Compute: Der Flaschenhals hat sich verschoben

Compute hat aufgehört, der entscheidende Faktor im Rennen um KI an der Frontier zu sein. Dies ist eine dokumentierte Trajektorie, eine Tatsache, die ein Jahrzehnt fallender Rechenkosten unmissverständlich belegt. Der Konsens bewertet Rechenleistung weiterhin als die Schranke, die uns von selbstverbessernder KI trennt. Die Realität hat sich anderswo hinbewegt.

Der Konsens hat den falschen Rahmen

Der Konsens hat den falschen Rahmen, und das lässt sich schnell belegen. Jede Prognose explosiven KI-Wachstums setzt voraus, dass rekursive Selbstverbesserung einsetzt, sobald genug Cluster und genug Parameter vorhanden sind. Die Logik klingt überzeugend: mehr Compute, mehr Fähigkeit, also Maschinen, die bessere Maschinen entwerfen. Doch die Kette verbirgt einen Sprung. Compute erzeugt Ausführung, keine Richtung. Keine Anzahl von Parametern entscheidet allein, welches Problem die Rechenzeit wert ist.

Eine aktuelle Studie bricht dieses Muster auf. Forscher mehrerer Institutionen, angeführt von Peter Kirgis und Sayash Kapoor in Princeton, stellten fest, dass KI-Agenten die für die KI-Forschung erforderlichen Ingenieurprobleme lösen, beim Urteilsvermögen und der Kreativität für originäre Forschung jedoch zurückbleiben.

Die Lücke legt nahe, dass aufgeblähte Zeitpläne zur Forschungsautomatisierung den Belegen vorauseilen. Die Maschine rechnet. Die Maschine ist weit davon entfernt, zu wissen, welche Frage dieses Rechnen verdient. Die Konsequenz für Planer ist direkt: Ein Wachstumsmodell, das allein auf Compute ausgerichtet ist, misst die falsche Variable.

Die Compute-Kostenkurve

Die Kostenkurve sagt eines klar: Compute wird zur Commodity. Der Preis pro Einheit nützlicher Arbeit sinkt jedes Jahr, eine Bewegung, die den historischen Rückgang der Solarenergiekosten widerspiegelt.

Drei Kräfte treiben diese Trajektorie gemeinsam voran: dichtere Hardware, effizientere Inferenz-Software, harter Wettbewerb zwischen Cloud-Anbietern. Jede davon drückt den Preis desselben Ergebnisses. Compute wird zum fließenden Wasser. Wenn sich eine Ressource so verhält, liegt der Vorteil nicht mehr im Besitz. Er liegt darin, zu wissen, wohin man sie lenkt.

In der Princeton-Studie erhielten die Agenten sechs Tage, 3.000 Dollar an Anthropic-API-Credits und ein GPU-Budget für Experimente. Mit diesen Ressourcen lieferten sie kompetente Ingenieursarbeit. Die Barriere, die sie stoppte, betrifft den Geschmack, die Fähigkeit zu entscheiden, welche Hypothesen die Zeit wert sind. Compute war reichlich vorhanden. Das Urteilsvermögen fehlte. Das kehrt die Reihenfolge der Faktoren um: Die knappe Ressource war nicht die Rechenleistung, sondern die Entscheidung.

Was die Studie wirklich misst

Die Methode heißt Shadow Evaluation. Die Agenten müssen eine Forschungsfrage beantworten, die einem unveröffentlichten Paper entnommen ist, und damit online oder aus dem Trainingsgedächtnis nicht abrufbar ist. Das Design verschließt die Tür zur mnemonischen Reproduktion und isoliert das Wesentliche: die Fähigkeit, neue Antworten zu erzeugen, nicht bereits gesehene zu rekombinieren.

Die Forscher nutzten Anthropics Claude Opus 4.8 auf einer Open-Source-Software namens OpenClaw, angewendet auf zwei bei NeurIPS 2026 eingereichte Arbeiten. Die erste Frage betraf die Steuerung der Personas eines Modells durch Weight Editing. Die zweite verlangte den Entwurf eines Detektors, der signalisiert, wenn ein Modell auf tabellarischen Daten unzuverlässig wird.

Reale, offene Probleme ohne fertige Antwort. Genau das Terrain, wo reichlich Compute auf eine Wand aus Urteilsvermögen trifft. Es lohnt sich jedoch, die Grenzen der Belege zu markieren: zwei Fragen, ein Modell, ein Durchlauf. Die Stichprobe ist eng. Sie falsifiziert die Gegenthese nicht, verschiebt aber die Beweislast auf diejenigen, die unmittelbar bevorstehende Automatisierung versprechen.

