AMI – Advanced Machine Intelligence – Das Ende der Skalierung: Warum Yann LeCun nicht mehr an LLMs glaubt

600 Milliarden für den Irrweg? Der „Godfather of AI“ wettet gegen LLaMA, ChatGPT & Co.

Die Ankündigung kam im November 2025 wie ein Donnerschlag durch die Technologiebranche. Yann LeCun, einer der drei Gründerväter des Deep Learning und Chefwissenschaftler bei Meta, verkündete seinen Abgang nach zwölf Jahren im Unternehmen, um ein eigenes Startup zu gründen. Diese Entscheidung ist weit mehr als eine persönliche Karriereentscheidung eines einzelnen Wissenschaftlers. Sie markiert einen fundamentalen Wendepunkt in der globalen Künstlichen Intelligenz Industrie und offenbart die wachsende Kluft zwischen kurzfristigen Marktinteressen und langfristiger wissenschaftlicher Vision.

LeCun, der 2018 zusammen mit Geoffrey Hinton und Yoshua Bengio den Turing Award erhielt, gilt als Architekt der Convolutional Neural Networks, die heute das Fundament moderner Bildverarbeitungssysteme bilden. Sein Abgang erfolgt zu einem Zeitpunkt, an dem die gesamte Branche Hunderte von Milliarden Dollar in Large Language Models investiert, jene Technologie, die LeCun seit Jahren als fundamentale Sackgasse bezeichnet. Mit seinem neuen Unternehmen will der mittlerweile 65-jährige Wissenschaftler das verfolgen, was er Advanced Machine Intelligence nennt, einen radikal anderen Ansatz, der auf Weltmodellen basiert und von der physischen Wahrnehmung ausgeht, nicht von Text.

Die ökonomischen Implikationen dieser Entwicklung sind immens. Meta selbst hat in den vergangenen drei Jahren über 600 Milliarden Dollar in KI-Infrastruktur investiert. OpenAI hat eine Bewertung von einer halben Billion Dollar erreicht, trotz eines Jahresumsatzes von lediglich zehn Milliarden Dollar. Die gesamte Branche hat sich in eine Richtung bewegt, die einer ihrer wichtigsten Pioniere nun öffentlich als Irrweg bezeichnet. Um die wirtschaftlichen Konsequenzen dieser Verschiebung zu verstehen, muss man tief in die technischen, organisatorischen und finanziellen Strukturen der aktuellen KI-Revolution eintauchen.

Passend dazu:

• Meta will 600 Milliarden US-Dollar investieren: Für den Aufbau von KI-Infrastruktur in den USA

Die Architektur einer Blase

Die Transformer-Architektur, die 2017 von Forschern bei Google eingeführt wurde, hat die KI-Landschaft in beispiellosem Tempo transformiert. Dieser Ansatz ermöglichte es erstmals, massive Textmengen effizient zu verarbeiten und Sprachmodelle von bisher unerreichter Leistungsfähigkeit zu trainieren. OpenAI baute darauf seine GPT-Serie auf, die mit ChatGPT im November 2022 zum ersten Mal einem Massenpublikum demonstrierte, was mit diesen Technologien möglich ist. Die Reaktion war explosionsartig. Innerhalb weniger Monate flossen Dutzende Milliarden Dollar in den Sektor.

Doch bereits seit Ende 2024 mehren sich die Anzeichen, dass diese exponentielle Entwicklung an ihre Grenzen stößt. OpenAI entwickelt seit über 18 Monaten am Nachfolger von GPT-4, intern als Orion oder GPT-5 bezeichnet. Berichten zufolge hat das Unternehmen mindestens zwei große Trainingsläufe durchgeführt, von denen jeder etwa 500 Millionen Dollar kostete. Die Ergebnisse waren ernüchternd. Während GPT-4 einen gewaltigen Leistungssprung gegenüber GPT-3 darstellte, sind die Verbesserungen von Orion gegenüber GPT-4 marginal. In einigen Bereichen, insbesondere beim Programmieren, zeigt das Modell praktisch keine Fortschritte.

Diese Entwicklung widerspricht fundamental den Scaling Laws, jenen empirischen Gesetzmäßigkeiten, die bis vor kurzem die gesamte Branche leiteten. Die Grundidee war einfach: Wenn man ein Modell größer macht, mehr Daten zum Training verwendet und mehr Rechenleistung investiert, folgt die Leistungssteigerung einer vorhersagbaren Potenzfunktion. Diese Gesetzmäßigkeit schien universell zu gelten und rechtfertigte die astronomischen Investitionen der vergangenen Jahre. Nun zeigt sich, dass diese Kurven abflachen. Die nächste Verdopplung der Investition bringt nicht mehr die erwartete Verdopplung der Leistung.

