KI-Agenten in Produktion: Was Cloudflares „100x Engineer“ übersieht

Cloudflare hat gerade 20% seiner Belegschaft abgebaut und begründet dies mit KI-bedingten Produktivitätsgewinnen von „zweimal bis hundertmal“. Im Umgang mit KI-Agenten dürfte dieses Narrativ vom 100x Engineer nun eine Welle strukturell falscher Personalentscheidungen auslösen.

Was Cloudflare im Q1 2026 tatsächlich gesagt hat

Das meistzitierte Statement aus dem Investorengespräch stammt von Prince: KI sorge in bestimmten Rollen für „zweimal, zehnmal, sogar hundertmal“ mehr Output als zuvor. TechCrunch griff es auf. CNBC griff es auf. The Register ebenfalls. In sämtlichen Beiträgen galt diese Einordnung als selbsterklärend richtig; anschließend ging es direkt um die Zahl der gestrichenen Stellen.

Der vollständige Kontext: Cloudflares 1,100 Stellenstreichungen betreffen laut Prince Rollen, deren Arbeit inzwischen von KI erledigt wird. Das legt nahe, dass zuvor die Menschen in diesen Rollen der Engpass waren und KI diesen Engpass beseitigt hat. Der Umsatz ist um 34% gestiegen. Die Belegschaft ist um 20% geschrumpft. Die Erzählung für Investoren schreibt sich von selbst: gleicher Output, weniger Menschen, steigende Margen.

Eine Frage blieb in diesen Gesprächen ebenso aus wie in der Berichterstattung: Ist „100x Produktivität“ überhaupt eine sinnvolle Analyseeinheit, wenn ein Agent den gesamten Prozess von Anfang bis Ende ausführt? Denn es macht einen erheblichen Unterschied, ob ein menschlicher Entwickler mit Unterstützung von KI 100x produktiver wird oder ob ein Prozess vollständig aus der Kategorie menschlicher Arbeit herausgelöst wurde. Das ist nicht dasselbe. Für Gründer, die entscheiden müssen, wen sie behalten, ist dieser Unterschied enorm.

Woran ich diese Woche tatsächlich arbeite

Ich betreibe für diesen Blog ein Publishing-System auf Workers und Durable Objects. Sechs KI-Agenten: ManualIntake, Discovery, Editorial, Writer, Distribution und Maintenance. Die Agenten veröffentlichten im vergangenen Monat 24 Artikel. An vielleicht vier davon war ich direkt beteiligt. Die Rechnung folgt.

Was 6 KI-Agenten im Produktivbetrieb auf Workers wirklich kosten

Hier ist die tatsächliche Cloudflare-Rechnung für April 2026, in dem das Publishing-System mit sechs Agenten lief.

Die Rechenleistung auf Workers kostete $11.40. Für Lese- und Schreibvorgänge in der D1-Datenbank – das Arbeitsgedächtnis der Agenten, Aufgabenwarteschlangen, Artikelentwürfe und Inhaltsmetadaten – fielen $3.20 an. Der R2-Speicher für Mediendateien und Archivexporte kostete $0.84. Vectorize für die semantische Suche im Artikelbestand schlug mit $1.10 zu Buche. Für Agents SDK und Workflows als Orchestrierungsschicht kamen $2.60 an Anfrage- und Laufzeitgebühren hinzu. Cloudflare-Infrastruktur insgesamt: $19.14 für den Monat.

Die Inferenzkosten werden separat vom Modellanbieter abgerechnet. Im April beliefen sie sich für alle sechs Agenten zusammen auf $214; je nach Aufgabenkomplexität kamen Claude Sonnet 4.5 und Haiku 3.5 zum Einsatz. Gesamtkosten des KI-Systems einschließlich Infrastruktur und Inferenz: $233.14.

