Ist KI eine weitere Dotcom Blase, die nur darauf wartet zu platzen?

Zu diesem Thema hat jeder eine Meinung, und die meisten davon sind laut. Die halbe Welt ist überzeugt, wir erleben gerade 1999 in Wiederholung, das Ganze sei ein riesiges Kartenhaus, und wenn es zusammenfällt, reißt es die Pensionsfonds gleich mit. Die andere Hälfte hält jeden, der an KI zweifelt, für einen Dinosaurier, der bis Weihnachten seinen Job los ist. Beide Lager sind anstrengend, und beide haben ein bisschen recht, was der ärgerliche Teil ist.

Also setzen wir uns hin und denken einmal ordentlich darüber nach. Nicht mit Hype und nicht mit Weltuntergang. Einfach ein sauberer Blick darauf, wohin das Geld fließt, wo der Wert tatsächlich steckt, und ob die Sache, auf die alle Haus und Hof setzen, echt ist oder nur eine sehr teure kollektive Halluzination.

Zuerst die Geldfrage, denn die meinen die Leute eigentlich

Wenn jemand fragt, ob KI eine Blase ist, stellt er fast nie eine philosophische Frage über Intelligenz. Er stellt eine finanzielle. Rechtfertigt die Menge an Geld, die in dieses Zeug gepumpt wird, die Menge an Geld, die wieder herauskommt? Und die ehrliche Antwort lautet gerade: niemand weiß es, und die Lücke ist riesig.

Die Zahlen, die für 2026 herumgereicht werden, sind wirklich schwer vorstellbar. Je nachdem, wessen Schätzung man traut, geben die großen Cloud und Chip Player in einem einzigen Jahr irgendwo um die 700 Milliarden Dollar aus, um Rechenzentren zu bauen, Chips zu kaufen und den Strom bereitzustellen, der das alles antreibt. Das ist kein Startup, das eine Seed Runde verbrennt. Das kommt näher an das Jahresbudget eines mittelgroßen Landes heran, ausgegeben für Maschinen, die alle paar Jahre ersetzt werden müssen.

Und jetzt halte das neben die Einnahmen. Der tatsächliche, bezahlte, auf dem Konto liegende Umsatz aus KI Produkten ist echt und wächst schnell, aber er ist meilenweit von 700 Milliarden entfernt. Er ist ein Bruchteil davon. Die Wette, die die Branche eingeht, ist, dass die Umsatzkurve irgendwann zur Ausgabenkurve hinaufrast, so wie Breitband am Ende all die Glasfaser gerechtfertigt hat, die Ende der Neunziger verlegt wurde. Die Angst ist, dass sie es nicht tut, oder dass es so lange dauert, dass vielen sehr selbstbewussten Firmen vorher das Geld ausgeht.

Das Argument, dass es eine Blase ist

Geben wir den Pessimisten eine faire Anhörung, denn sie sind keine Idioten. Ihr Argument geht ungefähr so.

Die Ausgaben werden mit Prognosen gerechtfertigt, nicht mit Gewinnen. Ein riesiger Teil des Kapitals, das in KI fließt, besteht im Grunde darin, dass eine Gruppe von Firmen Chips von einer anderen Gruppe von Firmen kauft, und ein Teil dieses Geldes dreht sich im Kreis. Firma A investiert in Firma B, Firma B nutzt dieses Geld, um Rechenleistung von Firma A zu kaufen, und alle verbuchen es als Wachstum. Es sieht aus wie eine blühende Wirtschaft, bis dir auffällt, dass derselbe Geldschein mehrmals gezählt wird.

Die Kostenrechnung dieser Modelle im Betrieb ist brutal. Jede clevere Chatbot Antwort kostet echtes Geld an Strom und Hardware, und bei vielen Produkten deckt der Preis, den der Kunde zahlt, nicht einmal die Kosten, ihn zu bedienen. In den Dotcom Zeiten konnte man eine Website wenigstens billig betreiben, sobald sie einmal gebaut war. Ein großes KI Modell ist das Gegenteil. Es ist teuer im Bau und dann jedes einzelne Mal wieder teuer, wenn es jemand benutzt. Das ist eine üble Form für ein Geschäft.

