Projekt “Shallotpeat” und “Raue Zeiten”: Sam Altmans internes Memo enthüllt OpenAIs größte Krise

Und das 650-Milliarden-Dollar-Problem: Warum OpenAI zum Erfolg verdammt ist

Im November 2025 hat sich die Tektonik der Technologiebranche fundamental verschoben. Lange Zeit galt OpenAI als unantastbarer Monarch des neuen KI-Zeitalters – ein David, der den Goliaths des Silicon Valley zeigte, wie Innovation funktioniert. Doch dieser Nimbus der Unbesiegbarkeit ist Rissen gewichen. Mit der Veröffentlichung von Google Gemini 3 und dem rasanten Aufstieg von Anthropics Claude-Modellen hat sich das Blatt gewendet. Was als triumphalistischer Marsch zur künstlichen Superintelligenz begann, wandelt sich für OpenAI nun zu einem existenziellen Abwehrkampf gegen technologische Stagnation und ökonomische Realitäten.

Die Situation ist paradox: Nie war OpenAI an der Börse wertvoller, nie war die technologische Führungsposition jedoch fragiler. Während Sam Altmans Unternehmen mit einer Bewertung von 500 Milliarden Dollar in Sphären vordringt, die sonst nur etablierten Tech-Giganten vorbehalten sind, klafft zwischen Marktwert und realer Ertragskraft eine gefährliche Lücke. Ein Jahresumsatz von 13 Milliarden Dollar steht massiven Verlusten und Infrastrukturverpflichtungen in dreistelliger Milliardenhöhe gegenüber. Dieses aggressive Wachstumsmodell funktionierte, solange OpenAI das unbestritten beste Produkt am Markt hatte. Doch genau diese Prämisse ist gefallen.

Google hat mit Gemini 3 nicht nur technologisch gleichgezogen, sondern OpenAI in entscheidenden Disziplinen überholt. Durch die Renaissance des Pre-Trainings und die massive Integration in das eigene Ökosystem demonstriert der Suchmaschinenriese, dass tiefe Taschen, eigene Hardware und jahrzehntelange Erfahrung in der Datenverarbeitung langfristig schwerer wiegen als der First-Mover-Advantage eines Start-ups. OpenAIs hastige strategische Neuausrichtung – symbolisiert durch das interne Projekt “Shallotpeat” – ist das Eingeständnis, dass die bisherige Wette auf reine “Reasoning-Modelle” nicht aufgegangen ist.

Der folgende Artikel analysiert die Anatomie dieses Machtwechsels. Er beleuchtet, wie technische Fehlkalkulationen, finanzielle Drahtseilakte und das Wiedererstarken der Konkurrenz eine toxische Mischung ergeben, die nicht nur die Zukunft von OpenAI, sondern die Struktur der gesamten KI-Industrie neu definieren könnte.

Passend dazu:

• Ist das die KI-Wende? Gemini 3.0 vs. OpenAI: Es geht nicht um das bessere Modell, sondern um die bessere Strategie

Die einstige Avantgarde der künstlichen Intelligenz ringt um ihre Zukunft – während Google mit roher technologischer Kraft die Machtbalance verschiebt

Der globale Wettlauf um die Vorherrschaft in der künstlichen Intelligenz hat im November 2025 eine dramatische Wendung genommen. Was über Jahre als gesicherte Führungsposition von OpenAI galt, ist binnen Monaten zu einer prekären Verteidigungsstellung geworden. Die Veröffentlichung von Googles Gemini 3 markiert nicht nur einen technologischen Meilenstein, sondern stellt fundamentale Annahmen über die Architektur des KI-Marktes infrage. In einem internen Memorandum warnte OpenAI-Chef Sam Altman seine Mitarbeiter vor rauen Zeiten und gestand ein, dass Googles jüngste Fortschritte temporären wirtschaftlichen Gegenwind für das Unternehmen erzeugen könnten. Diese ungewöhnlich offene Einschätzung offenbart die Fragilität einer Position, die noch vor Kurzem als uneinholbar erschien.

Die Dimension dieser Verschiebung wird erst im Kontext der Bewertungslogik des Sektors verständlich. OpenAI steht aktuell bei einer Bewertung von etwa 500 Milliarden Dollar, erwirtschaftet aber lediglich 13 Milliarden Dollar Jahresumsatz. Diese extreme Divergenz zwischen Marktkapitalisierung und realen Einnahmen basiert auf der Annahme exponentiellen Wachstums und dauerhafter technologischer Überlegenheit. Googles Gemini 3 untergräbt beide Prämissen gleichzeitig. Das Modell übertrifft OpenAIs GPT-5.1 in nahezu allen standardisierten Benchmarks und demonstriert dabei Fähigkeiten, die OpenAI selbst noch zu entwickeln versucht.

Die wirtschaftlichen Implikationen reichen weit über kurzfristige Marktanteilsverschiebungen hinaus. OpenAI verbrennt jährlich etwa acht Milliarden Dollar bei einem Verlust von fünf Milliarden Dollar im vergangenen Jahr. Dieses Defizit kann nur durch kontinuierliche Kapitalzuflüsse aufrechterhalten werden, die wiederum vom Vertrauen der Investoren in die technologische Führungsposition abhängen. Wenn diese Führung erodiert, kollabiert die gesamte Finanzierungslogik. Die Situation gleicht einem Hochgeschwindigkeitszug, der seine Treibstoffversorgung verliert, während er noch mit maximaler Geschwindigkeit fährt.