Die Gründe dafür sind vielfältig und technisch komplex. Ein zentrales Problem ist die Datenwand. GPT-4 wurde mit etwa 13 Billionen Token trainiert, was im Wesentlichen dem gesamten öffentlich verfügbaren Internet entspricht. Für GPT-5 gibt es schlicht nicht genug neue, hochwertige Daten. OpenAI hat darauf reagiert, indem es Softwareentwickler, Mathematiker und theoretische Physiker einstellt, die neue Daten generieren, indem sie Code schreiben und mathematische Probleme lösen. Doch selbst wenn 1000 Menschen täglich 5000 Wörter produzieren, dauert es Monate, um nur eine Milliarde Token zu erzeugen. Die Skalierung über menschlich generierte Daten funktioniert schlicht nicht.

Als Alternative setzen Unternehmen zunehmend auf synthetische Daten, also Daten, die von anderen KI-Modellen generiert werden. Doch hier lauert eine neue Gefahr: Model Collapse. Wenn Modelle rekursiv auf Daten trainiert werden, die von anderen Modellen erzeugt wurden, verstärken sich kleine Fehler über die Generationen hinweg. Das Ergebnis sind Modelle, die zunehmend realitätsfern werden und bei denen Minderheiten in den Daten überproportional verschwinden. Eine Studie in Nature zeigte 2024, dass dieser Prozess überraschend schnell eintritt. Synthetische Daten sind also kein Königsweg, sondern bergen erhebliche Risiken.

Die Energiewand und die Grenzen des Wachstums

Neben der Datenwand existiert eine zweite, noch fundamentalere Barriere: die Energiewand. Das Training von GPT-3 verbrauchte etwa 1300 Megawattstunden Strom, was dem Jahresverbrauch von 130 amerikanischen Haushalten entspricht. GPT-4 benötigte schätzungsweise das 50-fache, also 65000 Megawattstunden. Die Rechenleistung, die für das Training großer KI-Modelle benötigt wird, verdoppelt sich etwa alle 100 Tage. Diese exponentielle Kurve führt schnell in physikalische Grenzen.

Datenzentren, die diese Modelle trainieren und betreiben, verbrauchen bereits heute so viel Strom wie Kleinstädte. Die Internationale Energieagentur prognostiziert, dass der Stromverbrauch von Datenzentren bis 2026 um 80 Prozent steigen wird, von 20 Terawattstunden im Jahr 2022 auf 36 Terawattstunden im Jahr 2026. KI ist dabei der wichtigste Treiber. Zum Vergleich: Eine einzelne ChatGPT-Anfrage verbraucht etwa zehnmal so viel Energie wie eine Google-Suche. Bei Milliarden von Anfragen pro Tag summiert sich das zu gewaltigen Mengen.

Diese Entwicklung zwingt Technologieunternehmen zu drastischen Maßnahmen. Microsoft hat bereits Verträge mit Nuklearenergie-Anbietern geschlossen. Meta, Amazon und Google investieren zusammen über 1,3 Billionen Dollar in die nächsten Jahre, um die notwendige Infrastruktur aufzubauen. Doch diese Investitionen stoßen an physische und politische Grenzen. Die USA verfügen schlicht nicht über genug Energie-Infrastruktur, um die geplanten KI-Rechenzentren zu versorgen. Analysten schätzen, dass Projekte im Wert von 750 Milliarden Dollar bis 2030 aufgrund von Engpässen in der Energieinfrastruktur verzögert werden könnten.

Hinzu kommt die geopolitische Dimension. Der Energiehunger der KI-Industrie verschärft die Konkurrenz um Ressourcen und verstärkt die Abhängigkeit von fossilen Energieträgern. Während die Politik Klimaneutralität fordert, treibt die KI-Industrie den Energieverbrauch in die Höhe. Diese Spannung wird sich in den kommenden Jahren verschärfen und möglicherweise zu regulatorischen Eingriffen führen, die das Wachstum der Branche begrenzen.

Die Architekturwand und LeCuns Alternative

Die dritte Barriere ist möglicherweise die fundamentalste: die Architekturwand. Yann LeCun argumentiert seit Jahren, dass die Transformer-Architektur inhärente Limitierungen aufweist, die durch bloßes Skalieren nicht überwunden werden können. Seine Kritik setzt an der grundlegenden Funktionsweise von Large Language Models an. Diese Systeme werden darauf trainiert, das nächste Wort in einer Sequenz vorherzusagen. Sie lernen statistische Muster in riesigen Textkorpora, entwickeln aber kein echtes Verständnis für Kausalität, physikalische Gesetzmäßigkeiten oder langfristige Planung.

LeCun illustriert das Problem gerne mit einem Vergleich: Ein vierjähriges Kind hat durch visuelle Wahrnehmung mehr Informationen über die Welt aufgenommen als die größten Sprachmodelle durch Text. Ein Kind versteht intuitiv, dass Objekte nicht einfach verschwinden, dass schwere Dinge fallen, dass Handlungen Konsequenzen haben. Es hat ein Weltmodell entwickelt, eine interne Repräsentation der physischen Realität, die es nutzt, um Vorhersagen zu treffen und Handlungen zu planen. LLMs fehlt diese fundamentale Fähigkeit. Sie können beeindruckend kohärenten Text generieren, aber sie verstehen die Welt nicht.