Und der Hype hat sich stellenweise klar von der Realität gelöst. Wenn eine Firma die Buchstaben KI in ihr Pitch Deck schreiben kann und dabei zusieht, wie sich ihre Bewertung über Nacht verdoppelt, dann blickst du auf einen Markt, der eine Geschichte bepreist, kein Produkt. Genau so hat 1999 gerochen.

Das Argument, dass es keine ist, oder zumindest nicht diese Art von Blase

Jetzt die andere Seite, denn sie ist stärker, als die Untergangspropheten zugeben wollen.

Der Dotcom Vergleich schmeichelt den Pessimisten in einem wichtigen Punkt. 1999 hatten die meisten Firmen mit den albernen Bewertungen keinen Umsatz und kein Produkt, nur einen Domainnamen und einen Plan. Die großen KI Player von heute sind dagegen zum größten Teil einige der profitabelsten Unternehmen der Menschheitsgeschichte. Sie finanzieren diese Ausgaben aus gewaltigen bestehenden Geldströmen aus Suche, Werbung, Cloud und Software, für die die Leute ohnehin jeden Tag zahlen. Als Pets.com zusammenbrach, war darunter nichts. Würde man die KI Ausgaben morgen halbieren, würden die Firmen, die das Geld ausgeben, aus ihrem Tagesgeschäft weiterhin Geld drucken.

Da ist außerdem die Kleinigkeit, dass die Technik tatsächlich funktioniert. Das ist kein Theranos. Hunderte Millionen Menschen nutzen diese Werkzeuge jede Woche und kommen am nächsten Tag wieder, was das mit Abstand Schwierigste ist, das ein Produkt erreichen kann. Eine Blase, die auf etwas gebaut ist, das niemand will, platzt sofort. Eine Blase, die auf etwas gebaut ist, das alle wollen, kann langsam Luft verlieren und trotzdem eine gewaltige Industrie stehen lassen, genau wie das Internet nach 2000.

Die vernünftige Position ist also unbequem und langweilig: In Teilen des KI Marktes gibt es mit ziemlicher Sicherheit eine Blase, und darunter gibt es mit ziemlicher Sicherheit eine echte und dauerhafte Industrie, und das Platzen wird die beiden, wenn es kommt, schmerzhaft trennen. Beides ist gleichzeitig wahr. Das Internet war eine echte Revolution, und der Dotcom Crash war echt und brutal. Diese Tatsachen haben sich nie widersprochen.

Nutzen wir KI eigentlich richtig?

An dieser Stelle werde ich ein bisschen grantig, denn ich glaube, die Antwort lautet meistens nein, und der Grund ist, dass wir uns in die falschen Anwendungsfälle verliebt haben.

Der Reflex in der ganzen Branche war, KI, ein wirklich neuartiges Werkzeug, zu nehmen und in Formen zu quetschen, die wir schon kennen. Wir haben an alles einen Chatbot geschraubt. Deine Bank hat einen, deine Kühlschrankfirma hat einen, deine Steuersoftware hat einen, und in neun von zehn Fällen ist er schlechter als der Knopf, den er ersetzt. Wir haben die flexibelste Technologie einer Generation genommen und sie hauptsächlich dafür benutzt, E Mails etwas schneller zu beantworten und Dokumente zusammenzufassen, die ohnehin niemand gelesen hätte.

Denk mal so darüber nach. Als der Strom kam, war das Erste, was die Fabriken taten, ihre große zentrale Dampfmaschine herauszureißen und einen ebenso großen Elektromotor an genau dieselbe Stelle zu setzen. Es funktionierte, aber es war sinnlos. Die echten Gewinne kamen erst Jahrzehnte später, als jemand merkte, dass man jeder einzelnen Maschine ihren eigenen kleinen Motor geben und die ganze Fabrik um diese Idee herum neu bauen konnte. Wir stecken in der Phase des großen zentralen Motors von KI. Wir benutzen etwas Revolutionäres, um das Alte ein bisschen besser zu machen, statt zu fragen, was das Alte überhaupt war.

