13 KIs sollten eine Firma führen. Fast alle gingen unter.
Princeton ließ 13 KIs 500 Tage lang eine simulierte Firma führen. Drei landen im Plus. Ein Skript ganz ohne KI schlägt fast alle anderen.
Eine Million Dollar in der Kasse, null Kunden, 500 Tage, um daraus ein profitables Unternehmen zu machen. Dieses Spielfeld haben Forscher aus Princeton dreizehn KI-Modellen überlassen, mit einer einzigen Anweisung: Führe die Firma. Am Ende stehen nur drei mit mehr Geld da als zu Beginn. Und eine simple Rechenregel, ganz ohne KI, schlägt zehn der dreizehn.
Ein Geschäftsführer im Sandkasten
Der Test heißt CEO-Bench und wurde Ende Juni vom Labor von Zhuang Liu in Princeton veröffentlicht. Jedes Modell steuert NovaMind, ein vollständig simuliertes Abo-Softwareunternehmen. Es legt Preise fest, verteilt das Werbebudget, wägt Produktqualität gegen Forschung ab, dimensioniert die Infrastruktur, betreut den Support und verhandelt mit Großkunden.
Vierunddreißig Werkzeuge, neunzehn Datentabellen, 500 simulierte Tage. Die Endnote ist das Geld, das am Ende in der Kasse bleibt. Nichts Abstraktes daran: Es sind die Entscheidungen, die eine Führungskraft wirklich trifft, verteilt über anderthalb Jahre.
Und kein Glücksgriff rettet die Lage: Jedes Modell spielt die Partie dreimal, nur sein bester Durchlauf zählt. Die folgenden Zahlen sind also schon die Spitzenwerte jeder KI.
Die dumme Regel, die zehn Modelle blamiert
Hier kommt das Detail, das wehtut. Die Forscher schmuggelten einen Konkurrenten ohne Hirn ins Rennen: ein Skript, das festen Regeln folgt. Feste Preise, feste Quoten, Konzentration auf wenige Kundensegmente, an die jüngste Nachfrage angepasste Kapazität. Keine Anpassung, keine Strategie. Nur Disziplin.
Dieses Skript wird Vierter, mit 15,7 Millionen Dollar in der Kasse. Es überholt zehn der dreizehn getesteten Modelle. Fünf von ihnen gingen schlicht pleite, Kasse bei null. Andere überlebten, indem sie Wert zerstörten: Qwen 3.7 Max und Claude Opus 4.7 landen bei rund 400.000 Dollar, weniger als die Hälfte ihres Startkapitals.
Warum gewinnt die dumme Regel? Weil sie nie umdenkt. Die Modelle dagegen überreagieren: Sie ändern Preise, starten eine Kampagne, rudern zurück und verbrennen bei jedem Zögern Geld.
Drei Modelle halten durch
Drei KIs ziehen trotzdem vorbei, und zwar deutlich. Claude Fable 5 endet bei 47 Millionen Dollar, Claude Opus 4.8 bei 27,8 Millionen, GPT-5.5 bei 21,3 Millionen. Die KI kann also ein Unternehmen führen. Das Problem ist, dass sie es selten zuverlässig tut.
GPT-5.5 bringt es auf den Punkt. In seinen drei Partien ging es zweimal unter. Nur ein Modell, Fable 5, bleibt über mehrere Versuche im Plus. Die anderen reihen einen guten Lauf an drei Abstürze, oder scheitern von Anfang an.
Was der Benchmark wirklich misst
Eine Firma zu führen heißt nicht, einen einzigen Coup zu landen. Es heißt, eine kohärente Strategie über Hunderte verkettete Entscheidungen zu halten, ohne sich zu widersprechen oder in Panik zu geraten, wenn die Zahlen sinken. Genau daran zerbrechen die meisten Modelle: Sie können eine Partie glänzend eröffnen, sie zu Ende zu bringen gelingt ihnen viel seltener.
Der Mythos der KI, die Führungskräfte ersetzt, stößt damit auf ein banales Hindernis. Die wahre Hürde ist heute dieses Skript mit festen Regeln. Über 500 Tage genügt seine dumme Beständigkeit, um zehn von dreizehn Spitzenmodellen zu schlagen.