Diese Limitierung zeigt sich in praktischen Anwendungen immer wieder. Fragt man GPT-4, sich einen rotierenden Würfel vorzustellen, scheitert es an einer Aufgabe, die jedes Kind mühelos bewältigt. Bei komplexen Aufgaben, die mehrschrittige Planung erfordern, versagen die Modelle regelmäßig. Sie können nicht zuverlässig aus Fehlern lernen, da jeder Token-Vorhersagefehler sich potentiell kaskadierend verstärkt. Autoregressive Modelle haben eine fundamentale Fragilität: Ein Fehler früh in der Sequenz kann das gesamte Ergebnis verderben.

LeCuns Alternative sind Weltmodelle, die auf Joint Embedding Predictive Architecture basieren. Die Grundidee ist, dass KI-Systeme nicht durch Textprädiktion lernen sollten, sondern durch die Vorhersage abstrakter Repräsentationen zukünftiger Zustände. Anstatt Pixel für Pixel oder Token für Token zu generieren, lernt das System eine komprimierte, strukturierte Repräsentation der Welt und kann diese nutzen, um verschiedene Szenarien mental zu simulieren, bevor es handelt.

Meta hat unter LeCuns Leitung bereits mehrere Implementierungen dieses Ansatzes entwickelt. I-JEPA für Bilder und V-JEPA für Videos zeigen vielversprechende Ergebnisse. Diese Modelle lernen hochrangige Objektteile und deren räumliche Beziehungen, ohne auf intensive Datenahmstellung angewiesen zu sein. Sie sind zudem deutlich energieeffizienter zu trainieren als herkömmliche Modelle. Die Vision ist, diese Ansätze zu hierarchischen Systemen zu kombinieren, die auf verschiedenen Abstraktionsebenen und Zeitskalen operieren können.

Der entscheidende Unterschied liegt in der Art des Lernens. Während LLMs im Wesentlichen Pattern-Matching auf Steroiden betreiben, zielen Weltmodelle darauf ab, die Struktur und Kausalität der Realität zu erfassen. Ein System mit einem robusten Weltmodell könnte die Konsequenzen seiner Handlungen antizipieren, ohne sie tatsächlich ausführen zu müssen. Es könnte aus wenigen Beispielen lernen, da es die zugrundeliegenden Prinzipien versteht, nicht nur oberflächliche Korrelationen.

Die organisatorische Dysfunktion und Metas Existenzkrise

LeCuns Abgang ist jedoch nicht nur eine wissenschaftliche Entscheidung, sondern auch das Resultat organisatorischer Dysfunktion bei Meta. Im Juni 2025 kündigte CEO Mark Zuckerberg eine massive Umstrukturierung der KI-Abteilungen an. Er gründete Meta Superintelligence Labs, eine neue Einheit mit dem erklärten Ziel, Artificial General Intelligence zu entwickeln. Die Leitung übernahm Alexandr Wang, der 28-jährige frühere CEO von Scale AI, einem Datenaufbereitungsunternehmen. Meta investierte 14,3 Milliarden Dollar in Scale AI und rekrutierte über 50 Ingenieure und Forscher von Konkurrenten.

Diese Entscheidung stellte die bisherige Struktur auf den Kopf. LeCuns Fundamental AI Research Team, das über Jahre hinweg PyTorch und die ersten Llama-Modelle entwickelt hatte, wurde marginalisiert. FAIR war auf Grundlagenforschung mit einem Zeithorizont von fünf bis zehn Jahren ausgerichtet, während die neue Superintelligence Labs auf kurzfristige Produktentwicklung fokussiert. Quellen berichten von zunehmendem Chaos in den KI-Abteilungen bei Meta. Neu eingestellte Top-Talente äußerten Frustration über die Bürokratie eines Großkonzerns, während etablierte Teams ihren Einfluss schwinden sahen.

Die Situation verschärfte sich weiter durch mehrere Umstrukturierungen in nur sechs Monaten. Im August 2025 wurde Superintelligence Labs erneut reorganisiert, diesmal in vier Untereinheiten: ein mysteriöses TBD Lab für neue Modelle, ein Produktteam, ein Infrastrukturteam und FAIR. Im Oktober folgte eine weitere Welle von Entlassungen, bei der etwa 600 Mitarbeiter in einen nicht-arbeitenden Kündigungsstatus versetzt wurden. Die Begründung: Reduzierung organisatorischer Komplexität und Beschleunigung der KI-Entwicklung.