Die richtige Frage lautet nicht, wie füge ich meinem Produkt KI hinzu. Sie lautet, was konnte ich vorher nie tun, das plötzlich möglich ist. Das sind völlig verschiedene Fragen, und fast alle stellen die erste.

Recyceln die meisten Startups nur alte Ideen mit einem frischen KI Anstrich?

Viele von ihnen, ja. Und es lohnt sich, genau zu sein, warum, denn es liegt nicht einfach daran, dass Gründer faul oder zynisch sind.

Es gibt gerade eine ganze Kategorie von Firmen, die man unfreundlich als Wrapper bezeichnet. Das Produkt ist eine dünne Schicht Bedienoberfläche, die auf dem Modell von jemand anderem sitzt und etwas tut, das man weitgehend selbst könnte, wenn man den passenden Prompt kennt. Notiz Apps, E Mail Schreiber, generische Chatbots für diese oder jene Branche. Es gibt Tausende davon, sie sehen fast alle gleich aus, und die meisten wird es in zwei Jahren nicht mehr geben. Sie recyceln Ideen, die es schon gab, Notiz Tools und E Mail Helfer und Support Bots, und die einzige neue Zutat ist das Modell darunter, das ihnen nicht gehört und das ihr Konkurrent genauso leicht mieten kann.

Das brutale Problem für diese Firmen ist, dass sie keinen Burggraben haben. Wenn dein ganzes Produkt ein cleverer Prompt und ein hübscher Login Screen ist, dann wird dein Produkt in dem Moment, in dem das darunterliegende Modell besser wird, entweder überflüssig oder es wird vom Modellanbieter selbst als kostenloses Feature einverleibt. Wir haben das immer wieder beobachtet. Ein Startup baut ein hübsches Werkzeug für eine ganz bestimmte Sache, das Basismodell liefert ein Update, das diese Sache von Haus aus kann, und das Startup löst sich in Luft auf. Gründer nennen das plattgewalzt werden, und es ist das prägende Risiko, wenn man auf einer Plattform baut, die sich schneller verbessert als man selbst.

Aber seien wir fair zur anderen Seite, denn die Wrapper Verachtung ist ein bisschen selbstgefällig. Viele extrem wertvolle Geschäfte der Geschichte waren dünne Schichten auf der Infrastruktur von jemand anderem. Ein Laden ist eine dünne Schicht auf einem Großhändler. Ein Restaurant ist ein Wrapper um Zutaten, die man selbst kaufen könnte. Der Wert liegt nicht immer darin, die tiefe Technologie zu besitzen. Manchmal liegt er im Geschmack, im Vertrauen, im konkreten Arbeitsablauf, in der Kundenbeziehung, in der langweiligen Integrationsarbeit, die sonst niemand machen will. Ein Wrapper, der eine enge Branche wirklich versteht, ihre Sprache spricht und sich in ihre bestehenden Werkzeuge einfügt, kann durchaus überleben, denn der Burggraben war nie das Modell. Der Burggraben war, den Kunden besser zu kennen, als der Modellanbieter es je tun wird.

Die ehrliche Aufteilung ist also diese. Die meisten KI Startups recyceln alte Ideen und werden es nicht schaffen. Eine Minderheit nutzt die neue Fähigkeit, um etwas zu tun, das vorher wirklich nicht möglich war, oder umhüllt sie mit so viel spezifischem, hart erarbeitetem Fachwissen, dass der Wrapper selbst zum wertvollen Ding wird. Der Trick, als Beobachter oder Investor oder Gründer, ist, diese beiden auseinanderzuhalten, und das ist im Moment wirklich schwer, weil sie an der Oberfläche identisch aussehen.

Wo also ist KI tatsächlich, unbestreitbar großartig?

Das ist der Teil, der mir wirklich Spaß macht, denn wenn man den Hype abzieht, bleibt ein solider Kern von Dingen, die schlicht, still und leise brillant sind, und sie haben meist eine gemeinsame Form. Die besten KI Anwendungen sind nicht die schillernden Allzweck Assistenten. Es sind die kleinen, spezifischen, unglamourösen Lösungen für Probleme, die früher an einer von vier Sachen scheiterten: nicht genug Denkstunden, nicht genug Kapital, nicht genug Geld, damit es sich lohnt, oder schlicht nicht genug Köpfe im Raum. KI reißt alle vier dieser Mauern ein, und genau dort versteckt sich die echte Magie.

