Wie OpenAI bei GPT-5 zeigt, wie nutzerzentrierte Produktentwicklung funktioniert

TL;DR – Das Wichtigste in Kürze:

GPT-5 startete mit den üblichen Kinderkrankheiten eines komplexen Systems – falsche Antworten, Router-Probleme, Kommunikationsfehler. Doch was folgte, war ein Meisterwerk moderner Produktentwicklung: Build-Measure-Learn in Perfektion. Während 97% der 700 Millionen Nutzer kostenfrei meckerten, arbeiteten die Entwickler kontinuierlich an Verbesserungen. Was Donnerstag noch fehlerhaft war, funktionierte Montag bereits. Das ist keine Chaos-Entwicklung, sondern professionelle Lean-Startup-Methodik und Design Thinking im Milliardenunternehmen – „Operation am offenen Gehirn“ vor den Augen der Welt. Beachtlich: Ein Konzern hört auf kostenlose Nutzer und passt sich binnen Tagen an. Davon können sich viele traditionelle Unternehmen eine Scheibe abschneiden.

„Was ist größer – 9,9 oder 9,11?“

Diese Frage stellte ein Nutzer GPT-5 kurz nach dem Launch.
Die Antwort: „9,11 ist größer.“ Falsch. Aber typisch für LLMs. Aber GPT-5 sollte doch viel besser sein.

Wie viele E’s sind in Erdbeere? 3. Falsch!

Was ist das denn für ein Fake? Das Internet tobte.

Doch wer dieselbe Frage eine Woche später stellte, bekam die korrekte Antwort. Kein Update, kein Patch, keine Ankündigung – das System wurde im laufenden Betrieb verfeinert.

Willkommen in der Welt moderner Produktentwicklung.

Build-Measure-Learn: Startup-Methodik im Milliardenkonzern

Wenn 700 Millionen Nutzer zum Testlabor werden

Was hier abläuft, ist ein Lehrbuchbeispiel für Lean Startup-Methodik. Build-Measure-Learn: Etwas bauen, messen wie es ankommt, daraus lernen, anpassen. Eric Ries hätte seine Freude an OpenAIs Vorgehen.

Das Beachtliche: Während klassische Konzerne monatelang intern testen, macht OpenAI die „Operation am offenen Gehirn“ – vor den Augen von über 700 Millionen wöchentlichen Nutzern. Und das Erstaunlichste: 97% davon zahlen keinen Cent für den Service.

Übersichtstabelle (Stand August 2025)

Nutzergruppe	Geschätzte Anzahl	Anteil an Gesamtnutzern
Kostenfrei	ca. 680–780 Mio.	~97–98%
Plus-Abonnenten	10–16 Mio.	~1,5–2%
Pro-Abonnenten	<1 Mio.	<0,1%

Quelle: u.a. 107+ ChatGPT Statistics and User Numbers (June 2025) | NerdyNav

Laut aktuellen Zahlen nutzen nur 10-16 Millionen Menschen (1,5-2%) ChatGPT Plus, während weniger als 1 Million (unter 0,1%) die Pro-Version haben. Das bedeutet: OpenAI hört auf Feedback von Menschen, die größtenteils gar keine Kunden im klassischen Sinne sind.

Das Feedback-Gold der kostenlosen Nutzer

In traditionellen Unternehmen würde man sagen: „Wer nichts zahlt, hat auch nichts zu melden.“ OpenAI dreht diese Logik um: Die 680-780 Millionen kostenlosen Nutzer sind das wertvollste Gut – sie liefern ungefilterte, authentische Rückmeldungen über das System.

Sam Altman erkannte in seinem Reddit AMA: „We for sure underestimated how much some of the things that people like in GPT-4o matter to them, even if GPT-5 performs better in most ways“ („Wir haben sicher unterschätzt, wie wichtig manches, was die Leute an GPT-4o mögen, für sie ist, auch wenn GPT-5 in den meisten Bereichen besser abschneidet“).

Das ist klassisches Design Thinking: Den Nutzer und sein Bedürfnis in den Mittelpunkt stellen, auch wenn er nicht der offensichtliche Kunde ist und vor allem man eigentlich einen anderen Weg einschlagen wollte.

Design Thinking in Echtzeit: Empathie bei Gigabyte-Geschwindigkeit

Wenn Milliardenkonzerne auf Einzelstimmen hören

Design Thinking predigt seit Jahrzehnten: Empathize, Define, Ideate, Prototype, Test. OpenAI macht das im Zeitraffer – nicht in Workshops, sondern mit echten Nutzern in echter Zeit.