Die Aufgabenbilanz für April: ManualIntake verarbeitete 31 Inhaltsanfragen. Discovery erledigte 188 Recherche- und Quellenaufgaben. Editorial erstellte 47 Briefings und Überarbeitungszyklen. Writer erzeugte 24 veröffentlichte Entwürfe. Distribution übernahm 96 Syndizierungs- und Social-Media-Aufgaben. Maintenance führte 240 geplante Zustandsprüfungen, Link-Audits und Indexaktualisierungen aus. Zusammen waren das 626 Agentenaufgaben in einem Monat – bei Gesamtkosten von rund $0.37 pro Aufgabe.

Das System läuft für eine kleine Koordinierungsschicht auf einer Hetzner-CX22-Instanz für €4.42 im Monat. Mehr braucht es nicht.

Was würde eine Person kosten, die 626 Aufgaben pro Monat in derselben Qualität und Geschwindigkeit erledigt? Eine Fachkraft für Content Operations auf mittlerem Niveau kostet in einem westlichen Markt einschließlich aller Nebenkosten $6,500 bis $9,000 pro Monat. Die Agenten übernehmen einen erheblichen Teil dieser Arbeit für $233. Diese Rechnung geht auf – und ich werde sie nicht kleinreden.

Entscheidend ist jedoch: Ich investiere weiterhin etwa 12 Stunden pro Woche in dieses System. Nicht in die Aufgaben, die von den Agenten erledigt werden, sondern in etwas anderes. Genau diesen Teil blendet das 100x-Narrativ vollständig aus.

Warum das Narrativ vom 100x Engineer konzeptionell nicht trägt

Das Bild vom 100x Engineer unterstellt, dass KI einen vorhandenen Entwickler 100-mal produktiver macht. Die Bezugsgröße bleibt der Entwickler. Pro Outputeinheit werden lediglich weniger davon benötigt.

Autonome KI-Agenten erhöhen in realen Systemen nicht einfach die Produktivität bestehender Rollen. Tatsächlich wird ein Prozess vollständig aus der Kategorie menschlicher Arbeit herausgelöst. Der Discovery-Agent macht keinen Researcher 100x produktiver. Es gibt keinen Researcher. Der Rechercheprozess wird per Cron gestartet, ruft eine Reihe von APIs und Modellen auf, schreibt strukturierte Ergebnisse in D1 und stößt den Editorial-Agenten an. Der Prozess existiert. Die menschliche Rolle, der dieser Prozess früher gehörte, existiert nicht mehr.

Das mag wie eine semantische Unterscheidung klingen. Das ist es nicht. Sie verändert die gesamte Entscheidungslogik der Personalplanung.

Wer vom „100x Engineer“ ausgeht, betrachtet die eigene Entwicklungsabteilung und fragt: Welche zehn Personen können bleiben, um hundert zu ersetzen? Optimiert wird darauf, die Menschen mit dem höchsten Output zu halten und den Rest abzubauen.

Wer den Vorgang korrekt als KI-Automatisierung eines vollständigen Prozesses versteht, stellt andere Fragen. Welche Prozesse im Unternehmen lassen sich vollständig automatisieren? Welche Prozesse erfordern menschliches Urteilsvermögen, das Agenten nicht nachbilden können? Welche neue Rolle wird benötigt, um die Agentenflotte zu steuern, zu prüfen und auszubauen? Die Antworten führen zu anderen Personen.

Die Rolle, für die noch niemand einstellt, würde ich als Leitung Agent Operations bezeichnen. Das ist kein Prompt Engineer. Auch kein ML Engineer. Gesucht ist jemand, der den Geschäftsprozess gut genug versteht, um die Aufgaben des Agenten präzise zu definieren; der das Zustandsprotokoll eines Durable Object lesen und damit einen festhängenden Workflow debuggen kann; der erkennt, wenn die Ausgabe eines Agenten vom akzeptablen Qualitätsniveau abdriftet; und der das System an Veränderungen im Unternehmen anpassen kann. Die 12 Stunden, die ich jede Woche in das Publishing-System investiere, entsprechen ungefähr dieser Rolle. Das ist keine gering qualifizierte Arbeit. Es ist eine Arbeit mit großer Hebelwirkung, die sowohl Prozesskenntnis als auch genügend technisches Verständnis für den Systembetrieb verlangt.

