Kampf der Strategien | Warum IBM CEO Arvind Krishna nicht an Sam Altmans Billionen-Vision glaubt – AGI bei null bis ein Prozent?

Der 5-Jahres-Todeszyklus: Das unterschätzte Risiko für Nvidia, Microsoft und Co.

Während das Silicon Valley in einem beispiellosen Investitionsrausch versinkt und Billionen in die Jagd nach der künstlichen Superintelligenz fließen, zieht einer der erfahrensten Tech-CEOs der Welt die Notbremse. IBM-Chef Arvind Krishna warnt: Die Rechnung geht nicht auf.

Es herrscht Goldgräberstimmung in der globalen Technologiebranche. Konzerne wie Microsoft, Google und Meta überbieten sich gegenseitig mit Investitionen in neue Rechenzentren, getrieben von der Angst, den Anschluss an die nächste große technologische Revolution zu verlieren. Die Vision ist klar: Der Aufbau einer künstlichen allgemeinen Intelligenz (AGI), die dem menschlichen Verstand ebenbürtig oder überlegen ist. Doch mitten in dieser Euphorie erhebt sich eine gewichtige Stimme, die nicht aus der Ecke der Technologiekritiker stammt, sondern aus dem absoluten Zentrum der Macht: Arvind Krishna, Vorstandsvorsitzender von IBM.

In einer nüchternen, auf reiner Arithmetik basierenden Analyse zerlegt Krishna das vorherrschende Narrativ des Silicon Valley. Seine Warnung ist so simpel wie erschreckend: Die Kosten für die Infrastruktur explodieren, während die Hardware schneller veraltet, als sie abgeschrieben werden kann. Krishna spricht von Investitionssummen von bis zu acht Billionen US-Dollar, die notwendig wären, um den aktuellen Pfad der AGI-Entwicklung fortzusetzen – eine Summe, die selbst die reichsten Unternehmen der Welt in den finanziellen Ruin treiben könnte, wenn die versprochenen astronomischen Gewinne ausbleiben.

Doch Krishnas Kritik beschränkt sich nicht nur auf finanzielle Kennzahlen. Er stellt die technologische Basis des Hypes selbst infrage. Während Sam Altman und OpenAI die Ankunft der Superintelligenz als fast unvermeidlich darstellen, beziffert Krishna die Wahrscheinlichkeit, dieses Ziel mit der heutigen Technologie der großen Sprachmodelle zu erreichen, auf ernüchternde null bis ein Prozent.

Stehen wir also vor der größten Fehlinvestition der Wirtschaftsgeschichte? Ist der KI-Boom eine Blase, die kurz vor dem Platzen steht, oder übersehen die Skeptiker das transformative Potenzial, das jenseits der Bilanztabellen liegt? Der folgende Artikel beleuchtet die Argumente, die unbarmherzige Mathematik der Rechenzentrumsökonomie und den fundamentalen Konflikt zwischen den Visionären des “Alles-oder-Nichts” und den Verfechtern eines pragmatischen Realismus.

Passend dazu:

• Autonomous Physical AI (APAI): Die stille Revolution der dezentralen Intelligenz

Warum IBMs CEO das Ende des teuersten Experiments der Techgeschichte vorhersagt

Die globale Technologiebranche steht möglicherweise vor einer der größten Fehlinvestitionen in der Wirtschaftsgeschichte. Während Konzerne wie Microsoft, Amazon, Meta und Google Hunderte Milliarden US-Dollar in den Aufbau künstlicher Intelligenz-Infrastruktur pumpen, erhebt sich eine warnende Stimme aus dem Herzen der IT-Industrie. Arvind Krishna, Vorstandsvorsitzender von IBM und seit 1990 im Unternehmen tätig, hat Ende November 2025 in einem Interview mit dem Decoder-Podcast von The Verge eine fundamentale ökonomische Rechnung aufgemacht, die die Euphorie um künstliche allgemeine Intelligenz erschüttern könnte.

Seine Aussagen, die am 30. November und 1. Dezember 2025 veröffentlicht wurden, treffen den Kern einer Debatte, die in Vorstandsetagen und Analystenkreisen zunehmend an Brisanz gewinnt. Krishna spricht nicht von theoretischen Risiken oder philosophischen Bedenken, sondern von handfesten finanziellen Unmöglichkeiten, die das derzeitige Investitionsmodell im KI-Sektor in Frage stellen. Seine Berechnungen lassen selbst optimistische Branchenbeobachter aufhorchen, denn sie basieren auf einfacher Arithmetik und betriebswirtschaftlichen Grundsätzen.

Passend dazu:

• Ist das Geschäftsmodell der künstlichen Intelligenz im Silicon Valley jetzt kollabiert?

Die unbarmherzige Mathematik der Rechenzentrumsökonomie

Krishna beginnt seine Analyse mit einer nüchternen Bestandsaufnahme der aktuellen Kostensituation. Ein Rechenzentrum mit einer Kapazität von einem Gigawatt verursacht nach heutigen Maßstäben Investitionsausgaben in Höhe von 80 Milliarden US-Dollar. Diese Zahl umfasst nicht nur die physische Infrastruktur und die Gebäude, sondern auch die gesamte technische Ausstattung, von Servern über Netzwerkkomponenten bis hin zu den hochspezialisierten Grafikprozessoren, die für KI-Berechnungen erforderlich sind.

Die Techbranche hat sich in den vergangenen Monaten auf eine massive Expansion festgelegt. Verschiedene Unternehmen haben öffentlich angekündigt, zwischen 20 und 30 Gigawatt an zusätzlicher Rechenkapazität aufzubauen. Bei den gegenwärtigen Kosten pro Gigawatt würde dies zu Gesamtinvestitionen von mindestens 1,5 Billionen US-Dollar führen. Diese Summe entspricht ungefähr der aktuellen Marktkapitalisierung von Tesla und verdeutlicht die schiere Größenordnung des Unterfangens.

Doch die Rechnung wird noch drastischer, wenn man die Ambitionen im Kontext der angestrebten künstlichen allgemeinen Intelligenz betrachtet. Krishna schätzt, dass der Weg zu einer echten AGI etwa 100 Gigawatt an Rechenleistung erfordern würde. Diese Schätzung basiert auf Hochrechnungen der derzeitigen Trainingsanforderungen für große Sprachmodelle und berücksichtigt die exponentiell wachsende Komplexität, die mit jedem Entwicklungsschritt einhergeht. Bei 80 Milliarden US-Dollar pro Gigawatt würden sich die Investitionsausgaben auf atemberaubende acht Billionen US-Dollar summieren.