Die primäre Quelle für Sam Altmans internes Memo ist The Information, eine auf Tech-Industrie spezialisierte Nachrichtenpublikation

Das Memo wurde ursprünglich von The Information am 20. November 2025 veröffentlicht. Der Originalartikel trägt den Titel “Altman Memo Forecasts ‘Rough Vibes’ Due to Resurgent Google” bzw. “OpenAI CEO Braces Possible Economic Headwinds Catching Resurgent Google”.

Die Veröffentlichung des Memos durch The Information wurde anschließend von zahlreichen anderen Medien aufgegriffen, darunter:

• Times of India
• Economic Times
• Outlook Business
• Futurism

Das Memo selbst war eine interne Mitteilung von Sam Altman an OpenAI-Mitarbeiter und wurde offenbar von einer Quelle innerhalb des Unternehmens an The Information weitergegeben. In dem Memo warnte Altman vor “temporären wirtschaftlichen Gegenwinden” durch Googles Fortschritte und erklärte, er erwarte “raue Zeiten” (“rough vibes”).

Die Anatomie des technologischen Durchbruchs

Googles Erfolg mit Gemini 3 beruht auf einer fundamentalen Neubewertung einer vermeintlich erschöpften Entwicklungsmethodik. Pre-Training, jene grundlegende Phase, in der KI-Modelle aus massiven Datenmengen lernen, galt in Teilen der Forschungsgemeinschaft als weitgehend ausgeschöpft. Die Skalierungsgesetze, die über Jahre hinweg vorhersagbare Leistungssteigerungen durch größere Modelle und mehr Daten versprachen, schienen an ihre physikalischen und ökonomischen Grenzen zu stoßen. OpenAI hatte darauf reagiert, indem das Unternehmen seinen strategischen Fokus auf sogenannte Reasoning-Modelle wie o1 verlagerte, die ihre Leistung durch längere Denkzeiten während der Inferenz steigern.

Google demonstrierte jedoch, dass die Totgesagte noch erhebliches Potenzial birgt. Demis Hassabis, Chef von Google DeepMind, formulierte diese Erkenntnis prägnant: Es gebe zwar keine exponentiellen Leistungssprünge mehr von Generation zu Generation, aber die Erträge auf Investitionen in Pre-Training seien weiterhin außerordentlich gut. Gemini 3 Pro erreicht 91,9 Prozent auf dem GPQA Diamond Benchmark für wissenschaftliches Reasoning auf Doktoratsniveau und übertrifft damit GPT-5.1 um fast vier Prozentpunkte. Noch eindrucksvoller ist die Leistung beim abstrakten visuellen Reasoning: Mit 31,1 Prozent auf dem ARC-AGI-2 Benchmark verdoppelt Gemini 3 nahezu die Leistung von GPT-5.1 und übertrifft seinen eigenen Vorgänger um mehr als das Sechsfache.

Die wirtschaftliche Bedeutung dieser technischen Überlegenheit manifestiert sich in konkreten Anwendungsfeldern. Im algorithmischen Problemlösen erreicht Gemini 3 Pro eine Elo-Bewertung von 2439 auf dem LiveCodeBench Pro, fast 200 Punkte über GPT-5.1. Dies ist keine akademische Metrik, sondern ein direkter Indikator für die Produktivität von Entwicklern, die diese Modelle nutzen. In einem Markt, in dem OpenAI 70 Prozent seines Umsatzes aus API-Zugängen und Geschäftskunden generiert, bedeutet technische Unterlegenheit unmittelbare Einnahmeverluste.

OpenAIs Pre-Training-Probleme manifestierten sich bereits bei der Entwicklung von GPT-5, wo etablierte Skalierungsoptimierungen nicht mehr funktionierten. Das Unternehmen musste feststellen, dass die traditionellen Methoden zur Leistungssteigerung ihre Wirksamkeit verloren hatten. Als Reaktion entwickelte OpenAI GPT-5 mit einem deutlich geringeren Pre-Training-Budget als GPT-4.5, kompensierte dies aber durch intensive Post-Training-Optimierung mittels Reinforcement Learning. Diese Strategie erwies sich kurzfristig als erfolgreich, schuf aber eine strukturelle Verwundbarkeit: OpenAI hatte sich auf eine Methodik spezialisiert, die zwar innovative Fähigkeiten hervorbrachte, aber die fundamentale Modellbasis vernachlässigte.

Die strategische Neupositionierung und das Shallotpeat-Projekt

Altmans Memo markiert nicht nur eine Problemdiagnose, sondern skizziert auch OpenAIs Gegenstrategie. Im Zentrum steht die Entwicklung eines neuen Modells mit dem Codenamen Shallotpeat, das spezifisch darauf abzielt, die identifizierten Pre-Training-Defizite zu beheben. Der Name selbst ist programmatisch: Schalotten wachsen auf Torfboden schlecht, der Untergrund ist nicht ideal. OpenAI signalisiert damit die Erkenntnis, dass das Fundament ihrer bisherigen Modelle Schwächen aufweist, die durch Oberflächenoptimierung nicht zu beseitigen sind.

