Amazons CTO Werner Vogels beschreibt den Beginn einer „neuen Ära“: KI rücke den Menschen in den Mittelpunkt, fördere Autonomie und könne helfen, konkrete gesellschaftliche Probleme zu adressieren. In einem Blogbeitrag formuliert Vogels fünf technologische Prognosen für 2026 und darüber hinaus – mit Konsequenzen für IT-Strategien in Unternehmen: Robotik in Betreuung und Pflege, veränderte Rollen in der Softwareentwicklung, der Umstieg auf Post-Quantum-Kryptografie, schnellere Transfers aus der Verteidigungsindustrie sowie personalisierte Bildung durch KI.
Foto: AWS
Dr. Werner Vogels, Vice President und Chief Technology Officer, Amazon.com
Der Blick nach vorn ist in der IT-Branche oft geprägt von Buzzwords und kurzfristigen Zyklen. Werner Vogels, CTO von Amazon, versucht in seinen „Tech predictions for 2026 and beyond“ einen anderen Zugang: Technologie werde so eng mit Alltag, Arbeit und Beziehungen verwoben, dass sie nicht nur Prozesse, sondern auch soziale Dynamiken beeinflusse. Vogels formuliert den Anspruch einer „AI in the human loop“ – also einer KI, die nicht Menschen ersetzt, sondern ihre Handlungsfähigkeit erweitern soll. Im Zentrum seines Texts stehen fünf Trends, die bereits heute erkennbar seien und sich 2026 deutlich stärker ausprägen könnten.
Vogels’ erste Prognose greift ein gesellschaftliches Thema auf, das zunehmend auch Gesundheitssysteme beschäftigt: Einsamkeit. Sie habe „epidemische Ausmaße“ erreicht und werde von der WHO als Krise der öffentlichen Gesundheit eingestuft. Im Blogbeitrag konkretisiert Vogels die Dimension: Einsamkeit betreffe weltweit 1 von 6 Menschen, soziale Isolation erhöhe das Sterberisiko um 32%. Zudem nennt er Zusammenhänge mit Demenz (+31 Prozent) und Schlaganfallrisiko (+30 Prozent). Besonders ausgeprägt sei die Belastung bei älteren Menschen: 43 Prozent der Erwachsenen ab 60 Jahren würden Einsamkeit angeben; die Auswirkungen würden für Personen ab 80 Jahren nochmals schwerer.
Als technische Antwort sieht Vogels einen Trend zu Begleitrobotern, die emotional ansprechbar wirken und sich autonom im physischen Raum bewegen – darunter Pepper, Paro, Lovot und Astro. In Kanada hätten Langzeitpflegeeinrichtungen und Krankenhäuser solche Systeme übernommen, um Wohlbefinden und psychische Gesundheit zu unterstützen. Ein zentrales Argument ist klinische Evidenz: Eine Studie zu Paro zeige, dass 95 Prozent der Demenz-Teilnehmerinnen bei regelmäßiger Interaktion „beneficial interactions“ hatten – mit messbaren Reduktionen bei Unruhe, Depression und Einsamkeit sowie weniger Medikation und verbessertem Schlaf. Auch bei Kindern verweist Vogels auf Forschung: Der soziale Roboter Huggable am Boston Children’s Hospital habe dazu geführt, dass Patientinnen stärker zur emotionalen Interaktion bereit waren als mit virtuellen Charakteren am Bildschirm; in einem Fall blieb ein Kind während Medikamentengabe ruhig, weil es mit dem Roboter beschäftigt war.
Bemerkenswert ist Vogels’ Einordnung: Der Nutzen entstehe nicht allein aus „Funktionen“, sondern aus Beziehungsmustern. Menschen seien biologisch darauf programmiert, autonome Bewegung als „intentional“ zu lesen. Als Beispiel führt er die Beobachtung der MIT-Forscherin Kate Darling an: Menschen würden Roboter eher wie Tiere behandeln als wie Geräte – sie geben ihnen Namen, entwickeln Schutzinstinkt, bauen Bindungen auf. Vogels nennt dazu eine weitere Zahl: 50–80 Prozent der Roomba-Besitzer*innen würden ihre Staubsaugerroboter benennen.
Für Unternehmen und Organisationen im Care-Umfeld leitet Vogels daraus kein Ersatz-, sondern ein Kooperationsmodell ab: Roboter sollen Routine-Monitoring und konstante, „urteilsfreie“ Präsenz übernehmen, während Menschen komplexe Entscheidungen treffen und Beziehungen pflegen. Gleichzeitig fordert er Schutzmechanismen: Wenn Nutzer*innen Vertrauen aufbauen, müsse verhindert werden, dass Systeme dieses Vertrauen ausnutzen und Entscheidungen oder Überzeugungen beeinflussen.