Diese permanenten Umstrukturierungen stehen im krassen Gegensatz zur relativen Stabilität bei Konkurrenten wie OpenAI, Google und Anthropic. Sie deuten auf eine fundamentale Unsicherheit bei Meta bezüglich der richtigen strategischen Ausrichtung hin. Zuckerberg hat erkannt, dass Meta im Rennen um die KI-Vorherrschaft zurückfällt. Llama 4, das im April 2025 lanciert wurde, enttäuschte. Das Maverick-Modell zeigte zwar gute Effizienz, versagte aber bei längeren Kontexten dramatisch. Vorwürfe wurden laut, Meta habe für Benchmarks optimiert, indem es Modelle speziell auf gängige Testfragen trainierte, was die Leistung künstlich erhöhte.

Für LeCun wurde die Situation unhaltbar. Seine Vision langfristiger Grundlagenforschung kollidierte mit dem Druck, kurzfristige Produkterfolge zu liefern. Die Tatsache, dass er faktisch dem deutlich jüngeren Wang unterstellt wurde, dürfte zusätzlich zur Entscheidung beigetragen haben. In seinem Abschiedsmemo betont LeCun, dass Meta Partner seines neuen Unternehmens bleiben wird, doch die Botschaft ist klar: Die freie Forschung, die er für notwendig hält, ist innerhalb der Konzernstrukturen nicht mehr möglich.

Hier erfahren Sie, wie Ihr Unternehmen maßgeschneiderte KI-Lösungen schnell, sicher und ohne hohe Einstiegshürden realisieren kann.

Eine Managed AI Platform ist Ihr Rundum-Sorglos-Paket für künstliche Intelligenz. Anstatt sich mit komplexer Technik, teurer Infrastruktur und langwierigen Entwicklungsprozessen zu befassen, erhalten Sie von einem spezialisierten Partner eine fertige, auf Ihre Bedürfnisse zugeschnittene Lösung – oft innerhalb weniger Tage.

Die zentralen Vorteile auf einen Blick:

⚡ Schnelle Umsetzung: Von der Idee zur einsatzbereiten Anwendung in Tagen, nicht Monaten. Wir liefern praxisnahe Lösungen, die sofort Mehrwert schaffen.

🔒 Maximale Datensicherheit: Ihre sensiblen Daten bleiben bei Ihnen. Wir garantieren eine sichere und konforme Verarbeitung ohne Datenweitergabe an Dritte.

💸 Kein finanzielles Risiko: Sie zahlen nur für Ergebnisse. Hohe Vorabinvestitionen in Hardware, Software oder Personal entfallen komplett.

🎯 Fokus auf Ihr Kerngeschäft: Konzentrieren Sie sich auf das, was Sie am besten können. Wir übernehmen die gesamte technische Umsetzung, den Betrieb und die Wartung Ihrer KI-Lösung.

📈 Zukunftssicher & Skalierbar: Ihre KI wächst mit Ihnen. Wir sorgen für die laufende Optimierung, Skalierbarkeit und passen die Modelle flexibel an neue Anforderungen an.

Mehr dazu hier:

• Die Managed-AI Lösung - Industrielle KI-Services: Der Schlüssel zur Wettbewerbsfähigkeit im Bereich Dienstleistungen, Industrie und Maschinenbau

Die ökonomische Anatomie einer Blasenbildung

Die Entwicklungen bei Meta sind symptomatisch für eine breitere ökonomische Dynamik in der KI-Industrie. Seit dem Durchbruch von ChatGPT Ende 2022 hat sich ein beispielloser Investitionsboom entwickelt. Im ersten Quartal 2025 allein flossen 73,1 Milliarden Dollar in KI-Startups, was 58 Prozent aller Venture-Capital-Investitionen entspricht. OpenAI erreichte eine Bewertung von 500 Milliarden Dollar und ist damit das erste private Unternehmen, das diese Schwelle überschritten hat, ohne jemals profitabel gewesen zu sein.

Die Bewertungen stehen in krassem Missverhältnis zu den tatsächlichen Umsätzen. OpenAI erzielte 2025 einen Jahresumsatz von zehn Milliarden Dollar bei einer Bewertung von 500 Milliarden, was einem Kurs-Umsatz-Verhältnis von 50 entspricht. Zum Vergleich: Selbst in der Hochphase der Dotcom-Blase erreichten nur wenige Unternehmen solche Multiplikatoren. Anthropic wird mit 170 Milliarden bewertet bei einem Umsatz von 2,2 Milliarden Dollar, ein KGV von etwa 77. Diese Zahlen deuten auf massive Überbewertungen hin.

Besonders problematisch ist die zirkuläre Finanzierungsstruktur, die sich entwickelt hat. Nvidia investiert 100 Milliarden Dollar in OpenAI, das wiederum verpflichtet ist, Nvidia-Chips im Wert von zig Milliarden zu kaufen. OpenAI schloss ähnliche Deals mit AMD über mehrere zehn Milliarden Dollar. Microsoft hat über 13 Milliarden in OpenAI investiert und hostet dessen Infrastruktur auf Azure. Amazon investierte acht Milliarden in Anthropic, das im Gegenzug AWS als primäre Cloud-Plattform nutzt und Amazons eigene KI-Chips einsetzt.

