KI-Trillionen-Dollar-Problem

Wenn wir 2025 betreten, steht die künstliche Intelligenz-Branche an einem entscheidenden Wendepunkt. Während die Branche weiterhin unvergleichliche Investitionen und Aufmerksamkeit anzieht – insbesondere im Bereich der generativen KI – deuten mehrere zugrunde liegende Marktdynamiken darauf hin, dass wir in den kommenden Jahren eine große Veränderung im KI-Landschaft erwarten können.

Basierend auf meiner Erfahrung als Leiter eines KI-Startups und der Beobachtung der schnellen Evolution der Branche, glaube ich, dass dieses Jahr viele grundlegende Veränderungen mit sich bringen wird: von großen Konzeptmodellen (LCMs), die als ernsthafte Konkurrenten zu großen Sprachmodellen (LLMs) auftreten, bis hin zum Aufstieg spezialisierter KI-Hardware und den Beginn von Big-Tech-Unternehmen, die große KI-Infrastruktur-Aufbauten beginnen, um endlich in der Lage zu sein, Startups wie OpenAI und Anthropic zu überbieten – und wer weiß, vielleicht sogar ihre KI-Monopolstellung zu sichern.

Einzigartige Herausforderung von KI-Unternehmen: Weder Software noch Hardware

Das grundlegende Problem liegt darin, wie KI-Unternehmen in einem bisher unbekannten Mittelfeld zwischen traditionellen Software- und Hardware-Unternehmen operieren. Im Gegensatz zu reinen Software-Unternehmen, die hauptsächlich in Humanvermögen investieren und relativ geringe Betriebskosten haben, oder Hardware-Unternehmen, die langfristige Kapitalinvestitionen mit klaren Rückkehrwegen haben, stehen KI-Unternehmen vor einer einzigartigen Kombination von Herausforderungen, die ihre aktuellen Finanzierungsmodelle prekär machen.

Diese Unternehmen benötigen massive Vorabinvestitionen für GPU-Cluster und Infrastruktur, wofür sie jährlich 100-200 Millionen Dollar allein für Rechenressourcen ausgeben. Doch im Gegensatz zu Hardware-Unternehmen können sie diese Investitionen nicht über lange Zeiträume amortisieren. Stattdessen operieren sie in komprimierten Zwei-Jahres-Zyklen zwischen Finanzierungsrunden, bei denen sie jedes Mal exponentielles Wachstum und Spitzenleistungen demonstrieren müssen, um ihre nächste Bewertungsmarkierung zu rechtfertigen.

LLM-Differenzierungsproblem

Hinzu kommt eine besorgniserregende Tendenz: die schnelle Konvergenz der Fähigkeiten großer Sprachmodelle (LLM). Startups wie das Einhorn Mistral AI und andere haben gezeigt, dass Open-Source-Modelle Leistungen erzielen können, die mit denen ihrer geschlossenen Gegenstücke vergleichbar sind, aber die technische Differenzierung, die früher sky-high-Bewertungen gerechtfertigt hat, wird immer schwieriger zu halten.

Mit anderen Worten, während jedes neue LLM beeindruckende Leistungen basierend auf Standard-Benchmarks vorweist, findet keine wesentliche Veränderung in der zugrunde liegenden Modellarchitektur statt.

Die aktuellen Einschränkungen in diesem Bereich resultieren aus drei kritischen Bereichen: Datenverfügbarkeit, da wir uns dem Ende hochwertigen Trainingsmaterials nähern (wie von Elon Musk kürzlich bestätigt); Kuriermethoden, da sie alle ähnliche menschliche Feedback-Ansätze wie OpenAI verwenden; und Rechnerarchitektur, da sie auf dem gleichen begrenzten Pool spezialisierter GPU-Hardware basieren.

Was sich herausbildet, ist ein Muster, bei dem Gewinne zunehmend durch Effizienz und nicht durch Skalierung entstehen. Unternehmen konzentrieren sich darauf, mehr Wissen in weniger Token zu komprimieren und bessere Ingenieurskunst-Produkte wie Retrieval-Systeme wie Graph-RAGs (retrieval-augmented generation) zu entwickeln. Im Wesentlichen nähern wir uns einem natürlichen Plateau, bei dem das Werfen mehrerer Ressourcen auf das Problem sinkende Erträge bringt.