Die Entwicklung von Shallotpeat ist Teil einer umfassenderen strategischen Neuausrichtung. Altman betont in seinem Memo die Notwendigkeit, sich auf sehr ehrgeizige Wetten zu konzentrieren, selbst wenn OpenAI dadurch vorübergehend ins Hintertreffen gerate. Eine dieser Wetten ist die Automatisierung der KI-Forschung selbst, ein Meta-Ansatz, der darauf abzielt, die Entwicklungszyklen neuer Modelle dramatisch zu verkürzen. Dies ist keine bloße Effizienzoptimierung, sondern ein Versuch, das Spielfeld grundlegend zu verändern: Wenn KI-Systeme ihre eigene Weiterentwicklung beschleunigen können, könnte dies die strukturellen Vorteile etablierter Player mit massiven Ressourcen relativieren.

Die zeitliche Dringlichkeit dieser Strategie wird durch OpenAIs Finanzsituation unterstrichen. Das Unternehmen muss bis 2029 Profitabilität erreichen, um seine Infrastrukturverpflichtungen gegenüber Microsoft und anderen Partnern zu erfüllen. Diese Verpflichtungen summieren sich auf etwa 60 Milliarden Dollar jährlich, bei einer aktuellen Cloud-Infrastruktur-Verpflichtung von über 650 Milliarden Dollar über die nächsten Jahre. Die Diskrepanz zwischen diesen Verpflichtungen und den aktuellen Einnahmen von 13 Milliarden Dollar verdeutlicht die Dimension des Problems.

Gleichzeitig verfolgt OpenAI eine Diversifikationsstrategie zur Reduktion der Abhängigkeit von Microsoft. Die im Januar 2025 angekündigte Anpassung der Partnerschaft erlaubt OpenAI erstmals, auch Compute-Ressourcen von Konkurrenten wie Oracle zu nutzen. Microsoft behält zwar ein Vorzugsrecht für neue Kapazitäten, aber die Exklusivität ist gebrochen. Für OpenAI bedeutet dies potenziell schnelleren Zugang zu den massiven GPU-Clustern, die für das Training neuer Modelle erforderlich sind. Die Stargate-Initiative, eine Kooperation zwischen OpenAI, Oracle, SoftBank und Microsoft, soll über vier Jahre 500 Milliarden Dollar in Rechenzentren investieren. Die erste Anlage in Abilene, Texas, ist bereits mit Nvidia GB200 GPU-Clustern in Betrieb.

Die ökonomische Fragilität des Geschäftsmodells

Die Geschäftsmodelle führender KI-Unternehmen basieren auf einer impliziten Wette auf Netzwerkeffekte und technologische Lock-ins. OpenAI hat diese Strategie mit beachtlichem Erfolg verfolgt: ChatGPT erreichte im November 2025 etwa 700 bis 800 Millionen wöchentlich aktive Nutzer, eine Verdoppelung gegenüber Februar. Die Plattform verarbeitet täglich 2,5 Milliarden Anfragen und rangiert auf Platz fünf der meistbesuchten Websites weltweit. Diese Nutzerbasis erscheint zunächst als uneinnehmbarer Burggraben, doch die Konversionsraten offenbaren eine fundamentale Schwäche: Nur etwa vier bis zehn Prozent der Nutzer zahlen für ein Abonnement.

Die wirtschaftliche Tragfähigkeit hängt somit von zwei kritischen Annahmen ab: erstens, dass die Nutzerbasis weiter exponentiell wächst, sodass selbst geringe Konversionsraten absolute Einnahmesteigerungen ermöglichen; zweitens, dass die technologische Überlegenheit Nutzer an die Plattform bindet und Wechselkosten zu Konkurrenten hoch bleiben. Googles Gemini 3 untergräbt beide Annahmen. Technische Parität oder gar Unterlegenheit macht OpenAI zu einem austauschbaren Anbieter in einem zunehmend kommmodifizierten Markt.

Die Kostenstruktur verschärft diese Problematik. Das Training großer Sprachmodelle und ihre operative Bereitstellung erfordern massive Compute-Ressourcen. OpenAI projiziert Compute-Budgets von über 450 Milliarden Dollar von 2024 bis 2030, mit Gesamtverpflichtungen von etwa 650 Milliarden Dollar, von denen einige über 2030 hinausreichen. Diese Investitionen müssen durch Einnahmen gerechtfertigt werden, die wiederum von Marktanteilen abhängen. Ein Teufelskreis entsteht: Verliert OpenAI Marktanteile, sinken die Einnahmen, was die Fähigkeit zu weiteren Investitionen einschränkt, wodurch die technologische Wettbewerbsfähigkeit weiter erodiert.

Vergleichende Analysen verdeutlichen die Dimension des Problems. Anthropic, ein direkter Konkurrent mit dem Claude-Modell, wird aktuell mit 170 Milliarden Dollar bewertet bei einem projizierten Jahresumsatz von vier Milliarden Dollar. OpenAI und Anthropic zusammen müssten bis 2030 kombinierte Umsätze von über 300 Milliarden Dollar erreichen, um ihre aktuellen Bewertungen zu rechtfertigen – unter Annahme einer Free Cash Flow Marge von 27 Prozent, vergleichbar mit Alphabet oder Microsoft. Zum Vergleich: Nvidia, der führende Anbieter von KI-Chips, wird für 2030 mit lediglich 350 Milliarden Dollar Umsatz prognostiziert.