Diese Arrangements erinnern fatal an die zirkulären Finanzierungen der späten Neunzigerjahre, als Technologieunternehmen sich gegenseitig Ausrüstung verkauften und die Transaktionen als Umsatz verbuchten, ohne dass echter wirtschaftlicher Mehrwert entstand. Analysten sprechen von einem zunehmend komplexen und undurchsichtigen Netz von Geschäftsbeziehungen, das einen Billionen-Dollar-Boom befeuert. Die Parallelen zur Dotcom-Blase und zur Finanzkrise 2008 sind unübersehbar: Undurchsichtige und unkonventionelle Finanzierungsmechanismen, die von Investoren nur schwer zu durchschauen und zu bewerten sind.

Hinzu kommt die Konzentration des Kapitals. Die Magnificent Seven, die sieben größten US-Technologiekonzerne, haben 2023 ihren Energieverbrauch um 19 Prozent gesteigert, während der Median der S&P-500-Unternehmen stagnierte. Etwa 80 Prozent der Börsenzuwächse in den USA im Jahr 2025 entfielen auf KI-bezogene Unternehmen. Nvidia allein wurde zur meistgekauften Aktie von Privatanlegern, die 2024 fast 30 Milliarden Dollar in den Chiphersteller investierten.

Diese extreme Konzentration birgt systemische Risiken. Wenn sich herausstellt, dass die Renditeerwartungen unrealistisch sind, könnte ein Markteinbruch weitreichende Folgen haben. JPMorgan schätzt, dass KI-bezogene Investment-Grade-Anleihenemissionen bis 2030 allein 1,5 Billionen Dollar erreichen könnten. Viele dieser Schulden basieren auf der Annahme, dass KI-Systeme massive Produktivitätsgewinne generieren werden. Sollte sich diese Erwartung nicht erfüllen, droht eine Kreditkrise.

Passend dazu:

• Meta setzt alles auf Superintelligenz: Milliarden-Investitionen, Mega-Rechenzentren und ein riskantes KI-Wettrennen

Der Talentkrieg und die gesellschaftlichen Verwerfungen

Die ökonomischen Spannungen manifestieren sich auch im Arbeitsmarkt. Das Verhältnis von offenen KI-Positionen zu qualifizierten Kandidaten liegt bei 3,2 zu 1. Es gibt 1,6 Millionen offene Stellen, aber nur 518000 qualifizierte Bewerber. Dieser extreme Mangel treibt die Gehälter in astronomische Höhen. KI-Spezialisten können ihrem Jahreseinkommen mehrere zehntausend Dollar hinzufügen, indem sie Fähigkeiten in Python, TensorFlow oder spezialisierten KI-Frameworks erwerben.

Die Konkurrenz ist brutal. Große Technologiekonzerne, gut finanzierte Startups und sogar Regierungen buhlen um dieselbe kleine Gruppe von Experten. OpenAI hat in den vergangenen Monaten einen Exodus von Führungskräften erlebt, darunter Ilya Sutskever, einer der Mitgründer, und Chief Technology Officer Mira Murati. Viele dieser Talente gründen eigene Startups oder wechseln zu Konkurrenten. Meta rekrutiert aggressiv bei OpenAI, Anthropic und Google. Anthropic wirbt bei Meta und OpenAI.

Diese Dynamik hat mehrere Konsequenzen. Erstens fragmentiert sie die Forschungslandschaft. Anstatt auf gemeinsame Ziele hinzuarbeiten, konkurrieren kleine Teams in verschiedenen Organisationen um dieselben Durchbrüche. Zweitens treibt sie die Kosten in die Höhe. Die enormen Gehälter für KI-Spezialisten sind nur für gut kapitalisierte Unternehmen tragbar, was kleinere Akteure vom Markt ausschließt. Drittens verzögert sie Projekte. Unternehmen berichten, dass offene Positionen monatelang unbesetzt bleiben, was Entwicklungszeitpläne durcheinanderbringt.

Die gesellschaftlichen Implikationen gehen weit über den Technologiesektor hinaus. Wenn KI tatsächlich die nächste industrielle Revolution darstellt, dann steht eine massive Umwälzung des Arbeitsmarktes bevor. Anders als die erste industrielle Revolution, die primär körperliche Arbeit betraf, zielt KI auf kognitive Tätigkeiten ab. Nicht nur einfache Dateneingabe und Kundenservice sind bedroht, sondern potenziell auch hochqualifizierte Berufe wie Programmierer, Designer, Juristen und Journalisten.

Eine Studie zur Investmentmanagement-Branche prognostiziert einen Rückgang des Arbeitsanteils am Einkommen um fünf Prozent aufgrund von KI und Big Data. Dies ist vergleichbar mit den Verschiebungen während der industriellen Revolution, die einen Rückgang um fünf bis 15 Prozent verursachte. Der entscheidende Unterschied: Die aktuelle Transformation vollzieht sich in Jahren, nicht in Jahrzehnten. Gesellschaften haben kaum Zeit, sich anzupassen.