Ein Nutzer beschwerte sich: „GPT-4o had this warmth. It was clever, imaginative, and surprisingly personal, almost like conversing with someone who truly understood you“ („GPT-4o hatte diese Wärme. Es war klug, phantasievoll und überraschend persönlich, fast wie ein Gespräch mit jemandem, der dich wirklich verstand“).

Klassische Unternehmensreaktion: „Der Nutzer versteht halt nicht, dass unser neues System objektiv besser ist.“

OpenAI-Reaktion: „Okay, wir haben die emotionale Dimension unterschätzt. Wir passen das System an.“

Das ist nutzerzentrierte Produktentwicklung in Perfektion – auch wenn der „Nutzer“ nichts zahlt.

Dazu passt auch der neuerdings wieder eingeschlagene Weg zu Open Source Angeboten, aber das ist Thema eines anderen Blogbeitrags.

Die Geschwindigkeit der modernen Entwicklung

Was Donnerstag gehakt hat, läuft Samstag einwandfrei

Die wirkliche Magie liegt in der Geschwindigkeit. Traditionelle Software-Updates dauern Monate. GPT-5 verbessert sich täglich, fast stündlich. Das „9,9 vs. 9,11“-Problem? Binnen einer Woche behoben. Der zu restriktive Router? Innerhalb von Tagen angepasst. Die zu kalte Kommunikation? Schrittweise aufgewärmt.

Ein Reddit-Nutzer beschrieb es treffend: „The system doesn’t evaluate how challenging the prompt is. It merely activates when you say ‚think hard,‘ yet it remains confined to the most basic reasoning mode“ („Das System bewertet nicht, wie herausfordernd der Prompt ist. Es aktiviert sich nur, wenn man ‚denk nach‘ sagt, bleibt aber im einfachsten Reasoning-Modus“).

Diese Kritik führte zu Anpassungen – nicht im nächsten Release, sondern fließend in den folgenden Tagen. Das ist kontinuierliche Iteration auf KI-Ebene.

Die Komplexität verstehen: Warum „einfache“ Fehler passieren

Wenn Erdbeeren-E’s schwieriger erscheint, als Quantenphysik

„Wie viele E’s sind in ‚Erdbeere‘?“ klingt trivial. Für ein System, das gleichzeitig Code schreibt, Gedichte verfasst, komplexe Analysen erstellt und in 50+ Sprachen antwortet, ist es paradoxerweise eine der schwierigsten Aufgaben.

Das liegt an der Funktionsweise von Large Language Models: Sie „verstehen“ Sprache nicht wie Menschen, sondern arbeiten mit statistischen Mustern. Ein Buchstabe-für-Buchstabe-Zählen erfordert andere mentale Prozesse als das Verfassen eines Essays.

Kritiker sagen: „Das sollten die doch als Standard-Test kennen!“ Stimmt. Aber in einem System mit Millionen von Parametern und Milliarden von Trainingsbeispielen kann so ein „einfacher“ Test durchrutschen. Das ist keine Inkompetenz – das ist die Realität komplexer Systeme.

Im Falle von GPT-5 war es „einfach“ ein zu streng eingestellter Router (zur Erinnerung, der interne Router entscheidet selbst nach Bedarf, wann länger nachdenkendes Reasoning erforderlich ist und wann die schneller auslieferbare Antwort des Standardsystems ausreicht). Ein Reasoning-Modell, und die hat OpenAI auch, beantwortet diese Frage schon länger perfekt. Braucht aber auch viel mehr Energie und Rechenkapazität, natürlich auch als integrierter Bestandteil von GPT-5. Daher sollte der Router von GPT-5 nur die wirklich dafür notwendige Rechenkapazität freigeben, die unverzichtbar ist.

Ökonomisch gedacht, völlig korrekt, aber für diese Trickaufgaben braucht es dann doch Reasoning. Feineinstellungen am Router, fertig, nächste Hakelei angepackt …

Operation am offenen Gehirn: Warum das so schwierig ist

Entwicklung unter den Augen der Welt

Stellen Sie sich vor, Sie müssten ein Flugzeug reparieren – während es fliegt. Mit 700 Millionen Passagieren. Die filmen mit. Und kommentieren in Echtzeit.

Das ist die Situation von OpenAI. Jeder Fehler wird sofort millionenfach geteilt. Jede Verbesserung wird kritisch beäugt. Jede Anpassung löst neue Diskussionen aus.

Traditionelle Unternehmen entwickeln hinter verschlossenen Türen, testen intern, korrigieren heimlich. OpenAI macht alles öffentlich – Build-Measure-Learn vor laufender Kamera.

Ethan Mollick, Professor an der Wharton School, nennt das „continuous alignment through usage„ – kontinuierliche Ausrichtung durch Nutzung. Das System wird nicht nur durch Training besser, sondern durch echte Anwendung.