Google als struktureller Vorteilsinhaber

Googles Position im KI-Wettbewerb unterscheidet sich fundamental von der OpenAIs durch die Integration in ein etabliertes Ökosystem mit diversifizierten Einnahmequellen. Das Unternehmen generiert jährlich über 300 Milliarden Dollar Umsatz primär durch Werbung und Cloud-Dienste, was KI-Entwicklung als strategische Investition ermöglicht, die nicht kurzfristig profitabel sein muss. Diese finanzielle Robustheit erlaubt es Google, in Bereichen zu experimentieren und zu investieren, wo reine KI-Player wie OpenAI unter unmittelbarem Ertragsdruck stehen.

Die Distributionsvorteile sind ebenso bedeutend. Google integriert Gemini in seine Suchmaschine, die täglich Milliarden von Anfragen bearbeitet, in Gmail mit über 1,5 Milliarden Nutzern, in Google Docs, Sheets und die gesamte Workspace-Suite. Diese Omnipräsenz schafft passive Exposition: Nutzer begegnen Gemini in ihren alltäglichen digitalen Workflows, ohne aktiv nach KI-Tools suchen zu müssen. Selbst wenn GPT-5.1 oder Claude Sonnet 4.5 in spezifischen Benchmarks marginal besser abschneiden, platziert Google sein Modell vor Milliarden von Augen.

Die technologische Vertikalintegration verstärkt diese Vorteile. Google entwickelt mit TPUs (Tensor Processing Units) eigene KI-Chips, kontrolliert die gesamte Cloud-Infrastruktur und besitzt durch Jahrzehnte der Datensammlung einzigartige Trainingsressourcen. Diese Kontrolle über die gesamte Wertschöpfungskette reduziert Kosten und ermöglicht Optimierungen, die Drittanbietern verwehrt bleiben. Ein Reddit-Kommentator formulierte es prägnant: Google kontrolliert die Hardware, die Rechenzentren, die Distributionskanäle und die Information selbst.

Historische Präzedenzfälle warnen vor Überschätzung früher Marktführerschaft. Internet Explorer dominierte Ende der 1990er Jahre mit über 90 Prozent Marktanteil den Browser-Markt, galt als unüberwindbar, wurde aber innerhalb eines Jahrzehnts durch technisch überlegene Alternativen marginalisiert. Yahoo und AOL, einst Synonym für Internet-Zugang, wurden von Google und anderen verdrängt. First-Mover-Vorteile in Technologiemärkten erweisen sich oft als temporär, wenn strukturelle Nachteile wie fehlende Vertikalintegration oder finanzielle Fragilität nicht überwunden werden können.

Die Investorenperspektive und Bewertungsrisiken

Die Bewertung von OpenAI bei 500 Milliarden Dollar repräsentiert eine der extremsten Diskrepanzen zwischen aktuellen Erträgen und Marktkapitalisierung in der Geschichte der Technologieindustrie. Diese Bewertung impliziert ein Umsatzvielfaches von etwa 38, während etablierte Tech-Giganten bei Vielfachen zwischen 5 und 15 handeln. Die Rechtfertigung dieser Prämie basiert auf der Annahme, dass OpenAI einen disproportionalen Anteil des entstehenden KI-Marktes für sich beanspruchen wird.

Diese Annahme wird durch empirische Entwicklungen zunehmend infrage gestellt. Die jüngste Finanzierungsrunde im März 2025, die OpenAI mit 300 Milliarden Dollar bewertete, war fünffach überzeichnet. Die Folgerunde im November, die die Bewertung auf 500 Milliarden Dollar hob, erfolgte primär durch Sekundärverkäufe bestehender Aktien, nicht durch frische Kapitalzuführung. Dies signalisiert einen Stimmungswandel: Frühe Investoren nutzen Gelegenheiten zur Teilrealisierung, während neue Investoren weniger bereit sind, zusätzliches Primärkapital bereitzustellen.

Der Vergleich mit der Dotcom-Blase drängt sich auf. Sam Altman selbst hat öffentlich erklärt, er erwarte eine KI-Blase, verglich die Marktbedingungen mit denen des Dotcom-Booms und warnte vor übermäßiger Investoreneuphorie. Gleichzeitig projiziert er Ausgaben von Billionen Dollar für Rechenzentrumsexpansion und reagiert auf Bedenken von Ökonomen mit der Aufforderung, OpenAI einfach machen zu lassen. Diese Rhetorik erinnert an die Hybris der späten 1990er Jahre, als fundamentale Bewertungsfragen mit Verweisen auf ein neues Paradigma beiseitegewischt wurden.

Analysten von Reuters und anderen Institutionen haben berechnet, dass OpenAI und Anthropic gemeinsam bis 2030 über 300 Milliarden Dollar Jahresumsatz erreichen müssten, um ihre kombinierten Bewertungen zu rechtfertigen. Dies würde bedeuten, dass beide Unternehmen zusammen fast so viel Umsatz generieren müssten wie Nvidia, der unbestrittene Marktführer in KI-Chips. Angesichts der intensivierten Konkurrenz durch Google, Microsoft, Meta und zahlreiche andere Player erscheint dieses Szenario zunehmend unwahrscheinlich.

Die Situation wird durch Entwicklungen im breiteren KI-Markt verschärft. Eine Studie des MIT suggerierte, dass 95 Prozent der Unternehmen keine messbaren Erträge aus ihren Investitionen in generative KI realisieren. Diese Erkenntnis löste im November einen signifikanten Tech-Selloff aus, bei dem Nvidia um 3,5 Prozent und Palantir um fast zehn Prozent fielen. Die Märkte reagieren zunehmend nervös auf jede Andeutung, dass die versprochenen KI-Erträge sich nicht materialisieren.