Aufgrund des unvergleichlichen Tempos der Innovation in den letzten zwei Jahren geschieht diese Konvergenz der LLM-Fähigkeiten schneller, als irgendjemand erwartet hat, und schafft ein Rennen gegen die Zeit für Unternehmen, die Mittel aufgenommen haben.

Basierend auf den neuesten Forschungstrends ist die nächste Grenze, die angegangen werden muss, die Entstehung von großen Konzeptmodellen (LCMs) als neue, bahnbrechende Architektur, die mit LLMs in ihrem Kernbereich, der natürlichen Sprachverständigung (NLP), konkurriert.

Technisch gesehen werden LCMs mehrere Vorteile haben, einschließlich der Möglichkeit, bessere Leistungen mit weniger Iterationen zu erzielen und ähnliche Ergebnisse mit kleineren Teams zu erzielen. Ich glaube, dass diese Next-Gen-LCMs von Spin-off-Teams entwickelt und kommerzialisiert werden, den berühmten ‘ex-Big-Tech’-Pionieren, die neue Startups gründen, um diese Revolution voranzutreiben.

Monetarisierungs-Zeitplan-Übereinstimmung

Die Komprimierung der Innovationszyklen hat ein weiteres kritische Problem geschaffen: die Übereinstimmung zwischen Zeit-zum-Markt und nachhaltiger Monetarisierung. Während wir eine unvergleichliche Geschwindigkeit in der Vertikalisierung von KI-Anwendungen sehen – mit Sprach-KI-Agenten beispielsweise, die von Konzepten zu umsatzgenerierenden Produkten in nur wenigen Monaten übergehen – maskiert diese schnelle Kommerzialisierung ein tieferes Problem.

Betrachten Sie dies: Ein KI-Startup, das heute mit 20 Milliarden Dollar bewertet wird, wird wahrscheinlich etwa 1 Milliarde Dollar Umsatz pro Jahr innerhalb von 4-5 Jahren erzielen müssen, um eine vernünftige Multiplikation zu rechtfertigen. Dies erfordert nicht nur technische Exzellenz, sondern auch eine dramatische Transformation des gesamten Geschäftsmodells, von Forschungs- auf Vertriebsorientierung, während gleichzeitig der Innovationsprozess und die enormen Infrastrukturkosten bewältigt werden müssen.

In diesem Sinne werden die neuen LCM-fokussierten Startups, die 2025 entstehen, in einer besseren Position sein, Mittel aufzunehmen, da ihre niedrigeren Anfangsbewertungen sie zu attraktiveren Zielen für Investoren machen.

Hardware-Mangel und aufkommende Alternativen

Lassen Sie uns einen genaueren Blick auf die Infrastruktur werfen. Heute wird jeder neue GPU-Cluster sogar vor seiner Fertigstellung von den großen Spielern gekauft, was kleinere Spieler zwingt, entweder langfristige Verträge mit Cloud-Anbietern abzuschließen oder das Risiko einzugehen, vollständig aus dem Markt ausgeschlossen zu werden.

Aber hier ist das, was wirklich interessant ist: Während alle um GPUs kämpfen, hat es eine faszinierende Veränderung im Hardware-Landschaft gegeben, die noch weitgehend übersehen wird. Die aktuelle GPU-Architektur, genannt GPGPU (General Purpose GPU), ist unglaublich ineffizient für das, was die meisten Unternehmen in der Produktion benötigen. Es ist, als ob man einen Supercomputer verwendet, um eine Rechner-App auszuführen.

Das ist, warum ich glaube, dass spezialisierte KI-Hardware der nächste große Schritt in unserer Branche sein wird. Unternehmen wie Groq und Cerebras (CBRS ) bauen Inferenz-spezifische Hardware, die 4-5 Mal billiger zu betreiben ist als traditionelle GPUs. Ja, es gibt einen höheren Ingenieurkosten vorab, um die Modelle für diese Plattformen zu optimieren, aber für Unternehmen, die große Inferenz-Workloads ausführen, sind die Effizienzgewinne klar.