Die Demut des Giganten: Wenn Marktführer zuhören

16 Millionen zahlende vs. 700 Millionen kostenlose Stimmen

Das Bemerkenswerteste an der ganzen Geschichte: OpenAI hätte sich auf die 16 Millionen Plus-Nutzer konzentrieren können. Die zahlen schließlich 20 Dollar monatlich und generieren den Umsatz.

Stattdessen hört das Unternehmen auf alle 700 Millionen Stimmen. Als über 3.000 Menschen eine Petition zur Wiederherstellung von GPT-4o unterzeichneten, war die Reaktion nicht: „Ihr zahlt ja eh nichts.“

Die Reaktion war: „Wir haben etwas übersehen. Wir korrigieren das.“

Lean Startup trifft Empathie

Das ist Lean Startup-Methodik kombiniert mit Design Thinking-Empathie: Schnell iterieren, aber immer mit dem Nutzer im Zentrum. Egal ob er zahlt oder nicht.

Altman erklärte: „If you have been following the GPT-5 rollout, one thing you might be noticing is how much of an attachment some people have to specific AI models“ („Wenn Sie den GPT-5-Rollout verfolgt haben, ist Ihnen vielleicht aufgefallen, wie sehr sich manche Menschen an bestimmte KI-Modelle binden“).

Anstatt diese emotionale Bindung als irrational abzutun, erkannte OpenAI sie als legitimes Nutzerbedürfnis. Das System wurde entsprechend angepasst.

Was andere Unternehmen lernen können

Moderne Produktentwicklung in der Praxis

OpenAIs Vorgehen ist Lehrbuch-Material für moderne Produktentwicklung:

1. Build-Measure-Learn in Echtzeit

Schnell launchen, auch mit bekannten Schwächen
Kontinuierlich messen und anpassen
Aus jedem Feedback lernen

2. Design Thinking mit Millionen

Nutzer in den Mittelpunkt stellen
Auch unbequemes Feedback ernst nehmen
Empathie über Ego stellen

3. Lean-Prinzipien im Großkonzern

Geschwindigkeit über Perfektion
Experimentieren über Planungsparalyse
Lernen über Rechthaberei

4. Transparenz als Wettbewerbsvorteil

Fehler offen kommunizieren
Verbesserungen sichtbar machen
Community als Partner sehen

Die neue Generation der Produktentwicklung

Wenn KI-Systeme schneller lernen als Menschen

Was wir bei GPT-5 sehen, ist nicht nur modernes Produktmanagement – es ist ein Vorgeschmack auf die Zukunft. Systeme, die in Tagen lernen, was traditionelle Entwicklung Monate kostet.

Der Router, der anfangs zu restriktiv war? Heute aktiviert er sich intelligenter. Die Kommunikation, die zu kalt wirkte? Mittlerweile deutlich wärmer. Die mathematischen Vergleiche, die schiefgingen? Längst korrigiert.

Und das alles ohne klassische Software-Updates, sondern durch kontinuierliches Lernen im laufenden Betrieb.

Fazit: Professional Excellence in schnelllebigen Zeiten

Was Kritiker als „chaotische Entwicklung“ bezeichnen, ist tatsächlich professionelle Exzellenz in einer schnelllebigen Welt. OpenAI zeigt, wie moderne Unternehmen arbeiten sollten:

Nutzerorientiert, auch wenn der Nutzer nichts zahlt
Lernfähig, auch wenn Fehler öffentlich passieren
Transparent, auch wenn das verletzlich macht
Schnell, auch wenn Perfektion wartet

700 Millionen Menschen nutzen GPT-5, weil es trotz Kinderkrankheiten nützlich ist. Nein sensationell, unbeschreibliche AI-Engineering-Leistung für Milliarden von Dollar Investitionen. Und 97% zahlen nichts dafür. Werden aber gehört.
Was Donnerstag kaputt war, funktioniert Samstag.

Das ist keine Revolution – das ist moderne Produktentwicklung in Perfektion. Viele traditionelle Unternehmen könnten sich davon eine Scheibe abschneiden.

In einer Welt, die sich täglich verändert, ist die Fähigkeit zur schnellen Anpassung wertvoller als jede anfängliche Perfektion. OpenAI beweist: Man kann gleichzeitig groß, schnell und empathisch sein.

Das ist die wahre Lektion von GPT-5 – nicht die Technologie, sondern die Art, wie sie entwickelt wird.

In unseren Workshops zeigen wir Unternehmen, wie sie Build-Measure-Learn und Design Thinking in ihre Produktentwicklung integrieren können. Denn in einer schnelllebigen Welt gewinnen die Lernfähigen, nicht die Perfekten.