Mary Meekers Trends Report – "AI"

• Der erste Trend-Report von Mary Meeker seit 5 Jahren. Diesmal steht AI im Mittelpunkt. Insgesamt 340 Seiten
• Die Nutzung und Verbreitung von AI erfolgen deutlich schneller als beim Internet, und der Zeitpunkt, an dem Maschinen den Menschen überholen, rückt näher
• Angetrieben wird dies durch die globale Internet-Infrastruktur (5,5 Milliarden Nutzer), über mehr als 30 Jahre aufgebaute digitale Datensätze sowie das Aufkommen großer Sprachmodelle (LLMs) rund um ChatGPT und die damit verbundenen Innovationssprünge bei Nutzbarkeit und Geschwindigkeit
• Junge AI-Unternehmen agieren bei Innovation, Investitionen, Produkt-Launches und Kapitalbeschaffung äußerst offensiv, während auch etablierte Big-Tech-Konzerne AI-zentrierte Investitionen und Wachstum beschleunigen
• Der AI-Wettbewerb zwischen China und den USA und damit der globale Kampf um technologische Vorherrschaft verschärfen sich deutlich; dieser Report möchte zur Diskussion über technologische, finanzielle, gesellschaftliche, physische und geopolitische Veränderungen beitragen

Dokument-Outline

1. Geschieht Wandel schneller als früher?
   → Ja, und er beschleunigt sich tatsächlich weiter
2. Wachstum bei AI-Nutzern + Nutzung + Investitionsausgaben (CapEx) =
   → Beispielloses Wachstum (Unprecedented)
3. Die Compute-Kosten von AI-Modellen steigen, während die Inference-Kosten sinken =
   → Die Performance konvergiert (Performance Converging), die Nutzung durch Entwickler steigt
4. Wachstum bei AI-Nutzung (Usage) + Kosten (Cost) + Verlusten (Loss) =
   → Ein beispielloses Niveau (Unprecedented)
5. Risiken für die AI-Monetarisierung (Monetization) =
   → Intensiverer Wettbewerb, Open-Source-Momentum (wachsende Schlagkraft), Chinas Aufstieg
6. Die Verschmelzung der physischen Welt mit AI (Ramps) =
   → Schnell und datengetrieben (Fast + Data-Driven)
7. Durch AI beschleunigtes Wachstum der globalen Internetnutzer =
   → Wachstum in einem bislang nicht erlebten Ausmaß
8. Die Evolution von AI und Arbeit (Work) =
   → Real und schnell voranschreitend (Real + Rapid)

Overview

• Selbst die Aussage, dass sich „die Welt mit beispielloser Geschwindigkeit verändert“, unterschätzt noch, wie stark sich Tempo und Reichweite des Wandels ausweiten
• Technologische Innovation, schnelle Adoption und ein Wandel der globalen Führung (leadership) bilden die grundlegenden Treiber dieser Entwicklungen

• Gründungsmission von Google (1998): „Die Informationen der Welt organisieren und allgemein zugänglich und nutzbar machen“
• Gründungsmission von Alibaba (1999): „Es überall einfach machen, Geschäfte zu machen“
• Gründungsmission von Facebook (2004): „Menschen befähigen, mehr zu teilen und die Welt offener und vernetzter zu machen“

• Heute treiben AI (Artificial Intelligence), beschleunigte Computing Power und grenzenloses Kapital (Borderless Capital) gemeinsam massive Veränderungen voran, indem sie die Organisation, Vernetzung und Zugänglichkeit von Informationen sprunghaft verbessern

• So wie sich im Sport die Leistungen von Athleten durch Daten, Inputs und Training stetig verbessern, lernen Computer in Unternehmen aus gewaltigen Datensätzen und machen diese Firmen zunehmend intelligenter und wettbewerbsfähiger
• Innovationen bei Large Models, sinkende Cost-per-Token, die Open-Source-Proliferation und steigende Chip-Performance erhöhen Wirtschaftlichkeit, Leistung und Zugänglichkeit der Technologie gleichermaßen dramatisch

• OpenAIs ChatGPT ist im Hinblick auf Nutzer, Nutzung und Monetarisierungskennzahlen einer der historisch schnellsten Fälle eines „overnight success“ (erreicht 9 Jahre nach der Gründung)
• Der Einsatz von AI explodiert bei Verbrauchern, Entwicklern, Unternehmen und Regierungen gleichermaßen
• Während die Revolution des Internet 1.0 in den USA begann und sich schrittweise verbreitete, wurde ChatGPT weltweit nahezu gleichzeitig eingeführt und wuchs entsprechend schnell

• Etablierte Plattformkonzerne (incumbents) und neue Herausforderer (challengers) konkurrieren darum, neue Ebenen der AI-Infrastruktur zu besetzen – darunter agentic interfaces, enterprise copilots, real-world autonomous systems und sovereign models
• Die radikalen Fortschritte bei AI, Compute-Infrastruktur und globaler Konnektivität (global connectivity) ordnen die Art zu arbeiten, die Kapitalallokation (Capital Deployment) und die Maßstäbe für Führung in Unternehmen und Staaten grundlegend neu

• Gleichzeitig verschieben sich weltweit die Machtverhältnisse, und die großen Staaten begrenzen aktiv die Wettbewerbsfähigkeit und komparativen Vorteile ihrer Rivalen
• Länder auf der ganzen Welt beschleunigen erneut entsprechend ihren wirtschaftlichen, gesellschaftlichen und territorialen Ambitionen (Economic / Societal / Territorial Aspiration)

• Zwei gewaltige Kräfte – technologische (Technological) und geopolitische (Geopolitical) – greifen inzwischen immer tiefer ineinander
• Meta-Platforms-CTO Andrew Bosworth sagte kürzlich im Podcast „Possible“: „AI ist derzeit fast wie ein Space Race. Gerade große Staaten wie China verfügen über sehr hohe Fähigkeiten, es gibt kaum Geheimnisse, und alle entwickeln sich kontinuierlich weiter.“

• AI-Führung (AI Leadership) kann direkt in geopolitische Führung (Geopolitical Leadership) übergehen (umgekehrt gilt das nicht)
• Dieses Phänomen geht mit großer Uncertainty einher, doch wie der frühere T.-Rowe-Price-Vorsitzende Brian Rogers sagte: „Statistisch gesehen endet die Welt nicht besonders oft“ – ein optimistischer Blick bleibt wichtig

• Aus Investorensicht nimmt man zwar immer an, dass alles schiefgehen kann, doch die Erwartung dessen, was außergewöhnlich gut laufen könnte, ist die eigentliche Quelle von Optimism
• Dass AI Arbeit übernimmt, erinnert an die Magie der frühen E-Mail- und Websuche-Zeit – nur dass sich die Effekte Better / Faster / Cheaper noch viel schneller verbreiten
• Natürlich sind auch Risiken (Danger) und Unsicherheit groß, doch langfristig besteht die Hoffnung, dass starker Wettbewerb (Competition), Innovation, günstige und leicht zugängliche Compute-Ressourcen (Accessible Compute), sich schnell verbreitende AI-Technologien sowie besonnene und kalkulierte Führung (Thoughtful and Calculated Leadership) ein Gleichgewicht schaffen – ähnlich wie bei Mutually Assured Deterrence

• Für manche wird die Evolution von AI zu einem Race to the Bottom, für andere ist sie der Beginn eines Race to the Top
• Die spekulative und dynamische Kraft von Kapitalismus (Capitalism) und schöpferischer Zerstörung (Creative Destruction) löst gewaltige tektonische Verschiebungen aus
• Vor allem die harte Konkurrenz zwischen den USA, China und globalen Tech-Leadern befindet sich bereits im Zustand „Game On“

• Dieser Report will auf Basis verschiedener Third-Party-Daten, Research-Ergebnisse und Benchmarks die Trends dieser dynamischen Zeit (Dynamic Time) aus mehreren Perspektiven sichtbar machen
• Letztlich ist es das Ziel dieses Reports, zu dieser Diskussion beizutragen

1. Geschieht Wandel schneller als früher?

Technology Compounding = Zahlen hinter der Dynamik"

"Technologisches Wachstum mit Zinseszinseffekt = Zahlen und Daten hinter dem explosiven Wachstum"

• Die Geschichte der Computing-Zyklen und das Aufkommen des AI-Zeitalters
  • Mainframe in den 1960er Jahren (Mainframe, ~1 Million Einheiten) → Minicomputer (~10 Millionen Einheiten) → PC (~300 Millionen Einheiten) → Desktop Internet (~1 Milliarde/Nutzer) → Mobile Internet (~4 Milliarden) → AI-Zeitalter (AI Era, Milliarden- bis zig Milliardenbereich)
  • Die angesammelte Computing-Infrastruktur (CPU, GPU, Cloud/Big Data) bildet die Grundlage für die Verbreitung von AI
  • Im Zeitalter der AI-Geräte wird im Vergleich zu früheren Mainframes mit einer um Zehn- bis Hunderttausende Male höheren Zahl an Geräten gerechnet
• Wachstum der Trainingsdatensätze für AI-Modelle (Anzahl der Wörter)
  • Von 1950 bis 2025 ist die Größe der Trainingsdatensätze (Wortanzahl) wichtiger AI-Modelle im Jahresdurchschnitt um 260 % gewachsen
  • Seit 2018 ist mit dem Auftreten großer Modelle wie GPT-2, GPT-3 und GNMT der Datenverbrauch exponentiell gestiegen
  • Aktuelle Modelle wie Aramco Metabrain AI werden inzwischen mit Wortmengen im Bereich von zig Billionen trainiert
• Wachstum der für das Training von AI-Modellen eingesetzten Compute-Leistung (Rechenaufwand, FLOP)
  • Von 1950 bis 2025 ist der Rechenaufwand für das Training wichtiger AI-Modelle im Jahresdurchschnitt um 360 % gewachsen
  • Mit dem Auftreten großer Modelle wie GPT-4, Grok, AlphaGo und Swift sind die FLOP-Kennzahlen stark angestiegen
• Verbesserte Compute-Effizienz durch algorithmische Innovation
  • Von 2014 bis 2023 ist der Effective Compute von AI-Modellen im Jahresdurchschnitt um 200 % gestiegen
  • Algorithmische Optimierungen wie bei Chinchilla und OPT-175B haben erheblich zu Leistungssteigerungen und geringerem Compute-Bedarf beigetragen
• Leistungswachstum von AI-Supercomputern
  • Von 2019 bis 2025 ist die Leistung von AI-Supercomputern (Clustern) im Jahresdurchschnitt um 150 % gewachsen
  • Sunway OceanLight, GPT-3/4-Cluster, Frontier, El Capitan, xAI Colossus usw.
  • Gleichzeitiges Wachstum der Chip-Leistung und der Zahl der Chips pro Cluster
• Explosionsartiger Anstieg der Zahl leistungsstarker großer AI-Modelle
  • 2017 bis 2024 jährlich +167 %: Die Zahl neu veröffentlichter großer AI-Modelle mit mehr als 10^23 FLOP ist stark gestiegen
  • Mit DeepMind (AlphaGo), xAI, Anthropic, Meta, NVIDIA, Mistral und anderen treten laufend neue Akteure auf
• Wachstum bei ChatGPT-Nutzern, Abonnenten und Umsatz
  • Zwischen 10/2022 und 4/2025 sind wöchentlich aktive Nutzer (Users, MM), Abonnenten (Subscriber, MM) und Umsatz (Revenue, $B) allesamt exponentiell gewachsen
  • 800 Mio.+ wöchentliche Nutzer, 20 Mio.+ Abonnenten, Jahresumsatz nahe 4 Milliarden US-Dollar
• Geschwindigkeit bis zu 365 Milliarden Suchanfragen pro Jahr: ChatGPT vs Google
  • ChatGPT: 365 Milliarden Suchanfragen pro Jahr in nur 2 Jahren erreicht (2024)
  • Google: Bis zum gleichen Wert vergingen 11 Jahre (2009)
  • ChatGPT verzeichnete damit eine 5,5-fach schnellere Verbreitung als Google

• 1998, als die Verbreitung des Internets gerade begann, startete Google mit dem Ziel, „die Informationen der Welt zu organisieren und allgemein zugänglich und nutzbar zu machen“
• Nach fast 30 Jahren des schnellsten Wandels, den die Menschheit erlebt hat, ist heute der Großteil der Informationen digitalisiert, zugänglich und nutzbar
• AI-basierte Veränderungen beim Zugang zu Informationen und ihrer Weiterleitung entwickeln sich noch deutlich schneller

• AI ist ein Compounder (etwas, das mit Zinseszinseffekt wächst) auf der Internet-Infrastruktur und erzeugt das Phänomen, dass
  Dienste, die jeder leicht nutzen kann und die breite Aufmerksamkeit auf sich ziehen, sich extrem schnell verbreiten

Die Evolution der Wissensvermittlung (Knowledge Distribution Evolution)

• 1440~1992: Static + Physical Delivery
  • Von der Erfindung der Druckerpresse (Printing Press) im Jahr 1440 bis 1992 wurde Wissen statisch (Static) und physisch (Physical) verbreitet
  • Das heißt, eine auf Druckerzeugnissen wie Büchern, Zeitungen und Magazinen basierende Struktur der Wissensvermittlung blieb über Jahrhunderte bestehen
    – 1993~2021: Active + Digital Delivery
  • Seit der Veröffentlichung des Internets (World Wide Web) im Jahr 1993 erfolgte der Übergang zu einer aktiven (Active) und digitalen (Digital) Wissensvermittlung
  • Jeder konnte Websites erstellen und in Echtzeit auf Informationen zugreifen und sie verbreiten
  • Das Internet bewirkte eine grundlegende Umwälzung bei der „Öffnung und Verbreitung von Wissen“
    – 2022+: Active + Digital + Generative Delivery
  • Mit dem Start von ChatGPT im Jahr 2022 begann das Zeitalter der Wissensvermittlung auf Basis generativer AI
    • Generative AI: AI, die verschiedene Inhalte wie Text, Bilder, Audio und Code erzeugen kann
    • ChatGPT erreichte in nur 5 Tagen 1 Million Nutzer und stellte damit einen historischen Wachstumsrekord auf
  • Wissen wird nun nicht mehr nur gespeichert und gesucht, sondern in einer Ära, in der AI es kreativ erzeugt und sofort vermittelt

„Wissen ist die Anhäufung von Fakten (wisdom), aber Weisheit liegt in deren Vereinfachung“ – Martin H. Fischer

