KI-Entwicklung: Woran der Fortschritt heute wirklich hängt
Seit 2022 wirkt der Fortschritt bei künstlicher Intelligenz unaufhaltsam. Tatsächlich hängt er an Daten, Rechenleistung und Verlässlichkeit, und überall zeigen sich Engpässe.

Künstliche Intelligenz ist als Forschungsfeld älter, als viele denken. Der Begriff stammt aus dem Jahr 1956. Danach folgten Phasen großer Erwartungen und Phasen der Ernüchterung, in denen Fördergelder versiegten.
Der heutige Schub hat mehrere Wurzeln. Ab etwa 2012 setzten sich tiefe neuronale Netze in der Bilderkennung durch. 2017 beschrieben Forschende die Transformer-Architektur, auf der heutige Sprachmodelle beruhen. Mit dem Start von ChatGPT im November 2022 erreichte die Technik schließlich ein breites Publikum.
Seitdem wirkt der Fortschritt unaufhaltsam. Tatsächlich hängt er an wenigen Voraussetzungen, und mehrere davon werden knapp. Dieser Beitrag erklärt, wie moderne KI entsteht und wo die Entwicklung heute an Grenzen stößt.
Wie ein großes Sprachmodell entsteht
Ein Sprachmodell lernt in mehreren Stufen. Zuerst liest es riesige Textmengen und übt dabei eine einfache Aufgabe: das jeweils nächste Wort vorherzusagen. Dabei bildet sich in Milliarden von Parametern ein statistisches Abbild der Sprache und vieler Inhalte. Parameter sind die einstellbaren Zahlenwerte im Inneren eines neuronalen Netzes.
In einer zweiten Stufe wird das Modell verfeinert. Menschen bewerten Antworten, und das Modell lernt, hilfreiche und sichere Antworten zu bevorzugen. Erst dadurch wird aus einem Textvervollständiger ein brauchbarer Assistent.
Für beides braucht es drei Zutaten:
- Daten in großer Menge und guter Qualität.
- Rechenleistung, meist auf spezialisierten Chips in großen Rechenzentren.
- Verfahren, die aus Daten und Rechenleistung möglichst viel herausholen.
Lange galt eine einfache Regel: mehr Daten, mehr Rechenleistung, größeres Modell, bessere Ergebnisse. Diese Regel trägt im Grundsatz noch, aber jeder weitere Schritt wird teurer. Jede der drei Zutaten hat inzwischen ihren eigenen Engpass.
Engpass Daten
Das frei verfügbare Internet ist groß, aber nicht unbegrenzt. Hochwertige Texte wie Fachbücher, gut redigierte Artikel oder sauberer Programmcode machen nur einen kleinen Teil aus. Die größten Modelle haben einen erheblichen Teil davon bereits gesehen.
Zugleich wird der Zugang schwieriger. Verlage, Bildagenturen und Autoren streiten in mehreren Ländern vor Gericht darüber, ob ihre Werke ohne Erlaubnis für das Training genutzt werden dürfen. Immer mehr Inhalte werden deshalb lizenziert, was die Entwicklung verteuert.
Ein Ausweg sind synthetische Daten, also Trainingsmaterial, das andere Modelle erzeugen. Das funktioniert für manche Aufgaben gut, etwa in Mathematik oder Programmierung, wo sich Ergebnisse prüfen lassen. Ohne solche Prüfung droht ein Kreislauf, in dem Modelle die Fehler ihrer Vorgänger lernen.
Und schließlich prägen die Daten das Verhalten. Einseitige Daten führen zu einseitigen Ergebnissen. Ein Modell, das vor allem englische Texte gesehen hat, kennt deutsche Rechtsbegriffe oder regionale Gepflogenheiten schlechter.
Engpass Rechenleistung und Energie
Das Training großer Modelle läuft auf Tausenden spezialisierter Chips, meist Grafikprozessoren, über Wochen oder Monate. Nur wenige Unternehmen können sich solche Rechenzentren leisten. Die Chips selbst stammen von wenigen Herstellern, was Lieferengpässe und politische Abhängigkeiten schafft.
Auch der Betrieb kostet. Jede Anfrage an ein Modell braucht Rechenleistung, und bei Millionen Nutzern summiert sich das. Rechenzentren für KI verbrauchen viel Strom und oft Wasser für die Kühlung. Vielerorts wird der Anschluss an das Stromnetz zum begrenzenden Faktor.
Für Europa ist das eine besondere Frage. Die meisten großen Modelle und die nötigen Chips kommen aus den USA und Asien. Mehrere europäische Länder fördern deshalb eigene Rechenzentren und Modelle, um weniger abhängig zu sein.
Darauf antwortet die Forschung mit Effizienz. Kleinere Modelle werden mit dem Wissen großer Modelle trainiert, Fachleute nennen das Destillation. Andere Verfahren aktivieren für jede Anfrage nur einen Teil des Netzes. So entstehen Modelle, die auf einem Laptop oder Smartphone laufen und für viele Aufgaben genügen.
Engpass Verlässlichkeit
Sprachmodelle formulieren überzeugend, auch wenn sie falschliegen. Sie erfinden Quellen, Zahlen oder Zusammenhänge. Fachleute sprechen von Halluzinationen. Das Problem ist kleiner geworden, aber nicht gelöst, weil es aus der Funktionsweise folgt: Das Modell erzeugt wahrscheinliche Texte, keine geprüften Fakten.