Diese Investitionssumme ist jedoch nur die halbe Wahrheit. Krishna weist auf einen Faktor hin, der in der öffentlichen Diskussion häufig vernachlässigt wird: die Kapitalkosten. Bei einer Investition von acht Billionen US-Dollar müssten Unternehmen allein für die Zinsen auf das investierte Kapital etwa 800 Milliarden US-Dollar Gewinn pro Jahr erwirtschaften. Diese Zahl geht von einem konservativen Zinssatz von zehn Prozent aus, der die Kapitalkosten, Risikoprämien und die Erwartungen der Investoren widerspiegelt.

Der fünfjährige Todeszyklus der KI-Hardware

Ein entscheidender Punkt in Krishnas Argumentation betrifft die Lebensdauer der installierten Hardware. Die gesamte Rechenkapazität müsse innerhalb von fünf Jahren vollständig genutzt werden, da die verbaute Hardware danach entsorgt und ersetzt werden müsse. Diese Einschätzung korrespondiert mit Beobachtungen aus der Industrie und ist Gegenstand intensiver Debatten in Finanzkreisen.

Der bekannte Investor Michael Burry, der für seine präzisen Vorhersagen der Finanzkrise von 2008 berühmt wurde, hat im November 2025 ähnliche Bedenken geäußert. Burry argumentiert, dass große Technologiekonzerne die tatsächliche Nutzungsdauer ihrer KI-Hardware überschätzen und somit ihre Abschreibungen künstlich niedrig halten. Er geht davon aus, dass Grafikprozessoren und spezialisierte KI-Chips in der Praxis nur zwei bis drei Jahre wirtschaftlich nutzbar bleiben, bevor sie durch neuere, leistungsfähigere Generationen obsolet werden.

Die rasante Entwicklung im Halbleiterbereich unterstützt diese Sichtweise. Nvidia, der dominierende Anbieter von KI-Chips, bringt etwa alle zwölf bis 18 Monate neue Prozessorgenerationen auf den Markt. Jede Generation bietet erhebliche Leistungssteigerungen, was ältere Modelle schnell unwirtschaftlich macht. Während ein herkömmlicher Server in einem Rechenzentrum durchaus sechs Jahre oder länger genutzt werden kann, gelten für KI-spezifische Hardware andere Regeln.

Die Praxis zeigt ein differenziertes Bild. Einige Unternehmen haben ihre Abschreibungszeiträume angepasst. Amazon verkürzte Anfang 2025 die geschätzte Nutzungsdauer einiger Server von sechs auf fünf Jahre und begründete dies mit der beschleunigten Entwicklung im KI-Bereich. Diese Anpassung wird das operative Ergebnis des Konzerns im Jahr 2026 um etwa 700 Millionen US-Dollar belasten. Meta hingegen verlängerte die Abschreibungsdauer für Server und Netzwerkausrüstung auf 5,5 Jahre, was die Abschreibungskosten im Jahr 2025 um 2,9 Milliarden US-Dollar reduzierte.

Diese unterschiedlichen Strategien verdeutlichen, dass selbst die Unternehmen, die Milliarden in KI-Hardware investieren, unsicher sind, wie lange ihre Investitionen wirtschaftlich wertvoll bleiben. Das Fünfjahres-Szenario, das Krishna beschreibt, liegt im optimistischen Bereich dieser Schätzungen. Falls die tatsächliche Nutzungsdauer näher an den von Burry prognostizierten zwei bis drei Jahren liegt, würden sich die Abschreibungskosten und damit der Druck auf die Rentabilität erheblich verstärken.

Die Unmöglichkeit profitabler Renditen

Die Verbindung dieser beiden Faktoren führt Krishna zu seinem zentralen Argument. Die Kombination aus enormen Kapitalkosten und kurzen Nutzungszeiträumen macht es nach seiner Überzeugung unmöglich, eine angemessene Rendite zu erzielen. Bei acht Billionen US-Dollar Investitionskosten und der Notwendigkeit, 800 Milliarden US-Dollar jährlichen Gewinn allein für die Kapitalkosten zu erwirtschaften, müsste ein KI-System Einnahmen in einer Größenordnung generieren, die weit über das hinausgeht, was derzeit realistisch erscheint.

Zum Vergleich: Die Gesamteinnahmen von Alphabet, dem Mutterkonzern von Google, lagen im Jahr 2024 bei etwa 350 Milliarden US-Dollar. Selbst wenn man ein aggressives Wachstum von 12 Prozent pro Jahr annimmt, würden die Einnahmen bis 2029 auf etwa 577 Milliarden US-Dollar steigen. Die gesamten erforderlichen Einnahmen, um die KI-Investitionen zu rechtfertigen, würden diese Summe bei weitem übersteigen.

OpenAI, das Unternehmen hinter ChatGPT, prognostiziert für 2025 einen annualisierten Umsatz von über 20 Milliarden US-Dollar und erwartet, bis 2030 Hunderte Milliarden US-Dollar zu erreichen. Das Unternehmen hat Vereinbarungen über etwa 1,4 Billionen US-Dollar über die nächsten acht Jahre getroffen. Doch selbst diese ehrgeizigen Zahlen werfen Fragen auf. Analysten der Bank HSBC modellieren, dass OpenAI zwischen Ende 2025 und 2030 Kosten für Cloud- und KI-Infrastruktur in Höhe von 792 Milliarden US-Dollar haben wird, wobei die gesamten Rechenkapazitätsverpflichtungen bis 2033 etwa 1,4 Billionen US-Dollar erreichen könnten.

Die HSBC-Analysten prognostizieren, dass der kumulierte freie Cashflow von OpenAI bis 2030 weiterhin negativ sein wird, was zu einem Finanzierungsdefizit von 207 Milliarden US-Dollar führt. Diese Lücke müsste durch zusätzliche Schulden, Eigenkapital oder aggressivere Umsatzgenerierung geschlossen werden. Die Frage, die sich stellt, ist nicht nur, ob OpenAI profitabel werden kann, sondern ob das gesamte Geschäftsmodell, das auf massiven Rechenzentrumsinvestitionen basiert, überhaupt tragfähig ist.

Die verschwindend geringe AGI-Wahrscheinlichkeit

Krishna fügt seiner ökonomischen Kritik eine technologische Dimension hinzu, die noch fundamentaler ist. Er schätzt die Wahrscheinlichkeit, dass die derzeitigen Technologien zu einer künstlichen allgemeinen Intelligenz führen, auf null bis ein Prozent. Diese Einschätzung ist bemerkenswert, weil sie nicht auf philosophischen Überlegungen beruht, sondern auf einer nüchternen Bewertung der technischen Fähigkeiten und Grenzen großer Sprachmodelle.