Kleine maßgeschneiderte Lösungen, die nie skalieren mussten

Hier ist eine Kategorie, über die fast niemand spricht, weil sie nicht sexy ist und keine Schlagzeilen macht. Es gibt Millionen winziger Probleme in echten Unternehmen, die es nie wert waren, gelöst zu werden, weil eine Lösung bedeutet hätte, drei Monate lang einen Entwickler anzuheuern, um ein maßgeschneidertes Werkzeug zu bauen, das nur zwölf Leute je benutzen würden. Die Rechnung ging nie auf. Die Kosten einer Individuallösung waren immer höher als der Schmerz, die Sache einfach für immer von Hand zu erledigen.

KI pulverisiert diese Rechnung leise. Eine kleine Firma kann jetzt das alberne kleine interne Werkzeug bauen, das ihre speziellen chaotischen Tabellen liest, oder ihre besondere Sorte Kunden E Mails sortiert, oder den einen seltsamen Bericht entwirft, den ihre Behörde jedes Quartal verlangt. Es muss nicht auf eine Million Nutzer skalieren. Es muss keine Firma werden. Es muss nur elf Leuten für immer je zwei Stunden pro Woche sparen, und das war vorher schlicht nicht wirtschaftlich möglich. Das ist wirklich neu, und es passiert in Tausenden unglamouröser Büros ganz ohne Getöse. Keine Pressemitteilung, keine Finanzierungsrunde, nur ein Problem, das zu klein war, um es zu lösen, und das an einem Dienstagnachmittag plötzlich lösbar wird.

Probleme, die an schierer Denkkraft scheiterten

Manche Probleme scheiterten nie an Geld oder Ehrgeiz. Sie scheiterten daran, dass ein menschliches Gehirn, oder selbst ein großes Team davon, schlicht nicht genug Variablen auf einmal halten oder in einem Leben genug Material lesen kann.

Die Proteinfaltung ist das Paradebeispiel, und zu Recht. Herauszufinden, in welche Form sich ein Protein verdreht, war ein Problem, für das ein talentierter Forscher Jahre für eine einzige Struktur brauchen konnte, und es gibt Hunderte Millionen davon. Es war kein Geldproblem. Man konnte nicht tausend weitere Doktoranden darauf werfen und gewinnen, denn es war ein Problem reiner Mustererkennung über einen Suchraum, der größer ist, als der menschliche Verstand ihn greifen kann. KI hat es in nützlichem Maß geknackt und den Biologen eine Karte gegeben, die sie schlicht nicht hatten. Das ist kein Chatbot, der deine E Mails schreibt. Das ist ein echter neuer Schlüssel zu einer verschlossenen Tür, und es gibt kein altmodisches Maß an Anstrengung, das sie geöffnet hätte.

Dieselbe Form taucht bei der Entdeckung neuer Materialien auf, beim Lesen medizinischer Aufnahmen nach den schwachen Frühzeichen, die ein müdes menschliches Auge beim zehntausendsten Bild des Tages übersieht, beim Durchsieben astronomischer Daten, beim Modellieren, wie sich ein neues Medikament verhalten könnte, bevor jemand ein Vermögen für die Synthese ausgibt. Das sind alles Probleme, bei denen der Engpass nie Willenskraft oder Geld war. Es war die schiere Breite der Muster, die kein Einzelner je im Kopf halten könnte. Das ist der Sweet Spot. Dort ist KI kein etwas besseres Werkzeug, sondern eine wirklich neue Fähigkeit.

Probleme, die an Kosten und Kapital scheiterten

Dann gibt es das riesige Mittelfeld von Dingen, die technisch immer möglich, aber wirtschaftlich absurd waren. Die gesamte Website und das Support Material einer kleinen Firma in vierzig Sprachen zu übersetzen kostete früher ein Vermögen, also machte es niemand, und ganze Märkte blieben verschlossen. Jedem einzelnen Kunden eine wirklich persönliche Antwort statt einer Vorlage zu geben, erforderte früher eine Armee von Mitarbeitern. Jeden Vertrag zu prüfen, den eine mittelgroße Firma unterschreibt, statt ein paar Stichproben zu machen und zu beten, war früher ein Luxus, den sich nur Banken leisten konnten.