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

Die Renaissance der Pre-Training-Ära und algorithmische Durchbrüche

Googles Erfolg mit Gemini 3 markiert eine Rehabilitation des Pre-Trainings als primärer Quelle von Leistungssteigerungen. Diese Entwicklung steht im Widerspruch zu Narrativen, die das Ende der Skalierung proklamiert hatten. Die Realität ist nuancierter: Pre-Training liefert zwar keine exponentiellen Sprünge mehr, aber systematische, substantielle Verbesserungen bleiben erzielbar, wenn die richtigen Methoden angewandt werden.

Die Architektur von Gemini 3 integriert mehrere algorithmische Innovationen. Das Modell nutzt eine Mixture-of-Experts-Struktur, die von Jeff Dean, Chief Scientist bei Google DeepMind, entwickelt wurde. Diese Architektur aktiviert nur einen Bruchteil der Parameter für jede Anfrage, was Effizienz bei gleichzeitig hoher Kapazität ermöglicht. Gemini 3 demonstriert zudem Fähigkeiten in multimodaler Integration, die über einfache Text-zu-Bild-Übersetzung hinausgehen und komplexe visuelle Reasoning-Aufgaben einschließen.

Der Deep Think Modus von Gemini 3 repräsentiert Googles Antwort auf OpenAIs Reasoning-Modelle. Statt Pre-Training und Reasoning als konkurrierende Paradigmen zu behandeln, integriert Google beide. Deep Think erreicht 41 Prozent auf dem Humanity’s Last Exam Benchmark ohne Hilfsmittel und 45,1 Prozent auf ARC-AGI-2 mit Code-Ausführung. Diese Ergebnisse demonstrieren, dass die Dichotomie zwischen Pre-Training und Test-Time Compute eine falsche Gegenüberstellung ist: Optimale Systeme kombinieren beide Ansätze.

Die Bedeutung dieser Erkenntnis für die Wettbewerbsdynamik kann nicht überschätzt werden. OpenAI hatte sich auf Test-Time Compute spezialisiert, weil Pre-Training-Skalierung nicht mehr funktionierte. Google demonstriert nun, dass Pre-Training noch Potenzial hat, wenn man es richtig angeht. Dies bedeutet, dass OpenAI nicht nur technologisch zurückgefallen ist, sondern strategisch auf eine Methodik gesetzt hat, die sich als unvollständig erweist.

Demis Hassabis artikulierte diese integrierte Vision in mehreren Interviews. Er betont, dass der Weg zu Artificial General Intelligence multiple Innovationen erfordert, nicht nur Skalierung. Diese Innovationen umfassen Agentensysteme, die komplexe Aufgaben über längere Zeiträume verfolgen können, Weltmodelle, die interne Repräsentationen physikalischer Realität entwickeln, und Meta-Lernfähigkeiten, die es Systemen ermöglichen, aus wenigen Beispielen zu generalisieren. Google investiert systematisch in alle diese Bereiche, während OpenAI sich primär auf Reasoning konzentriert hat.

Passend dazu:

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

Die Rolle von Reasoning-Modellen und deren Limitationen

OpenAIs o1-Modell und seine Nachfolger repräsentieren einen fundamentalen Paradigmenwechsel in der KI-Entwicklung. Statt primär durch größere Modelle und mehr Trainingsdaten zu skalieren, investieren diese Systeme Rechenzeit während der Inferenz, um längere gedankliche Ketten zu entwickeln. Diese Methode hat beeindruckende Erfolge in spezifischen Domänen erzielt, insbesondere in Mathematik, Coding und formaler Logik, wo verifizierbare Ergebnisse als Feedbacksignal dienen.

Die Limitationen dieses Ansatzes werden jedoch zunehmend sichtbar. Eine Studie von Apple-Forschern demonstrierte, dass Reasoning-Modelle dramatisch schlechter abschneiden, wenn Probleme leicht modifiziert werden. Bereits die Veränderung von Zahlen oder Namen in mathematischen Aufgaben führt zu merklichen Leistungseinbußen. Noch gravierender: Das Hinzufügen logisch irrelevanter, aber oberflächlich plausibler Informationen verursachte Leistungsrückgänge von 17,5 Prozent bei o1-preview, 29,1 Prozent bei o1-mini und bis zu 65,7 Prozent bei schlechteren Modellen.

Diese Befunde suggerieren, dass Reasoning-Modelle nicht tatsächlich allgemeine Problemlösungsstrategien entwickeln, sondern primär gelernte Muster replizieren. Sie verhalten sich wie Studierende, die spezifische Aufgabentypen auswendig gelernt haben, aber bei leicht variierten Formulierungen scheitern. Dies ist keine bloße akademische Kritik, sondern hat unmittelbare praktische Implikationen: In realen Anwendungen, die komplexe, vielschichtige Probleme ohne standardisierte Formulierung involvieren, bleiben diese Systeme unzuverlässig.

Die Kostenstruktur von Reasoning-Modellen verschärft ihre Limitationen. Im Gegensatz zu traditionellen Modellen, wo Pre-Training die compute-intensivste Phase darstellt, kehrt sich bei Reasoning-Modellen diese Relation um. Post-Training und Inferenz werden zum dominanten Kostenfaktor, was Skalierung ökonomisch herausfordernd macht. OpenAI muss für jede o1-Anfrage signifikant mehr Compute aufwenden als für vergleichbare GPT-4-Anfragen, ohne dass Nutzer proportional mehr zu zahlen bereit sind.