Die Definition von AGI ist zwar umstritten, aber im Kern geht es um KI-Systeme, die menschliche kognitive Fähigkeiten in ihrer gesamten Breite erreichen oder übertreffen können. Das würde bedeuten, dass ein System nicht nur in spezifischen Bereichen Expertenwissen demonstriert, sondern auch in der Lage ist, Wissen von einem Bereich auf einen anderen zu übertragen, neue Situationen zu verstehen, kreativ Probleme zu lösen und sich kontinuierlich weiterzuentwickeln, ohne dass es für jede neue Aufgabe neu trainiert werden muss.

Krishna argumentiert, dass große Sprachmodelle, die den Kern der aktuellen KI-Revolution bilden, fundamentale Einschränkungen aufweisen. Diese Modelle basieren auf statistischen Mustern in riesigen Textdatensätzen und können beeindruckende Leistungen in sprachbasierten Aufgaben erbringen. Sie können kohärente Texte generieren, Fragen beantworten und sogar Programmcode schreiben. Doch sie verstehen nicht wirklich, was sie tun. Sie haben kein Weltmodell, keine Kausalitätsvorstellung und keine echte Fähigkeit zur Abstraktion.

Diese Limitierungen zeigen sich in mehreren Bereichen. Sprachmodelle halluzinieren regelmäßig, das heißt, sie erfinden Fakten, die plausibel klingen, aber falsch sind. Sie haben Schwierigkeiten mit mehrstufigen logischen Schlussfolgerungen und versagen oft bei Aufgaben, die für Menschen trivial sind, wenn diese Aufgaben nicht in ihrem Trainingsdatensatz enthalten waren. Sie besitzen kein episodisches Gedächtnis und können nicht aus ihren eigenen Fehlern lernen, ohne erneut trainiert zu werden.

Wissenschaftler und Forscher aus verschiedenen Lagern teilen zunehmend diese Skepsis. Marc Benioff, CEO von Salesforce, äußerte sich im November 2025 ähnlich skeptisch gegenüber AGI. In einem Podcast beschrieb er den AGI-Begriff als potenziell irreführend und kritisierte, dass die Technologiebranche einer Art Hypnose erlegen sei, was die unmittelbar bevorstehenden Fähigkeiten von KI angehe. Benioff betonte, dass die derzeitigen Systeme zwar beeindruckend seien, aber weder Bewusstsein noch echtes Verständnis besäßen.

Yann LeCun, leitender KI-Wissenschaftler bei Meta, vertritt die Ansicht, dass große Sprachmodelle niemals zu AGI führen werden, unabhängig davon, wie sehr man sie skaliert. Er argumentiert für alternative Ansätze, die über reine Textvorhersage hinausgehen, darunter multimodale Weltmodelle, die nicht nur Text verarbeiten, sondern auch visuelle und andere sensorische Informationen integrieren und daraus interne Repräsentationen der Welt aufbauen.

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

Der notwendige technologische Durchbruch

Krishna geht davon aus, dass das Erreichen von AGI mehr Technologien erfordern wird, als der derzeitige Pfad der großen Sprachmodelle bieten kann. Er schlägt vor, dass die Integration von hartem Wissen mit Sprachmodellen ein gangbarer Weg sein könnte. Mit hartem Wissen meint er strukturiertes, explizites Wissen über kausale Zusammenhänge, physikalische Gesetze, mathematische Prinzipien und andere Formen von Wissen, die über statistische Korrelationen hinausgehen.

Diese Perspektive deckt sich mit Forschungsarbeiten im Bereich der neuro-symbolischen KI, die versucht, die Stärken neuronaler Netze in der Mustererkennung mit den logischen Fähigkeiten symbolischer KI-Systeme zu kombinieren. Symbolische KI, die auf Regeln und logischen Schlussfolgerungen basiert, war in den frühen Jahrzehnten der KI-Forschung dominant, wurde aber in den letzten Jahren von neuronalen Ansätzen überholt. Die Hybridisierung beider Ansätze könnte theoretisch Systeme hervorbringen, die sowohl lernen als auch logisch schlussfolgern können.

Weitere vielversprechende Forschungsrichtungen umfassen verkörperte KI, bei der Systeme durch Interaktion mit einer physischen oder simulierten Umgebung lernen, kontinuierliches Lernen, bei dem Systeme ihre Fähigkeiten erweitern können, ohne vorheriges Wissen zu verlieren, und Systeme mit intrinsischer Motivation, die aus eigenem Antrieb explorieren und lernen.

Selbst mit diesen zusätzlichen Technologien zeigt sich Krishna zurückhaltend. Wenn man ihn frage, ob dieser erweiterte Ansatz zu AGI führen könne, würde er nur mit vielleicht antworten. Diese Vorsicht unterstreicht die Unsicherheit, die selbst bei Experten herrscht, die sich seit Jahrzehnten mit KI beschäftigen. Die Entwicklung von AGI ist nicht nur eine Frage der Rechenleistung oder des Datenvolumens, sondern erfordert möglicherweise grundlegende neue Einsichten in die Natur von Intelligenz selbst.

Passend dazu:

• Unabhängig von US-Tech-Riesen: So gelingt der kosteneffiziente und sichere KI-Eigenbetrieb – Erste Überlegungen

Das Paradox der produktiven KI-Gegenwart

Trotz seiner Skepsis bezüglich AGI und der Wirtschaftlichkeit von massiven Rechenzentrumsinvestitionen ist Krishna keineswegs ein KI-Pessimist. Im Gegenteil, er äußert sich enthusiastisch über die derzeitigen KI-Werkzeuge und ihre Auswirkungen auf die Unternehmenswelt. Er ist überzeugt, dass diese Technologien Billionen von Dollar an Produktivitätspotenzial in Unternehmen freisetzen werden.

Diese Unterscheidung ist zentral für das Verständnis seiner Position. Krishna bezweifelt nicht den Wert von KI als solcher, sondern die Wirtschaftlichkeit des spezifischen Weges, den die Industrie eingeschlagen hat. Die heutigen KI-Systeme, insbesondere große Sprachmodelle, können bereits erhebliche Produktivitätsgewinne in vielen Bereichen ermöglichen, ohne dass dafür acht Billionen US-Dollar an Infrastruktur erforderlich sind.