Nichts davon war vorher unmöglich. Es war nur zu teuer, um es wert zu sein, also geschah es nicht. KI senkt die Kosten dieser Aufgaben um eine Größenordnung, und wenn du etwas zehnmal billiger machst, sparst du nicht nur Geld, du machst Dinge möglich, die vorher komplett vom Tisch waren. Eine winzige Firma kann sich jetzt in mancher Hinsicht wie eine große verhalten. Diese Umverteilung von Fähigkeit hinunter zu den kleinen Spielern ist für mich eine der wirklich spannendsten und am meisten unterschätzten Geschichten des ganzen Feldes, und sie geht unter, während die Leute streiten, ob ein Chatbot ein Bewusstsein hat.

Warum um alles in der Welt stellen Meta und Google wieder Entwickler ein?

Das ist eine der aufschlussreichsten Geschichten des vergangenen Jahres, und sie schneidet mitten durch den Hype, also lohnt es sich, hier langsamer zu machen.

Die Erzählung von 2025 war sauber und beängstigend. KI schreibt jetzt Code, also brauchen wir nicht mehr so viele Menschen, die Code schreiben, also die Entlassungen. Und die Entlassungen waren echt. Meta strich 2026 Tausende Stellen und schwenkte hart Richtung KI. Microsoft baute im selben Zeitraum Zehntausende ab. Die Botschaft von oben war unverblümt: Das Tippen macht jetzt die Maschine.

Und trotzdem, schau ein bisschen genauer auf die tatsächlichen Einstellungsdaten, und etwas Merkwürdiges springt heraus. Google schrieb im selben Zeitraum weit mehr Entwicklerstellen aus als im Jahr davor, in der Größenordnung von sechzig Prozent mehr. Die Nachfrage nach Leuten, die KI Systeme tatsächlich bauen und bändigen können, ist, in den Worten jener, die das verfolgen, nur in eine Richtung gegangen, nämlich nach oben. Wir haben also Massenentlassungen und einen Einstellungsschub, die in derselben Branche passieren, manchmal in derselben Firma, zur selben Zeit. Was ist da los?

Zwei Dinge, und sie sind für die Blasenfrage enorm wichtig.

Das Erste ist, dass die Entlassungen und die Wiedereinstellungen nicht dieselben Jobs sind. Vieles von dem, was gestrichen wurde, war die Mitte, die Schichten von Routinearbeit, bei der KI heute tatsächlich helfen oder sie automatisieren kann, und ein guter Teil davon war schlicht die Korrektur der Übereinstellung während des Pandemie Booms, verpackt in modische KI Sprache, weil zu sagen, wir haben 2021 zu viele Leute eingestellt, vor den Aktionären schlechter klingt als zu sagen, wir werden eine KI Firma. Was zurückgeholt wird, zu schwindelerregenden Gehältern, ist eine kleinere Zahl sehr erfahrener, sehr fähiger Ingenieure, die die Systeme entwerfen, reparieren, was die KI kaputt macht, und die eigentlichen Produkte bauen können. Die Form der Belegschaft ändert sich, sie schrumpft nicht einfach. Sie wird an der Spitze teurer und in der Mitte dünner.

Das Zweite ist das Wichtigere, und es ist das stille Eingeständnis, das in all dem versteckt ist. Wenn KI Softwareentwickler wirklich in großem Stil ersetzen könnte, wären die raffiniertesten KI Firmen der Welt, jene, die die Modelle bauen, die Ersten, die aufhören, sie einzustellen. Sie haben jeden Anreiz und jedes Werkzeug. Stattdessen kämpfen sie untereinander um Entwicklertalente und zahlen Rekordsummen, um es zu bekommen. Das sagt dir etwas, das das Marketing nie laut aussprechen wird. Die Werkzeuge sind erstaunlich darin, einen erfahrenen Menschen zu unterstützen, und weit davon entfernt, einen zu ersetzen. Die Leute, die der Technologie am nächsten sind, stimmen mit ihrem Scheckbuch ab, und sie stimmen für Menschen. Wenn du ein einziges ehrliches Signal dafür willst, wie reif diese Technologie wirklich ist, ignoriere die Pressemitteilungen und schau, wen die Modellbauer verzweifelt einzustellen versuchen.

