How Will OpenAI Compete?

Wesentliche Insights

1 — Vier strategische Grundfragen

Evans identifiziert vier fundamentale Probleme für OpenAI: (1) Kein klarer Wettbewerbsvorteil — Modelle sind austauschbar. (2) Erfahrung, Produkt und Wertschöpfung werden sich massiv verändern. (3) OpenAI muss den “Messy Middle” ohne bestehende Produkte und Cashflows überstehen. (4) Das Product Team kontrolliert nicht die eigene Roadmap — es reagiert auf das, was die Labs liefern.

2 — 800 Millionen User, eine Meile breit, ein Inch tief

ChatGPT hat 800-900 Millionen User — aber nur “Weekly Active”. 80% der Nutzer sendeten 2025 weniger als 1.000 Nachrichten (durchschnittlich weniger als 3 Prompts pro Tag). Nur 5% zahlen. US-Teens nutzen es mehrheitlich ein paar Mal pro Woche oder seltener. Evans’ Diagnose: Wenn Menschen AI nur ein paar Mal pro Woche nutzen und an den meisten Tagen nichts damit anfangen können, hat es ihr Leben nicht verändert.

3 — Chatbot = Browser-Problem

Die provokanteste Analogie: Chatbots haben dasselbe Differenzierungsproblem wie Web-Browser. Beides sind “just an input box and an output box.” Bei Browsern war die letzte erfolgreiche Innovation Tabs und die Verschmelzung von Suche mit der URL-Leiste. Bei Chatbots: Wie viele Buttons kann man noch hinzufügen? Die Apps sehen alle gleich aus — einschließlich ChatGPT.

4 — Distribution schlägt Innovation

Google (Gemini) und Meta (Meta AI) gewinnen Marktanteile durch bestehende Distribution, nicht durch bessere Modelle. Anthropics Claude steht regelmäßig oben in Benchmarks, hat aber keine Consumer-Strategie und quasi null Consumer-Awareness. Wenn das Produkt undifferenziert ist, verschiebt sich Wettbewerb zu Brand und Distribution — und dort haben Incumbents strukturelle Vorteile.

5 — Die Netscape-Lektion

Microsoft hat den Browser-Markt gewonnen — und es hat nichts gebracht, weil die eigentlichen Erfahrungen und die Wertschöpfung woanders entstanden. Evans’ Implikation für AI: Selbst wenn OpenAI den Chatbot-Markt dominiert, wird der wahre Wert in neuen Erfahrungen liegen, die auf den Modellen aufbauen. Die Frage ist nicht, wer das beste Modell hat, sondern wer die nächsten Produkte erfindet.

6 — Altmans Strategie: Paper gegen Position tauschen

Evans liest OpenAIs Aktivitäten der letzten 12 Monate als den Versuch, Papier-Bewertungen in dauerhaftere strategische Positionen umzuwandeln, bevor die Musik aufhört. Das umfasst Fundraising, Deals, Partnerschaften — alles mit dem Ziel, mehr als nur ein Modell-Anbieter zu sein.

Einordnung

Der Kommentar kommt aus der Produktdesign-Praxis — einer Position, die Plattformstrategien und Nutzererfahrungen beruflich gestaltet, aber nicht aus der Perspektive eines Strategie-Analysten oder Kapitalmarktakteurs bewertet. Die Engagement-Daten und das Differenzierungsproblem lassen sich aus eigener Produkterfahrung einordnen; die Bewertung von OpenAIs finanzieller Position bleibt notwendig oberflächlich. Ein Venture-Analyst würde die Moat-Frage ökonomisch schärfer fassen; ein Developer-Relations-Experte würde die API-Seite stärker gewichten, die Evans weitgehend ausblendet.

Kritische Einordnung

Was hält stand

• Die Engagement-Daten sind ernüchternd und empirisch belegt — weniger als 3 Prompts pro Tag für 80% der User
• Der Browser-Vergleich ist die klarste Artikulation des Differenzierungsproblems, die ich bisher gelesen habe
• Die Distribution-These wird durch Geminis und Meta AIs Marktanteilsgewinne bestätigt
• Die Analyse ist produktstrategisch, nicht technisch — genau die Perspektive, die in der AI-Debatte oft fehlt

Was man einordnen muss

• Evans schreibt aus einer Consumer-Perspektive. Im Enterprise-Markt (API, Coding-Tools, Agents) gelten andere Dynamiken — dort ist OpenAI deutlich stärker positioniert
• Die Browser-Analogie hat Grenzen: AI-Modelle verbessern sich noch rapide, Browser-Rendering-Engines waren schnell konvergiert. Das Fenster für Differenzierung durch Capability ist noch offen
• Der Artikel endet am spannendsten Punkt: “What do you do?” — die Antwort fehlt (vermutlich kommt ein Folgebeitrag)
• Platform Plays (Operator, Agents, GPT Store) werden nicht behandelt, obwohl sie OpenAIs beste Antwort auf das Distribution-Problem sein könnten
• Kein Wort über die API-/Developer-Seite, die für OpenAI wirtschaftlich bedeutender sein könnte als Consumer

Diskussionsfragen

01 Consumer vs. Enterprise: Evans analysiert den Consumer-Markt. Sehen wir in unseren Enterprise-Projekten dieselbe Austauschbarkeit — oder gibt es dort Lock-in-Effekte (Integration, Custom Models, Workflow)?

02 Design als Differenzierung: Wenn alle Chatbots gleich aussehen — ist das ein Design-Problem? Kann man durch fundamental andere Interaktionsparadigmen (jenseits Chat) Differenzierung schaffen? Was wäre “Tabs für AI”?

03 Lab-Positionierung: Wenn die Wertschöpfung in neuen Erfahrungen liegt, die auf Modellen aufbauen — ist das nicht genau unsere Opportunity? Produkt- und Service-Design für AI-native Experiences?

04 Engagement-Gap als Forschungsfrage: Warum nutzen 80% der User AI nur sporadisch? Ist es ein Capability-Problem, ein UX-Problem oder ein Imagination-Problem? Wie würden wir das als Lab untersuchen?

Quellen

• Original: Benedict Evans — How Will OpenAI Compete?

Glossar

Moat Strategischer Wettbewerbsvorteil, der ein Unternehmen dauerhaft vor Konkurrenz schützt — wie ein Burggraben. Bei AI-Modellen umstritten: Wenn Modelle austauschbar sind, fehlt der Moat.

Distribution Der Zugang zu Nutzern über bestehende Kanäle und Produkte. Google erreicht Milliarden über die Suche, Meta über Social Media — OpenAI hat keinen vergleichbaren Kanal und muss Nutzer direkt akquirieren.

Engagement-Kurve Grafische Darstellung, wie intensiv und häufig Nutzer ein Produkt verwenden. Eine „flache” Kurve bedeutet: viele Nutzer, aber geringe Nutzungstiefe — die meisten verwenden das Produkt selten und oberflächlich.

Platform Play Strategischer Ansatz, bei dem ein Unternehmen seine Technologie als Plattform öffnet, auf der andere aufbauen können. Beispiele: App Store (Apple), GPT Store (OpenAI). Ziel: Wertschöpfung durch ein Ökosystem statt durch ein einzelnes Produkt.