Googles Integration von Reasoning-Fähigkeiten in Pre-Training-optimierte Modelle könnte sich als überlegener Ansatz erweisen. Gemini 3 mit Deep Think erreicht vergleichbare oder bessere Reasoning-Performance als o1, basiert aber auf einem stärkeren Fundament. Dies suggeriert, dass die optimale Architektur nicht Reasoning als Ersatz für Pre-Training nutzt, sondern als Ergänzung zu einem robusten Basismodell.

Wettbewerbsdynamik und das Aufholen von Anthropic

Anthropics Claude-Familie, insbesondere Sonnet 4.5, etabliert sich als ernsthafte dritte Kraft im KI-Wettbewerb. Claude Sonnet 4.5 erreichte 77,2 Prozent auf dem SWE-bench Verified Benchmark für reale Software-Engineering-Probleme, was es zum führenden Modell in diesem kritischen Anwendungsbereich macht. Mit parallelem Test-Time Compute steigert sich diese Leistung auf 82 Prozent, ein Niveau, das weder GPT-5.1 noch Gemini 3 erreichen.

Anthropics strategischer Fokus auf Sicherheit und Alignment schafft eine Nische mit spezifischer Zahlungsbereitschaft. Unternehmen in stark regulierten Sektoren wie Finanzen, Gesundheitswesen und Cybersecurity priorisieren zunehmend Modelle, die nachweislich robuste Sicherheitsmechanismen integrieren. Claude Sonnet 4.5 erreicht 98,7 Prozent auf Sicherheitsbenchmarks und demonstriert reduzierte Tendenzen zu Sykophantie, Täuschung, Machtstreben und wahnhaftem Reasoning. Diese Charakteristika sind nicht bloße Marketing-Features, sondern addressieren reale Bedenken von Unternehmenskunden.

Die Fähigkeit von Claude Sonnet 4.5, komplexe, mehrstufige Reasoning- und Code-Ausführungsaufgaben über mehr als 30 Stunden aufrechtzuerhalten, positioniert es als ideales Modell für autonome Agenten. Dies ist ein rapide wachsender Markt, in dem KI-Systeme längere Arbeitsabläufe selbstständig steuern. OpenAI und Google konkurrieren beide in diesem Segment, aber Anthropic hat durch frühe Spezialisierung einen Vorsprung erarbeitet.

Die Preisgestaltung von Claude reflektiert diese Positionierung. Mit drei Dollar pro Million Input-Tokens und 15 Dollar pro Million Output-Tokens liegt Claude im mittleren Preissegment, günstiger als GPT-5.1 für viele Anwendungsfälle, aber teurer als einige Open-Source-Alternativen. Diese Preisstruktur suggeriert Anthropics Strategie: Nicht Massenmarkt durch Niedrigpreise, sondern Premium-Segment durch überlegene Qualität und Sicherheit.

Die Bewertung von Anthropic bei 170 Milliarden Dollar bei vier Milliarden Dollar projiziertem Jahresumsatz erscheint weniger extrem als OpenAIs Vielfaches, bleibt aber ambitioniert. Die Investorenlogik unterscheidet sich: Anthropic positioniert sich als Übernahmekandidat oder langfristiger Player in einem Oligopolmarkt, nicht als Marktdominator. Diese bescheidenere Ambition könnte paradoxerweise nachhaltiger sein als OpenAIs All-or-Nothing-Strategie.

Datenknappheit und synthetische Lösungsansätze

Eine fundamentale Herausforderung für alle KI-Entwickler ist die zunehmende Knappheit hochwertiger Trainingsdaten. Epoch AI schätzt, dass Modelle aktuell mit 4,6 bis 17,2 Billionen Tokens trainiert werden. Der Großteil des frei verfügbaren Internet-Texts wurde bereits konsumiert. Zukünftige Leistungssteigerungen können nicht mehr primär durch bloße Vergrößerung der Trainingsdatensets erreicht werden, sondern erfordern qualitativ bessere oder diversere Daten.

Synthetische Daten, also von KI-Systemen generierte Trainingsinhalte, werden als potenzielle Lösung diskutiert. Der Ansatz ist inhärent paradox: Modelle sollen durch Daten trainiert werden, die von früheren Modellen erzeugt wurden. Dies birgt die Gefahr des Modellkollapses, wo Fehler und Verzerrungen sich über Generationen hinweg verstärken. Sorgfältig kuratierte synthetische Datensätze mit Diversitäts- und Qualitätskontrollen können jedoch seltene Edge-Cases generieren, die in natürlichen Daten nicht vorkommen.

Google besitzt strukturelle Vorteile in der Datenbeschaffung durch seine Suchmaschine, Gmail, YouTube, Google Maps und zahlreiche andere Dienste, die kontinuierlich frische, diverse, menschlich generierte Daten produzieren. Diese Datenflüsse sind nicht nur voluminös, sondern auch longitudinal strukturiert, was zeitliche Muster und Entwicklungen erfassbar macht. OpenAI fehlen vergleichbare Datenquellen, was das Unternehmen zunehmend auf Partnerschaften mit Verlagen, Lizenzvereinbarungen mit Medienunternehmen und synthetische Datengenerierung anweist.