Wo die wahren Kosten versteckt sind

Das ist der Teil, den die schicken Demos dir nie zeigen, und hier lebt ein Großteil des Blasenrisikos wirklich, also graben wir uns ordentlich hinein. Der Ladenpreis von KI ist nicht der echte Preis, und in der Lücke dazwischen werden sich viele Firmen wehtun.

Die erste versteckte Kostenart ist die Inferenz, das schicke Wort dafür, das Modell tatsächlich laufen zu lassen, jedes Mal, wenn es jemand benutzt. Alle sind besessen von den schwindelerregenden Kosten, ein Modell zu trainieren, die eine große Zahl im Voraus, die Schlagzeilen macht. Aber Training ist einmalig. Inferenz ist für immer. Jede einzelne Frage, jedes erzeugte Bild, jedes zusammengefasste Dokument kostet echten Strom und echte Hardware Zeit, und es hört nie auf, solange das Produkt existiert. Viele KI Firmen verlieren still und leise Geld mit jedem aktiven Nutzer, subventionieren die wahren Kosten, um die Wachstumszahlen hübsch zu halten, in der Hoffnung, dass Chips billiger werden oder dass sie später die Preise erhöhen können, ohne dass alle davonlaufen. Das ist ein gefährliches Spiel, und es ist dasselbe Spiel, das viele Dotcom Firmen spielten, kurz bevor die Musik aufhörte.

Die zweite versteckte Kostenart ist die, die niemand auf eine Folie schreibt: die Kosten, falsch zu liegen. Eine KI, die in fünfundneunzig Prozent der Fälle richtig liegt, klingt fantastisch, bis du dich erinnerst, dass die fünf Prozent in genau demselben Ton totaler Selbstsicherheit ankommen wie die fünfundneunzig. Also brauchst du jetzt einen Menschen, der das Ergebnis prüft, und das frisst einen guten Teil der Effizienz, die dir versprochen wurde. Bei Arbeit mit geringem Einsatz, ein leicht falscher Urlaubsvorschlag, ist das in Ordnung. In Recht, Medizin, Buchhaltung oder Technik ist die Prüfung nicht optional, und die Kosten der Fehler, die durch die Prüfung schlüpfen, können alles in den Schatten stellen, was du gespart hast. Viele der Produktivitätsgewinne, die in einer Demo so beeindruckend aussehen, verdampfen leise, sobald du die Kosten des Menschen hinzurechnest, der hinter der Maschine sitzen und aufpassen muss, dass sie nichts erfunden hat.

Die dritte versteckte Kostenart sind Menschen und Prozesse. KI in eine Firma zu setzen, ist nicht Stecker rein und läuft, was auch immer der Anbieter dir erzählt. Jemand muss die Daten säubern, die Systeme verbinden, die Mitarbeiter umschulen, die Arbeitsabläufe neu schreiben und das Ding babysitten, wenn es abdriftet. Die Lizenzgebühr auf der Rechnung ist oft die kleinste Zahl im ganzen Projekt. Die echte Rechnung sind die Monate teurer menschlicher Arbeit, die es braucht, um das glänzende Werkzeug in einem chaotischen echten Geschäft tatsächlich nützlich zu machen, und diese Rechnung taucht in den aufgeregten Prognosen, wie viel Geld KI allen sparen wird, selten auf.

Und dann ist da die Kostenart, die auf gar keiner Firmenbilanz landet: Strom und Wasser. Diese Rechenzentren ziehen atemberaubende Mengen Energie und, in vielen Bauweisen, Wasser zur Kühlung. Diese Kosten sind echt, sie steigen, und zunehmend werden sie von allen bezahlt, in Form höherer Energiepreise und belasteter lokaler Stromnetze, ob sie KI nutzen oder nicht. Das ist eine echte Externalität, und es ist einer der Gründe, warum der aktuelle Kurs vielleicht nicht so sauber oder so billig durchzuhalten ist, wie die Wachstumskurven annehmen.