• AI = Many Years Before Lift-Off
  • AI-Technologien wirken, als seien sie in kurzer Zeit explosionsartig gewachsen, doch vor ihrer eigentlichen Massenverbreitung gab es jahrzehntelange Vorbereitung und Entwicklung
• 1950~2025 AI Milestone Timeline (von Stanford zusammengestellt)
  • 1950.10: Alan Turing veröffentlicht den Turing-Test (Vorschlag eines Konzepts zur Bewertung der Intelligenz von Computern)
  • 1956.6: Dartmouth Conference; John McCarthy prägt den Begriff „Artificial Intelligence“
  • 1962.1: Arthur Samuel von IBM schlägt mit einem selbstlernenden Programm im Dame-Spiel einen US-Champion
  • 1966.1: Shakey von Stanford, der erste universelle mobile Roboter, wird eingesetzt
  • 1967~1996: „AI-Winter“ (AI Winter) – Rückgang von Investitionen und Interesse ohne größere Fortschritte
  • 1997.5: IBM Deep Blue besiegt den Schachweltmeister Kasparov
  • 2002.9: Roomba, der erste massenproduzierte Roboterstaubsauger, kommt auf den Markt
  • 2005.10: Stanfords autonomes Fahrzeug Stanley bewältigt die DARPA Grand Challenge
  • 2010.4: Apple übernimmt Siri und integriert es in das iPhone 4S
  • 2014.6: Der Chatbot Eugene Goostman besteht den Turing-Test
  • 2018.6: OpenAI stellt mit GPT-1 das erste große Sprachmodell vor
  • 2020.6: OpenAI veröffentlicht GPT-3; Microsoft erhält die Exklusivlizenz
  • 2022.11: OpenAI veröffentlicht ChatGPT öffentlich
  • 2023.3: OpenAI veröffentlicht GPT-4 (multimodal) / Microsoft integriert Copilot / Google veröffentlicht Bard / Anthropic veröffentlicht Claude
  • 2023.11: 28 Länder, darunter die USA, die EU und China, unterzeichnen die Bletchley AI Safety Declaration
  • 2024.3~5: Meta veröffentlicht Llama 3 (Open Source) / US-Heimatschutzministerium legt AI-Roadmap vor / Google führt AI-basierte Suchfunktionen ein / OpenAI veröffentlicht GPT-4o (voll multimodal)
  • 2024.7: Apple stellt Apple Intelligence vor (für Entwickler)
  • 2024.9: Alibaba veröffentlicht 100 Open-Source-Modelle von Qwen 2.5 (mit Leistung auf westlichem Niveau)
  • 2024.12: OpenAI kündigt o3 an (Modell mit Spitzenleistung)
  • 2025.1: DeepSeek veröffentlicht die Open-Source-Reasoning-Modelle R1 und R1-Zero / Alibaba kündigt Qwen2.5-Max an (übertrifft GPT-4o und Claude 3.5 bei der Reasoning-Leistung)
  • 2025.2: OpenAI veröffentlicht GPT-4.5 / Anthropic kündigt Claude 3.7 Sonnet an / xAI veröffentlicht Grok 3
  • 2025.4: ChatGPT erreicht 800 Millionen wöchentliche Nutzer

Circa Q2:25 - 10 Dinge, die AI heute kann (laut ChatGPT)

1. Alles verfassen oder bearbeiten: E-Mails, Essays, Verträge, Gedichte, Code usw. sofort und flüssig verfassen oder bearbeiten
2. Komplexe Materialien zusammenfassen und erklären: PDFs, juristische Dokumente, Forschung und Code leicht verständlich erläutern und in einfaches Englisch übertragen
3. Als Tutor für fast jedes Thema dienen: Schrittweise Lernunterstützung für Mathematik, Geschichte, Sprachen, Prüfungsvorbereitung usw.
4. Als Denkpartner fungieren: Unterstützung beim Denken durch Brainstorming von Ideen, Debugging von Logik, Überprüfung von Hypothesen usw.
5. Wiederkehrende Aufgaben automatisieren: Berichte erstellen, Daten bereinigen, Folien zusammenfassen, Texte umschreiben usw.
6. Beliebige Rollen übernehmen: Verschiedene Rollen ausführen, etwa für Bewerbungsgespräche, Kundensimulationen oder Gesprächsproben
7. Tools anbinden: Integrationscode für verschiedene Tools wie API, Spreadsheets, Kalender und Web-Code schreiben
8. Psychologische Unterstützung und Begleitung bieten: Über den Tag sprechen, Gedanken neu ordnen oder einfach zuhören
9. Bei der Sinnsuche im Leben helfen: Werte klären, Ziele setzen, Umsetzungspläne erstellen usw.
10. Das Leben organisieren: Reiseplanung, Routinen entwerfen, eine Woche oder Arbeitsabläufe strukturieren usw.

Circa 2030? - 10 Dinge, zu denen KI laut ChatGPT in den nächsten 5 Jahren voraussichtlich fähig sein wird

1. Texte, Code und Logik auf menschlichem Niveau erzeugen: In Bereichen wie Chatbots, Software Engineering, Geschäftsplanung und Rechtsanalyse Ergebnisse wie von Menschen erzeugen
2. Filme und Spiele vollständig erschaffen: Gesamte Inhalte automatisch produzieren, einschließlich Drehbüchern, Charakteren, Szenen, Gameplay-Mechaniken und Voice Acting
3. Wie ein Mensch verstehen und sprechen: Etwa emotionsbewusste Assistenten oder mehrsprachige Sprachagenten in Echtzeit
4. Als hochentwickelter persönlicher Assistent dienen: Lebensplanung, Erinnerungshilfe sowie Verknüpfung von Terminen und Informationen über alle Apps und Geräte hinweg
5. Humanoide Roboter steuern: Etwa für Haushaltshilfe, Seniorenbetreuung oder Automatisierung in Retail und Hospitality
6. Kundenservice und Vertrieb autonom betreiben: End-to-end Problemlösung, Upselling, CRM-Integration, 24/7-Support usw.
7. Das gesamte digitale Leben des Einzelnen personalisieren: Adaptives Lernen, dynamische Content-Empfehlungen, personalisierte Gesundheitsversorgung usw.
8. Autonom Unternehmen aufbauen und betreiben: KI-basierte Startups, Optimierung von Lagerbestand und Preisen, vollständig digitaler Betrieb usw.
9. Wissenschaftliche Entdeckungen autonom vorantreiben: Medikamentendesign, Synthese neuer Materialien, Klimamodellierung, Testen neuer Hypothesen usw.
10. Wie ein Partner kreativ zusammenarbeiten: Gemeinsames Schreiben von Romanen, Musikproduktion, Modedesign, Architektur und andere kreative Kooperationen

Circa 2035? - 10 Dinge, zu denen KI laut ChatGPT in den nächsten 10 Jahren voraussichtlich fähig sein wird

1. Wissenschaftliche Forschung durchführen: Hypothesen generieren, Simulationen ausführen, Experimente entwerfen und analysieren usw.
2. Fortgeschrittene Technologien entwerfen: Neue Materialien entdecken, Biotech entwickeln, Energiesystem-Prototypen erstellen usw.
3. Menschenähnliche Geister simulieren: Digitale Personas mit Erinnerung, Emotionen und adaptivem Verhalten erzeugen
4. Unternehmen autonom betreiben: R&D, Finanzen und Logistik mit minimalem menschlichem Eingriff steuern
5. Komplexe physische Aufgaben ausführen: Werkzeuge bedienen, Bauteile montieren und sich an reale Umgebungen anpassen
6. Globale Systeme koordinieren: Logistik, Energieverbrauch und Krisenreaktionen in großem Maßstab optimieren
7. Biologische Systeme modellieren: Zellen, Gene und Organismen simulieren und für Therapie oder Forschung nutzen
8. Entscheidungen auf Expertenniveau liefern: Rechts-, Medizin- und Unternehmensberatung in Echtzeit bereitstellen
9. Öffentliche Debatten und Politikgestaltung unterstützen: Foren moderieren, Gesetzesvorschläge machen, Interessen ausgleichen usw.
10. Immersive virtuelle Welten erschaffen: Interaktive 3D-Umgebungen allein aus Text-Prompts erzeugen

Das Tempo der KI-Entwicklung übertrifft alle Erwartungen

• Wandel bei den Akteuren der Machine-Learning-Modellentwicklung (2003–2024)
  • Von 2003 bis 2014 führte die Wissenschaft (academia) die Entwicklung von Machine-Learning-Modellen an (Academia Era)
  • Seit 2015 treibt die Industrie (industry) Innovationen an und hat die Wissenschaft bei Daten, Compute und Kapitaleinsatz deutlich überholt (Industry Era)
  • Stand 2024 werden in der Industrie jedes Jahr rund 60 bemerkenswerte ML-Modelle entwickelt
• Rasanter Anstieg der Zahl der KI-Entwickler (im NVIDIA-Ökosystem, 2005–2025)
  • Im NVIDIA-Ökosystem hat sich die Zahl der Entwickler weltweit in 7 Jahren versechsfacht (für 2025 werden 6 Millionen erwartet)
  • Das stärkste Wachstum fand zwischen 2018 und 2025 statt
• Zahl der Entwickler im Google-KI-Ökosystem (2024–2025)
  • Mai 2024: 1,4 Millionen → Mai 2025: 7 Millionen
  • Verfünffachung in nur einem Jahr, mit explosionsartigem Wachstum der KI-Developer-Community rund um die Gemini-Plattform
• Explosionsartiger Anstieg von US-Patenten im Computing-Bereich (1960–2024)
  • In den 8 Jahren nach dem Netscape-IPO 2003: +6.300, von 2004 bis 2022 über 18 Jahre: +1.000
  • Nach der Veröffentlichung von ChatGPT (2022) in nur einem Jahr +6.000
  • Patente für Innovationen rund um Computing- und KI-Technologien werden massenhaft eingereicht
• KI-Leistung übertrifft 2024 menschliches Niveau
  • Im MMLU-Benchmark (Allgemeinwissen + Schlussfolgern) erreichten KI-Systeme 2024 92,3 % Genauigkeit und übertrafen damit den Menschen (89,8 %)
• Fähigkeit von KI, als Mensch wahrgenommen zu werden (Q1 2025)
  • GPT-4o (ohne Persona): 73 % der Antworten wurden fälschlich für menschliche Antworten gehalten
  • GPT-4.5 (mit Persona): In über 90 % scheiterte die Erkennung als Mensch nicht, also wurde die KI nicht erkannt
  • Die Menschenähnlichkeit und Realitätsnähe von KI-Antworten hat sprunghaft zugenommen
• Realitätsnähe von KI-Gesprächen (Beispiel Turing-Test)
  • Beispiel eines echten Turing-Test-Gesprächs mit GPT-4.5
  • 87 % der Versuchsteilnehmer hielten Seite A für einen Menschen, obwohl es tatsächlich eine KI war,
    während der Mensch auf Seite B umgekehrt als „KI-artig“ eingeschätzt wurde
  • Die natürliche Konversationsfähigkeit moderner KI übertrifft die des Menschen
• Entwicklung der Leistung bei der KI-Bildgenerierung
  • Vergleich von Midjourney v1 (2022) und v7 (2025):
    In nur 3 Jahren wurden generierte Schmuckbilder (Sonnenblumen-Halskette) überwältigend realistisch
• KI-generierte Bilder vs. echte Bilder (2024)
  • Stand 2024 sind von KI erzeugte Porträtfotos (StyleGAN2) so präzise geworden, dass sie von echten Fotos kaum noch zu unterscheiden sind
  • Die Realitätsnähe generierter Bilder hat sprunghaft zugenommen
• Realitätsnähe von KI-Spracherzeugung/-übersetzung (Beispiel ElevenLabs)
  • Das KI-Spracherzeugungstool von ElevenLabs bietet
    • automatische Synchronisation, mehrsprachige Echtzeitübersetzung und Erhalt der Originalstimme auf hohem Niveau
    • der globale Website-Traffic überschritt in nur 2 Jahren 20 Millionen Besuche pro Monat, 60 % der Fortune-500-Unternehmen setzen es ein
  • Auch KI-Audioerzeugung und -übersetzung entwickeln sich explosionsartig
• Massenadaption KI-basierter Audioübersetzung (Spotify, Mai 2025)
  • Spotify arbeitet mit ElevenLabs zusammen und begann, KI-Übersetzungen von Hörbüchern in 29 Sprachen zu akzeptieren
  • Als Vision wurde formuliert: „Eine Ära, in der jeder Inhalte in seiner Muttersprache erstellen kann und KI sie in Echtzeit übersetzt und weltweit verbreitet“ (CEO Daniel Ek)
  • Stand Q1 2025: 678 Millionen monatlich aktive Nutzer, 268 Millionen Abonnenten, 16,8 Milliarden Euro Jahresumsatz
• Beschleunigte KI-Leistung: neue Anwendungsfälle (November 2024, Morgan Stanley)
  • Protein Folding: DeepMind AlphaFold, Vorhersage von nahezu allen Proteinstrukturen
  • Cancer Detection: Microsoft & Paige, Aufbau des weltweit größten bildbasierten Krebsdiagnosemodells
  • Robotics: Google, Roboterdemo, die mit LLM menschliche Anweisungen versteht und ausführt
  • Agentic AI: Amazon, Veröffentlichung eines Tools, das Aufgaben auf Basis von Nutzeranweisungen erledigt
  • Universal Translation: Meta, Veröffentlichung eines multimodalen KI-Modells für mehrsprachiges Dolmetschen und Übersetzen
  • Digital Video Creation: Channel 1 AI, Demonstration maßgeschneiderter Nachrichtenvideos auf GenAI-Basis

Nutzen und Risiken von KI (Benefits & Risks)

• Vorteile der AI-Entwicklung
  • Alle Errungenschaften der menschlichen Zivilisation sind ein Produkt menschlicher Intelligenz; je höher das Niveau der machine intelligence, desto stärker erweitern sich auch die Ambitionen der Menschheit
  • AI und Robotik könnten die Menschheit von repetitiver Arbeit befreien und durch Produktivitätssteigerungen eine Ära von Frieden und Wohlstand eröffnen
  • Durch die Beschleunigung wissenschaftlicher Forschung könnten Krankheiten, Klimawandel und Ressourcenprobleme schneller gelöst werden
• Risiken der AI-Entwicklung
  • Demis Hassabis (Google DeepMind): "Wenn wir AI lösen, können wir alles andere lösen. Bevor wir diese Chance jedoch nutzen können, könnten Missbrauch, Fehlanwendung und unbeabsichtigte Risiken von AI eintreten"
  • Bereits sichtbare und künftig weiter zunehmende Risiken: lethal autonomous weapons, Überwachung, voreingenommene Entscheidungsfindung, Auswirkungen auf Beschäftigung, Sicherheit und Schutz (safety-critical applications, cybersecurity) usw.