Die Rechtslage verschärft diese Asymmetrie. Mehrere Klagen von Verlagen und Autoren gegen OpenAI wegen Urheberrechtsverletzungen könnten den Zugang zu historischen Daten einschränken und zukünftige Scraping-Aktivitäten juristisch riskant machen. Google kann argumentieren, dass das Crawlen von Websites für Suchindexierung eine etablierte, rechtlich abgesicherte Praxis ist, von der die KI-Entwicklung profitiert. Diese rechtliche Unsicherheit belastet OpenAI mit zusätzlichen Risiken, die etablierte Tech-Giganten nicht in gleichem Maße tragen.

Superintelligenz als langfristige Wette

Altmans Memo betont wiederholt die Notwendigkeit, den Fokus auf das Erreichen von Superintelligenz zu behalten, trotz kurzfristigen Wettbewerbsdrucks. Diese Rhetorik ist strategisch: Sie rechtfertigt Investitionen und Verluste in der Gegenwart durch Verweis auf transformative Gewinne in der Zukunft. Superintelligenz bezeichnet hypothetische KI-Systeme, die menschliche Intelligenz in allen relevanten Bereichen übertreffen und potenziell in der Lage sind, ihre eigene Weiterentwicklung zu beschleunigen.

Expertenschätzungen für den Zeitpunkt dieser Entwicklung variieren erheblich. Analysen von über 8500 Vorhersagen suggerieren einen Median zwischen 2040 und 2045 für das Erreichen von Artificial General Intelligence, der Vorstufe zur Superintelligenz. Einige prominente Stimmen wie Dario Amodei von Anthropic oder Elon Musk projizieren deutlich frühere Zeitpunkte, teilweise bereits 2026 bis 2029. Sam Altman selbst hat 2029 als Zielmarke genannt.

Die ökonomische Relevanz dieser Debatte liegt in der Bewertungslogik: Wenn Superintelligenz in fünf Jahren realisierbar ist und OpenAI führend in ihrer Entwicklung bleibt, rechtfertigt dies nahezu jede aktuelle Bewertung. Wenn Superintelligenz jedoch 20 Jahre entfernt ist oder OpenAI nicht führend bleibt, kollabiert die Bewertungsgrundlage. Investoren wetten somit nicht nur auf Technologie, sondern auf spezifische Zeitlinien und Marktpositionen in hypothetischen zukünftigen Zuständen.

Die Automatisierung der KI-Forschung, die Altman als Schwerpunkt identifiziert, könnte diese Zeitlinien verkürzen. Systeme, die selbstständig Hypothesen generieren, Experimente designen, Modelle trainieren und Ergebnisse interpretieren, würden die Entwicklungsgeschwindigkeit dramatisch steigern. Google DeepMind arbeitet an vergleichbaren Ansätzen, insbesondere durch Integration von AlphaGo-ähnlichen Planungsalgorithmen in Sprachmodelle. Die Frage ist nicht, ob solche Meta-KI-Systeme entwickelt werden, sondern wer sie zuerst realisiert.

Marktstruktur und Oligopolbildung

Der KI-Markt entwickelt sich rapide in Richtung eines Oligopols mit drei bis fünf dominanten Playern. OpenAI, Google, Anthropic, Microsoft und Meta verfügen über die finanziellen Ressourcen, technischen Talente und Infrastrukturen, um im Wettbewerb an der Spitze zu bleiben. Die Eintrittsbarrieren sind inzwischen prohibitiv: Das Training eines state-of-the-art Modells kostet mehrere hundert Millionen Dollar, erfordert Zugang zu tausenden modernsten GPUs und setzt Teams von Spitzenforschern voraus.

Open-Source-Modelle wie Meta’s Llama, Mistral oder Allen AI’s Olmo bieten Alternativen für spezifische Anwendungsfälle, bleiben aber in absoluter Performance hinter den proprietären Frontier-Modellen zurück. Ihre Bedeutung liegt primär in der Demokratisierung von KI-Fähigkeiten für Entwickler ohne massive Budgets und in der Schaffung eines kompetitiven Drucks, der Preise für API-Zugriffe moderiert.

China entwickelt parallel ein eigenständiges KI-Ökosystem mit Alibaba Qwen, Baidu Ernie, ByteDance und anderen Players. Diese Modelle erreichen zunehmend Parität mit westlichen Systemen, werden aber durch unterschiedliche regulatorische Rahmenbedingungen, limitierten Zugang zu modernsten Chips aufgrund von Exportkontrollen und Sprachbarrieren vom globalen Markt teilweise separiert. Die geopolitische Dimension der KI-Entwicklung könnte zu parallelen, regional dominanten Ökosystemen führen, ähnlich dem fragmentierten Internet.

Für OpenAI bedeutet diese Oligopolbildung, dass marginale Positionen nicht stabil sind. Entweder das Unternehmen etabliert sich nachhaltig als eines der wenigen führenden Systeme, oder es wird in eine zweite Liga verdrängt, aus der ein Aufstieg aufgrund der Kapitalintensität nahezu unmöglich ist. Die Investoren verstehen diese Dynamik, was die extreme Bewertungsvolatilität erklärt: Bei binären Ausgängen werden Wahrscheinlichkeiten kontinuierlich neu evaluiert, und kleine Veränderungen in der Wahrscheinlichkeitseinschätzung führen zu großen Bewertungsverschiebungen.