Test-Time Compute und der Paradigmenwechsel

Während die Scaling Laws für das Pre-Training an ihre Grenzen stoßen, hat sich ein neues Paradigma herauskristallisiert: Test-Time Compute Scaling. OpenAIs o1-Modelle demonstrierten, dass erhebliche Leistungssteigerungen möglich sind, indem man während der Inferenz mehr Rechenleistung investiert. Anstatt einfach die Modelgröße zu erhöhen, erlauben diese Systeme dem Modell, länger über eine Anfrage nachzudenken, mehrere Lösungsansätze zu verfolgen und seine Antworten selbst zu überprüfen.

Die Forschung zeigt jedoch, dass auch dieses Paradigma Grenzen hat. Sequenzielles Scaling, bei dem ein Modell mehrfach über dasselbe Problem iteriert, führt nicht zu kontinuierlichen Verbesserungen. Studien an Modellen wie Deepseeks R1 und QwQ zeigen, dass längere Gedankenketten nicht automatisch bessere Ergebnisse produzieren. Häufig korrigiert das Modell richtige Antworten zu falschen, anstatt umgekehrt. Die Selbstrevisionskapazität, die für effektives sequenzielles Scaling notwendig wäre, ist unzureichend entwickelt.

Paralleles Scaling, bei dem mehrere Lösungen gleichzeitig generiert und die beste ausgewählt wird, zeigt bessere Ergebnisse. Doch auch hier gilt: Mit jeder Verdopplung der investierten Rechenleistung nimmt der Grenznutzen ab. Die Kosteneffizienz sinkt schnell. Für kommerzielle Anwendungen, bei denen Millionen von Anfragen pro Tag beantwortet werden müssen, sind die Kosten prohibitiv.

Der eigentliche Durchbruch könnte in der Kombination verschiedener Ansätze liegen. Hybridarchitekturen, die Transformer mit State Space Models kombinieren, versprechen die Stärken beider Ansätze zu vereinen. State Space Models wie Mamba bieten lineares Skalierungsverhalten bei der Inferenz, während Transformer bei der Erfassung langreichweitiger Abhängigkeiten überlegen sind. Solche Hybrid-Systeme könnten die Kosten-Qualitäts-Gleichung neu ausbalancieren.

Alternative Architekturen und die Zukunft nach den Transformern

Neben Weltmodellen entwickelt sich eine Reihe alternativer Architekturen, die die Dominanz der Transformer herausfordern könnten. State Space Models haben in den vergangenen Jahren erhebliche Fortschritte gemacht. S4, Mamba und Hyena zeigen, dass effizientes Long-Context-Reasoning mit linearer Komplexität möglich ist. Während Transformer quadratisch mit der Sequenzlänge skalieren, erreichen SSMs lineare Skalierung sowohl beim Training als auch bei der Inferenz.

Diese Effizienzgewinne könnten entscheidend werden, wenn KI-Systeme in Produktionsumgebungen eingesetzt werden. Die Kosten für die Inferenz sind oft unterschätzt worden. Training ist ein einmaliger Aufwand, aber Inferenz läuft kontinuierlich. ChatGPT ist niemals offline. Bei Milliarden täglicher Anfragen summieren sich selbst kleine Effizienzverbesserungen zu massiven Kosteneinsparungen. Ein Modell, das bei gleicher Qualität halb so viel Rechenleistung benötigt, hat einen enormen Wettbewerbsvorteil.

Die Herausforderung liegt in der Ausreifung dieser Technologien. Transformer haben einen Vorsprung von fast acht Jahren und ein riesiges Ökosystem an Tools, Bibliotheken und Expertise. Alternative Architekturen müssen nicht nur technisch überlegen sein, sondern auch praktisch nutzbar. Die Geschichte der Technologie ist voll von technisch überlegenen Lösungen, die am Markt scheiterten, weil das Ökosystem fehlte.

Interessanterweise setzt auch die chinesische Konkurrenz auf alternative Ansätze. DeepSeek V3, ein Open-Source-Modell mit 671 Milliarden Parametern, nutzt eine Mixture-of-Experts-Architektur, bei der nur 37 Milliarden Parameter pro Token aktiviert werden. Das Modell erreicht in Benchmarks vergleichbare Leistung wie westliche Konkurrenten, wurde aber zu einem Bruchteil der Kosten trainiert. Die Trainingszeit betrug nur 2,788 Millionen H800-GPU-Stunden, deutlich weniger als vergleichbare Modelle.

Diese Entwicklung zeigt, dass die technologische Führerschaft nicht zwangsläufig bei den kapitalstärksten Akteuren liegen muss. Clevere Architekturentscheidungen und Optimierungen können Ressourcenvorteile ausgleichen. Für die globale KI-Landschaft bedeutet dies eine zunehmende Multipolarität. China, Europa und andere Regionen entwickeln eigene Ansätze, die nicht einfach Kopien westlicher Modelle sind.