"Der Erfolg der AI-Entwicklung könnte das größte Ereignis in der Geschichte der menschlichen Zivilisation werden, aber zugleich auch das letzte, wenn wir nicht lernen, ihren Risiken aus dem Weg zu gehen." – Stephen Hawking

AI User + Usage + CapEx Growth = Beispiellos

• Ausgehend von ChatGPT wurde in nur 17 Monaten die Marke von 800 Millionen wöchentlich aktiven Nutzern überschritten (+8x)
• Auch die Geschwindigkeit der globalen AI-Adoption ist im Vergleich zur frühen Einführung des Internets beispiellos (90 % Nutzer außerhalb Nordamerikas in nur 3 Jahren erreicht, das Internet brauchte 23 Jahre)
• Bis zu 100 Millionen Nutzern brauchte ChatGPT 0,2 Jahre (rund 2 Monate) und wuchs damit deutlich schneller als große Internetdienste wie TikTok, Instagram oder YouTube
• Bis zu 1 Million Nutzern (Kunden): Ford Model T: 2.500 Tage, iPhone: 74 Tage, ChatGPT: 5 Tage — bei Kosten von 0 US-Dollar und damit maximaler Zugänglichkeit
• Es wird erwartet, dass AI in den USA innerhalb von 3 Jahren 50 % der Haushalte erreicht — gegenüber mobilem Internet (6 Jahre), Desktop (12 Jahre), PC (20 Jahre) und industrieller Revolution (42 Jahre) eine Halbierung der Zeit
• Das Tempo von AI-Einführung und -Verbreitung ist schneller als bei jeder Technologie der Geschichte, und auch Reichweite und Größenordnung der Auswirkungen übertreffen die Erwartungen

AI-Einführung in Tech-Unternehmen hat höchste Priorität

• Big Tech und führende Tech-Unternehmen konzentrieren sich auf AI als zentrales Managementthema
  • NVIDIA, Google, Microsoft, Meta, Amazon, Baidu, IBM, C3.ai usw.
  • In den Ergebnispräsentationen 2020–2024 stieg die Häufigkeit von AI-Erwähnungen sprunghaft an, der AI-zentrierte Wettbewerb läuft nun auf Hochtouren
• Amazon (CEO Andy Jassy)
  • "Generative AI wird nahezu jede Kundenerfahrung revolutionieren"
  • Einführung und Effizienzsteigerung durch AI in allen Bereichen wie Coding, Suche, Shopping, Finanzen, Gesundheit, Robotik und Biotech
• Google (CEO Sundar Pichai)
  • "AI ist das wichtigste Mittel, um unsere Mission voranzubringen (Informationen zu ordnen und universell zugänglich zu machen)"
  • "Die AI-Chance ist von einer völlig anderen Dimension als alles bisherige"
• Duolingo (CEO Luis von Ahn)
  • "Generative AI trägt zur Datenerstellung, zu neuen Funktionen und zu unternehmensweiter Effizienzsteigerung bei"
  • Selbst das Schach-Curriculum wurde ausschließlich mit AI als Prototyp fertiggestellt
• xAI (CEO Elon Musk)
  • "Bei Grok AI ist das Streben nach Wahrheit (truth-seeking) essenziell, und das ist unverzichtbar für AI-Sicherheit"
  • "Wir müssen AI bauen, die sich so stark wie möglich an der Wahrheit orientiert"
• Roblox (CEO David Baszucki)
  • "AI ist ein Beschleunigungswerkzeug, das individuelle Fähigkeiten maximiert; künftig wird jeder Mensch mit seiner eigenen AI zusammenarbeiten"
• NVIDIA (CEO Jensen Huang)
  • "Innerhalb von 10 Jahren wird AI die Infrastruktur jeder Branche, jedes Landes und jedes Unternehmens sein"
  • "AI-Rechenzentren sind im Kern 'AI factories', die enormen Wert erzeugen"
• Globale Tech-Führungskräfte setzen alles auf AI-Einführung und den Ausbau der Infrastruktur und betonen unisono, dass AI der Kern künftiger Wettbewerbsfähigkeit von Unternehmen und Gesellschaften ist

Auch in traditionellen Unternehmen steigt die Priorität von AI-Einführung stark

• Stark wachsendes AI-Interesse bei S&P-500-Unternehmen
  • Stand Q4 2024 erwähnten 50 % der S&P-500-Unternehmen in ihren Ergebnispräsentationen 'AI' (ein starker Anstieg gegenüber 2015)
  • AI hat sich unternehmensübergreifend zu einer strategischen Kernagenda entwickelt
• Für globale Großunternehmen ist das Ziel der AI-Einführung 'Umsatzwachstum'
  • In den kommenden zwei Jahren konzentriert sich der Großteil der Investitionsziele in Generative AI (GenAI) auf Produktivität, Kundenservice, Umsatz und Marketingwirkung — also auf 'Wachstum und Profitabilität'
  • Kostensenkung (cost reduction) hat eine vergleichsweise niedrigere Priorität
• 75 % der globalen CMOs (Chief Marketing Officers) testen oder führen AI-Tools ein
  • Die meisten Marketingorganisationen führen erste Tests oder Piloten durch, und ein erheblicher Teil hat AI bereits vollständig eingeführt
• Konkrete Einführungsbeispiele
  • Bank of America: Erica Virtual Assistant
    • 40 Millionen Kunden, kumuliert 2,5 Milliarden Interaktionen, mehr als 50.000 Leistungsupdates
    • Als digitale Finanzassistenz rund um die Uhr etabliert
  • JP Morgan: End-to-End-AI-Modernisierung
    • Durch AI/ML-Einführung werden für 2023–2025 jeweils +35 bis 65 % bei Erträgen und Effizienz erwartet
  • Kaiser Permanente: AI-basierte medizinische Dokumentation (AI Scribe)
    • Von Tausenden Fachkräften im Gesundheitswesen eingeführt, reduziert Dokumentationsaufwand und verbessert Patientenerfahrung sowie Behandlungsqualität
  • Yum! Brands: Byte by Yum!
    • Stand 2025 Einführung AI-basierter Bestell- und Betriebssysteme in 25.000 Restaurants
• Auch traditionelle Großunternehmen setzen AI-Einführung nicht auf 'Kostensenkung', sondern als strategische Priorität mit Fokus auf Wachstum und Innovation
  • In den einzelnen Branchen häufen sich konkrete erfolgreiche AI-Anwendungsfälle in hohem Tempo

Auch in Bildung, Staat und Forschung steigt die Priorität von AI-Einführung stark

• Beispiele für AI-Integration im Bildungsbereich (Bildungseinrichtungen)
  • Arizona State University: Gründung einer eigenen Organisation für die Entwicklung von AI-Tools ('AI Acceleration')
  • Oxford-OpenAI-Partnerschaft: Zusammenarbeit über 5 Jahre zur Stärkung von Forschung und AI Literacy
  • NextGenAI: Start eines Konsortiums im Umfang von 50 Millionen US-Dollar mit 15 Forschungsuniversitäten, darunter MIT, Harvard und Caltech
  • ChatGPT Gov: Einführung von ChatGPT speziell für US-Bundesbehörden (Januar 2025)
  • US-Nationallabore: Kooperation bei AI-Infrastruktur für Nukleartechnik, Cybersicherheit und fortgeschrittene Wissenschaftsbereiche
• Ausweitung staatlicher Einführungsstrategien (Sovereign AI)
  • NVIDIA Sovereign AI Partners: In Frankreich, der Schweiz, Spanien, Ecuador, Japan, Vietnam, Singapur usw. läuft der Aufbau nationaler AI-Infrastruktur auf Hochtouren
  • "Die Investitionen einzelner Länder in AI-Infrastruktur ähneln dem früheren Aufbau von Strom- und Internetinfrastruktur" (NVIDIA-CEO Jensen Huang)
• Ausweitung von AI-Anwendungen in Forschung (R&D) und Medizin
  • Von der FDA zugelassene AI-Medizingeräte: 223 Zulassungen pro Jahr Stand 2023, ein explosionsartiger Anstieg gegenüber 2015 (AI-Budget der US-Bundesregierung FY21–FY25: 14,7 Milliarden US-Dollar)
  • AI-basierte Arzneimittelentwicklung: Die Zeit bis zur präklinischen Phase (Pre-Clinical) verkürzt sich im Vergleich zum herkömmlichen Verfahren um 30 bis 80 % (1,5- bis 12-fache Beschleunigung)
• Auch in gemeinnützigen und öffentlichen Bereichen wie Bildung, Staat, Forschung und Medizin breiten sich AI-Einführung und -Integration schnell aus
  • Durch Infrastrukturinvestitionen, Deregulierung und gemeinsame Forschung beschleunigt sich auch das Tempo von AI-Innovationen außerhalb der Industrie

AI User + Usage + CapEx Growth = Beispiellos

• Überblick über die ChatGPT-Nutzung unter US-Erwachsenen
  • Der Anteil aller US-Erwachsenen mit Erfahrung in der Nutzung von ChatGPT ist sprunghaft von 18 % im Juli 2023 auf 37 % im Januar 2025 gestiegen
  • Bei den 18- bis 29-Jährigen liegt er bei 55 %, bei den 30- bis 49-Jährigen bei 44 % – je jünger die Gruppe, desto höher die Nutzung
  • OpenAI-CEO Sam Altman bewertete dies mit den Worten: „Jüngere Menschen nutzen es als Life Advisor, ältere eher als Ersatz für die Suche“
• Anstieg der durchschnittlichen täglichen Nutzungszeit der ChatGPT-App
  • Von Juli 2023 bis April 2025 stieg die durchschnittliche tägliche Nutzungszeit um 202 %, bezogen auf Nutzer der ChatGPT-App in den USA
  • Sie nahm von rund 7 Minuten auf fast 20 Minuten pro Tag zu, was auf eine stark wachsende Nutzerbindung bei AI-Apps hindeutet
• Zunahme von Sitzungen und Sitzungsdauer in der ChatGPT-App
  • Von Juli 2023 bis April 2025 stieg die durchschnittliche Zahl der Sitzungen um 106 %, auch die Zeit pro Sitzung nahm um 47 % zu
  • Nutzer verwenden die App häufiger und länger, und AI-Tools verankern sich im Alltag
• Vergleich der wöchentlichen Nutzerbindung von ChatGPT und Google Search
  • Zwischen Januar 2023 und April 2025 lag die wöchentliche Nutzerbindung von ChatGPT bei 80 % und damit deutlich vor Google Search mit 58 %
  • Die Nutzerloyalität gegenüber AI-Services fällt damit höher aus als bei traditioneller Suche
• Wirkung des Einsatzes von AI-Chatbots am Arbeitsplatz in den USA
  • Mehr als 72 % der US-Beschäftigten, die AI-Chatbots nutzen, berichten von „schnelleren und besseren“ Arbeitsergebnissen
  • Sowohl bei Arbeitseffizienz als auch bei der Qualität der Ergebnisse werden positive Veränderungen gemeldet
• Anwendungsfälle von ChatGPT bei US-Studierenden
  • US-Studierende (18–24 Jahre) nutzen ChatGPT vor allem für den Einstieg in Hausarbeiten/Projekte, Textzusammenfassungen, Brainstorming, Problemlösung, Prüfungsvorbereitung, Recherche, Tutoring sowie für Studien-, Lern- und Karriereberatung
  • AI wird aktiv genutzt – von der Lösung konkreter Aufgaben über kreative Arbeit bis hin zur Karriereplanung
• AI-gestützte Automatisierungsdienste für Deep Research
  • Führende Unternehmen wie Google Gemini, OpenAI ChatGPT und xAI Grok bauen ihre Deep-Research-Funktionen aus
  • Die Automatisierung anspruchsvoller Wissensarbeit beschleunigt sich – etwa durch automatisierte Web-Recherche, das Ableiten von Insights, die automatische Erstellung von Berichten über Dutzende Seiten und Fact-Finding

Die Entwicklung von AI-Agenten = von Chat-Antworten hin zur tatsächlichen Automatisierung von Arbeit

• Während frühere Chatbots auf begrenzte Dialoge und einfache Frage-Antwort-Muster beschränkt waren, entwickeln sich AI-Agenten zu Dienstleistern, die eigenständig schlussfolgern, ausführen und mehrstufige Aufgaben bearbeiten
  • Beispiele: Meetings planen, Berichte einreichen, sich in Tools einloggen, Workflows über mehrere Plattformen hinweg automatisieren
  • Komplexe Aufgaben werden allein über natürlichsprachliche Anweisungen direkt ausgeführt
• Dieser Wandel ähnelt dem Übergang von statischen Websites in den frühen 2000er-Jahren zu dynamischen Web-Apps wie Gmail, Google Maps
  • Von einer einfachen Messaging-Oberfläche hin zu einer Infrastruktur, die tatsächliche Aufgaben ausführt
• Anders als frühe Assistenten, die nur klare Eingaben oder begrenzte Ergebnisse lieferten, verfügen AI-Agenten inzwischen über Zielorientierung, Autonomie und Schutzmechanismen und können dadurch komplexe Prozesse wie Intent-Interpretation, Memory-Management und appübergreifende Zusammenarbeit ausführen
• Unternehmen treiben die Einführung am schnellsten voran und gehen über reine Experimente hinaus zu Investitionen in Frameworks und dem Aufbau von Agenten-Ökosystemen

• Globales Interesse an AI Agent nimmt sprunghaft zu (Google-Suchtrends, 2024–2025)
  • Das Google-Suchvolumen für den Begriff „AI Agent“ stieg innerhalb von 16 Monaten um 1.088 %
  • Nachdem OpenAI im März 2025 ein Entwickler-Tool für AI Agents veröffentlicht hatte, nahm das Suchvolumen noch steiler zu – ein Hinweis auf einen technologischen Wendepunkt in der Branche

• Beschleunigte Einführung von AI-Agent-Produkten durch etablierte Anbieter (Incumbents) (2024–2025)
  • Führende Big-Tech-Unternehmen wie Salesforce, Anthropic, OpenAI und Amazon bringen fortlaufend neue Produkte auf Basis von AI-Agenten auf den Markt
    • Salesforce Agentforce: Automatisierung von Kundensupport, Lead-Generierung, Order Tracking usw.
    • Anthropic Claude 3.5 Computer Use: direkte Steuerung des Computerbildschirms, Extraktion von Web-Daten, Online-Käufe usw.
    • OpenAI Operator: Automatisierung komplexer Online-Aufgaben
    • Amazon Nova Act: Home Automation, Informationsbeschaffung, Einkäufe, Terminverwaltung usw.
  • AI-Agent-Produkte entwickeln sich über klassische Chatbots hinaus zu konkreten Automatisierungswerkzeugen, die reale „Arbeit“ übernehmen