Vertikale Integration als strategischer Imperativ

Microsoft’s Lizenzierung von OpenAIs Chip- und Systemdesign-IP im November 2025 signalisiert eine strategische Neuausrichtung. Die Vereinbarung gewährt Microsoft umfassenden Zugang zu OpenAIs proprietärem Chip-Design-Portfolio und könnte Microsofts Entwicklungszyklen für KI-Prozessoren der nächsten Generation substantiell verkürzen. Dies ist Teil eines breiteren Trends zur vertikalen Integration, bei dem führende Cloud-Provider versuchen, größere Kontrolle über ihre Hardware-Grundlagen zu gewinnen.

Google entwickelt seit Jahren TPUs und kontrolliert damit die gesamte Stack von Silizium bis Software. Amazon entwickelt eigene Trainium und Inferentia Chips. Microsoft investiert massiv in eigene KI-Acceleratoren. Diese Bewegung zur Custom-Silicon reflektiert die Erkenntnis, dass allgemeine GPUs für spezifische KI-Workloads suboptimal sind. Spezialisierte Chips können Größenordnungen bessere Effizienz für spezifische Operationen erreichen, was Kosten senkt und Performance steigert.

OpenAI fehlt diese vertikale Integration. Das Unternehmen ist auf externe Chip-Lieferanten angewiesen, primär Nvidia, und nutzt Cloud-Infrastruktur von Microsoft, Oracle und anderen. Diese Abhängigkeiten schaffen Kostennachteile und strategische Verwundbarkeiten. Die Partnerschaft mit Microsoft zur IP-Lizenzierung könnte ein erster Schritt sein, diese Lücke zu schließen, aber die Realisierung eigener Hardware dauert Jahre und erfordert Expertise, die OpenAI erst aufbauen muss.

Die ökonomischen Implikationen sind substantiell. Modellbetreiber mit eigener Hardware-Kontrolle können ihre Kosten um Faktoren reduzieren, was aggressivere Preisstrategien ermöglicht oder alternativ höhere Margen sichert. Google kann Gemini potenziell zu Preisen anbieten, bei denen OpenAI Verluste macht, weil Google seine Kosten durch TPU-Nutzung dramatisch senken kann. Dies ist keine theoretische Möglichkeit, sondern eine praktische Realität, die bereits Marktdynamiken beeinflusst.

Von Netscape, Yahoo zu OpenAI: Wiederholt sich die Geschichte?

Die Entwicklungen des Jahres 2025 markieren das Ende einer Ära der unbestrittenen Führerschaft einzelner Pioniere im KI-Sektor. OpenAIs Position als definierender Player der generativen KI-Revolution wird durch technologische Parität, strukturelle Nachteile etablierter Tech-Giganten und finanzielle Fragilität fundamental herausgefordert. Das Unternehmen steht vor der Herausforderung, simultane Krisen zu bewältigen: technologische Aufholjagd nach Google, finanzielle Nachhaltigkeit trotz massiver Verluste, strategische Neupositionierung in einem sich konsolidierenden Markt und Bewältigung der operationalen Komplexität rapiden Wachstums.

Googles Erfolg mit Gemini 3 demonstriert, dass Ressourcentiefe, vertikale Integration und geduldiges Kapital in technologieintensiven Märkten oft strukturelle Vorteile gegenüber agiler Innovation bieten. Die Fähigkeit, Verluste über Jahre zu absorbieren, während Produkte reifen und Skaleneffekte realisiert werden, ist ein kaum zu überschätzender Vorteil. OpenAI und ähnliche reine KI-Player müssen Profitabilität in Zeiträumen erreichen, die durch Investorenerwartungen diktiert werden, während Google experimentieren kann, bis Lösungen tatsächlich marktreif sind.

Die Zukunft des KI-Marktes wird vermutlich durch ein Oligopol von drei bis fünf dominanten Anbietern charakterisiert sein, die jeweils unterschiedliche strategische Nischen besetzen. Google als vertikal integrierter Generalist mit überlegener Distribution, Microsoft als Enterprise-Fokussierter Integrator, Anthropic als Sicherheits- und Alignment-Spezialist, Meta als Open-Source-Champion für Entwicklerökosysteme. OpenAIs zukünftige Position in dieser Konstellation bleibt ungewiss und hängt kritisch davon ab, ob das Shallotpeat-Projekt die identifizierten Pre-Training-Defizite behebt und ob das Unternehmen einen nachhaltigen Wettbewerbsvorteil jenseits historischer Markenführerschaft etablieren kann.

Für Investoren, Unternehmenskunden und Technologen bedeutet diese Neuordnung eine Neubewertung von Risiken und Chancen. Die Annahme, dass frühe Marktführer ihre Position verteidigen werden, erweist sich als zunehmend fragwürdig. Die Geschwindigkeit technologischer Veränderungen, die Kapitalintensität von Spitzenforschung und die Macht etablierter Distributionskanäle schaffen eine Dynamik, in der strukturelle Vorteile oft wichtiger sind als historische Innovationsführerschaft. Die kommenden Jahre werden zeigen, ob agile Pioniere die Ressourcen und strategische Weitsicht besitzen, um gegen die erdrückende Macht der Tech-Giganten zu bestehen, oder ob die Geschichte von Netscape, Yahoo und anderen frühen Internet-Pionieren sich in der KI-Ära wiederholt.

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

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