IBM selbst liefert ein eindrucksvolles Beispiel für diese Produktivitätsgewinne. Das Unternehmen hat seit Januar 2023 KI und Automatisierung umfassend im eigenen Betrieb implementiert und erwartet, bis Ende 2025 Produktivitätsgewinne in Höhe von 4,5 Milliarden US-Dollar zu erreichen. Diese Initiative, die IBM als Client Zero bezeichnet, umfasste den Einsatz von hybrider Cloud-Infrastruktur, KI und Automatisierungstechnologien sowie Beratungsexpertise in verschiedenen Geschäftsbereichen.

Die konkreten Ergebnisse dieser Transformation sind beeindruckend. IBM hat KI-gestützte Tools in der Kundenbetreuung implementiert, die 70 Prozent der Anfragen lösen und die Lösungszeit um 26 Prozent verbessern konnten. Über alle Unternehmensbereiche hinweg wurden etwa 270.000 Mitarbeiter mit agentischen KI-Systemen ausgestattet, die komplexe Arbeitsabläufe orchestrieren und menschliche Arbeitskräfte unterstützen.

Diese Art von KI-Anwendungen erfordert keine massiven neuen Rechenzentren, sondern kann auf bestehender Infrastruktur aufbauen. Sie fokussiert sich auf spezifische Anwendungsfälle, in denen KI nachweisbare Verbesserungen bringt, statt auf die hypothetische Entwicklung einer allgemeinen Intelligenz. Dies ist der Kern von Krishnas Argument: Die Technologie ist wertvoll und transformativ, aber der derzeitige Ansatz, Billionen in die Jagd nach AGI zu investieren, ist ökonomisch nicht haltbar.

Studien von McKinsey schätzen, dass generative KI das Potenzial hat, jährlich zwischen 2,6 und 4,4 Billionen US-Dollar an wirtschaftlichem Wert über 63 analysierte Anwendungsfälle hinweg zu schaffen. Wenn man die Auswirkungen der Einbettung von generativer KI in Software berücksichtigt, die derzeit für andere Aufgaben verwendet wird, könnte sich diese Schätzung ungefähr verdoppeln. Diese Produktivitätsgewinne könnten das jährliche Wachstum der Arbeitsproduktivität bis 2040 um 0,1 bis 0,6 Prozentpunkte steigern.

Die divergierenden Strategien der Technologiegiganten

Während Krishna seine Bedenken äußert, verdoppeln andere Technologiekonzerne ihre Wetten auf KI-Infrastruktur. Die Ausgaben der großen vier Technologieunternehmen illustrieren das Ausmaß dieses Investitionszyklus. Microsoft plant für das Geschäftsjahr 2025 etwa 80 Milliarden US-Dollar für den Aufbau von KI-fähigen Rechenzentren auszugeben, wobei mehr als die Hälfte dieser Investitionen in den Vereinigten Staaten getätigt werden soll.

Amazon hat für 2025 Kapitalausgaben von etwa 125 Milliarden US-Dollar angekündigt, wobei der Großteil für KI- und verwandte Infrastrukturen für Amazon Web Services bestimmt ist. Das Unternehmen hat bereits signalisiert, dass die Ausgaben im Jahr 2026 noch höher ausfallen werden. Meta Platforms erwartet für 2025 Kapitalausgaben zwischen 70 und 72 Milliarden US-Dollar, eine Erhöhung gegenüber der früheren Schätzung von 66 bis 72 Milliarden US-Dollar. Für 2026 deutete das Unternehmen an, dass die Ausgaben deutlich höher ausfallen würden.

Alphabet, die Muttergesellschaft von Google, rechnet mit Kapitalausgaben zwischen 91 und 93 Milliarden US-Dollar für 2025, gegenüber einer früheren Prognose von 85 Milliarden US-Dollar. Zusammengenommen planen diese vier Unternehmen für 2025 Ausgaben zwischen 350 und 400 Milliarden US-Dollar, mehr als das Doppelte dessen, was vor zwei Jahren ausgegeben wurde.

Diese massiven Investitionen erfolgen in einem Umfeld, in dem die tatsächlichen Einnahmen aus KI-Diensten noch weit hinter den Erwartungen zurückbleiben. OpenAI berichtet von einem annualisierten Umsatz von über 20 Milliarden US-Dollar, ist aber nach wie vor nicht profitabel. Microsoft generiert etwa 13 Milliarden US-Dollar jährliche KI-Einnahmen mit einem Wachstum von 175 Prozent im Jahresvergleich, während Meta keinen einzigen Dollar direkter KI-Einnahmen ausweisen kann.

Die Diskrepanz zwischen Investitionen und Einnahmen ist frappierend. Schätzungen von Morgan Stanley gehen davon aus, dass die KI-Industrie bis 2028 etwa drei Billionen US-Dollar für Rechenzentren ausgeben wird. Im Vergleich dazu sind die derzeitigen Einnahmen verschwindend gering. Eine Studie des MIT vom Juli 2025 ergab, dass etwa 95 Prozent der Unternehmen, die in KI investiert haben, mit der Technologie kein Geld verdient haben. Die kombinierte Summe, die diese Unternehmen ausgegeben haben, wird auf etwa 40 Milliarden US-Dollar geschätzt.

Die wachsenden Stimmen der Skepsis

Krishnas Warnung ist Teil eines wachsenden Chors skeptischer Stimmen aus verschiedenen Bereichen der Technologie- und Finanzwelt. Diese Bedenken konzentrieren sich nicht nur auf die unmittelbare Wirtschaftlichkeit, sondern auch auf systemische Risiken, die sich aus der derzeitigen Investitionsdynamik ergeben.

Ökonomen weisen darauf hin, dass der Anteil des KI-Sektors am BIP-Wachstum der Vereinigten Staaten in der ersten Hälfte des Jahres 2025 etwa zwei Drittel ausmachte. Eine Analyse von JPMorgan Asset Management zeigt, dass KI-Ausgaben für Rechenzentren mehr zum Wirtschaftswachstum beigetragen haben als der Konsum von Hunderten Millionen amerikanischer Verbraucher. Der Ökonom Jason Furman von Harvard berechnete, dass ohne Rechenzentren das BIP-Wachstum in der ersten Jahreshälfte 2025 nur 0,1 Prozent betragen hätte.

Diese Konzentration des Wachstums auf einen einzelnen Sektor birgt Risiken. Daron Acemoglu, Ökonom am MIT und Nobelpreisträger für Wirtschaftswissenschaften 2024, argumentiert, dass die tatsächlichen Auswirkungen von KI deutlich geringer ausfallen könnten als die Prognosen der Industrie nahelegen. Er schätzt, dass in den nächsten zehn Jahren möglicherweise nur fünf Prozent der Arbeitsplätze durch KI ersetzt werden, weit weniger als die enthusiastischen Vorhersagen einiger Technologieführer.