Cloudflare verfügt intern fast sicher über eine solche Rolle. Es gibt dafür nur noch keine Stellenbezeichnung. Wer Personal bis auf eine Minimalbesetzung abbaut, ohne diese Fähigkeit aufzubauen, dessen Agentenflotte wird innerhalb von sechs Monaten verfallen.

Automatisierung schafft Arbeit – nur nicht dieselbe Arbeit
Jeder meiner Agenten im Produktivbetrieb verursacht ungefähr 3 bis 5 Probleme pro Monat, bei denen ein Mensch eingreifen muss. Beschädigte Zustandsdaten, eine Modellausgabe, die an einer Qualitätsprüfung scheitert, eine nachgelagerte API mit geändertem Schema oder eine Aufgabe, die sich festfährt, weil zwei Agenten gleichzeitig in dieselbe D1-Zeile geschrieben haben. Nichts davon ist katastrophal. Jeder dieser Fälle erfordert jemanden, der das System kennt. Werden Stellen abgebaut, ohne die Kompetenz für Agent Operations zu erhalten, stauen sich diese Probleme ungelöst an.

Hinzu kommt eine Kategorie von Arbeit, die Automatisierung erst entstehen lässt, statt sie zu beseitigen. Der Editorial-Agent produziert 47 Briefings pro Monat. Ein menschlicher Redakteur prüft und genehmigt sie nun. Bevor es den Agenten gab, wurden vielleicht 15 Briefings erstellt. Der Agent hat den Redakteur nicht ersetzt. Er hat dessen Verantwortungsbereich vergrößert und die Anforderungen an seine Arbeit erhöht. Einige Rollen im Umfeld einer Agentenflotte werden verstärkt, nicht abgeschafft. Gründer, die diese Zusammenhänge nicht sorgfältig erfassen, werden ausgerechnet die verstärkten Rollen streichen und sich anschließend fragen, warum der Durchsatz sinkt.

Entscheidungsrahmen für Gründer zur Personalplanung im H2 2026

Für eine Personalplanung im H2, die auf Cloudflares Erzählung aufbaut, würde ich stattdessen folgenden Rahmen verwenden.

Zunächst gehören die Prozesse in zwei Spalten: Kandidaten für einen Prozessersatz und Kandidaten für einen Rollenersatz.

Kandidaten für einen Prozessersatz sind weitgehend deterministische Workflows, die sich vollständig spezifizieren lassen und deren Ergebnisqualität automatisch messbar ist. Dazu zählen die Wartung von Datenpipelines, die Produktion großer Inhaltsmengen, die Vorsortierung im Kundensupport, die Generierung von QA-Tests, die Aktualisierung von Dokumentation und die Rechnungsverarbeitung. Die entscheidende Frage lautet nicht: „Kann KI diese Person dabei unterstützen, die Arbeit schneller zu erledigen?“ Sondern: „Kann ich diesen Prozess innerhalb der nächsten 90 Tage vollständig aus der Kategorie menschlicher Arbeit herauslösen?“ Bevor Stellen abgebaut werden, sollte ein Agent vier Wochen lang getestet werden.