Das Cliff Event: Von Compute zu Geschmack

Dies ist ein Regimewechsel, und er hat eine Richtung. Der Flaschenhals wandert vom Compute zum Urteilsvermögen. Wenn die Kosten für Berechnungen gegen null tendieren, konzentriert sich der Wert dort, wo Knappheit bleibt: proprietäre Daten, Forschungsgeschmack, die Fähigkeit, das richtige Problem zu wählen.

Cliff Event: Bis 2027 wird der Preis für Frontier-Compute zu einer marginalen Position in KI-F&E-Budgets, und der Wettbewerb verlagert sich vollständig auf Talente, die dieses Compute zu lenken wissen.

Die Preiskurve macht dieses Ergebnis unvermeidlich. Der Zeitpunkt bleibt die offene Variable. Inevitable, not imminent.

Drei Kategorien, die ihre Form ändern werden

Drei Kategorien von Unternehmen werden ihre Form ändern, bevor der Markt es einpreist:

• Reine Compute-Anbieter: Die Margen schrumpfen, wenn Compute zur Commodity wird.
• Foundation-Model-Labore: Der Vorteil verschiebt sich von Parametern hin zu Forschungsgeschmack und proprietären Daten.
• Vertikale Startups mit Data Moat: Sie erfassen den Wert, der die Infrastrukturschicht verlässt.

Das Muster ist klar. Wer rohe Kapazität verkauft, verkauft das, was günstig werden wird. Wer Urteilsvermögen, Daten und gut gewählte Probleme besitzt, baut den Vorteil des nächsten Jahrzehnts auf.

Meine Position und was sie falsifizieren würde

Meine Position ist explizit: Die rekursive Selbstverbesserung der KI wird später eintreffen als aggressive Zeitpläne versprechen, weil die aktuelle Schranke das Urteilsvermögen ist, und Urteilsvermögen schlechter skaliert als Compute.

90 % der Analysten haben mit dem Gegenwärtigen recht. Sie liegen falsch beim Tempo des Wandels. Die Gegenwart zeigt Agenten, die Code schreiben, synthetische Daten erzeugen und Chips optimieren. Das Tempo in Richtung autonomer Forschung bleibt an eine Qualität gebunden, die Compute allein schwer hervorbringen kann. Es gibt eine ehrliche Gegenthese, die auf den Tisch gehört. Urteilsvermögen könnte als Skalierungseigenschaft entstehen und jenseits einer bestimmten Parameterschwelle plötzlich auftreten. Wenn das geschähe, würde mein Zeitplan scheitern. Aber bisher zeigen keine Daten diese Schwelle, und die Shadow Evaluation sagt das Gegenteil.

Was würde meine Meinung ändern? Ein Agent, der die Shadow Evaluation besteht, der ausgehend von einer unveröffentlichten Frage, in vollständiger Autonomie ohne menschliche Führung, Forschung produziert, die auf einer Top-Konferenz angenommen wird. Dieses Ergebnis würde die These umkehren.

Die Prognose

Prognose: Bis Dezember 2026 werden autonome KI-Agenten weit davon entfernt sein, originäre Forschung zu produzieren, die auf einer erstklassigen Machine-Learning-Konferenz angenommen wird, ausgehend von einer unveröffentlichten Frage und in vollständiger Autonomie.

Konfidenz: hoch. Horizont: Dezember 2026. Kill-Signal: Ein bei NeurIPS, ICML oder ICLR angenommenes Paper, dessen Forschung nachweislich und dokumentiert von einem Agenten vollständig autonom durchgeführt wurde.

Was das für Entscheider bedeutet

Für den CTO: Überprüfen Sie Ihre Compute-Kapazitätsverträge, bevor der Preis unter Ihren Füßen einbricht. Ihr Stack muss proprietäre Daten prämieren, die Ressource, die knapp bleibt.

Für Venture Capital: Die konträre Wette ist das vertikale Startup mit Data Moat, das heute neben Frontier-Laboren klein wirkt. Für den Chief Strategy Officer: Ein Drei-Jahres-Plan, der auf Compute-Knappheit aufbaut, setzt eine Welt voraus, die bereits verschwindet.

Für den Einkauf: Der Anbieter, den Sie gerade für rohen Compute festschreiben wollen, verkauft Ihnen eine Commodity zum Preis eines knappen Assets. Lesen Sie die Kurve, bevor Sie unterschreiben. Weitere Trajektorien-Analysen finden Sie in unserem Blog.