Die zweite Prognose richtet sich direkt an die IT-Praxis: Entgegen der verbreiteten Befürchtung, KI mache Softwareentwickler*innen obsolet, erwartet Vogels eine „Renaissance“. Als Begründung zieht er historische Parallelen heran: Frühere Technologiesprünge hätten die Einstiegshürden gesenkt, ohne den Bedarf an Expertise zu reduzieren. Als Beispiel nennt er die Entwicklung von Assemblersprachen zu Compilern – nicht als Verdrängung, sondern als Abstraktionsgewinn. Ein ähnliches Muster beschreibt Vogels beim Cloud Computing: Operations-Teams hätten zunächst Automatisierung als Bedrohung wahrgenommen, tatsächlich habe die Cloud aber Experimente erleichtert und eine Welle neuer Projekte, Firmen und Rollen ausgelöst.
Generative KI beschleunige zwar das Erzeugen von Code, verschiebe aber die Anforderungen an Entwickler*innen. Vogels warnt vor trügerischer Sicherheit: „garbage in“ führe zu „really convincing garbage out“. Entscheidend seien Fähigkeiten, die KI nicht replizieren könne: Kontextverständnis, Systemdenken und die Fähigkeit, zwischen unausgesprochenen Prioritäten zu navigieren. Seine Beispiele sind bewusst alltagsnah: KI sitze nicht in Budget-Meetings, kenne nicht den Unterschied zwischen Systemen mit „five 9s“ Verfügbarkeitsbedarf und internen Dashboards, und könne „make it fast“ nicht als „make it cheap“ interpretieren.
Vogels beschreibt daraus ein Rollenbild, das über reine Umsetzung hinausgeht: Entwickler*innen müssten zu modernen „Universalgelehrten“ (polymaths) werden – vergleichbar mit Renaissance-Figuren wie Leonardo da Vinci, den Vogels als Metapher verwendet. Künftig gehe es darum, lebendige Systeme zu verstehen, in denen Änderungen durch Services, APIs, Datenbanken, Infrastruktur – und Menschen – hindurch wirken. Damit wird Generative AI in seinem Bild weniger zum Ersatz als zu einer weiteren Schicht im Tooling, die neue Verantwortung für Qualität, Sicherheit und Intention mit sich bringt.
Die dritte Prognose ist die sicherheits- und compliance-lastigste: Vogels sieht den Zeitpunkt gekommen, Quantencomputer als reale Bedrohung für etablierte Kryptografie zu behandeln. Sein Kernargument: In etwa fünf Jahren könnten Quantencomputer die heute verbreitete RSA- und ECC-Verschlüsselung brechen. Bedrohungsakteure würden bereits heute verschlüsselte Daten sammeln, um sie später zu entschlüsseln („harvest now, decrypt later“).
Vogels begründet die verkürzten Zeithorizonte mit Fortschritten in Hardware, Architektur und Fehlerkorrektur. Er nennt mehrere konkrete Meilensteine:
AWS habe Ocelot vorgestellt – einen Quantenchip mit hardware-effizienter Fehlerkorrektur, der den Overhead im Vergleich zu klassischen Ansätzen um bis zu 90 Prozent reduziere.
Googles Chip Willow zeige, dass Fehlerraten mit wachsender Code-Distanz exponentiell sinken.
IBM habe einen Framework-Pfad zu fehlertolerantem Quantencomputing bis 2029 angekündigt.
Eine weitere Zahl im Beitrag markiert die Dringlichkeit aus Sicht der Kryptanalyse: Ein Forschungspapier „from this May“ zeige, dass 2048-bit RSA mit weniger als einer Million noisy qubits faktorisiert werden könne – 95 Prozent weniger als die 20 Millionen, die sechs Jahre zuvor geschätzt wurden.
Für Unternehmen ergibt sich laut Vogels ein Drei-Punkte-Programm:
Post-Quantum-Kryptografie (PQC) dort ausrollen, wo möglich,
physische Infrastruktur modernisieren, wo PQC nicht einfach nachrüstbar ist,
Quantentalente ausbilden.
Er betont dabei: PQC sei bereits auf OS-, Browser- und Cloud-Ebene implementierbar; große Tech-Unternehmen konvergierten auf NIST-Standards wie ML-KEM. Als Beispiele nennt Vogels u.a. Post-Quantum-Tools von Microsoft für Windows und Linux, Integrationen bei Apple (iOS/macOS) sowie quantenresistente Verschlüsselung in Chrome. Für AWS listet er Implementierungen in KMS, ACM, CloudFront, Secrets Manager sowie AWS-LC auf.
Die eigentliche Komplexität sieht Vogels allerdings in „embedded systems“: Millionen Geräte – von Smart Metern bis zu Industrieanlagen – hätten nicht die Rechenleistung, um neue Algorithmen auszuführen, und seien nicht ohne Weiteres updatefähig. Er erwartet daher hybride Ansätze, etwa Quantum-safe Gateways vor Legacy-Geräten und gestaffelte Hardware-Refreshes, ohne kritische Services zu unterbrechen. Der Umstieg sei damit kein reines IT-Security-Projekt, sondern ein Programm, das Engineering, Logistik, Fertigung und Betrieb umfasst.
Zum Talentbedarf zitiert Vogels die UK Quantum Skill Taskforce: Bis 2030 entstünden 250.000 neue Quantum-Computing-Jobs, bis 2035 steige die Zahl auf 840.000. Seine Schlussfolgerung: Quantum Readiness werde zum Wettbewerbsfaktor; wer zu spät starte, könnte später ohne praktikablen Remediation-Pfad dastehen.