Das Benchmark Problem, oder warum Tokenmaxxing die Ranglisten leise verrotten lässt

Das hier ist technischer, also baue ich es sanft auf, denn es ist wirklich wichtig und fast niemand außerhalb des Feldes versteht es. Die Kurzfassung ist, dass die Ranglisten, mit denen alle entscheiden, welche KI die beste ist, manipuliert werden, und die Art, wie sie manipuliert werden, macht die Modelle teurer und langsamer, aus Gründen, die nichts damit zu tun haben, für dich nützlicher zu sein.

Fangen wir mit der Grundidee an. Um zu behaupten, dein neues Modell sei das beste, lässt du es gegen eine Reihe von Standardtests antreten, Benchmarks genannt. Matheaufgaben, Programmieraufgaben, Denkrätsel, Prüfungsfragen. Das Modell bekommt einen Punktestand, der Punktestand kommt in eine Tabelle, die Tabelle kommt ins Marketing, und Investoren und Journalisten behandeln die Tabelle wie ein Evangelium. So weit, so vernünftig. Das Problem ist, dass in dem Moment, in dem eine Zahl zu dem wird, woran alle gemessen werden, die Leute aufhören zu versuchen, gut zu sein, und anfangen zu versuchen, gut abzuschneiden, und das ist überhaupt nicht dasselbe. Es gibt ein altes Gesetz, das besagt, dass ein Maß, sobald es zum Ziel wird, aufhört, ein gutes Maß zu sein. KI Benchmarks sind eine Live Vorführung davon.

Es gibt ein paar Arten, wie das schiefgeht, und sie stapeln sich aufeinander. Die erste ist Kontamination, das höfliche Wort dafür, dass die Testantworten in das Lernmaterial durchsickern. Diese Modelle lernen aus riesigen Durchläufen des Internets, und die Benchmark Fragen und ihre Antworten liegen oft genau dort auch im Internet. Das Modell hat also praktisch die Prüfungsangabe gesehen, bevor es die Prüfung ablegt. Es schneidet brillant ab, alle applaudieren, und dann fällt es bei einem wirklich neuen Problem, das es nicht auswendig lernen konnte, auf die Nase. Du hast Gedächtnis gemessen und es Intelligenz genannt.

Die zweite, und das ist die, auf die dein Wort Tokenmaxxing zeigt, ist subtiler und interessanter. Viele Benchmarks belohnen ein Modell dafür, die richtige Endantwort zu erreichen, und es stellt sich heraus, dass Modelle höher abschneiden, wenn man sie eine lange Kette von Überlegungen durchlaufen lässt, bevor sie antworten, und dabei Haufen von Zwischentext erzeugen, was das Feld Tokens nennt. Mehr Denk Tokens, bessere Punkte. Also stimmen die Labore ihre Modelle darauf ab, diese enormen, wortreichen Gedankenspuren zu erzeugen, weil es die Ranglistenzahl nach oben treibt. Tokenmaxxing ist genau das: die Zahl der Tokens zu maximieren, die das Modell durchkaut, auf der Jagd nach einem besseren Benchmark Ergebnis.

Hier ist, warum dich das als Nutzer ärgern statt beeindrucken sollte. Jedes einzelne dieser zusätzlichen Tokens kostet Geld und braucht Zeit. Du zahlst, in Bargeld und in Sekunden deines Lebens, dafür, dass das Modell ausgiebig mit sich selbst redet, damit es einen Wettbewerb gewinnen kann, an dem du nicht einmal teilnimmst. Ein Modell, das darauf getrimmt wurde, die Ranglisten anzuführen, kann messbar langsamer und teurer im Betrieb sein als ein schlichteres, das dir eine ebenso gute Antwort in einem Viertel der Wörter gibt. Der Benchmark sagt, das wortreiche sei besser. Deine Rechnung und deine Geduld sagen etwas anderes. Der Punktestand und der tatsächliche Nutzen sind auseinandergedriftet, und die Lücke wird von dir bezahlt.