Schwierig ist auch die Messung des Fortschritts. Viele bekannte Testaufgaben lösen Spitzenmodelle inzwischen fast vollständig. Zudem landen Testfragen mitunter in den Trainingsdaten, sodass ein Modell die Antwort kennt, statt sie herzuleiten. Gute Plätze in Ranglisten sagen deshalb wenig darüber, wie ein Modell in Ihrem Anwendungsfall abschneidet. Testen Sie ein Modell besser mit eigenen, typischen Aufgaben, bevor Sie es einsetzen. Zwanzig gut gewählte Beispiele aus dem Alltag sagen oft mehr als jede Rangliste.
Der Engpass der KI liegt weniger darin, was Modelle können, als darin, wann man sich auf sie verlassen kann.
Hinzu kommt die mangelnde Durchschaubarkeit. Warum ein Modell zu einer bestimmten Antwort kommt, lässt sich nur begrenzt nachvollziehen. Die Forschung zur Erklärbarkeit macht Fortschritte, steht aber noch am Anfang.
Engpass Regeln und Vertrauen
Mit der Verbreitung wächst der Bedarf an Regeln. In der EU ist die KI-Verordnung seit August 2024 in Kraft. Sie ordnet Anwendungen nach ihrem Risiko ein. Bestimmte Praktiken sind verboten. Für Hochrisiko-Anwendungen, etwa im Personalwesen, in der Bildung oder in kritischer Infrastruktur, gelten strenge Pflichten. Die Vorgaben greifen schrittweise über mehrere Jahre.
Für Entwickler bedeutet das Dokumentation, Tests und Transparenz über Trainingsdaten. Kritiker fürchten Bürokratie und Nachteile gegenüber anderen Weltregionen. Befürworter sehen einen Vorteil: Klare Regeln schaffen Vertrauen, und ohne Vertrauen setzen Unternehmen und Behörden KI nur zögerlich ein.
Wo die Entwicklung trotzdem vorankommt
Die Engpässe bremsen, aber sie stoppen nichts. Besonders sichtbar sind Fortschritte dort, wo sich Ergebnisse prüfen lassen. In der Biologie sagen KI-Systeme die räumliche Struktur von Proteinen voraus, was 2024 mit dem Nobelpreis für Chemie gewürdigt wurde. In der Softwareentwicklung schreiben Assistenten Code, den automatische Tests sofort überprüfen.
Ein weiterer Schwerpunkt sind sogenannte Agenten. Das sind Systeme, die nicht nur antworten, sondern Aufgaben in mehreren Schritten erledigen. Sie recherchieren, füllen Formulare aus oder bedienen Programme. Hier zeigt sich der Engpass Verlässlichkeit besonders deutlich: Jeder Schritt kann scheitern, und kleine Fehler summieren sich.
Für Unternehmen verschiebt sich damit die Frage. Kaum ein Betrieb wird ein eigenes großes Modell trainieren. Entscheidend ist, vorhandene Modelle gut einzusetzen: mit eigenen Daten, klaren Prüfschritten und einem realistischen Blick auf die Kosten. Kleinere, spezialisierte Modelle sind dafür oft besser geeignet als das größte verfügbare. Gefragt sind deshalb Menschen, die Modelle auswählen, prüfen und sicher betreiben können. Viele Unternehmen bauen dieses Wissen schrittweise im eigenen Haus auf, statt es vollständig einzukaufen.
Der nächste Abschnitt der KI-Entwicklung wird deshalb weniger von Rekorden geprägt sein als von Verlässlichkeit, Effizienz und Vertrauen. Für Anwender ist das eine gute Nachricht.
Fragen und Antworten
Warum werden KI-Modelle immer größer?
Lange galt, dass mehr Daten und mehr Rechenleistung bessere Ergebnisse bringen. Das stimmt im Grundsatz noch, wird aber immer teurer. Deshalb arbeiten viele Entwickler parallel an kleineren, effizienteren Modellen.
Was sind Halluzinationen bei KI?
So nennt man überzeugend formulierte, aber falsche Aussagen eines Sprachmodells. Sie entstehen, weil das Modell wahrscheinliche Texte erzeugt und Fakten nicht selbst prüft. Bei wichtigen Inhalten sollten Sie Aussagen deshalb gegen Quellen prüfen.
Was regelt die KI-Verordnung der EU?
Sie teilt KI-Anwendungen nach ihrem Risiko ein. Einige Praktiken sind verboten, für Hochrisiko-Systeme gelten Pflichten zu Dokumentation, Tests und menschlicher Aufsicht. Die Regeln treten schrittweise in Kraft.
Sollte ein Unternehmen ein eigenes KI-Modell entwickeln?
In den meisten Fällen nicht. Das Training großer Modelle ist sehr teuer. Sinnvoller ist es meist, vorhandene Modelle mit eigenen Daten zu kombinieren und gründlich zu testen.
Wie viel Energie verbraucht KI?
Das hängt stark von Modellgröße und Nutzung ab, verlässliche Gesamtzahlen sind schwer zu bekommen. Klar ist, dass Training und Betrieb großer Modelle viel Strom brauchen. Effizientere Modelle und Chips sollen den Verbrauch pro Anfrage senken.