Die Neubewertung und der unvermeidliche Kater

Die Kumulierung all dieser Faktoren deutet auf eine bevorstehende Neubewertung der KI-Industrie hin. Die aktuellen Bewertungen basieren auf der Annahme kontinuierlichen exponentiellen Wachstums, sowohl in der Modellleistung als auch in der kommerziellen Adoption. Beide Annahmen werden zunehmend fragwürdig. Die Modellleistung stagniert, während die Kosten weiter explodieren. Die kommerzielle Adoption zeigt zwar Wachstum, aber die Monetarisierung bleibt schwierig.

OpenAI mit seiner halben Billion Dollar Bewertung müsste, um diese zu rechtfertigen, in den kommenden Jahren auf einen Jahresumsatz von mindestens 100 Milliarden Dollar wachsen und dabei profitabel werden. Das bedeutet eine Verzehnfachung in wenigen Jahren. Zum Vergleich: Google brauchte über ein Jahrzehnt, um von zehn auf 100 Milliarden Dollar Umsatz zu wachsen. Die Erwartungen an KI-Unternehmen sind unrealistisch hoch.

Analysten warnen vor einem möglichen Platzen der KI-Blase. Die Parallelen zur Dotcom-Blase sind offensichtlich. Damals wie heute gibt es revolutionäre Technologie mit enormem Potential. Damals wie heute gibt es irrational überhöhte Bewertungen und zirkuläre Finanzierungsstrukturen. Damals wie heute rechtfertigen Investoren absurde Bewertungen mit dem Argument, die Technologie werde alles verändern und traditionelle Bewertungsmaßstäbe seien nicht anwendbar.

Der entscheidende Unterschied: Anders als viele Dotcom-Unternehmen haben heutige KI-Firmen tatsächlich funktionierende Produkte mit echtem Nutzen. ChatGPT ist keine Vaporware, sondern eine Technologie, die Millionen Menschen täglich nutzen. Die Frage ist nicht, ob KI wertvoll ist, sondern ob sie wertvoll genug ist, um die aktuellen Bewertungen zu rechtfertigen. Die Antwort lautet höchstwahrscheinlich nein.

Wenn die Neubewertung kommt, wird sie schmerzhaft sein. Venture-Capital-Fonds haben 70 Prozent ihres Kapitals in KI investiert. Pensionsfonds und institutionelle Investoren sind massiv exponiert. Ein signifikanter Rückgang der KI-Bewertungen würde weitreichende finanzielle Konsequenzen haben. Unternehmen, die auf billige Finanzierung angewiesen sind, würden plötzlich Schwierigkeiten haben, Kapital aufzunehmen. Projekte würden eingestellt, Personal entlassen.

Die langfristige Perspektive und der Weg nach vorn

Trotz dieser düsteren kurzfristigen Aussichten bleibt das langfristige Potential der künstlichen Intelligenz immens. Die aktuelle Übertreibung ändert nichts an der fundamentalen Bedeutung der Technologie. Die Frage ist nicht ob, sondern wie und wann KI ihr Versprechen einlösen wird. LeCuns Wechsel von der kurzfristigen Produktentwicklung zur langfristigen Grundlagenforschung deutet den Weg.

Die nächste Generation von KI-Systemen wird wahrscheinlich anders aussehen als die heutigen LLMs. Sie wird Elemente von Weltmodellen, alternativen Architekturen und neuen Trainingsparadigmen kombinieren. Sie wird weniger auf brute force Skalierung setzen und mehr auf effiziente, strukturierte Repräsentationen. Sie wird von der physischen Welt lernen, nicht nur von Text. Und sie wird Kausalität verstehen, nicht nur Korrelationen.

Diese Vision erfordert jedoch Zeit, Geduld und die Freiheit zur Grundlagenforschung. Genau diese Bedingungen sind in der aktuellen Marktumgebung schwer zu finden. Der Druck, schnelle kommerzielle Erfolge zu liefern, ist immens. Quartalsberichte und Bewertungsrunden dominieren die Agenda. Langfristige Forschungsprogramme, die möglicherweise Jahre bis zu Ergebnissen benötigen, sind schwer zu rechtfertigen.

LeCuns Startup-Gründung mit 65 Jahren ist ein bemerkenswertes Statement. Er hätte in Rente gehen können, mit allen Ehren und einem gesicherten Platz in der Geschichte. Stattdessen wählt er den steinigen Weg, eine Vision zu verfolgen, die der Industrie-Mainstream ablehnt. Meta wird Partner bleiben, was bedeutet, dass sein Unternehmen zumindest initial über Ressourcen verfügen wird. Doch der eigentliche Erfolg wird davon abhängen, ob er in den kommenden Jahren demonstrieren kann, dass Advanced Machine Intelligence tatsächlich überlegen ist.