Next Frontier For AI = Artificial General Intelligence

• Was ist Artificial General Intelligence (AGI)?
  • AGI bezeichnet ein System, das die gesamte Bandbreite menschlicher intellektueller Arbeit ausführen kann – darunter Schlussfolgern, Planen, Lernen aus kleinen Datenmengen und die Verallgemeinerung von Wissen über verschiedene Bereiche hinweg
  • Anders als heutige AI-Modelle, die in bestimmten Domänen sehr leistungsfähig sind, kann AGI auch neue Probleme flexibel lösen, ohne erneutes Training und unabhängig vom Fachgebiet
  • Das jüngste exponentielle Wachstum bei Modellgröße, Trainingsdaten und Compute-Effizienz beschleunigt die Entwicklung von AGI
• Zeitpunkt und Erwartungen beim Erreichen von AGI
  • Wann AGI erreicht wird, bleibt weiter ungewiss, doch die Erwartungen von Experten haben sich in den letzten Jahren deutlich nach vorn verschoben
  • OpenAI-CEO Sam Altman sagte im Januar 2025: „Wir sind nun zuversichtlich, dass wir AGI in dem traditionell verstandenen Sinn bauen können“
  • Das deutet darauf hin, dass sich durch Fortschritte bei Modellarchitektur, Inference-Effizienz und großskaligen Trainingsumgebungen die Lücke zwischen Forschung und Praxis verringert
    • Inference bezeichnet den Prozess, bei dem ein vollständig trainiertes Modell auf Nutzereingaben Vorhersagen, Antworten oder Inhalte generiert. Diese Phase ist deutlich schneller und effizienter als das Training
  • AGI wird nicht länger nur als hypothetischer Endpunkt gesehen, sondern zunehmend als erreichbarer Schwellenwert
• Was das Erreichen von AGI bedeutet
  • Mit AGI würde die grundlegende Rolle von Software und Hardware neu definiert
  • Statt vorprogrammierte Aufgaben zu wiederholen, würden Systeme entstehen, die Ziele verstehen, Pläne aufstellen und sich in Echtzeit selbst korrigieren können
  • Unterschiedliche Workflows in Forschung, Engineering, Bildung und Logistik könnten auch ohne menschliche Aufsicht betrieben werden
  • Selbst bei neuen Problemen wäre eine kontextgerechte Anpassung ohne Retraining möglich – ähnlich wie bei menschlichen Experten
  • AGI-basierte humanoide Roboter könnten die physische Umgebung und die Art, wie wir arbeiten, grundlegend verändern
• Die gesellschaftlichen Auswirkungen von AGI
  • AGI ist kein letzter Zielpunkt, sondern ein stufenweiser Übergang von Fähigkeiten
  • Institutionen, Arbeit und Entscheidungsstrukturen werden je nach Einführungsmodell und Kontrollmechanismen von AGI neu geordnet
  • Die Produktivitätsgewinne könnten groß sein, zugleich besteht aber die Möglichkeit, dass der Nutzen ungleich verteilt wird
  • Geopolitische, ethische und wirtschaftliche Veränderungen dürften schrittweise verlaufen
  • Wie bei der industriellen Revolution, der digitalen Transformation oder der Algorithmus-Revolution hängt das Ergebnis nicht nur davon ab, was die Technologie leisten kann, sondern auch davon, wie die Gesellschaft sie annimmt und reguliert

AI User + Usage + CapEx Growth = beispiellos

• In den vergangenen 20 Jahren ist der CapEx im Technologiesektor entlang eines datengetriebenen Bogens stark gestiegen
  • Zunächst floss Kapital in Storage und Access (Speicherung/Zugriff), danach in Distribution/Skalierung, heute verlagert sich der Schwerpunkt auf Compute/Intelligenz
• In der ersten Welle konzentrierten sich die Mittel auf große Serverfarmen, Unterseekabel und frühe Rechenzentren, wodurch Amazon, Microsoft und Google die Grundlage für Cloud Computing schufen
  • Das Kernziel in dieser Phase war „Speichern, Organisieren und Bereitstellen“
• Die zweite Welle (noch im Gange) konzentriert sich auf den Ausbau von Compute-Infrastruktur für AI-Workloads
  • Der CapEx von Hyperscalern (Betreibern riesiger Rechenzentren) verlagert sich auf spezialisierte Infrastruktur wie GPU, TPU, AI-Beschleuniger, Flüssigkühlung und fortschrittliches Data-Center-Design
  • 2019 war AI noch eine Forschungsfunktion, 2023 wurde sie zu einem zentralen Posten im CapEx (Investitionsausgaben)
• Microsoft-Präsident Brad Smith (Blog vom 25.4.):
  • „Wie universelle Technologien wie Elektrizität stehen AI und Cloud-Rechenzentren für die nächste Phase der Industrialisierung“
• Globale Big-Tech-Unternehmen investieren bereits jährlich Summen in zweistelliger Billionenhöhe in Won
  • Es geht nicht mehr nur darum, Daten zu sammeln, sondern darum, schnell zu lernen, tief zu personalisieren und breit auszurollen – das wird zum Kern der Wettbewerbsfähigkeit

• Die CapEx-Ausgaben großer Technologieunternehmen wie AWS, NVIDIA, MSFT, Google, Apple und Meta steigen seit Jahren kontinuierlich

Rechenzentren = die zentralen Profiteure der AI-CapEx-Ausgaben

• Um die Wirtschaftlichkeit der AI-Infrastruktur zu verstehen, muss man das Tempo und den Umfang des Rechenzentrumsbaus betrachten
  • Durch die explosionsartige AI-getriebene Nachfrage haben die Data-Center-CapEx (Investitionsausgaben) globaler IT-Unternehmen ein Allzeithoch erreicht und beschleunigen sich weiter; 2024 liegen sie bei 455 Milliarden US-Dollar
• Sowohl Hyperscaler als auch AI-first-Unternehmen investieren Milliarden Dollar nicht nur in Storage, sondern auch in leistungsstarke, stromintensive Hardware-Infrastruktur für Echtzeit-Inferenz und das Training großer Modelle
  • Da AI sich von einer experimentellen Technologie zu essenzieller Infrastruktur wandelt, nehmen auch Rechenzentren entsprechend eine Schlüsselrolle ein
  • NVIDIA-CEO Jensen Huang betonte: "AI-Rechenzentren sind jetzt AI-Fabriken"
• Das xAI-Colossus-Rechenzentrum in Memphis, Tennessee, hat ein Gebäudeensemble im Umfang von 418 Häusern in nur 122 Tagen fertiggestellt und damit ein beispielloses Tempo und eine außergewöhnliche Effizienz erreicht (weniger als die Hälfte der durchschnittlichen Bauzeit eines US-Einfamilienhauses)
  • Durch vorgefertigte Module, schnelle Genehmigungen und vertikale Integration von Elektrik, Mechanik und Software beginnt eine Ära, in der Rechenzentren mit der Geschwindigkeit der IT-Produktentwicklung gebaut werden
• Die CapEx von Rechenzentren werden von Grundstücken, Strom, Chips und Kühlinfrastruktur bestimmt, während AI-Workloads deutlich höhere Wärme- und Stromanforderungen erzeugen als klassisches Enterprise-Computing
  • Im Mittelpunkt der OpEx (Betriebskosten) stehen Energiekosten und Systemwartung; insbesondere hochdichte AI-Trainingscluster laufen dauerhaft unter Maximallast
• Die Erlöse stammen aus dem Verkauf von Compute-Leistung (AI-APIs, Gebühren für Enterprise-Plattformen, interne Produktivitätssteigerungen usw.), doch Unternehmen, die proaktiv Kapazitäten aufbauen, könnten längere Amortisationszeiten haben
  • Bei jungen Unternehmen kann es nach dem Aufbau der Infrastruktur mehrere Quartale bis Jahre dauern, bis sie monetarisiert wird
• Aus Sicht der Lieferkette entwickelt sich die Sicherung von Strominfrastruktur (Transformatoren, Umspannwerke, Turbinen, GPUs, Kabel usw.) zu einem neuen Engpassfaktor
  • Rechenzentren sind nicht nur physische Assets, sondern fungieren als strategische Infrastruktur-Hubs für Immobilien, Strom, Logistik, Compute und die Monetarisierung von Software
• Unternehmen, die dieses komplexe Puzzle richtig lösen, werden künftig die geografische Landkarte der AI-Ökonomie prägen

Data Centers = Stromfresser

• Das Spannungsverhältnis zwischen AI und Energieinfrastruktur verschärft sich zunehmend
  • Durch die Weiterentwicklung von AI verzeichnen AI-spezialisierte Rechenzentren inzwischen einen Stromverbrauch, der mit klassischer Schwerindustrie vergleichbar ist
  • Die enorme Rechenleistung, die für das Training und den Betrieb von AI-Modellen nötig ist, ist ein Haupttreiber des sprunghaften Strombedarfs
• Rechenzentren machten 2024 rund 1,5 % des weltweiten Stromverbrauchs aus
  • Seit 2017 ist der globale Stromverbrauch von Rechenzentren im Jahresdurchschnitt um 12 % gestiegen
  • Das entspricht mehr als dem Vierfachen der Wachstumsrate des gesamten Stromverbrauchs
• Beim Anteil am Stromverbrauch nach Ländern liegt die USA mit 45 % auf Platz 1, gefolgt von China (25 %) und Europa (15 %)
  • Fast die Hälfte der US-Rechenzentrumskapazität konzentriert sich auf fünf große regionale Cluster
  • Schwellen- und Entwicklungsländer (ohne China) stellen 50 % der Internetnutzer, verfügen aber über weniger als 10 % der Rechenzentrumskapazität
• Mit der Verbreitung von AI entwickeln sich Stromnetz (grid) und Versorgungsinfrastruktur zum Engpass für die AI-Leistung
  • Nicht mehr Daten oder Algorithmen, sondern die Stromversorgung wird zur zentralen Wachstumsgrenze für AI
• Gleichzeitig beschleunigt AI in der Energiebranche operative Effizienz und Innovation
  • Entlang der gesamten Energie-Lieferkette – Strom, Mineralien, Übertragung und Verbrauch – wird AI-basierte Optimierung zunehmend umfassend eingesetzt
  • Solange AI-Nachfrage und Energiekosten weiter steigen, werden Rechenzentren ihre Services letztlich nur Kunden anbieten, die die Kosten tragen können

Hohe/steigende Compute-Kosten für AI-Modelle + sinkende Inferenzkosten pro Token = konvergierende Performance + steigende Developer-Nutzung

• Das Training großer Sprachmodelle (LLMs) gehört zu den kostenintensivsten Aufgaben der Menschheitsgeschichte; mit zunehmender Parameterzahl und steigender algorithmischer Komplexität schnellen die Trainingskosten zur Leistungssteigerung auf Milliarden Dollar hoch
  • Je intensiver der Wettbewerb um die besten General-Purpose-Modelle wird, desto schwieriger wird eine Differenzierung bei der Qualität der Ergebnisse, und desto stärker leidet die Profitabilität – ein Phänomen der "Konvergenz"
• Gleichzeitig fallen die Inferenzkosten rapide
  • So verbraucht die NVIDIA Blackwell GPU von 2024 pro Token 105.000-mal weniger Energie als Kepler im Jahr 2014
  • Dank Hardware-Innovationen und effizienterer Modellalgorithmen sinken die Inferenzkosten pro Token schnell
• Sinkende Inferenzkosten verschärfen den Wettbewerb zwischen LLM-Anbietern
  • Konkurriert wird nicht nur über Genauigkeit, sondern auch über Latenz, Verfügbarkeit und Preis pro Token
  • Kosten im Dollarbereich sinken inzwischen auf wenige Cent und bald auf unter einen Cent
• Für Nutzerinnen und Nutzer (Developer) bedeutet das leistungsstarken Zugang zu AI zu niedrigen Kosten
  • Neue Services und Produkte werden verstärkt entwickelt, und auch Nutzung sowie Anwendungsintensität steigen schnell
• Für Modellanbieter entstehen dadurch neue Herausforderungen in Form von sinkender Profitabilität und veränderten Geschäftsmodellen
  • Da Training teuer und Bereitstellung günstig wird, werden neue Strategien wie vertikale/horizontale Integration und spezialisierte LLM-Märkte erprobt
  • General-Purpose-LLMs beginnen, Züge eines unrentablen Abnutzungskampfs anzunehmen
  • Mit dem Aufkommen kleiner, maßgeschneiderter Modelle werden neue Ertragsstrukturen als Differenzierung zu bestehenden großen Modellen zunehmend ernsthaft getestet

Sinkende Inferenzkosten pro Token

• Der Rückgang der AI-Inferenzkosten wiederholt ein typisches Muster des Computing-Fortschritts
  • Wie Microsoft-CTO Nathan Myhrvold 1997 sagte: "Software ist wie ein Gas – sie füllt jedes verfügbare Gefäß"; ebenso wächst bei AI die Nachfrage inzwischen so stark, dass sie die gesamte Infrastruktur auslastet
  • Je besser die Modellleistung wird, desto stärker explodiert die Nutzung (Queries, Tokens, Anzahl der Modelle), und ebenso weiten sich Einsatzbereich und Häufigkeit der AI-Nutzung rasant aus
• Auch das Tempo des Infrastrukturfortschritts liegt auf historischem Höchstniveau
  • Die NVIDIA Blackwell GPU von 2024 hat gegenüber Kepler aus dem Jahr 2014 die Energieeffizienz bei der Token-Generierung um das 105.000-Fache verbessert
  • Das bedeutet nicht nur sinkende Kosten, sondern ist das Ergebnis von Innovationen bei Hardware-Architektur und Materialien
• Verbesserte Hardware-Effizienz ist ein Schlüsselelement, um die Stromlast der stark steigenden AI- und Internetnachfrage auszugleichen
  • Doch selbst die bisherigen Fortschritte reichen noch nicht aus, um den Anstieg des gesamten Strombedarfs vollständig zu stoppen
  • Dieses Phänomen ähnelt dem Jevons-Paradoxon von 1865
    • Je höher die Ressourceneffizienz, desto stärker steigt paradoxerweise der Gesamtverbrauch – ein Muster, das sich auch bei AI wiederholt
• Im Ergebnis wiederholt sich auch bei AI die alte Formel der Technologie aus sinkenden Kosten, steigender Leistung und wachsender Nutzung
  • Der Infrastrukturfortschritt treibt den AI-Einsatz weiter an und wirft neue Fragen zu Strominfrastruktur und Energieerzeugung auf