Kandidaten für einen Rollenersatz sind etwas anderes und wesentlich seltener. Gemeint sind Fälle, in denen eine menschliche Rolle hauptsächlich in der qualifizierten Ausführung einer klar definierten Aufgabe besteht, diese Aufgabe inzwischen automatisierbar ist und weder angrenzende Entscheidungen noch Beziehungsarbeit dazugehören. Solche Rollen sind tatsächlich gefährdet. Es sind jedoch weniger, als Cloudflares Erzählung vermuten lässt, denn die meisten Rollen bündeln mehrere Aufgaben, statt nur aus einer zu bestehen. Ein Entwickler, der Code schreibt, PRs prüft, Arbeiten abgrenzt, Nachwuchskräfte betreut und mit Kunden spricht, lässt sich nicht durch einen Coding-Agenten ersetzen. Der Anteil der Codierarbeit möglicherweise schon.

Eine belastbare Personalrechnung auf Board-Ebene für ein Unternehmen zwischen Series A und Series C sieht so aus: Von den aktuellen Gesamtkosten eines Prozesses werden die voraussichtlichen Gesamtkosten der Agentenflotte abgezogen, die diesen Prozess ersetzen soll – Infrastruktur, Inferenz und der Aufwand für Agent Operations eingeschlossen. Präsentiert wird die Differenz. Bei $233 pro Monat für 626 Aufgaben ist die Rechnung für passende Prozesse offensichtlich überzeugend. Bei einer Rolle, die tatsächlich ein Bündel urteilsintensiver Aufgaben umfasst, geht sie dagegen schnell nicht mehr auf.

Bevor jemand entlassen wird, würde ich den Agenten 60 Tage lang parallel zum Menschen arbeiten lassen. Die Ergebnisqualität wird mit denselben Kriterien bewertet, die auch für den Menschen gelten. Ausfallquote und Eingriffsquote werden gemessen. Anschließend wird berechnet, was Agent Operations in tatsächlicher Arbeitszeit kostet. Erreicht der Agent das Qualitätsniveau zu 30% der menschlichen Kosten einschließlich Betriebsaufwand, ist die Entscheidungsgrundlage belastbar. Verlangt die Fehlerquote mehr Eingriffsstunden, als durch den Agenten eingespart werden, ist sie es nicht.

Diese Wirtschaftlichkeitsprüfung ist nicht kompliziert. Die meisten Gründer lassen sie aus, weil Cloudflares Erzählung sie überflüssig erscheinen lässt. Die 100x-Behauptung ist verführerisch. Aus der Perspektive eines Produktivsystems auf demselben Stack ist jedoch nicht der Produktivitätsmultiplikator die entscheidende Zahl, sondern die Kosten pro Aufgabe bei akzeptabler Qualität – einschließlich des Betriebsaufwands. Der Test gehört vor die Board-Präsentation.

F: Steigen die monatlichen Kosten von $233 linear, wenn weitere Agenten hinzukommen?

Bei der Inferenz ungefähr. Cloudflares Infrastrukturkosten steigen nur langsam, weil Workers und Durable Objects effizient skalieren. Die Inferenzkosten sind bei mir die dominante Variable. Verdoppelt sich das Aufgabenvolumen der Agenten, dürften sich auch die Inferenzkosten ungefähr verdoppeln. Die Infrastrukturkosten steigen vielleicht um 20-30%. Der Aufwand für Agent Operations wächst langsamer als linear, weil Systeme und nicht einzelne Aufgaben verwaltet werden.

F: Welche Cloudflare-Produkte tragen eine Agentenflotte im Produktivbetrieb wirklich?

Durable Objects tragen die größte Last. Als persistente Zustandsautomaten koordinieren sie lang laufende Agentenaufgaben über mehrere Workers-Aufrufe hinweg, ohne dass für die Koordination eine externe Datenbank nötig ist. D1 ist der relationale Speicher für Geschäftsdaten. R2 ist der Objektspeicher. Vectorize ist der Embedding-Speicher. Das Agents SDK bildet eine vergleichsweise schlanke Orchestrierungsschicht über Durable Objects. Wer diesen Stack bewertet, sollte Durable Objects als architektonisches Herzstück verstehen.

F: Wie sieht Agent Operations im Arbeitsalltag konkret aus?