Die Transformation wird Jahre dauern. Selbst wenn LeCun recht hat und Weltmodelle fundamental überlegen sind, müssen sie erst entwickelt, optimiert und industrialisiert werden. Das Ökosystem muss aufgebaut werden. Entwickler müssen lernen, mit den neuen Tools umzugehen. Unternehmen müssen von LLMs auf die neuen Systeme migrieren. Diese Übergangsphasen sind historisch immer schmerzhaft gewesen.

Vom Hype zur Realität: Die langfristigen Weichenstellungen in der KI

Der Abgang Yann LeCuns von Meta markiert mehr als eine Personalie. Er symbolisiert die fundamentale Spannung zwischen wissenschaftlicher Vision und kommerziellem Pragmatismus, zwischen langfristiger Innovation und kurzfristigen Marktanforderungen. Die aktuelle KI-Revolution steht an einem Wendepunkt. Die einfachen Erfolge der Skalierung sind ausgeschöpft. Die nächsten Fortschritte werden schwieriger, teurer und unsicherer sein.

Für Investoren bedeutet dies, dass die exorbitanten Bewertungen der aktuellen KI-Champions kritisch zu hinterfragen sind. Für Unternehmen bedeutet es, dass die Hoffnung auf schnelle Produktivitätswunder durch KI möglicherweise enttäuscht wird. Für die Gesellschaft bedeutet es, dass die Transformation langsamer und ungleichmäßiger verlaufen wird als die Hype-Welle suggeriert.

Gleichzeitig bleibt das Fundament robust. KI ist keine Modeerscheinung, sondern eine Basistechnologie, die langfristig nahezu alle Bereiche der Wirtschaft transformieren wird. Die Parallelen zur industriellen Revolution sind berechtigt. Wie damals wird es Gewinner und Verlierer geben, Übertreibungen und Korrekturen, Umbrüche und Anpassungen. Die Frage ist nicht ob die Transformer-Architektur am Ende ihrer Leistungsfähigkeit angelangt ist, sondern wie die nächste Phase aussehen wird und wer sie gestalten wird.

LeCuns Wette auf Advanced Machine Intelligence und Weltmodelle ist gewagt, aber sie könnte sich als weitsichtig erweisen. In fünf Jahren werden wir wissen, ob der Abschied vom Mainstream die richtige Entscheidung war oder ob die Branche ihren Kurs beibehalten hat. Die kommenden Jahre werden entscheidend sein für die langfristige Entwicklung der künstlichen Intelligenz und damit für die wirtschaftliche und gesellschaftliche Zukunft.

Branchenschwerpunkte: B2B, Digitalisierung (von KI bis XR), Maschinenbau, Logistik, Erneuerbare Energien und Industrie

Mehr dazu hier:

• Xpert Wirtschaft Hub

Ein Themenhub mit Einblicken und Fachwissen:

• Wissensplattform rund um die globale wie regionale Wirtschaft, Innovation und branchenspezifische Trends
• Sammlung von Analysen, Impulsen und Hintergründen aus unseren Schwerpunktbereichen
• Ein Ort für Expertise und Informationen zu aktuellen Entwicklungen in Wirtschaft und Technologie
• Themenhub für Unternehmen, die sich zu Märkten, Digitalisierung und Brancheninnovationen informieren möchten

☑️ Unsere Geschäftssprache ist Englisch oder Deutsch

☑️ NEU: Schriftverkehr in Ihrer Landessprache!

 

Gerne stehe ich Ihnen und mein Team als persönlicher Berater zur Verfügung.

Sie können mit mir Kontakt aufnehmen, indem Sie hier das Kontaktformular ausfüllen oder rufen Sie mich einfach unter +49 89 89 674 804 (München) an. Meine E-Mail Adresse lautet: wolfenstein∂xpert.digital

Ich freue mich auf unser gemeinsames Projekt.

 

 

☑️ KMU Support in der Strategie, Beratung, Planung und Umsetzung

☑️ Erstellung oder Neuausrichtung der Digitalstrategie und Digitalisierung

☑️ Ausbau und Optimierung der internationalen Vertriebsprozesse

☑️ Globale & Digitale B2B-Handelsplattformen

☑️ Pioneer Business Development / Marketing / PR / Messen

Xpert.Digital verfügt über tiefgehendes Wissen in verschiedenen Branchen. Dies erlaubt es uns, maßgeschneiderte Strategien zu entwickeln, die exakt auf die Anforderungen und Herausforderungen Ihres spezifischen Marktsegments zugeschnitten sind. Indem wir kontinuierlich Markttrends analysieren und Branchenentwicklungen verfolgen, können wir vorausschauend agieren und innovative Lösungen anbieten. Durch die Kombination aus Erfahrung und Wissen generieren wir einen Mehrwert und verschaffen unseren Kunden einen entscheidenden Wettbewerbsvorteil.

Mehr dazu hier:

• Nutzen Sie die 5fach Kompetenz von Xpert.Digital in einem Paket - schon ab 500 €/Monat