Performance konvergiert

• Schnelle Konvergenz an der Leistungsspitze von AI-Modellen
  • Laut Daten der LMSYS Chatbot Arena von Stanford HAI (2024–2025) liegen die Bewertungswerte der Chatbots von Google, OpenAI und DeepSeek bei 1.385, 1.366 und 1.362 – es bleibt also nur noch ein minimaler Abstand von etwa 1–2 %
  • Innerhalb eines Jahres ist der Punkteabstand zwischen den Top-Modellen weiter geschrumpft; der Trend zu einem faktisch nivellierten Leistungswettbewerb ist klar erkennbar
• Die Qualitätsdifferenzierung zwischen modernen großen Sprachmodellen (LLMs) wird zunehmend schwieriger
  • Für Nutzer entsteht ein Umfeld, in dem sich "welches Modell man auch nutzt, es fühlt sich fast gleich an"
  • Modellanbieter dürften sich daher stärker in Richtung Wettbewerb über nicht leistungsbezogene Faktoren wie Kosten, Service-Stabilität und spezialisierte Funktionen bewegen

Steigende Developer-Nutzung

• Der explosionsartige Anstieg der Aktivitäten von AI-Entwicklern ist auf den dramatischen Rückgang der Inference-Kosten und den breiteren Zugang zu leistungsfähigen Modellen zurückzuführen
  • Zwischen 2022 und 2024 sind die Kosten pro Token für die Ausführung von Sprachmodellen um etwa 99,7 % gesunken
    • Hintergrund sind große Fortschritte bei Hardware und Algorithmus-Effizienz
    • Technologien, die früher nur großen Unternehmen zugänglich waren, können heute auch Einzelentwickler, unabhängige App-Builder, Forscher und kleine Unternehmen problemlos nutzen
  • Der Kostenkollaps macht Experimente günstig und beschleunigt Iteration und Produktisierung
    • Jeder mit einer Idee kann heute leicht einen AI-Service entwickeln
• Da sich die Modellleistung schnell angleicht, verändert sich die Formel für die Modellauswahl
  • Die Lücke zwischen Top-Foundation-Modellen und kleineren, effizienteren Alternativen schrumpft
  • Bei vielen realen Aufgaben wie Zusammenfassung, Klassifizierung, Extraktion oder Routing gibt es kaum noch Unterschiede in der tatsächlichen Leistung
  • Entwickler können nun ähnliche Ergebnisse mit günstigeren Modellen oder über lokale Ausführung/preiswerte APIs statt mit teuren Premium-Modellen erzielen
  • Besonders groß ist der Effekt beim Fine-Tuning mit aufgabenbezogenen Daten
• Diese Veränderung schwächt den Preishebel etablierter Modellanbieter und fördert die Demokratisierung der AI-Entwicklung
  • Statt von einem einzelnen Anbieter abhängig zu sein, werden Modelle aus verschiedenen Ökosystemen kombiniert und verteilt genutzt
  • OpenAI ChatGPT, Meta Llama, Mistral Mixtral, Anthropic Claude, Google Gemini, Microsoft Phi usw.
    • Unter Modellen mit jeweils unterschiedlichen Stärken lässt sich das optimale Modell passend zu technischen und finanziellen Anforderungen auswählen
  • Weg vom Plattform-Lock-in, hin zu einer Ära der Auswahl und Verteilung unter Führung der Entwickler
• Es entsteht ein entwicklergetriebenes Flywheel für Infrastrukturwachstum
  • Je mehr Entwickler AI-native Apps bauen, desto schneller wächst das Ökosystem aus Tools, Wrappern, Libraries und Frameworks
  • Frontend-Frameworks, Embedding-Pipelines, Model Router, Vector DBs, Serving-Layer usw.
    • Jede Welle von Entwickleraktivität senkt die Eintrittsbarrieren für die nächste Welle
• Die Zeit von der Idee zum Prototyp und vom Prototyp zum Produkt verkürzt sich
  • Nicht nur die Kosten, sondern auch die Komplexität sinken schnell
  • Über den Wandel der Plattformen hinaus beginnt eine Ära der kreativen Explosion
• Historisch wiederholt sich das Muster, dass am Ende die Plattform gewinnt, die viele Entwickler hat und dauerhaft genutzt wird
  • Wie schon in Steve Ballmers Rede „Developers! Developers! Developers!“ bei Microsoft zu sehen war, sind Entwickler entscheidend
  • Die Plattform, die von Entwicklern angenommen wird und kontinuierliche Skalierung sowie Verbesserungen ermöglicht, wird am Ende den Markt dominieren

The AI Developer Next Door

• Starker Anstieg der Akzeptanz von AI-Entwicklungswerkzeugen (2023–2024, Stack Overflow)
  • Gegenüber 2023 ist der Anteil der Entwickler, die AI-Tools nutzen, 2024 deutlich gestiegen
  • Bei professionellen Entwicklern von 44 % auf 63 %, bei Coding-Lernenden von 55 % auf 65 %
• Explosion von Open-Source-Repositories für AI-Entwickler (GitHub, 11/2022–3/2024)
  • Die Zahl der AI-Developer-Repositories auf GitHub stieg in 16 Monaten um rund 175 %
  • Nach dem Aufkommen wichtiger Modelle und Tools wie ChatGPT und Stable Diffusion ist das Entwicklerökosystem explosionsartig gewachsen
• Ausbau des AI-Entwicklerökosystems (nach Google, monatliche Token-Nutzung)
  • Von 10 Billionen Token im Mai 2024 auf 480 Billionen Token im Mai 2025, also ein 50-facher Anstieg in nur einem Jahr
  • Die Nutzung durch Entwickler wurde über Google Gemini, AI API usw. massiv ausgeweitet
• Wachstum des Microsoft Azure AI Foundry-Ökosystems (vierteljährliche Token-Nutzung)
  • Von 20 Billionen Token im 1. Quartal 2024 auf 100 Billionen Token im 1. Quartal 2025, also eine Verfünffachung
  • Mehr als 70.000 Unternehmen und Entwickler nutzen es bereits
• Größere Vielfalt bei den Einsatzfällen von AI für Entwickler (2024, nach IBM)
  • AI wird in einem breiten Spektrum von Bereichen immer schneller eingesetzt, darunter Code-Generierung, Erkennung/Korrektur von Bugs, Testautomatisierung, Projekt-/Workflow-Management, Dokumentation, Refactoring/Optimierung, Sicherheitsverbesserungen, CI/CD, UX-Design und Architekturplanung

AI Usage + Cost + Loss Growth = Unprecedented

• Wachstum, Kosten und Verluste im AI-Bereich erreichen ein beispielloses Ausmaß
  • Warnsignale wie „Diesmal ist es anders“, „Mit Skaleneffekten kann man Profitabilität erreichen“ oder „Die Nutzer werden später monetarisiert“ führten früher oft zum Scheitern, doch bei Big-Tech-Investitionen gibt es auch reale Erfolgsgeschichten
  • Im aktuellen AI-Wettbewerb treten Kapital in nie dagewesenem Umfang und gründergeführte Großunternehmen gleichzeitig auf den Plan
  • Der Wettbewerb globaler Großmächte wie den USA und China beschleunigt die AI-Innovation
• Bei jeder großen Technologieeinführung gab es einen Wendepunkt
  • Beim PC waren es Macintosh (1984) und Windows 3.0 (1990), beim Internet der Netscape-IPO (1995), bei Mobile der iPhone App Store (2008), bei Cloud AWS (2006–09), bei AI waren NVIDIA A100 (2020) und ChatGPT (2022) entscheidende Auslöser
  • Das Auftreten von DeepSeek in China im Jahr 2025 war das Startsignal für eine verschärfte globale AI-Konkurrenz
• Die Finanzierung des AI-Wachstums stammt aus den enormen Cashflows großer IT-Konzerne und globalem Kapital
  • Die Kombination aus intensivem Wettbewerb, Kapital und Unternehmergeist beschleunigt die AI-Entwicklung
• Allerdings ist noch unklar, welches Geschäftsmodell am Ende als Sieger hervorgehen wird

Technology Disruption Pattern Recognition = Hundreds of Years of Consistent Signals

• In der Geschichte technologischer Umbrüche wiederholt sich der Zyklus aus früher Überhitzung, Kapitalzufluss, zunehmendem Wettbewerb sowie der Trennung in Gewinner und Verlierer
  • Beispiel: Eisenbahnen im 19. Jahrhundert, die Blase der 1840er Jahre, Zusammenbruch der Erwartungen usw.
• Technologien, die massive Kapitalinvestitionen erfordern, zeigen anfangs oft enttäuschende Renditen, verändern im Erfolgsfall aber langfristig die Industriestruktur
  • Wenn sie jedoch nicht vor Wettbewerb geschützt sind, bergen sie hohe Risiken
• Der endgültige Sieger ist nicht immer der Akteur mit der besten Technologie, sondern derjenige, der Markt- und Branchendynamik am klarsten gelesen hat
• In Märkten ohne Eintrittsbarrieren verschwindet der First-Mover-Vorteil schnell
  • Die Lehre lautet: „Die Gewinner neuer Technologien sind schwer vorherzusagen, die Verlierer aber leicht zu erkennen“

AI-Related Monetization = Very Robust Ramps

• Die Entwicklung der AI-Hardwarestrategie: Die Führung bei der Chip-Entwicklung verlagert sich von traditionellen Anbietern zu Plattformunternehmen
  • NVIDIA-GPUs haben lange als Standardmotor für AI-Training und Inference gedient und sich damit eine herausragende Stellung gesichert
  • Wegen der explodierenden Nachfrage bestehen trotz der schnellen Produktionsausweitung von NVIDIA weiter Engpässe, während Hyperscaler und Cloud-Anbieter ihre Lieferketten diversifizieren
• Der Aufstieg maßgeschneiderter Chips (ASICs): Die Einführung von ASICs, die gegenüber universellen GPUs für bestimmte AI-Berechnungen optimiert sind, beschleunigt sich
  • Googles TPU und Amazons Trainium haben sich als Kernelemente der jeweiligen AI-Stacks etabliert
    • Amazon Trainium2 bietet gegenüber allgemeinen GPUs eine 30–40 % bessere Preis-Leistung und kann die Kosten großer Inference-Workloads senken
  • Diese Custom-Chips sind nicht nur Experimente, sondern eine Kernstrategie für Performance, Wirtschaftlichkeit und Architekturkontrolle
• Die Bemühungen zur Verbesserung der Wirtschaftlichkeit von AI-Infrastruktur breiten sich aus
  • Amazon-CEO Andy Jassy: "AI muss nicht zwangsläufig so teuer bleiben wie heute und wird in Zukunft günstiger werden"
  • Custom Silicon ist eines der wichtigsten Mittel zur Senkung der Kosten von AI-Infrastruktur
• Wachstum spezialisierter Unternehmen für AI-Infrastruktur
  • CoreWeave: wuchs schnell, indem das Unternehmen Lieferketten für Gaming- und Krypto-Hardware zu einer GPU-Cloud für AI umgebaut hat
  • Oracle: wandelte sich von traditioneller IT zu einer GPU-Cloud-Plattform mit AI-Fokus
  • Astera Labs: liefert ultraschnelle Verbindungen zwischen GPU und Speicher und hilft so, Leistungsgrenzen großer Modelle zu überwinden
• Diese Unternehmen entwickeln nicht selbst direkt Foundation-Modelle, bauen aber die unverzichtbare Infrastruktur für dieses Ökosystem
  • Mit der stark steigenden Rechennachfrage werden Geschwindigkeit, Verfügbarkeit und Effizienz zu zentralen Wettbewerbsfaktoren

AI Monetization = Chips

• Die Umsätze mit AI-Chips großer Unternehmen wie NVIDIA, Google und Amazon wachsen rasant
  • Der Quartalsumsatz von NVIDIA stieg im Jahresvergleich um 78 % auf über 39 Milliarden US-Dollar, wobei das Datacenter-Segment der Haupttreiber ist
  • In den vergangenen zehn Jahren ist der Umsatz von NVIDIA um das 28-Fache gewachsen; zugleich haben sich die Investitionen in CapEx + R&D der US-Big-Tech-Unternehmen (Apple, Microsoft, Alphabet, Amazon, Meta, NVIDIA) versechsfacht
  • Der TPU-(Tensor Processing Unit)-Umsatz von Google wird auf 8,9 Milliarden US-Dollar geschätzt, ein Plus von 116 % pro Jahr
    • Google TPU ist ein auf das Training von AI-Modellen spezialisierter ASIC-Chip; seit der ersten Version im Jahr 2015 wurden insgesamt mehr als 100.000 Einheiten produziert
  • Der Umsatz mit Amazons AWS-Trainium-Chips soll bis 2025 um 216 % pro Jahr wachsen und 3,6 Milliarden US-Dollar erreichen
    • Trainium2 bietet gegenüber bestehenden GPU-basierten Instanzen eine um 30–40 % bessere Preis-Leistung und bis zu die 4-fache Performance
• Hintergründe des Wachstums im AI-Chip-Markt
  • Mit dem sprunghaften Anstieg der Nachfrage nach AI-Training und Inference explodiert die Nachfrage nach Hochleistungschips wie GPUs und ASICs
  • Führende Cloud- und Hyperscaler-Unternehmen konzentrieren sich auf eigenes Chipdesign und den Ausbau der Lieferkette, um Preiswettbewerbsfähigkeit und Infrastruktureffizienz zu steigern
  • Auf AI spezialisierte Chips wie GPU, TPU und Trainium haben sich zu zentralen Ertragsquellen von Datacentern und zu einem entscheidenden Wettbewerbsfaktor der AI-Infrastruktur entwickelt