In meinem Fall: jeden Morgen 30 Minuten für die Prüfung der Aufgabenprotokolle auf Fehler oder Qualitätsabweichungen, etwa zwei Stunden pro Woche für Debugging oder Erweiterungen der Agenten-Workflows und jeden Montag eine feste Prüfung der Ausgabequalität der Vorwoche. Der Rest ist reaktiv – etwas geht kaputt, und ich repariere es. Für eine größere Flotte, die ein Team von 20+ versorgt, ist das vermutlich eine Halbtagsrolle und keine Nebenaufgabe.

Worauf es in den nächsten 30 Tagen ankommt

Cloudflares Darstellung im Earnings Call wird sich verbreiten. Bis zum Ende der Q2-Berichtssaison dürften mindestens drei bis fünf weitere börsennotierte Technologieunternehmen „Produktivitätsgewinne durch KI“ als Deckmantel für Stellenabbau verwenden. Interessant sind die Gründer, die Kürzungen zusammen mit konkreten Angaben zu ihrem Agenteneinsatz ankündigen statt mit vagen Produktivitätsbehauptungen. Das wäre ein echtes Signal. Allgemeine Aussagen ohne Stack, Aufgabenzahl oder Angabe zu den Kosten pro Aufgabe sind Theater für die Board-Präsentation.

Zum Cloudflare-Stack selbst: Das Agents SDK reift schnell. Die Preise für den Ruhezustand von Durable Objects wurden Anfang dieses Jahres geändert und sind nun erheblich günstiger für ständig aktive Agenten. Wer diese Architektur geprüft, aber noch gezögert hat, findet inzwischen eine günstigere Kostenkurve vor. Die betriebliche Komplexität ist nicht verschwunden, bleibt jedoch in der Größenordnung beherrschbar, die die meisten Unternehmen von Series A bis C tatsächlich benötigen.

Agent Operations wird sich innerhalb von 12 Monaten als eigene Kategorie am Arbeitsmarkt herausbilden. Unternehmen können einen Vorsprung gewinnen, indem sie klären, wie diese Rolle bei ihnen aussehen muss, bevor die Stellenbezeichnung auf LinkedIn existiert.

Wer die Prozessprüfung abschließen möchte, bevor der H2-Plan feststeht, findet in der Workflow-Audit-Checkliste, die ich bei DVNC.dev verwende, eine direkte Umsetzung dieses Rahmens.

Zusammenfassung

• Bei Cloudflare trafen im Q1 2026 ein Umsatz von $639.8M, 1,100 Entlassungen und die Behauptung zusammen, KI steigere die Produktivität um „2x bis 100x“.
• Der Betrieb von 6 KI-Agenten auf Cloudflare Workers, Durable Objects, D1 und Agents SDK kostet einschließlich Inferenz insgesamt $233/Monat für 626 Aufgaben – rund $0.37 pro Aufgabe.
• Das Narrativ vom 100x Engineer ist falsch. Der tatsächliche Wandel besteht darin, ganze Prozesse aus der Kategorie menschlicher Arbeit herauszulösen, statt den Output einer Person zu vervielfachen.
• Die bislang kaum besetzte Rolle heißt Agent Operations: Sie steuert, prüft und erweitert die Agentenflotte. Wer auf eine Minimalbesetzung kürzt, ohne diese Fähigkeit zu erhalten, lässt seine Agentenflotte verfallen.
• Vor der Aufnahme in die Board-Präsentation gehört ein 60-Tage-Paralleltest: Agent und Mensch arbeiten nebeneinander, gemessen an denselben Qualitätskriterien und einschließlich des tatsächlichen Betriebsaufwands. Die Rechnung ist oft überzeugend. Sie entspricht nicht immer dem Narrativ.
• Entscheidend sind die Kosten pro Aufgabe bei akzeptabler Qualität einschließlich Betriebsaufwand – nicht ein Produktivitätsmultiplikator.