Und es verdichtet sich zu einem wirklich schlechten Anreiz für das ganze Feld. Wenn der Weg, am besten auszusehen, darin besteht, mehr Rechenleistung pro Antwort zu verbrennen, dann wird die gesamte Branche leise in Richtung Modelle geschoben, die teurer im Betrieb sind, ausgerechnet in dem Moment, in dem die größte Frage, die über der ganzen Blase hängt, lautet, ob überhaupt jemand diese Dinge profitabel betreiben kann. Die Ranglisten feuern die Modelle genau in die falsche Richtung an. Sie belohnen das Verhalten, das die Kostenrechnung verschlechtert. Wenn du das nächste Mal eine Tabelle siehst, die zeigt, dass Modell X das Modell Y bei irgendeinem Benchmark um zwei Punkte geschlagen hat, ist die richtige Reaktion ein Achselzucken und eine Frage: besser worin, gemessen von wem, und zu welchen Kosten pro Antwort im echten Betrieb.

Also, Blase oder nicht? Ein erwachsenes Urteil

Lass es mich ehrlich zu Ende bringen, statt nach einem hübschen Werbespruch zu greifen, denn die hübschen Werbesprüche sind alle falsch.

Ja, es gibt eine Blase. Es gibt viel zu viel Geld, das viel zu vielen identischen Ideen hinterherjagt, Bewertungen haben sich stellenweise komplett von jedem plausiblen Umsatz gelöst, ein Großteil der Ausgaben dreht sich im Kreis und schmeichelt sich selbst, und eine schmerzhafte Korrektur, die eine große Schar der Wrapper Firmen und die schwächsten der Modell Player auslöscht, ist nicht nur möglich, sie ist beinahe unvermeidlich. Wenn sie kommt, wird sie brutal und laut sein, und viele Leute, die dir selbstsicher erzählt haben, KI könne nicht scheitern, werden feststellen, dass sie einen Aktienkurs beschrieben haben, keine Technologie.

Und trotzdem, nein, es ist nicht nur eine Blase, und das ist der Teil, den die schadenfrohen Untergangshändler immer wieder falsch verstehen. Unter dem Schaum liegt eine echte, funktionierende, zutiefst nützliche Technologie, die Hunderte Millionen Menschen bereits in ihren Alltag eingewoben haben und nicht zurückgeben werden. Es gibt einen echten Kern von Problemen, in der Wissenschaft, in der Medizin, in den Tausenden winziger unglamouröser Ecken ganz gewöhnlicher Unternehmen, die KI tatsächlich gelöst oder zum ersten Mal lösbar gemacht hat. Dieser Kern verdampft nicht, wenn die Aktienkurse fallen. Er wird nur still und leise wertvoller, während alle vom Crash abgelenkt sind.

Die Dotcom Ära ist genau deshalb der perfekte Wegweiser, weil beide Hälften wahr waren. Der Crash war echt und er ruinierte Menschen. Das Internet war ebenso echt und fraß am Ende die ganze Wirtschaft. Die Firmen, die starben, verdienten es zu sterben. Die, die überlebten, jene, die tatsächlich ein echtes Problem lösten, statt ihrem Namen ein e voranzustellen, wurden zu einigen der wichtigsten Unternehmen der Welt. Dieselbe Sortierung kommt für KI. Dass die Blase platzt und dass die Technologie zählt, sind keine gegensätzlichen Vorhersagen. Es ist dieselbe Geschichte, erzählt in zwei verschiedenen Geschwindigkeiten, und der kluge Zug ist, aufzuhören, darüber zu streiten, welche wahr ist, und anzufangen herauszufinden, auf welcher Seite der Linie die eigene Idee liegt.

Die Gewinner werden jene sein, die aufgehört haben zu fragen, wie man KI über das Bestehende streut, und angefangen haben zu fragen, was plötzlich möglich wurde, das es nie war. Alle anderen verlegen nur Glasfaser, die niemand anschließen wird, und kaufen sich einen sehr teuren Platz in der ersten Reihe für das Platzen.