AI Monetization = Compute Services

• Wachstum des Marktes für AI-Computing-Services
  • Der auf AI-Infrastruktur spezialisierte Cloud-Anbieter CoreWeave steigerte seinen Umsatz 2024 gegenüber dem Vorjahr um 730 % auf 1,9 Milliarden US-Dollar
  • Große Verträge mit wichtigen Kunden wie OpenAI, ein IPO und die Übernahme von Weights & Biases beschleunigen das Geschäftswachstum
  • Die Nachfrage nach hochperformanter Cloud-Infrastruktur für AI-Workloads steigt explosionsartig, wodurch sich das extrem schnelle Umsatzwachstum bei Infrastruktur-Anbietern fortsetzt
• Ausweitung des AI-Infrastrukturmarktes
  • Der Umsatz von Oracle mit AI-Infrastruktur ist innerhalb von zwei Jahren um das 50-Fache gewachsen und erreichte 2024 950 Millionen US-Dollar (Schätzung von Morgan Stanley)
  • Durch die steigende Nachfrage nach AI-Infrastruktur warten große neue Kundenverträge auf Umsetzung; zudem gibt es umfangreiche Reservierungen, die noch nicht vollständig bedient werden
  • Der Oracle-CEO sagte, dass wegen des Andrangs von AI-Infrastrukturkunden „allein bei neuen Verträgen über 1 Milliarde US-Dollar mehr als 40 Abschlüsse“ anstehen
• Wachstum bei der Konnektivität für AI-Infrastruktur
  • Astera Labs verzeichnete 2024 ein Umsatzwachstum von 242 % gegenüber dem Vorjahr auf 396 Millionen US-Dollar
  • Hochgeschwindigkeits-Konnektivitätsprodukte wie PCIe, CXL und Ethernet werden bei zahlreichen Kunden und Plattformen eingesetzt und etablieren sich als essenzielle Infrastruktur in AI-Datacentern, etwa für GPU-Konnektivität und Backend-AI-Beschleuniger-Cluster
• AI-Datenerfassung und Supercomputing
  • Tesla hat mit dem Dojo-Supercomputer und der großflächigen Einführung von GPUs seine AI-Trainingskapazität gegenüber Juni 2021 um das 8,5-Fache erhöht (Stand: September 2024)
  • Dojo wird nicht nur als Durchbruch bei den eigenen Trainingskosten bewertet, sondern auch als System mit großem Potenzial für eine Umwandlung in einen externen Service wie AWS
  • Elon Musk sagte, das „Potenzial von Dojo ist sehr groß“

AI Monetization = Data Layer

• Die Monetarisierung der AI-Datenschicht beschleunigt sich
• Scale AI steigerte den Umsatz von 335 Millionen US-Dollar im Jahr 2023 auf 870 Millionen US-Dollar im Jahr 2024, ein Plus von 160 %
  • Das Unternehmen stellt zentrale Infrastruktur für die Skalierung von Frontier-LLMs bereit, etwa Datenlabeling, Evaluierung und den Aufbau von Pipelines
  • Vorgestellt wurde die Vision: „Datenfülle ist eine Entscheidung, und wir werden die Grenzen von AI nicht durch Datenmangel bestimmen lassen“
  • Allein 2024 wurden neue Verträge im Wert von über 1,5 Milliarden US-Dollar gesichert
• VAST Data erreichte von Januar 2019 bis Mai 2025 einen kumulierten Umsatz von 2 Milliarden US-Dollar
  • Das Unternehmen vereinfacht die AI-Infrastrukturebene und bietet Services für Datenspeicherung, -verwaltung und -verarbeitung
  • Mit dem Aufstieg von AI-Reasoning-Modellen rückt die Bedeutung der Dateninfrastruktur stärker in den Vordergrund
  • Hervorgehoben wird: „Um das größte Potenzial im Zeitalter der AI zu realisieren, ist die Vereinfachung grundlegender Probleme der Schlüssel“

Hohes Umsatzwachstum, massiver Cash Burn, hohe Unternehmensbewertungen, hohes Investitionsvolumen = gut für Verbraucher, alles andere noch offen

• Mit dem Wachstum der globalen digitalen Nutzerbasis und der Möglichkeit stark steigender Nutzung wird der Bereich der Unternehmensinvestitionen zunehmend wettbewerbsintensiv und kapitalintensiv
  • Die kreative Zerstörung im AI-Technologiezyklus weist Ähnlichkeiten mit den Wachstumsphasen früherer großer IT-Unternehmen auf
• Beispiele früherer großer Tech-Unternehmen wie Apple, Amazon, Google, Uber und Tesla:
  • Apple: von einer Marktkapitalisierung von 1,7 Milliarden US-Dollar im Jahr 1997, kurz vor der Insolvenz, auf heute 3,2 Billionen US-Dollar gewachsen
  • Amazon: Im Jahr 2000 ein Verlust von 545 Millionen US-Dollar in nur einem Jahr, über 27 Quartale nach der Gründung ein kumulierter Verlust von 3 Milliarden US-Dollar; in den jüngsten 27 Quartalen wurde dagegen ein Nettogewinn von 176 Milliarden US-Dollar erzielt, bei einer Marktkapitalisierung von 2,2 Billionen US-Dollar
  • Google: Beim IPO 2004 wurden 22 % des Umsatzes von 390 Millionen US-Dollar in CapEx investiert; von einer IPO-Marktkapitalisierung von 23 Milliarden US-Dollar auf heute 2 Billionen US-Dollar
  • Uber: Von 2016 bis 2022 wurden 17 Milliarden US-Dollar an Liquidität verbrannt; 2023 gelang erstmals der Turnaround in die Gewinnzone; von einer IPO-Marktkapitalisierung von 82 Milliarden US-Dollar auf heute 189 Milliarden US-Dollar
  • Tesla: Von 2009 bis 2018 wurden 9,2 Milliarden US-Dollar verbrannt; nach dem ersten Turnaround in die Gewinnzone 2019 wurden in fünf Jahren 40 Milliarden US-Dollar Nettogewinn erzielt; aktuelle Marktkapitalisierung 1,1 Billionen US-Dollar
• All diese Unternehmen nahmen mutige Investitionen und langanhaltende Verluste in Kauf, bauten datengetriebene Netzwerkeffekte und technologiebasierte Wettbewerbsvorteile auf und konnten ihren Wert letztlich am Markt beweisen
• Letztlich muss der Unternehmenswert (Valuation) durch den Gegenwartswert künftiger Free Cashflows gerechtfertigt sein
• Auch im AI-Bereich wird letztlich erst die Zeit zeigen, welche Akteure nachhaltig Gewinne erzielen können

Usage + Cost + Loss Growth = beispiellos… zukünftige Monetarisierung und Gewinne?

AI Monetization Possibilities = New Entrants & / Or Tech Incumbents?

• Um die Entwicklung der ökonomischen Struktur von AI-Modellen zu verstehen, muss man die Spannung zwischen Leistungsfähigkeit und Kosten betrachten
• Das Training hyperskaliger LLMs gehört zu den teuersten Vorhaben der Menschheitsgeschichte; mit zunehmender Parameterzahl und architektonischer Komplexität steigen die Kosten auf Milliardenhöhe
• Gleichzeitig sinken die Inference-Kosten durch Hardware-Innovationen und effizientere Algorithmen drastisch
  • Beispiel: Die NVIDIA Blackwell GPU 2024 senkt den Energieverbrauch pro Token im Vergleich zu Kepler aus dem Jahr 2014 um das 105.000-Fache
• Je günstiger Inference wird, desto intensiver wird der Wettbewerb zwischen LLM-Anbietern bei Genauigkeit, Latenz, Verfügbarkeit und Kosten pro Token, und zuvor teure Aufgaben werden nun zu nahezu vernachlässigbaren Kosten möglich
• Für Nutzer und Entwickler wirken die sinkenden Stückkosten als Chance, wodurch neue Services und Anwendungsfälle explosionsartig zunehmen
• Für Modellanbieter dagegen werden Monetarisierung und Gewinnmodell unsicherer
  • Das Training bleibt teuer, während die Bereitstellung günstiger wird, wodurch die Pricing Power sinkt
  • Der Markt für maßgeschneiderte kleine Modelle entsteht und schwächt bestehende Business Moats
• Beispiel: Google führte AI Overviews ab Mai 2024 in der Suche ein (1,5 Milliarden MAU im April 2025) und hat kürzlich begonnen, bei einem Teil davon Werbung einzublenden
• Künftig dürfte sich der Wettbewerb um Plattformstrategien (horizontale Expansion), spezialisierte Anwendungen und verschiedene Monetarisierungsmodelle wie Abos und Werbung weiter beschleunigen
• Kurzfristig nähert sich die Ökonomie allgemeiner LLMs immer stärker venture-typischen Verlusten und einem Wettbewerb der Kommodifizierung an

AI – New Entrants = Rapidly Laying Groundwork

• Stand der Einführung von verbraucherbasierten Abonnementmodellen bei wichtigen Anbietern von AI-basierten Foundation-Modellen (Stand: Mai 2025)
  • Verschiedene Modelle wie OpenAI ChatGPT, xAI Grok, Google Gemini, Anthropic Claude und Perplexity bieten kostenlose/kostenpflichtige Abonnements an
    • OpenAI ChatGPT: $0 (kostenlos) / $20 (Plus) / $200 (Pro) (pro Monat)
    • xAI Grok: $0 (kostenlos) / $3 (Basic) / $8 (Premium) / $40 (Premium+) (pro Monat)
    • Google Gemini: $0 (kostenlos) / $19.99 (AI Pro) / $250 (AI Ultra) (pro Monat)
    • Anthropic Claude: $0 (kostenlos) / $17 (Plus) / $100 (Max) (pro Monat)
    • Perplexity: $0 (kostenlos) / $20 (Pro) (pro Monat)
• Stand der Einführung von Entwickler-API-Tarifen bei AI-basierten Foundation-Model-Anbietern (Stand: Mai 2025)
  • OpenAI, xAI Grok, Google Gemini, Anthropic Claude und Perplexity berechnen Gebühren pro API-Aufruf-Einheit
    • OpenAI ChatGPT: $0.40 (GPT-4.1 nano) bis $40 (o3) pro 1 Million Tokens
    • xAI Grok: $0.50 (grok-3-mini-beta) bis $25 (grok-3-fast) pro 1 Million Tokens
    • Google Gemini: $0.15 (1.5 Flash-8B) bis $15 (2.5 Pro Preview) pro 1 Million Tokens
    • Anthropic Claude: $1.25 (Claude 3 Haiku) bis $75 (Claude 3 Opus) pro 1 Million Tokens
    • Perplexity: $1 (Sonar) bis $15 (Sonar Pro) pro 1 Million Tokens

AI – Neue Marktteilnehmer = Rasantes Umsatzwachstum

• Wachstum bei zahlenden Abonnenten und Jahresumsatz von OpenAI (Oktober 2022 bis April 2025)
  • Die Zahl der zahlenden ChatGPT-Abonnenten stieg jährlich um 153 % und erreichte im April 2025 rund 20 Millionen
  • Der Jahresumsatz von OpenAI stieg um 1050 % und überschritt im April 2025 3,7 Milliarden US-Dollar
• Der auf API und generativer Suche basierende annualisierte Umsatz von Anthropic wuchs in 18 Monaten um das 20-Fache (2 Milliarden US-Dollar)
  • Strategie mit neuen, auf Reasoning fokussierten Modellen wie Claude 3.7 Sonnet sowie eine breitere Nutzung von AI für reale Arbeitsabläufe
  • Wachstum um das 6,4-Fache innerhalb eines Jahres
• Der auf generativer Suche basierende annualisierte Umsatz von Perplexity wuchs in 14 Monaten um das 7,6-Fache (120 Millionen US-Dollar)
  • Hervorgehoben werden Quellenangaben für alle Antworten sowie Funktionen als personalisierter Research-Assistent
• Der annualisierte Umsatz von Glean mit Enterprise Search und Agents wuchs in 24 Monaten um das 10-Fache (100 Millionen US-Dollar)
  • Unterstützung großer Unternehmen bei der Einführung von AI, ausgelegt auf die Nutzung des gesamten Organisationswissens
• AI-Unternehmen (Top 100) benötigen im Durchschnitt 24 Monate, um einen annualisierten Umsatz von 5 Millionen US-Dollar zu erreichen
  • 35 % schneller als klassische SaaS-Unternehmen (SaaS-Durchschnitt 37 Monate, AI-Durchschnitt 24 Monate)

AI – Etablierte Tech-Unternehmen = Breite und stetige Produkt-/Feature-Rollouts

• Globale AI-Nutzer- und Gerätebasis von etablierten Tech-Unternehmen im Vergleich zu den 800 Millionen ChatGPT-Nutzern
  • Google, Meta, Apple, TikTok, Microsoft, Spotify, Amazon, X und Canva erweitern ihre AI-Produkte schrittweise auf Basis von Hunderten Millionen bis Milliarden Nutzern
• Canva – Background Remover & Magic Media (12/19)
  • Die 2019 eingeführte Funktion zum Entfernen von Bildhintergründen erfreut sich anhaltender Beliebtheit und wurde kumuliert mehr als 3 Milliarden Mal genutzt
  • Magic Media (Text→Bild/Video), 2024 eingeführt, erhielt starke Resonanz aus der Community und erzeugte innerhalb eines Jahres nach dem Start mehr als 290 Millionen Inhalte
• Spotify – AI DJ (2/23)
  • Innovative Funktionen wie AI DJ und AI-Musikvideos wurden seit Februar 2023 weltweit eingeführt und waren Stand Mai 2024 in mehr als 60 Ländern verfügbar
  • AI DJ steigert Nutzerzufriedenheit und Servicequalität von Spotify durch personalisierte Musikempfehlungen, Interaktion und datenbasiertes Echtzeit-Reasoning
• Microsoft – Copilot (2/23)
  • Microsoft führte Copilot im Februar 2023 in Bing und Edge ein und verzeichnete bis Dezember 2024 kumuliert mehr als 15 Milliarden Konversationen
  • Copilot bietet neue AI-basierte Nutzererlebnisse in Websuche, Browser und Office-Tools und trägt zu mehr Effizienz und Kreativität im Arbeitsalltag bei
• Meta Platforms – Meta AI (9/23)
  • Stand April 2025 nähert sich Meta AI app-übergreifend in Instagram, Messenger, WhatsApp und weiteren Diensten 1 Milliarde monatlich aktiven Nutzern (MAU)
  • Betont wird eine Strategie, künftig die Führung bei der Entwicklung von AI-Agents auf dem Niveau von Mid-Level-Ingenieuren sowie bei AI-Forschung und Feldeinsatz zu gewinnen
• X – Grok (11/23)
  • Mit dem Start von Version 3.0 im Februar 2025 stiegen die globalen Desktop-Besuche von xAIs Grok im Vergleich zum Vormonat um das 42-Fache auf mehr als 150 Millionen
  • Hervorgehoben werden die Wahrheitssuche der AI (value alignment) und großflächige Bereitstellung, während die AI-Erfahrung innerhalb der X-Plattform ausgebaut wird
• Google – Gemini & AI Overviews (12/23)
  • Stand Mai 2024 erreichte der Gemini-Chatbot 400 Millionen MAU, AI Overviews ist in die Google-Suche eingebettet und erreicht 1,5 Milliarden monatliche Nutzer
  • Zu den Stärken zählen multimodale AI-Modelle für verschiedene Datentypen (Text, Code, Bilder, Audio usw.) sowie AI-Zusammenfassungen innerhalb der Suche
• Amazon – Rufus (2/24)
  • Im Februar 2024 führte Amazon Rufus AI im nordamerikanischen Retail-Bereich ein und verbesserte personalisierte Empfehlungen etwa bei Produktinformationen und Review-Zusammenfassungen
  • Parallel zum Wachstum des Bruttowarenvolumens (GMV) im Retail-Geschäft nimmt auch die AI-Nutzung kontinuierlich zu
• TikTok – Symphony AI Assistant (6/24)
  • Seit der Einführung von Symphony Assistant im Juni 2024 wurden auf der globalen TikTok-Website mehr als 2 Milliarden Besucher erfasst
  • AI erzielt konkrete Ergebnisse bei Content-Erstellung für Marken und Creator, Werbeeffizienz und Markenaffinität
• Apple – Apple Intelligence (10/24)
  • Zwischen September 2024 und März 2025 erreichten die Verkäufe von Geräten mit Unterstützung für Apple Intelligence, darunter iPhone 15 Pro/Pro Max und die iPhone-16-Serie, 50 bis 70 Millionen Einheiten
  • Im Fokus steht die Bereitstellung personalisierter, datenschutzorientierter AI-Erlebnisse auf Basis lokaler Rechenleistung durch die Verzahnung von Hardware und Software