Daten-Dichte und der Aufstieg kleinerer, intelligenterer Modelle

Der Übergang zur nächsten Innovations-Grenze in KI wird wahrscheinlich nicht nur eine größere Rechenleistung – insbesondere für große Modelle wie LCMs – erfordern, sondern auch reichere, umfassendere Datensätze.

Interessanterweise beginnen kleinere, effizientere Modelle, größere Modelle herauszufordern, indem sie die Dichte nutzen, mit der sie auf verfügbaren Daten trainiert werden. Zum Beispiel operieren Modelle wie Microsofts FeeFree oder Googles Gema2B mit weit weniger Parametern – oft um 2 bis 3 Milliarden – und erreichen doch Leistungen, die mit denen viel größerer Modelle mit 8 Milliarden Parametern vergleichbar sind.

Diese kleineren Modelle sind zunehmend wettbewerbsfähig, weil sie eine hohe Daten-Dichte haben, was sie trotz ihrer Größe robust macht. Diese Verschiebung hin zu kompakten, aber leistungsstarken Modellen entspricht den strategischen Vorteilen, die Unternehmen wie Microsoft (MSFT ) und Google haben: Zugang zu massiven, vielfältigen Datensätzen durch Plattformen wie Bing und Google Search.

Diese Dynamik offenbart zwei kritische “Kriege”, die sich in der KI-Entwicklung abspielen: einer über Rechenleistung und ein anderer über Daten. Während Rechenressourcen für die Weiterentwicklung von Grenzen unerlässlich sind, wird die Daten-Dichte gleich wichtig – wenn nicht sogar wichtiger. Unternehmen mit Zugang zu großen Datensätzen sind einzigartig positioniert, um kleinere Modelle mit unvergleichlicher Effizienz und Robustheit zu trainieren, was ihre Dominanz in der sich entwickelnden KI-Landschaft festigt.

Wer wird den KI-Krieg gewinnen?

In diesem Kontext fragt sich jeder, wer in der aktuellen KI-Landschaft am besten positioniert ist, um zu gewinnen. Hier sind einige Überlegungen.

Große Technologie-Unternehmen haben ganze GPU-Cluster vor ihrer Fertigstellung vorbestellt, was eine Knappheit für kleinere Spieler schafft. Oracles Bestellung von über 100.000 GPUs und ähnliche Schritte von Meta und Microsoft exemplifizieren diese Tendenz.

Nachdem sie Hunderte von Milliarden in KI-Initiativen investiert haben, benötigen diese Unternehmen Tausende spezialisierter KI-Ingenieure und Forscher. Dies schafft eine unvergleichliche Nachfrage nach Talenten, die nur durch strategische Übernahmen befriedigt werden kann – was wahrscheinlich dazu führen wird, dass viele Startups in den kommenden Monaten absorbiert werden.

Während 2025 für große R&D- und Infrastruktur-Aufbauten für diese Akteure aufgewendet wird, werden sie 2026 in der Lage sein, wie nie zuvor zuzuschlagen, dank unvergleichlicher Ressourcen.

Dies bedeutet jedoch nicht, dass kleinere KI-Unternehmen zum Scheitern verurteilt sind – weit davon entfernt. Die Branche wird weiterhin innovieren und Wert schaffen. Einige Schlüsselinnovationen in der Branche, wie LCMs, werden wahrscheinlich von kleineren, aufstrebenden Akteuren in den kommenden Jahren angeführt, neben Meta, Google/Alphabet (GOOG ) und OpenAI mit Anthropic, die alle derzeit an spannenden Projekten arbeiten.

Allerdings werden wir wahrscheinlich eine grundlegende Umstrukturierung sehen, wie KI-Unternehmen finanziert und bewertet werden. Wenn Risikokapital selektiver wird, müssen Unternehmen klare Wege zu nachhaltiger Einheitsökonomie demonstrieren – eine besondere Herausforderung für Open-Source-Unternehmen, die mit gut ausgestatteten proprietären Alternativen konkurrieren.

Für Open-Source-KI-Unternehmen insbesondere wird der Weg nach vorne wahrscheinlich erfordern, sich auf spezifische vertikale Anwendungen zu konzentrieren, in denen ihre Transparenz und Anpassungsfähigkeit klare Vorteile gegenüber proprietären Lösungen bieten.