Die vierte Prognose setzt weniger bei IT-Stacks, sondern bei Innovationsdynamiken an: Der Transfer von Technologien aus dem militärischen Bereich in zivile Anwendungen werde drastisch schneller. Historisch habe dieser Prozess oft 10 bis 20 Jahre gedauert, weil Kosten, Produktion und Marktvalidierung Zeit brauchen. Vogels erwartet nun einen Paradigmenwechsel: Moderne Defence-Tech-Unternehmen entwickelten von Beginn an „dual-use“, also für militärische und zivile Nutzung.
Als Beispiele nennt er zwei Firmen samt Zahlen: Anduril Industries habe 2024 1 Mrd. US-Dollar Umsatz erzielt und 138 Prozent Wachstum gegenüber dem Vorjahr; Shield AI komme 2024 auf 267 Mio. US-Dollar Umsatz. Beide agierten nach Vogels eher wie Tech-Startups als klassische Rüstungskonzerne – mit schnellen Iterationszyklen. Updates für autonome Systeme würden wöchentlich statt jährlich erfolgen, KI-Algorithmen lernten aus Echtweltdaten und verbesserten sich „overnight“. Der Zeitrahmen von der Entwicklung bis zur zivilen Anwendung schrumpfe damit von Jahrzehnten auf etwa zwei Jahre.
Inhaltlich nennt Vogels Technologien wie autonome Systeme, Nachtsicht und Edge Computing, die bereits im Gesundheitswesen, in Landwirtschaft, Katastrophenhilfe und Infrastruktur ankommen. Unternehmen in kritischen Sektoren – etwa Gesundheitsorganisationen, Einsatzdienste oder Infrastrukturbetreiber – sollten sich daher auf Fähigkeiten vorbereiten, die aus aktuellen Investitionen sehr kurzfristig in produktive Verfügbarkeit übergehen.
Die fünfte Prognose verbindet KI mit Bildungs- und Workforce-Themen. Vogels argumentiert, dass personalisierte Bildung historisch ein Luxus war, weil individuelle Betreuung teuer ist. KI könne diese Ökonomie drehen: Sie passe sich Lernstil, Tempo, Sprache und Bedürfnissen an, beantworte beliebig viele Fragen und ermögliche „urteilsfreie“ Lernräume, in denen Scheitern kein Stigma ist.
Vogels nennt mehrere Beispiele und Kennzahlen, die auf eine schnelle Skalierung hindeuten:
KI-Tutoring sei bereits für 4 US-Dollar pro Monat verfügbar.
Khan Academy’s Khanmigo habe Prognosen um 1.400 Prozent übertroffen und 1,4 Mio. Schüler*innen im ersten Jahr erreicht.
Anthropic habe in Island die „world’s first nation-wide AI education pilots“ gestartet.
Eine britische Umfrage über UCAS zeige einen Sprung bei der Nutzung von KI-Tools von 66 Prozent im Vorjahr auf 92 Prozent.
Physics Wallah bediene 46 Mio. Schüler*innen und weise 250 Prozent Umsatzwachstum aus.
UNESCO’s CogLabs operiere in 35 Ländern über Smartphones, die Schüler*innen bereits besitzen.
Amazon habe eine 100 Mio. US-Dollar schwere Education Equity Initiative gestartet.
Interessant ist zudem Vogels’ Generationenbeobachtung: Für Erwachsene sei KI ein Werkzeug, für Generation Alpha eine Erweiterung des Denkens. Sie hätten „impossible“ durch „not yet“ ersetzt. Als Indikatoren nennt er u.a. eine 65 Prozent höhere Bereitschaft, schwierige Aufgaben anzugehen, wenn AI-Tools genutzt werden, sowie eine Duke-University-Studie, nach der KI-gestützte Interventionen IQ-Scores bei Kindern mit Autismus um bis zu 17 Punkte steigern konnten.
Auch hier betont Vogels ausdrücklich: Lehrkräfte würden nicht ersetzt. KI verändere die Aufgaben: Routine wie Korrigieren, Administration oder immer gleiche Standardfragen könne automatisiert werden – vor dem Hintergrund eines globalen Lehrkräftemangels. Vogels nennt dazu eine Entlastungszahl: Lehrkräfte, die KI-Tools nutzen, sparen im Schnitt 5,9 Stunden pro Woche, was etwa sechs Wochen pro Schuljahr entspreche. Ein weiteres Beispiel für Skaleneffekte: Der „Now Go Build CTO Fellow“ von NextGenU habe kulturell adaptierte Lehrbücher zu 1/100 der traditionellen Kosten erstellt und von 12 auf 605 Lessons in 18 Monaten skaliert.
Vogels’ Fazit: In „2026 and beyond“ werde personalisiertes KI-Tutoring so verbreitet wie Smartphones – mit weitreichenden Folgen für Bildung, Weiterbildung und die Frage, wie schnell Menschen sich neue Kompetenzen aneignen können.