AI – Etablierte Tech-Unternehmen = Rasantes Umsatz- und Kundenwachstum

• Microsoft AI-Produktumsatz
  • Für 2024 wird der jährliche Umsatz im KI-Produktsegment von Microsoft auf 13 Milliarden US-Dollar geschätzt, ein Anstieg von 175 % gegenüber dem Vorjahr
  • Verschiedene KI-Produktlinien wie Azure AI Services, Microsoft 365 Copilot und Dynamics 365 Copilot treiben das Umsatzwachstum an
  • CEO Satya Nadella erklärte, man unterstütze Kunden dabei, den Return on Investment (ROI) ihrer KI-Investitionen zu realisieren, und erschließe dabei enorme Chancen
  • Bei der Bekanntgabe der Ergebnisse für das 1. Quartal 2025 wurde hervorgehoben, dass die Commercial bookings um 18 % gestiegen sind
• xAI: Generative Search
  • 2025 wird der Jahresumsatz von xAI voraussichtlich deutlich anziehen
  • Das neueste Modell Grok 3, basierend auf dem Colossus-Supercomputer und mit mehr als der zehnfachen Rechenleistung, verbessert die Performance bei anspruchsvollen Aufgaben in den Bereichen Schlussfolgern, Mathematik, Coding und wissensbasierte Arbeit
  • CEO Elon Musk betonte, es handle sich um eine „wahrheitssuchende KI, die auch politisch unbequeme Wahrheiten verfolgt“
• Palantir USA Commercial Customers
  • Bei Palantir ist die Zahl der kommerziellen Kunden in den USA innerhalb eines Jahres um 65 % auf 432 gestiegen
  • Die eigene KI-Plattform AIP (Artificial Intelligence Platform) trägt zur Gewinnung neuer Kunden und zum Ausbau bestehender Kundenbeziehungen bei
  • 2025 wird der kommerzielle Umsatz in den USA auf Jahresbasis 1 Milliarde US-Dollar überschreiten
  • Palantirs Wettbewerbsstärke liege darin, „über die AI Ontology den Kontext im Unternehmen zu maximieren und differenzierte Umsetzungsstärke zu liefern“

AI Monetization Possibilities – Enterprise = Horizontal Platform &/Or Specialized Software?

• Monetarisierungsrichtungen für Enterprise-KI
  • Klassische Business-Software ist bislang als auf bestimmte Branchen und Aufgaben spezialisierte Tools (Vertical SaaS) gewachsen
  • Toast (Restaurants), Guidewire (Versicherungen) und Veeva (Life Sciences) sind Beispiele für branchenspezifische Lösungen, die ihre Märkte anführen
  • Doch mit dem Aufkommen von Foundation Models und Generative AI eröffnen sich in vielen Bereichen neue Monetarisierungsmöglichkeiten
• Aufstieg horizontaler Plattformen
  • Horizontale Enterprise-Plattformen entstehen, die KI-native Produktivität, Suche, Kommunikation und Wissensmanagement in einer einzigen Oberfläche integrieren
  • Beispiel: eine Kombination aus Slack + Notion + ChatGPT, die KI-Intelligenz im gesamten Arbeitskontext einer Organisation verankert statt in einzelnen SaaS-Produkten
  • Die Wertschöpfung verlagert sich von SaaS-Lizenzverkäufen hin zu Preismodellen auf Basis KI-gestützter Ergebnisse
• Wettbewerb zwischen horizontalen Plattformen und spezialisierter Software
  • Microsoft integriert Copilot unternehmensweit, während Zoom und Canva Generative AI in die Workflows der Nutzer einbinden
  • Databricks und andere integrieren KI in den Daten- und Entwickler-Stack
  • Startups wie Glean fordern mit AI-first-Workflows das traditionelle Suite-Modell heraus
  • Gleichzeitig reagieren auch bestehende Anbieter spezialisierter Software, indem sie KI integrieren, Workflows automatisieren und schnell Modelle einführen, die mit branchenspezifischen Daten angepasst sind
  • Diese spezialisierten Anbieter verfügen bereits über Vertrauen, strukturierte Daten und operative Workflows und haben damit Vorteile bei der Bereitstellung domänenspezifischer KI
• Ausblick
  • Horizontale Plattformen haben Stärken bei der Integration vielfältiger Funktionen und der Verknüpfung von Wissen im gesamten Unternehmen
  • Spezialisierte Anbieter differenzieren sich durch tiefgehende KI-Funktionen, die auf Regulierung, Verträge und Kundenkontext in einzelnen Branchen zugeschnitten sind
  • Entscheidend ist, wer die Kernschicht abstrahiert und die Kontrolle über Benutzeroberfläche sowie Geschäftslogik gewinnt
  • Monetarisierung im KI-Zeitalter wird nicht nur durch Nutzung bestimmt, sondern durch „Attention“, „Context“ und „Control“

SaaS-Incumbents

• Microsoft GitHub Copilot
  • Offiziell gestartet im Juni 2022
  • In mehr als 77.000 Unternehmen eingeführt
  • 180 % Wachstum gegenüber dem Vorjahr über zwei Jahre
  • Entwickler-Community mit 150 Millionen Menschen, 50 % Wachstum in zwei Jahren
  • Mehr als 500 Millionen US-Dollar Jahresumsatz (auf Quartalsbasis)
• Microsoft 365 Copilot
  • Im März 2023 angekündigt, seit November 2023 offiziell für Unternehmenskunden verfügbar
  • Innerhalb des ersten Quartals nach dem Start haben viele Bestandskunden die Zahl der Seats um mehr als das Zehnfache ausgeweitet
  • Die Zahl der Nutzer steigt quartalsweise auf mehr als das Doppelte
  • Auch die Nutzungsquote unter Mitarbeitern ist stark gestiegen, zuletzt um mehr als 60 %
  • Mehr als 75 % der CIOs planen eine Einführung innerhalb der nächsten 12 Monate
• Adobe Firefly
  • Public Beta im März 2023, Kommerzialisierung des KI-Videomodells im Februar 2024
  • Hohe Bewertung durch Marken und Kreative
  • Insgesamt mehr als 20 Milliarden erzeugte Firefly-Assets
  • Mehr als 90 % der zahlenden Nutzer haben Videoerstellung genutzt
  • Monatlich aktive GenAI-Nutzer in Photoshop bzw. Lightroom bei 35 % und 30 %
• Atlassian Intelligence
  • Beta seit Dezember 2023, im Dezember 2024 über 1 Million MAU
  • Nutzung der KI-Funktionen innerhalb eines Jahres um das 25-Fache gestiegen
  • Mehr als 10 % der Kunden haben Atlassian Intelligence eingeführt
• Zoom AI Companion
  • Start im September 2023, bis Dezember 2024 in 3,5 Millionen Accounts eingeführt
  • Zahl aktiver Accounts pro Quartal um 68 % gestiegen
  • AI Companion 2.0 bietet erweiterte Funktionen wie Memory, Reasoning und Integrationen
• Canva Magic Studio
  • Start im Oktober 2023, bis Mai 2025 kumuliert 16 Milliarden Nutzungen der KI-Tools
  • Im Einsatz in der gesamten Community aus Kreativen, Unternehmen und Non-Profits
  • Mehr als 10 Milliarden verzeichnete Nutzungen der KI-Tools
• Salesforce Agentforce
  • Im September 2024 angekündigt, bis Februar 2025 3.000 bezahlte Verträge abgeschlossen
  • In Verbindung mit der Data Cloud treibt es groß angelegte Innovationen im Kundenerlebnis voran
  • Anhaltendes Wachstum des AI ARR von mehr als 120 % pro Jahr

OpenAI ChatGPT = Potenzielle horizontale Enterprise-Plattform?

• Microsoft Office Suite
  • Besteht aus 9 Anwendungen (Outlook, Word, Excel, PowerPoint usw.)
  • Über 34 Jahre hinweg mehr als 400 Millionen zahlende Nutzer gewonnen (1990–2024)
• OpenAI ChatGPT
  • Hat trotz nur einer einzigen Anwendung in nur 2,5 Jahren 20 Millionen zahlende Nutzer erreicht (November 2022 bis April 2025)
• ChatGPT Enterprise Expansion
  • Innerhalb von 9 Monaten nach dem Start von Teams in mehr als 80 % der Fortune-500-Unternehmen eingeführt
  • Nutzerunternehmen gaben an, die einfache Bereitstellung und den sicheren Ansatz zu bevorzugen
  • Frühe Unternehmenskunden nutzen ChatGPT Enterprise aktiv für bessere interne Kommunikation, beschleunigte Coding-Arbeit, schnelle Antworten auf komplexe Geschäftsfragen und Unterstützung kreativer Arbeit
  • ChatGPT Enterprise hat keinerlei Nutzungslimits und bietet im Vergleich zur kostenlosen Version eine bis zu doppelt so hohe Geschwindigkeit
  • Auch erweiterte Datenanalysefunktionen (früher Code Interpreter) sind unbegrenzt verfügbar
  • Zwischen August 2023 und Februar 2025 stieg die Zahl der Enterprise-, Team- und Education-Nutzer schnell auf 2 Millionen

AI-Enabled Specialized Software @ Large Service Industries = Wächst sehr schnell

• Software Engineering
  • Cursor AI: ARR (Annual Recurring Revenue) in 25 Monaten von $1M auf $300M gesteigert
  • Cursor ist ein AI-Code-Editor und bietet ein innovatives Nutzererlebnis beim Schreiben von Code, Refactoring und Automatisierung
  • Täglich werden mehr als 1 Milliarde Zeichen bearbeitet, bei wiederkehrenden Umsätzen von über $100M
• Produktentwicklung (No-Code Product-Building)
  • Lovable: ARR in 5 Monaten um das 13-Fache auf $50M gesteigert
  • AI-basierte No-Code-Plattform, die aus Produktideen in natürlicher Sprache automatisch Frontend-/Backend-Code, DB-Integration und Deployment erzeugt
  • Unterstützt dabei, dass jeder schnell Produkte entwickeln und ein Business starten kann
• Gesundheitswesen (klinische Gespräche)
  • Abridge: CARR (Contracted Annual Recurring Revenue) in 5 Monaten von $50M auf $117M gewachsen
  • Eingeführt bei rund 25.000 medizinischen Fachkräften, 40 Krankenhäusern und 600 Gesundheitseinrichtungen; mehr als 10 Millionen Mal für die Zusammenfassung von Patientenbesuchen genutzt
  • Zahlreiche positive Rückmeldungen von den nutzenden Fachkräften
• Rechtswesen (Workflow-Automatisierung)
  • Harvey: ARR in 15 Monaten von $10M auf $70M gesteigert, 235 Kunden in 42 Ländern gewonnen
  • Von den meisten der 10 größten US-Kanzleien eingeführt und treibende Kraft bei der Automatisierung von Workflows sowie Effizienzinnovationen in Rechts- und Professional-Services
• Kundensupport (AI Support Agents)
  • Decagon: ARR in 1 Jahr von rund $1M auf $10M gesteigert
  • AI-Support-Agenten automatisieren wiederkehrende Aufgaben, während sich Kundensupport-Rollen zu AI-Manager-Rollen wandeln
  • Weiteres Wachstum im Jahr 2025 erwartet
• Finanzdienstleistungen (Research und Analyse)
  • AlphaSense: ARR in 2 Jahren von rund $150M auf $420M gesteigert
  • AI-basierte Insights werden zum Marktstandard und liefern fortschrittliche Lösungen für Marktinformationen und Workflows
  • Fokus auf Produktinnovation und Technologieinvestitionen, mit anhaltend hohem Wachstum 2025

Bedrohungen für die AI-Monetarisierung = zunehmender Wettbewerb + Open-Source-Dynamik + Chinas Aufstieg

Zunehmender Wettbewerb = Veröffentlichungen von AI-Modellen

• Nach Googles Transformer-Paper „Attention is All You Need“ aus dem Jahr 2017 begann die erste AI-Innovationswelle rund um LLMs (Large Language Models)
  • OpenAIs GPT-3 und Metas Llama-1 bewiesen durch großskaliges Training zur Textvorhersage das Potenzial allgemeiner Schlussfolgerungsfähigkeiten
• Doch menschliche Kommunikation ist nicht nur auf Text beschränkt
  • Bilder, Audio, Video, Sensordaten und andere Signale vermitteln den Kontext realer Situationen wesentlich reichhaltiger
  • Mehrere Unternehmen wie Google, Anthropic und xAI erweitern Sprachmodelle deshalb zu multimodalen Modellen (Verarbeitung mehrerer Datenformate)
    Die Entwicklung multimodaler AI-Modelle
  • Text-, Bild-, Sprach- und Videoinformationen werden in einem gemeinsamen Vektorraum integriert, um sie zu verstehen und zu erzeugen
  • Für eine einzelne Anfrage können zugleich Absatztext und Diagramm berücksichtigt werden, während die Antwort als Sprachzusammenfassung oder kommentiertes Bild zurückgegeben werden kann
  • Eine Struktur, die ohne Systemwechsel frei zwischen allen Datenformaten wechseln kann
• Beispiele für die Entwicklung in den einzelnen Phasen
  • 2021 OpenAI CLIP: Integration von Bild und Sprache
  • 2023 Meta ImageBind, 2024 Chameleon: Zusammenführung von Bild, Sprache und Video
  • 2024–2025 GPT-4o, Claude 3, Chameleon: Auftreten vollständig multimodaler Frontier-Modelle
• Praktische Wirkung im Einsatz
  • Außendienstingenieure prüfen Anlagestörungen in Echtzeit per Smartphone-Kamera
  • Medizinisches Personal erstellt mit angehängten X-rays gleichzeitig Entwürfe strukturierter Behandlungsberichte
  • Analysten fragen Charts, Transkripte und Audioclips in einer einzigen Query ab und erhalten eine integrierte Analyse
  • Weniger Context Switching als bei textbasierten Modellen, reichhaltigere Erfassung von Informationen und Innovationsschübe für vision- und sprachzentrierte Services

