TL;DR. Eine Self-Driving Company ist eine Firma, in der Menschen das Ziel wählen und KI-Agenten die Arbeitsschritte fahren: Research, Outbound, Code, Reviews, Support-Triage. Der Begriff stammt von Replit-CEO Amjad Masad. Der Weg dahin führt über Agent-Loops: Ziele mit verifizierbarem Endpunkt, Context-Zugang und Eskalationsregel. Starte im Engineering, lass die Adoption per Pull durch die Firma wandern.
Self-Driving Company ist der Begriff der Stunde, und ausnahmsweise steckt hinter dem Hype eine Zahl. Replit berichtet, kohorten-bereinigt, 2.9x mehr Code pro Engineer. Die Pointe ist aber nicht die Steigerung. Die Pointe ist, was flach blieb: Review-Latenz, Reversion-Rate, Incidents. Die üblichen Trade-offs sind nicht eingetreten.
Wir bauen KI-Agenten für Produkt- und GTM-Teams, in Schweizer Software-Firmen mit 20 bis 500 Leuten. Der Replit-Post beschreibt das Zielbild, auf das diese Arbeit hinausläuft. Darum nehmen wir ihn hier auseinander: was der Begriff bedeutet, was er nicht bedeutet, und wie du hinkommst, ohne eine Elite-Engineering-Firma zu sein.
What you'll learn
- Die Definition der Self-Driving Company, in einem Absatz, zitierfähig.
- Der Agent-Loop: das Arbeitsmuster, das Selbstfahren möglich macht.
- Die Reihenfolge: warum Engineering zuerst kommt und GTM danach loop-fähig wird.
Die These: Selbstfahrend heisst nicht menschenleer
«A self-driving company is not one without people. People still choose the destination.» So definiert es Amjad Masad. Menschen entscheiden, welche Probleme zählen, treffen die harten Trade-offs und tragen die Verantwortung. Agents führen die Schritte dahin aus. Wer Selbstfahren mit Menschenleere verwechselt, baut das Falsche.
🧨 Was ist eine Self-Driving Company?
Eine Self-Driving Company ist eine Organisation, in der KI-Agenten quer durch alle Funktionen eigenständig Arbeitsschritte übernehmen: Incidents untersuchen, Pull Requests reviewen, Support-Tickets triagieren, Sales-Accounts recherchieren, Business-Daten analysieren. Menschen setzen die Ziele, prüfen die Resultate und entscheiden bei Urteilsfragen. Der Begriff stammt aus dem Replit-Blogpost «The Self-Driving Company» vom Juli 2026.
Wichtig am Replit-Fall: Es ist keine Vision, sondern ein Betriebsbericht. Support-Eskalationen werden 60 Prozent schneller geschlossen. 30 Prozent der menschlichen Review-Zeit ist eingespart, weil ein Agent das Risiko einschätzt und nur bei Bedarf einen zweiten Menschen dazuholt. Und der stärkste Satz des Posts handelt nicht von Output: «People don't feel automated. They feel promoted.»
🛠️ So kommst du hin: vier Schritte
- Starte in der verifizierbaren Domäne. Ein Bug ist messbar falsch, ein Marketing-Text nur diskutierbar schlecht. Darum beginnt der Umbau im Engineering, wo Tests und CI jedem Agent-Output ein hartes Urteil geben. Wie sich das anfühlt, zeigt unser Beitrag zu Vibe Coding für Founder.
- Verkable den Context. Ohne Zugang zu den Systemen, die die Firma antreiben (Repo, CRM, Wiki, Ticketing, Data Warehouse), kann kein Agent selbstfahren. Replit gab seinem Agent Zugriff auf GitHub, Linear, Notion, Slack und Zendesk, hinter Zugriffs-Policies und Audit-Logging. Der Agent ist so gut wie sein Context.
- Definiere Agent-Loops. Ein Agent-Loop ist ein Ziel von Menschen gesetzt, ein verifizierbarer Endpunkt, Context-Zugang und eine Eskalationsregel für Urteilsfragen. Kein Loop ohne messbaren Endpunkt: sonst produziert der Agent Beschäftigung statt Resultat.
- Lass die Adoption ziehen, statt zu drücken. Bei Replit verbreitete sich die Arbeitsweise, weil alle im Slack zusahen, wie Engineers den Agent taggen. Zuschauen überzeugt besser als jede Schulung. Darum gehören Agents in den öffentlichen Kanal, nicht nur in die IDE.
🤖 Warum der Context wichtiger ist als das Tool
Replit kündigte eine siebenstellige SaaS-Lösung, weil der interne Agent mit eigenem Context besser war, und schlug spezialisierte Tools zu einem Zehntel der Kosten. Die Lehre für den Mittelstand ist nicht «bau alles selbst». Die Lehre ist: Agents, die deinen Context sehen, schlagen generische Tools, die ihn nicht sehen. Am Ende willst du Agents besitzen, statt Tools zu mieten.
Funktioniert das auch im GTM?
Ja, wenn du GTM messbar machst. Der berechtigte Einwand lautet: Code ist verifizierbar, Marketing-Bauchgefühl nicht. Die Antwort ist messen statt raten: Buyer-Journey-Tracking, Kaufsignale und saubere CRM-Daten geben GTM-Loops denselben verifizierbaren Endpunkt, den Tests dem Code geben. Genau das baut Autonomous GTM: ein Go-to-Market, das ohne zusätzliche Leute Pipeline produziert.