Die Sorge vor einer Blase wird durch mehrere Faktoren verstärkt. Technologieunternehmen nutzen zunehmend Finanzinstrumente, die als Zweckgesellschaften bezeichnet werden, um Milliarden von Dollar an Ausgaben aus ihren Bilanzen herauszuhalten. Diese von Wall Street finanzierten Zweckgesellschaften dienen als Hüllengesellschaften für den Bau von Rechenzentren. Diese Praxis wirft Fragen zur Transparenz und zum tatsächlichen Risiko auf, das von den Unternehmen getragen wird.

Sundar Pichai, CEO von Alphabet, beschrieb in einem Interview mit der BBC im November 2025 die KI-Investitionswelle als außergewöhnlichen Moment, räumte aber auch ein, dass es eine gewisse Irrationalität gebe, die den derzeitigen KI-Boom begleite. Er warnte, dass jedes Unternehmen betroffen wäre, wenn die KI-Blase platzen sollte. Selbst Sam Altman, CEO von OpenAI und einer der prominentesten Befürworter von KI, gab im August 2025 zu, dass die KI in einer Blase sein könnte, verglich die Marktbedingungen mit denen des Dotcom-Booms und betonte, dass sich viele intelligente Menschen zu sehr für einen Kern der Wahrheit begeisterten.

Passend dazu:

• Die versteckte Rechnung des KI-Booms: Droht uns jetzt eine Strompreis-Explosion?

Die Energiefrage als limitierender Faktor

Ein weiteres fundamentales Problem, das Krishna nicht explizit anspricht, aber implizit in seinen Kostenberechnungen enthalten ist, betrifft die Energieversorgung. Ein 100-Gigawatt-Rechenzentrum würde etwa 20 Prozent der gesamten Stromerzeugung der Vereinigten Staaten benötigen. Dies ist keine triviale Herausforderung, sondern ein potenzieller Engpass, der die gesamte Vision infragestrellen könnte.

Die Internationale Energieagentur prognostiziert, dass die weltweite Stromnachfrage von Rechenzentren sich bis 2030 mehr als verdoppeln könnte, von etwa 415 Terawattstunden im Jahr 2024 auf 900 bis 1000 Terawattstunden. KI könnte bis 2030 für 35 bis 50 Prozent des Stromverbrauchs von Rechenzentren verantwortlich sein. In den Vereinigten Staaten wird erwartet, dass die Stromnachfrage von Rechenzentren von 35 Gigawatt auf 78 Gigawatt bis 2035 steigen wird, was 8,6 Prozent des nationalen Stromverbrauchs entspricht.

Diese Nachfrage kommt zu einem Zeitpunkt, an dem viele Länder versuchen, ihre Stromnetze zu dekarbonisieren und den Anteil erneuerbarer Energien zu erhöhen. Die Herausforderung besteht darin, dass Rechenzentren eine konstante Stromversorgung benötigen, 24 Stunden am Tag, 365 Tage im Jahr. Dies macht den Übergang zu erneuerbaren Energien komplexer, da Wind- und Solarenergie intermittierend sind und Speicherlösungen oder Backup-Kapazitäten erfordern.

Die Kohlenstoffemissionen von Rechenzentren werden voraussichtlich von 212 Millionen Tonnen im Jahr 2023 auf möglicherweise 355 Millionen Tonnen bis 2030 steigen, wobei diese Zahl erheblich variiert, je nachdem, wie schnell saubere Energielösungen und Effizienzverbesserungen eingeführt werden. Ein einzelner KI-generierter Bildgenerationsprozess verbraucht so viel Strom wie das vollständige Aufladen eines Smartphones. Die Verarbeitung von einer Million Token erzeugt so viel Kohlendioxid wie ein Benzinauto, das 8 bis 32 Kilometer fährt.

Generative KI benötigt etwa sieben bis acht Mal mehr Energie als traditionelle Rechenlasten. Das Training großer KI-Modelle kann so viel Strom verbrauchen wie Hunderte von Haushalten über mehrere Monate. Diese Energieintensität bedeutet, dass selbst wenn die finanziellen Ressourcen für den Aufbau massiver Rechenzentren verfügbar wären, die physische Infrastruktur zur Stromversorgung dieser Anlagen möglicherweise nicht rechtzeitig bereitgestellt werden kann.

Passend dazu:

• Energieknappheit in traditionellen Tech-Zentren und die versteckten Kosten des KI-Booms

Alternative technologische Pfade und ihre Bedeutung

Die Diskussion über die Grenzen großer Sprachmodelle hat zu verstärkten Forschungsbemühungen in alternativen Bereichen geführt. Quantencomputing wird von einigen als möglicher Durchbruch gesehen, der die derzeitigen Beschränkungen überwinden könnte. Im Oktober 2025 stellte Google seinen Willow-Quantenchip vor, der einen verifizierbaren Quantenvorteil erreichte. Dies war ein Meilenstein, der die Grenzen der klassischen Physik überschritt und neue Möglichkeiten in Bereichen wie Medizin, Energie und KI eröffnete.

Quantencomputer funktionieren nach völlig anderen Prinzipien als klassische Computer. Sie nutzen Quantenbits oder Qubits, die sich gleichzeitig in mehreren Zuständen befinden können, was parallele Berechnungen in einem Ausmaß ermöglicht, das mit herkömmlichen Systemen unmöglich ist. Allerdings stehen Quantencomputer vor erheblichen Herausforderungen, insbesondere der Dekohärenz, die die Stabilität von Qubits beeinträchtigt.

Jüngste Durchbrüche in der Stabilisierung von Qubits deuten darauf hin, dass skalierbare Quantencomputer möglicherweise innerhalb der nächsten Jahre realisiert werden können. Unternehmen wie PsiQuantum planen, noch vor Ende dieses Jahrzehnts Quantencomputer in Betrieb zu nehmen, die 10.000-mal größer sind als Willow und groß genug, um wichtige Fragen zu Materialien, Medikamenten und den Quantenaspekten der Natur anzugehen.

Die Konvergenz von Quantencomputing und künstlicher Intelligenz könnte theoretisch neue Möglichkeiten eröffnen. Quantenalgorithmen haben sich bei der Simulation wichtiger Medikamente und Materialien um mehr als das 200-fache verbessert. Einige Spekulationen gehen davon aus, dass die Kombination aus AGI und Quantencomputing innerhalb von ein bis zwei Jahren möglich sein könnte, gefolgt von künstlicher Superintelligenz innerhalb von fünf Jahren.

