein menschliches Team erreichen kann.

Willkommen im Zeitalter von Labor as a Service. Die Software ist nicht tot. Sie bekommt gerade ihren ersten unermüdlichen Operator.