Replit selbst liefert den Beleg, dass die Agents nicht im Engineering stehen bleiben: Das Sales-Team nutzt den Agent für Lead-Research mit internem Wissen, Account Executives für die Vorbereitung von Kundengesprächen, das Support-Team für Playbook-Antworten mit Eskalations-Zusammenfassung. Engineering war der Anfang, nicht das Ende.
Auf welcher Autonomie-Stufe fährt deine Firma?
Die Autonomie-Stufen übertragen die Logik selbstfahrender Autos auf Firmen: von Stufe 0, alles manuell, bis Stufe 4, selbstverbessernde Agents. Sie zeigen pro Funktion, wie weit Agents heute tragen und wo der nächste Schritt liegt. GTM und Engineering fahren selten auf derselben Stufe.
- Stufe 0, manuell. Tools ja, aber jeder Arbeitsschritt läuft durch Menschenhände.
- Stufe 1, assistiert. Agents schlagen vor, Menschen führen aus. Autocomplete, Text-Entwürfe, Antwort-Vorschläge.
- Stufe 2, delegiert. Agents erledigen klar umrissene Einzelaufgaben. Ein Mensch prüft jedes Resultat.
- Stufe 3, autonom im Loop. Agents arbeiten in Loops mit verifizierbarem Endpunkt und Eskalationsregel. Der Mensch reviewt am Endpunkt, nicht jeden Schritt. Replits Engineering arbeitet hier.
- Stufe 4, selbstverbessernd. Agents messen Feedback, schlagen Verbesserungen vor und validieren sie mit Benchmarks und A/B-Tests. Replits Continual-Learning-System ist das Beispiel.
Die Diagnose-Frage für dein nächstes Leadership-Meeting: Auf welcher Stufe fährt euer GTM, auf welcher euer Engineering, und was fehlt für die nächste? Meist ist die Antwort nicht ein Modell, sondern Context, ein messbarer Endpunkt oder eine Eskalationsregel.
🎢 Outro
✅ Was funktioniert. Agent-Loops mit verifizierbarem Endpunkt: Migrationen, Reviews, Incident-Triage, Lead-Research, Support-Playbooks. Der Einstieg im Engineering, die Verbreitung per Slack.
❌ Was nicht funktioniert. Selbstfahren ohne Context-Zugang. Vage Ziele ohne messbaren Endpunkt. Und der Versuch, die Replit-Infrastruktur nachzubauen, wenn Software-Infrastruktur nicht dein Kerngeschäft ist.
⚠️ Warnung. Self-Driving heisst nicht keine Probleme, sondern neue Probleme: mehr Output braucht neue Review-Muster, Systemzugang braucht Policies und Audit-Trail. Wer das Sicherheits-Fundament überspringt, baut einen Vorfall, kein System.
Zurück zur Zahl vom Anfang: 2.9x mehr Code ist nicht das Ergebnis eines Tools, sondern eines Umbaus. Menschen wählen das Ziel, Agents fahren, und die Qualitätsmetriken bleiben flach, weil auch das Prüfen mitgebaut wurde. Das ist der Massstab, an dem sich jede Agent-Initiative messen lassen muss.
Replit hat sich selbst umgebaut. Wir bauen das bei dir ein und übergeben es: Autonomous GTM für die Markt-Seite, Autonomous Coding Agents für die Produkt-Seite. Oder erzähl uns in 30 Minuten von Gründer zu Gründer, wo es bei dir klemmt.
FAQ
Was ist eine Self-Driving Company?
Eine Firma, in der KI-Agenten quer durch alle Funktionen Arbeitsschritte eigenständig übernehmen, während Menschen die Ziele setzen, Resultate prüfen und bei Urteilsfragen entscheiden. Geprägt hat den Begriff Replit-CEO Amjad Masad im Juli 2026.
Ersetzt eine Self-Driving Company ihre Mitarbeitenden?
Nein. Replits Formel: «People don't feel automated. They feel promoted.» Die Arbeit verschiebt sich vom Ausführen zum Dirigieren: Ziele setzen, Resultate prüfen, Richtung halten. Wer in Outcomes denkt, gewinnt an Wert.
Wo startet man am besten?
Im Engineering. Code ist die verifizierbarste Domäne: Tests und CI geben jedem Agent-Output ein hartes Urteil. Danach wandert die Arbeitsweise per Pull in Support, Sales und Marketing, wenn die Agents sichtbar im Slack arbeiten.
Funktioniert das auch im GTM, wo Resultate weniger messbar sind?
Ja, aber erst nach der Messbarkeits-Arbeit: Buyer-Journey-Tracking, Kaufsignale, saubere CRM-Daten. Sie geben GTM-Loops den verifizierbaren Endpunkt, den Tests dem Code geben. Ohne Messfundament bleibt GTM-Automation Spray-and-Pray.
Was ist ein Agent-Loop?
Ein Ziel von Menschen gesetzt, ein verifizierbarer Endpunkt, Zugang zum nötigen Context und eine Eskalationsregel für Urteilsfragen. Nicht zu verwechseln mit dem gtm.science-Loop DECODE, SHAPE, AMPLIFY, EVOLVE: der eine ist ein Arbeitsmuster für Agents, der andere ein Strategie-Framework.