Andere vielversprechende Forschungsrichtungen umfassen optische Rechenarchitekturen, die Licht statt Elektrizität zur Stromversorgung von Chips verwenden. Eine im November 2025 vorgestellte Architektur namens Parallel Optical Matrix-Matrix Multiplication könnte einen der größten Engpässe der aktuellen KI-Entwicklung beseitigen. Anders als frühere optische Methoden führt sie mehrere Tensor-Operationen gleichzeitig mit einem einzigen Laserpuls durch, was die Verarbeitungsgeschwindigkeit erheblich steigern könnte.

Die strategische Positionierung von IBM

Krishnas Position ist besonders interessant, wenn man sie im Kontext der Strategie von IBM betrachtet. IBM hat sich in den vergangenen Jahren bewusst von einem reinen Hardware- und Infrastrukturgeschäft weg und hin zu einem Fokus auf Unternehmenssoftware, Cloud-Dienste und Beratung entwickelt. Das Unternehmen verkaufte große Teile seines traditionellen IT-Geschäfts und konzentrierte sich stattdessen auf hybride Cloud-Lösungen und KI-Anwendungen für Unternehmen.

Diese strategische Ausrichtung unterscheidet sich fundamental von den Ansätzen von Microsoft, Amazon, Google und Meta, die alle massiv in den Aufbau eigener Infrastruktur investieren. IBM setzt stattdessen darauf, Unternehmen dabei zu helfen, KI auf ihren eigenen Bedingungen einzusetzen, mit Transparenz, Wahlfreiheit und Flexibilität. Diese Philosophie spiegelt eine Überzeugung wider, dass nicht jedes Unternehmen eine einzige Public Cloud nutzen wird und dass insbesondere regulierte Branchen und Unternehmen außerhalb der Vereinigten Staaten hybride Ansätze bevorzugen werden.

Krishnas Kritik an den massiven Infrastrukturinvestitionen kann also auch als implizite Verteidigung des IBM-Ansatzes verstanden werden. Wenn die Jagd nach AGI durch billionenhohe Rechenzentrumsinvestitionen tatsächlich wirtschaftlich nicht tragfähig ist, dann würde dies die Strategie von IBM bestätigen, sich auf spezifische, wertschöpfende Anwendungsfälle zu konzentrieren, die auf bestehender oder moderat erweiterter Infrastruktur aufbauen können.

Gleichzeitig engagiert sich IBM stark in Bereichen wie Quantencomputing, die potenziell die nächste technologische Welle darstellen könnten. Das Unternehmen investiert erheblich in die Entwicklung von Quantencomputern und arbeitet an Partnerschaften mit anderen Technologieunternehmen, um diese Technologie voranzutreiben. Dies deutet darauf hin, dass Krishna nicht gegen Innovation oder ambitionierte technologische Ziele ist, sondern gegen einen spezifischen Ansatz, den er als wirtschaftlich nicht tragfähig betrachtet.

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

Die Perspektive der OpenAI-Führung

Krishnas Skepsis steht in direktem Kontrast zu den öffentlichen Äußerungen von Sam Altman, dem CEO von OpenAI. Altman hat wiederholt betont, dass OpenAI bereit ist, massive Investitionen zu tätigen, um AGI zu erreichen. Das Unternehmen hat Vereinbarungen getroffen, die sich über die nächsten acht Jahre auf etwa 1,4 Billionen US-Dollar belaufen, darunter bedeutende Deals mit Oracle, Broadcom und anderen Partnern.

Altman prognostiziert, dass OpenAI bis 2030 einen annualisierten Umsatz im Bereich von Hunderten Milliarden US-Dollar erreichen wird. Diese Projektion basiert auf der Annahme, dass die Nachfrage nach KI-Diensten exponentiell wachsen wird, sobald die Systeme leistungsfähiger werden. Das Geschäftsmodell von OpenAI hängt davon ab, dass Unternehmen und Einzelpersonen bereit sind, erhebliche Summen für den Zugang zu fortschrittlichen KI-Fähigkeiten zu zahlen.

Krishna äußerte im Podcast, dass er die Sichtweise von Altman verstehe, sie aber nicht teile. Dies ist eine bemerkenswert diplomatische Formulierung, die andeutet, dass er die Vision von OpenAI respektiert, aber fundamental andere Annahmen über die technologische Realisierbarkeit und wirtschaftliche Tragfähigkeit macht. Die Frage, ob OpenAI mit seinen Investitionen eine Rendite erzielen könne, beantwortet Krishna mit einem klaren Nein.

Diese Meinungsverschiedenheit repräsentiert einen grundlegenden Konflikt in der Technologiebranche zwischen denjenigen, die an eine nahe bevorstehende transformative AGI glauben und bereit sind, astronomische Summen zu investieren, und denjenigen, die skeptischer sind und einen inkrementellen, wirtschaftlich nachhaltigeren Ansatz bevorzugen.

Passend dazu:

• KI-Strategien im globale Vergleich: Eine Gegenüberstellung (USA vs. EU vs. Deutschland vs. Asien vs. China)

Die Rolle der Abschreibungspolitik und Rechnungslegungsstandards

Die Debatte um die tatsächliche Nutzungsdauer von KI-Hardware wirft grundlegende Fragen zur Rechnungslegung und Transparenz auf. Die Art und Weise, wie Unternehmen ihre Vermögenswerte abschreiben, hat direkte Auswirkungen auf ihre berichteten Gewinne und damit auf Aktienkurse und Bewertungen.

Michael Burry argumentiert, dass große Technologieunternehmen die Nutzungsdauer ihrer KI-Chips überbewerten, um die Abschreibungen niedrig zu halten und die Gewinne zu überhöhen. Wenn beispielsweise Meta fünf Milliarden US-Dollar für ein neues Nvidia Blackwell Server-Rack im Jahr 2025 ausgibt und dieses über 5,5 Jahre abschreibt, werden die jährlichen Abschreibungskosten auf etwa 909 Millionen US-Dollar verteilt. Wenn die tatsächliche Nutzungsdauer jedoch nur drei Jahre beträgt, sollten die jährlichen Abschreibungen etwa 1,67 Milliarden US-Dollar betragen, eine erhebliche Diskrepanz.

Burry schätzt, dass diese längeren Nutzungsdauern die Gewinne mehrerer großer Unternehmen zwischen 2026 und 2028 um insgesamt 176 Milliarden US-Dollar überhöhen könnten. Nvidia widersprach diesen Behauptungen in einem internen Memo im November 2025 und argumentierte, dass Hyperscaler GPUs über einen Zeitraum von vier bis sechs Jahren abschreiben, basierend auf tatsächlicher Langlebigkeit und Nutzungstrends. Das Unternehmen verwies darauf, dass ältere GPUs wie die im Jahr 2020 veröffentlichten A100 weiterhin mit hohen Auslastungsraten genutzt werden und erheblichen wirtschaftlichen Wert behalten.

