Wie schnell entwickelt sich KI? Ein realistischer Ausblick

Kaum eine Frage wird derzeit so leidenschaftlich diskutiert wie die nach dem Tempo der KI-Entwicklung. Die einen sehen die Superintelligenz vor der Tür, die anderen sprechen von einer Blase, die bald platzen werde. Beide Lager haben eines gemeinsam: Sie neigen zur Übertreibung. Ein souveräner Umgang mit dem Thema beginnt damit, den Lärm herauszurechnen und auf die belastbaren Daten zu schauen. Wie schnell hat sich KI tatsächlich entwickelt, welche Kräfte treiben diese Entwicklung, und wo zeichnen sich Grenzen ab? Ein ehrlicher Blick hilft mehr als jede Prognose, die auf Bauchgefühl beruht.

Ein Rückblick, der demütig macht

Werfen wir zunächst einen Blick zurück, denn er relativiert vieles. Vor kaum mehr als einem Jahrzehnt galten Aufgaben als extrem schwer, die heute als selbstverständlich gelten. 2012 markierte das neuronale Netz „AlexNet“ einen Durchbruch in der Bilderkennung. 2016 schlug ein KI-System einen der weltbesten Go-Spieler – ein Spiel, das man lange für zu komplex für Maschinen hielt. Ende 2022 erreichte ChatGPT innerhalb von zwei Monaten hundert Millionen Nutzer und machte generative KI über Nacht zum Massenphänomen.

Der Stanford AI Index dokumentiert dieses Tempo Jahr für Jahr in nüchternen Zahlen. Bei zahlreichen anspruchsvollen Benchmarks – vom Verstehen komplexer Texte über wissenschaftliches Schlussfolgern bis zum Programmieren – haben sich die Leistungen in wenigen Jahren dramatisch verbessert und in einigen Bereichen menschliches Niveau erreicht oder übertroffen. Diese Kurve ist real und beeindruckend. Zugleich mahnt sie zur Demut: Was heute unmöglich scheint, kann in wenigen Jahren Routine sein.

Der Motor: Skalierungsgesetze

Warum ging es so schnell? Ein wesentlicher Grund sind die sogenannten Skalierungsgesetze. Forscher beobachteten eine erstaunlich verlässliche Regelmäßigkeit: Wenn man ein Modell größer macht, es mit mehr Daten füttert und mehr Rechenleistung investiert, dann verbessert sich seine Leistung auf vorhersagbare Weise. Dieser Zusammenhang war so stabil, dass er über mehrere Größenordnungen hinweg funktionierte.

Diese Berechenbarkeit war ein mächtiger Antrieb. Sie gab den großen Laboren die Zuversicht, gewaltige Summen zu investieren, weil sie ungefähr wussten, was sie dafür bekommen würden. Der Rechenaufwand für das Training führender Modelle wuchs exponentiell und verdoppelte sich laut Analysen von Epoch AI in der Deep-Learning-Ära etwa alle sechs Monate. Man kann sich das wie eine Rakete vorstellen, die mit immer mehr Treibstoff immer höher steigt – solange der Treibstoff reicht.

Warum es nicht ewig so weitergeht

Genau hier setzt der realistische Teil ein. Exponentielles Wachstum stößt in der Realität immer irgendwann an Grenzen, und mehrere davon zeichnen sich bereits ab. Erstens werden hochwertige Trainingsdaten knapp. Das öffentlich zugängliche, qualitativ gute Textmaterial im Internet ist endlich, und die besten Quellen sind weitgehend ausgeschöpft. Zweitens explodieren die Kosten. Trainingsläufe der Spitzenklasse kosten inzwischen dreistellige Millionenbeträge, und jede weitere Verdopplung wird teurer. Drittens stoßen Energieversorgung und Chipfertigung an physische Grenzen.

Man beobachtet daher zunehmend abnehmende Grenzerträge: Immer mehr Aufwand bringt immer weniger zusätzliche Leistung. Die Rakete steigt noch, aber der Treibstoff wird teurer und knapper. Das bedeutet nicht das Ende des Fortschritts, wohl aber eine Verschiebung. Die Branche sucht daher nach neuen Wegen jenseits des reinen Größenwachstums.

Neue Richtungen statt reiner Größe

Der Fortschritt verlagert sich derzeit spürbar von „größer“ zu „klüger“. Statt Modelle immer weiter aufzublähen, verbessern Entwickler die Effizienz: kleinere Modelle, die dank besserer Trainingsverfahren mit früheren Riesen mithalten. Eine wichtige Richtung sind Modelle, die sich beim Antworten mehr „Bedenkzeit“ nehmen und Schritt für Schritt schlussfolgern, statt sofort loszuschreiben. Ebenso wachsen agentische Systeme, die Werkzeuge nutzen, im Web suchen oder mehrstufige Aufgaben eigenständig bearbeiten.

Diese Entwicklungen sind für Unternehmen oft relevanter als die schiere Größe der Basismodelle. Denn ein effizienteres, günstigeres und zuverlässigeres Modell ist im praktischen Einsatz meist wertvoller als ein marginal leistungsstärkerer, aber teurer Gigant. Der Wettbewerb verlagert sich von der reinen Rechenleistung hin zur klugen Anwendung.

Was das für Unternehmen bedeutet

Aus all dem folgt eine pragmatische Haltung. Die Technologie entwickelt sich schnell genug, dass Abwarten keine gute Strategie ist – wer heute keine Kompetenz aufbaut, verliert den Anschluss. Zugleich ist der Fortschritt nicht so überstürzt und chaotisch, dass planvolles Handeln unmöglich wäre. Die Grundlagen, die ein Unternehmen jetzt legt – saubere Datenprozesse, klare Anwendungsfälle, geschultes Personal –, bleiben wertvoll, unabhängig davon, welches konkrete Modell in zwei Jahren führend ist.

Der klügste Umgang besteht darin, robuste, modellunabhängige Fähigkeiten aufzubauen, statt jedem Hype hinterherzulaufen. Wer sein Haus auf ein solides Fundament stellt, muss nicht bei jedem neuen Modell von vorn beginnen.

Fazit

Die KI-Entwicklung ist real schnell, aber weder unendlich noch gleichmäßig. Die Skalierungsgesetze haben einen beeindruckenden Sprung ermöglicht, stoßen nun jedoch auf Grenzen bei Daten, Kosten und Energie. Der Fortschritt verlagert sich von reiner Größe zu Effizienz, Schlussfolgern und praktischer Anwendung. Für Unternehmen bedeutet das: weder Panik noch Ignoranz, sondern ruhiges, vorausschauendes Handeln. Genau dabei unterstützen wir bei ULTRA Intelligence deutsche Unternehmen – mit einem klaren Blick auf das, was heute funktioniert, und einer Strategie, die auch dem Tempo von morgen standhält.

Quellen

• Stanford HAI, „The 2025 AI Index Report“ – https://hai.stanford.edu/ai-index/2025-ai-index-report
• Kaplan et al., „Scaling Laws for Neural Language Models“, arXiv 2020 – https://arxiv.org/abs/2001.08361
• Hoffmann et al., „Training Compute-Optimal Large Language Models“ (Chinchilla), arXiv 2022 – https://arxiv.org/abs/2203.15556
• Epoch AI, „Parameter, Compute and Data Trends in Machine Learning“ – https://epoch.ai/mlinputs/visualization
• Our World in Data, „Computation used to train notable AI systems“ – https://ourworldindata.org/grapher/artificial-intelligence-training-computation