Die Realität liegt wahrscheinlich irgendwo in der Mitte. GPUs können durchaus physisch länger als drei Jahre funktionieren, aber ihre wirtschaftliche Nützlichkeit kann schnell abnehmen, wenn neuere, effizientere Modelle auf den Markt kommen. Ein wichtiger Faktor ist die Kaskadierung des Wertes: Ältere GPUs, die für das Training neuester Modelle nicht mehr optimal sind, können für Inferenzaufgaben, das Betreiben bereits trainierter Modelle, weiterhin nützlich sein. Sie können auch für weniger anspruchsvolle Anwendungen eingesetzt oder in Sekundärmärkten verkauft werden.

Diese Nuancen erschweren eine eindeutige Bewertung. CoreWeave, ein auf KI spezialisierter Cloud-Anbieter, verlängerte im Januar 2023 die Abschreibungsdauer für seine GPUs von vier auf sechs Jahre. Diese Entscheidung wird von Kritikern als Versuch gesehen, die Rentabilität künstlich zu verbessern. Befürworter argumentieren hingegen, dass die tatsächliche Nutzung der Hardware längere Zeiträume rechtfertigt.

Die sozialen und politischen Dimensionen

Die Debatte um KI-Investitionen hat auch eine politische und soziale Dimension. David Sacks, ein Risikokapitalgeber und White House-Berater für Kryptowährungen und KI, warnte im November 2025, dass eine Umkehrung des KI-Investitionsbooms eine Rezession riskieren würde. Seine Formulierung legt nahe, dass die Wirtschaft mittlerweile so abhängig von KI-Investitionen geworden ist, dass ein Stopp oder eine deutliche Verlangsamung erhebliche makroökonomische Folgen hätte.

Diese Abhängigkeit wirft die Frage auf, ob die Gesellschaft sich in eine Situation manövriert hat, in der sie gezwungen ist, die Investitionen fortzusetzen, unabhängig von ihrer wirtschaftlichen Tragfähigkeit, einfach um einen plötzlichen Schock zu vermeiden. Dies wäre eine klassische Blasendynamik, bei der rationale ökonomische Überlegungen durch die Angst vor den Folgen eines Platzens verdrängt werden.

Die Konzentration von Investitionen und Ressourcen auf KI wirft auch Fragen nach Opportunitätskosten auf. Die Billionen, die in KI-Rechenzentren fließen, könnten theoretisch für andere gesellschaftliche Prioritäten verwendet werden, von der Verbesserung der Bildungssysteme über den Ausbau erneuerbarer Energien bis hin zur Bewältigung von Infrastrukturdefiziten. Die Rechtfertigung dieser massiven Ressourcenallokation hängt davon ab, ob die versprochenen Vorteile tatsächlich eintreten.

Gleichzeitig hat KI bereits nachweisbare positive Auswirkungen. In Deutschland berichten laut einer IBM-Studie vom November 2025 zwei Drittel der Unternehmen von signifikanten Produktivitätsgewinnen durch KI. Die Bereiche mit den größten KI-bezogenen Produktivitätssteigerungen umfassen Softwareentwicklung und IT, Kundenservice und Geschäftsprozessautomatisierung. Etwa ein Fünftel der Unternehmen in Deutschland hat bereits ihre ROI-Ziele durch KI-gesteuerte Produktivitätsinitiativen erreicht, und fast die Hälfte erwartet innerhalb von zwölf Monaten eine Kapitalrendite.

Diese Zahlen zeigen, dass KI durchaus wirtschaftlichen Wert schafft, aber sie unterstützen auch Krishnas Argument, dass dieser Wert nicht notwendigerweise aus der Jagd nach AGI mit billionenhohen Investitionen resultiert, sondern aus gezielteren, spezifischeren Anwendungen.

Die historische Perspektive technologischer Transformationen

Um die aktuelle Situation einzuordnen, ist es hilfreich, historische Parallelen zu betrachten. Der Dotcom-Boom der späten 1990er Jahre wird häufig als Warnung angeführt. Damals flossen enorme Summen in Internetunternehmen, basierend auf der berechtigten Überzeugung, dass das Internet transformativ sein würde. Viele der damaligen Investitionen erwiesen sich als fehlgeleitet, und als die Blase im Jahr 2000 platzte, wurden Billionen an Marktwert vernichtet.

Dennoch erwies sich die zugrunde liegende Technologie als tatsächlich transformativ. Unternehmen wie Amazon und Google, die die Krise überlebten, wurden zu den dominierenden Kräften der Weltwirtschaft. Die Infrastruktur, die während des Booms aufgebaut wurde, auch die von gescheiterten Unternehmen, bildete die Grundlage für die digitale Wirtschaft der folgenden Jahrzehnte. In diesem Sinne könnte man argumentieren, dass auch übermäßige Investitionen in KI-Infrastruktur langfristig nützlich sein könnten, selbst wenn viele der aktuellen Akteure scheitern.

Ein wichtiger Unterschied besteht jedoch in der Kapitalintensität. Internetunternehmen der ersten Generation konnten mit relativ geringen Investitionen skalieren, sobald die grundlegende Infrastruktur vorhanden war. Eine Website oder ein Online-Dienst, einmal entwickelt, konnte Millionen von Nutzern mit geringen zusätzlichen Kosten erreichen. KI, insbesondere wie sie derzeit praktiziert wird, folgt nicht diesem Muster. Jede Anfrage an ein großes Sprachmodell verursacht erhebliche Rechenkosten. Die Skalierung von KI-Diensten erfordert proportionale Erhöhungen der Infrastruktur, was die Wirtschaftlichkeit fundamental anders gestaltet.

Ein weiterer historischer Vergleich ist die Entwicklung der Elektrizität. Als elektrische Energie zum ersten Mal verfügbar wurde, dauerte es Jahrzehnte, bis Unternehmen lernten, ihre Produktionsprozesse umzugestalten, um die neuen Möglichkeiten voll auszuschöpfen. Zunächst ersetzten Fabriken einfach Dampfmaschinen durch Elektromotoren, behielten aber ansonsten ihre alten Layouts und Prozesse bei. Die wirklichen Produktivitätsgewinne kamen erst, als Ingenieure und Manager lernten, Fabriken von Grund auf neu zu gestalten, wobei sie die Flexibilität elektrischer Energie nutzten.

Ähnlich könnte es bei KI sein. Die derzeitigen Anwendungen kratzen möglicherweise nur an der Oberfläche dessen, was möglich ist, und die wirklichen Transformationen könnten erst kommen, wenn Organisationen lernen, sich grundlegend neu zu organisieren, um KI-Fähigkeiten zu nutzen. Dies würde jedoch Zeit benötigen, möglicherweise Jahre oder Jahrzehnte, und es ist unklar, ob die derzeitige Investitionsdynamik diese Geduld aufbringen kann.

Die Zukunft der KI-Entwicklung

Trotz aller Skepsis und Warnungen wird die KI-Entwicklung weitergehen. Die Frage ist nicht, ob KI wichtig ist, sondern welcher Weg der vielversprechendste und wirtschaftlich nachhaltigste ist. Krishnas Intervention kann als Plädoyer für eine Neubewertung der Strategie verstanden werden, nicht als Aufruf, die KI-Forschung einzustellen.

Die wahrscheinlichste Entwicklung ist eine Diversifizierung der Ansätze. Während einige Unternehmen weiterhin massiv in die Skalierung großer Sprachmodelle investieren werden, werden andere alternative Pfade erkunden. Neuro-symbolische Ansätze, multimodale Systeme, verkörperte Intelligenz, kontinuierliches Lernen und andere Forschungsrichtungen werden parallel verfolgt. Durchbrüche in Hardware, von Quantencomputing über optische Rechenarchitekturen bis hin zu neuromorphen Chips, könnten die Gleichung verändern.

Ein wichtiger Faktor wird die tatsächliche Marktakzeptanz sein. Wenn Unternehmen und Verbraucher bereit sind, erhebliche Summen für KI-Dienste zu zahlen, könnten selbst die hohen Infrastrukturkosten gerechtfertigt sein. Bisher ist dies jedoch weitgehend eine offene Frage. ChatGPT und ähnliche Dienste haben Millionen von Nutzern angezogen, aber die Bereitschaft, dafür substanzielle Beträge zu zahlen, ist begrenzt. Die meisten Nutzer verwenden kostenlose oder stark subventionierte Versionen.

Im Unternehmensbereich ist die Situation etwas anders. Hier gibt es eine nachweisbare Zahlungsbereitschaft für KI-Lösungen, die konkrete Geschäftsprobleme lösen. Microsoft berichtet von starkem Wachstum bei seinen KI-Diensten für Unternehmen. Die Frage ist, ob diese Einnahmeströme schnell genug wachsen können, um die massiven Investitionen zu rechtfertigen.

Passend dazu:

• Der unterschätzte Faktor: Warum Chinas Strom-Überfluss den US-Chipvorteil zunichtemachen könnte

Erkenntnisse aus einer mehrdimensionalen Analyse

Die von Arvind Krishna im Decoder-Podcast geäußerten Bedenken berühren den Kern einer der bedeutendsten wirtschaftlichen und technologischen Wetten der Geschichte. Seine Argumentation basiert auf soliden ökonomischen Prinzipien und technischem Verständnis. Die Kombination aus enormen Kapitalkosten, kurzen Hardware-Nutzungszyklen und der geringen Wahrscheinlichkeit, dass aktuelle Technologien zu AGI führen, ergibt ein überzeugendes Argument gegen die derzeitige Investitionsstrategie.

Gleichzeitig ist Krishnas Position nicht ohne Gegenargumente. Befürworter massiver KI-Investitionen würden argumentieren, dass transformative Technologien oft enorme Vorabinvestitionen erfordern, dass die Kosten pro Recheneinheit kontinuierlich sinken, dass neue Geschäftsmodelle entstehen werden, die heute noch nicht absehbar sind, und dass das Risiko, bei einer potenziell weltverändernden Technologie zurückzubleiben, größer ist als das finanzielle Risiko übermäßiger Investitionen.

Die Wahrheit liegt vermutlich irgendwo zwischen diesen extremen Positionen. KI ist zweifellos eine wichtige und transformative Technologie, die erhebliche wirtschaftliche Werte schaffen wird. Die derzeitigen Sprachmodelle und KI-Anwendungen zeigen bereits beeindruckende Fähigkeiten und treiben messbare Produktivitätssteigerungen in vielen Bereichen voran. Gleichzeitig ist die Vorstellung, dass ein einfaches Hochskalieren der aktuellen Ansätze zu einer künstlichen allgemeinen Intelligenz führen wird, zunehmend umstritten, selbst unter führenden KI-Forschern.

Die wirtschaftliche Analyse spricht eine deutliche Sprache. Die schiere Größe der erforderlichen Investitionen und die Notwendigkeit, in kurzer Zeit enorme Gewinne zu erzielen, stellen eine beispiellose Herausforderung dar. Wenn Krishnas Berechnungen auch nur annähernd korrekt sind, ist es schwer vorstellbar, wie die derzeitige Investitionsstrategie nachhaltig sein kann.

Dies bedeutet jedoch nicht zwangsläufig, dass eine Katastrophe bevorsteht. Märkte haben die Fähigkeit, sich anzupassen. Investitionsströme können sich verlagern, Geschäftsmodelle können sich weiterentwickeln, und technologische Durchbrüche können die Wirtschaftlichkeit grundlegend verändern. Die Geschichte der Technologie ist voll von Beispielen, in denen anfängliche Skepsis widerlegt wurde und vermeintlich unmögliche Herausforderungen gemeistert wurden.

Was wahrscheinlich erscheint, ist eine Phase der Konsolidierung und Neubewertung. Die derzeitigen Wachstumsraten bei KI-Investitionen können nicht unbegrenzt fortgesetzt werden. Irgendwann werden Investoren und Unternehmensführungen Beweise für tatsächliche Renditen sehen wollen. Unternehmen, die überzeugende Anwendungsfälle und nachweisbare wirtschaftliche Werte liefern können, werden gedeihen. Andere werden möglicherweise ihre Strategien anpassen oder aus dem Markt ausscheiden müssen.

Krishnas Intervention dient als wichtige Mahnung zur Vorsicht in einem Umfeld, das von Euphorie und dem Drang geprägt ist, nicht zurückzubleiben. Seine jahrzehntelange Erfahrung in der Technologiebranche und seine Position an der Spitze eines der ältesten und etabliertesten IT-Unternehmen der Welt verleihen seinen Worten Gewicht. Ob er recht behält, wird die Zeit zeigen. Sicher ist jedoch, dass die Fragen, die er aufwirft, ernst genommen und gründlich diskutiert werden müssen, bevor noch mehr Billionen in eine Strategie fließen, deren Erfolg alles andere als garantiert ist.

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

☑️ 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