Open-Source-Dynamik bei Modellen

• Die Entwicklung von AI-Modellen war in der Frühphase (2012–2018) vor allem Open Source geprägt
  • Basierend auf akademischer Forschung und einer Kultur der Zusammenarbeit wurden Modelle, Code und Daten offengelegt
• Seit 2019 entstanden durch Kommerzialisierung, Sicherheitsaspekte und intensiveren Wettbewerb geschlossene (Closed-Source-)Modelle
  • Ab der Veröffentlichung von GPT-2 wurden Gewichte und Trainingsdaten wichtiger Modelle nicht mehr öffentlich gemacht
  • OpenAI GPT-4, Anthropic Claude und andere werden mit großen proprietären Datensätzen und hohem Kapitaleinsatz entwickelt und als API bereitgestellt
  • Sie haben Stärken bei Performance, Nutzbarkeit und Zuverlässigkeit und werden daher von Großunternehmen, Regierungen und Verbrauchern bevorzugt
  • Gleichzeitig bleibt mangelnde Transparenz bei Trainingsdaten, Modellarchitektur und Fine-Tuning-Methoden ein Nachteil
• In jüngster Zeit gewinnen Open-Source-Modelle wieder an Bedeutung
  • Entwicklungs- und Nutzungskosten sind niedriger, die Zugänglichkeit ist hoch, weshalb sie bei Startups, Entwicklern und in der Wissenschaft beliebt sind
  • Über Plattformen wie Hugging Face lassen sich aktuelle Modelle wie Meta Llama und Mistral Mixtral einfach herunterladen und einsetzen
  • Die AI-Entwicklung verlagert sich von riesigen Laboren wieder stärker zu individueller und Community-basierter Experimentierarbeit
  • Schnelle Experimente, Zusammenarbeit und Community-Beteiligung beschleunigen Innovationen
• China liegt bei der Zahl veröffentlichter großer Open-Source-AI-Modelle im Jahr 2025 weltweit auf Platz 1
  • 2025 wurden große Modelle wie DeepSeek-R1, Alibaba Qwen-32B und Baidu Ernie 4.5 veröffentlicht
• Klare Differenzierung zwischen Closed Source und Open Source
  • Open Source: treibt souveräne AI, lokalisierte Sprachmodelle und Community-basierte Innovationen voran
  • Closed Source: im Vorteil im Verbrauchermarkt und bei der Einführung in Großunternehmen, mit Fokus auf Optimierung und Nutzbarkeit
  • Die beiden Paradigmen Offenheit/Geschwindigkeit/Freiheit versus Sicherheit/Optimierung/Kontrolle konkurrieren miteinander und prägen die Zukunft der AI

Steigende Performance von Open-Source-Modellen + sinkende Token-Kosten = explosionsartiger Anstieg der Nutzung durch Entwickler, die AI verwenden

• Zu Beginn dominierten geschlossene Modelle wie GPT-4, Claude und Gemini den Verbraucher- und Großunternehmensmarkt
  • Einfache Onboarding-Prozesse, saubere UI/UX und hohe Zuverlässigkeit verschafften ihnen Vorteile bei öffentlicher Wahrnehmung und Unternehmenseinführung
  • Sie boten Sicherheit, Komfort und einen starken Namen, sodass auch nichttechnische Nutzer sie leicht einsetzen konnten
• Inzwischen schließt sich die Performance-Lücke bei Open-Source-Modellen schnell
  • Llama 3, DeepSeek und andere haben bei Schlussfolgerungsfähigkeit, Coding und Mehrsprachigkeit ein Niveau erreicht, das mit geschlossenen Modellen konkurrieren kann
  • Sie lassen sich frei herunterladen, fine-tunen und lokal deployen, bei deutlich geringeren Kosten
• Vor allem unter Entwicklern beschleunigt sich die Einführung von Open-Source-AI-Modellen
  • Entwickler bevorzugen eher Anpassbarkeit und niedrige Kosten bei hoher Leistung als eine vollständig ausgereifte UX
  • In Bereichen wie Apps, Agents und Pipelines gibt es rege Innovationsexperimente auf Basis von Open-Source-Modellen
• Dank fallender Token-Preise und besserer Leistung von Open-Source-Modellen steigt die Zahl der Entwickler, die AI einsetzen, explosionsartig
  • Früher war die Abhängigkeit von geschlossenen APIs hoch, heute ist ein direkter Aufbau und Ausbau sowohl lokal als auch in der Cloud möglich
• Für eine breite Nutzung bei Verbrauchern und Großunternehmen gibt es noch Grenzen
  • Open Source hat Schwächen bei Brand Power, benutzerfreundlicher UX und Managed Services
  • Wenn die Infrastruktur jedoch bequemer wird und der Kosten-/Leistungsvorteil bestehen bleibt, ist auch eine Ausweitung in den Massenmarkt möglich

Chinas Aufstieg

• Meta-CTO Andrew Bosworth vergleicht AI derzeit mit einem „space race“ und bewertet dabei insbesondere Chinas Fähigkeiten sehr hoch
  • So wie das frühere Wettrennen im All den Charakter eines Systemwettbewerbs hatte (Innovationstempo, globales Vertrauen), könnte auch der AI-Wettbewerb die Weltordnung beeinflussen
• China hat im Zuge der Politik „Made in China 2025“ einen raschen Wandel von kostengünstiger Fertigung hin zu einem führenden Hightech-Staat vollzogen
  • Mit Fokus auf Robotik, Elektrifizierung, Informationstechnologie und AI auf Weltniveau werden die Fähigkeiten in strategischen Industrien schnell ausgebaut
• Militärische und staatlich-strategische Anwendung chinesischer AI
  • Der Einsatz von AI wird in der gesamten nationalen Sicherheit ausgeweitet, etwa für Gefechtslogistik, Zielerkennung, Cyber-Operationen und autonome Entscheidungsplattformen
  • 2025 betonten staatliche Medien auch den Einsatz von AI in unterstützenden Militärbereichen (nicht im Gefecht), z. B. in Militärkrankenhäusern
  • Das Ministerium für Wissenschaft und Technologie hat „indigenous innovation“ als nationale Kernaufgabe klar benannt
• Globale Auswirkungen eines chinesischen AI-Vorsprungs
  • OpenAI-Sam Altman warnte in einem Gastbeitrag 2024: „Falls autoritäre Regime bei AI die Oberhand gewinnen, könnten sie Unternehmen in den USA und anderen Ländern zur Datenweitergabe zwingen und AI für die Überwachung der eigenen Bevölkerung oder die Entwicklung von Cyberwaffen einsetzen.“
• Verschärfung des Technologie-Hegemoniewettbewerbs zwischen den USA und China
  • Nicht nur bei AI, sondern auch bei seltenen Erden, Halbleitern und anderen Hightech-Bereichen nimmt der Wettbewerb um Kontrolle zu
  • China behauptet seine globale Stärke bei seltenen Erden (Schlüsselmaterialien für fortschrittliche Elektronik, Verteidigung und saubere Energie), während die USA mit Semiconductor-Reshoring (Rückverlagerung der Inlandsproduktion) und engerer Zusammenarbeit mit Verbündeten wie Japan, Südkorea und den Niederlanden gegenhalten
  • Taiwans TSMC bildet eine tragende Säule der weltweiten Halbleiter-Foundry-Industrie und steht im Zentrum der strategischen Kalkulationen sowohl der USA als auch Chinas
• Veränderung der politischen Grundlinie in den USA
  • Nach 20 Jahren eher zögerlicher Reaktion erkennen inzwischen beide Parteien Hightech-Industrien aktiv als „Kern des nationalen Interesses“ an
  • Biden-Regierung: Exportkontrollen; Trump-Regierung: wirtschaftlicher Nationalismus und Reshoring – unterschiedliche Ansätze
  • Die Senatoren John Cornyn und Mark Warner: „Die amerikanische Halbleiterinnovation hat die gesamte Wirtschaft getragen, doch Selbstzufriedenheit hat Wettbewerbern – einschließlich Gegnern – die Möglichkeit gegeben aufzuholen.“
• Bedeutung des Schutzes amerikanischen geistigen Eigentums (IP) im Technologiebereich
  • OpenAI erklärte, dass Wettbewerber wie China fortlaufend versuchen, führende amerikanische AI-Modelle per Reverse Engineering nachzubauen, und dass eine enge Zusammenarbeit mit der Regierung unverzichtbar sei
• Veränderte Sicht auf die US-chinesischen Beziehungen
  • Anders als in der frühen Phase nach dem WTO-Beitritt (2000er-Jahre) ist den USA heute klar bewusst, dass fortschrittliche Technologien wie AI, Halbleiter und kritische Mineralien nicht nur wirtschaftliche und industrielle Vermögenswerte sind, sondern eine zentrale Säule nationaler Resilienz und geopolitischer Stärke

Public Market Capitalization Leader Tells of Last Thirty Years = Extraordinary USA Momentum…China Rising

• Von den 30 weltweit nach Marktkapitalisierung größten Unternehmen der vergangenen 30 Jahre (1995–2025) sind nur 6 dauerhaft vertreten geblieben
  • Microsoft, Walmart, Exxon Mobil, Procter & Gamble, Johnson & Johnson, Coca-Cola
  • Neu in die Spitzengruppe aufgestiegene Unternehmen
    • NVIDIA, Apple, Amazon, Alphabet(Google), Saudi Aramco, Meta Platforms(Facebook), Tesla, Broadcom, Berkshire Hathaway, TSMC, JP Morgan Chase, Visa, Eli Lilly, Tencent, Mastercard, Netflix, Costco Wholesale, Oracle, Home Depot, SAP, Bank of America, ICBC, AbbVie, Palantir
  • Anteil nach Ländern im Jahr 1995
    • USA: 53 % (16 von 30 Unternehmen),
    • Japan: 9,
    • Schweiz: 3,
    • Vereinigtes Königreich: 2
  • Anteil nach Ländern im Jahr 2025
    • USA: 83 % (25 von 30 Unternehmen)
    • Japan/Schweiz/Vereinigtes Königreich: 0
    • China 2, Saudi-Arabien 1, Taiwan 1, Deutschland 1
• Von den 30 weltweit nach Marktkapitalisierung größten Tech-Unternehmen der vergangenen 30 Jahre sind nur 5 dauerhaft vertreten geblieben
  • Microsoft, Oracle, Cisco, IBM, AT&T
  • Neueinsteiger unter den Tech-Unternehmen
    • NVIDIA, Apple, Amazon, Alphabet(Google), Meta Platforms(Facebook), Tesla, Broadcom, TSMC, Tencent, Netflix, SAP, Palantir, ASML, Alibaba, Salesforce, T-Mobile, Samsung, China Mobile, Reliance, ServiceNow, Intuitive Surgical, Siemens, Uber, AMD, Intuit
  • Anteil der Tech-Unternehmen nach Ländern im Jahr 1995
    • USA: 53 % (16/30),
    • Japan: 30 % (9/30),
    • UK/Singapur/Hongkong/Mexiko/Malaysia jeweils 1
  • Anteil der Tech-Unternehmen nach Ländern im Jahr 2025
    • USA: 70 % (21/30)
    • Japan/UK/Singapur/Hongkong/Mexiko/Malaysia: 0
    • China 3, Deutschland 2, Taiwan 1, Niederlande 1, Südkorea 1, Indien 1
  • Taiwans TSMC: Taiwan hat zwar nur ein Unternehmen in der Spitzengruppe (TSMC), doch mit Stand Q2 2024
    • produziert es 80–90 % der weltweit fortschrittlichen Halbleiter und mehr als 62 % aller Halbleiter
• Ein gewaltiger Wandel innerhalb nur einer Generation
  • Die Verbreitung des Internets bildete die Grundlage für das Entstehen neuer globaler Spitzenunternehmen,
  • und der Aufstieg von AI dürfte in den kommenden 30 Jahren noch schnellere und grundlegendere Veränderungen auslösen

USA vs. China in Technology = China’s AI Response Time Significantly Faster vs. Internet 1995

• Leadership bei großen KI-Sprachmodellen (LLM): Die USA und China treiben das Tempo der globalen KI-Entwicklung an
  • Ein Blick auf den kumulierten Aufbau großer KI-Systeme von 2017 bis 2024 zeigt, dass die USA und China klar vorne liegen
  • Die USA haben bis 2024 mehr als 150 große KI-Systeme vorgestellt, China ebenfalls mehr als 100
  • Frankreich, Großbritannien, Kanada, Hongkong und Deutschland liegen weiterhin mit deutlichem Abstand hinter den USA und China
• China AI = schnelles Aufholen, DeepSeek R1
  • DeepSeek erklärte im Januar 2025, Chinas KI-Entwicklung habe den Abstand zu den USA auf drei Monate verkürzt
  • Der CEO von DeepSeek betonte, dass China über bloße Nachahmung hinausgehen müsse und eigenständige Innovation unvermeidlich sei
• Alibaba Qwen 2.5-Max: beansprucht, DeepSeek und OpenAI ChatGPT zu übertreffen
  • Qwen2.5-Max zeigte in verschiedenen Benchmarks eine bessere Leistung als DeepSeek V3 und OpenAI ChatGPT
  • Durch Innovationen bei Datenumfang, Modellgröße und Post-Training-Techniken wird die Modellleistung kontinuierlich verbessert
• Baidu Ernie 4.5 Turbo: multimodale KI, niedrige Kosten und hohe Leistung
  • Eine multimodale KI, die Text, Bilder und Videos verarbeitet, beschrieben als „Schweizer Taschenmesser“
  • Mit RMB 0,8 pro 1 Million Input-Token und RMB 3,2 Output liegt das Kostenniveau bei 40 % von DeepSeek V3 und 0,2 % von GPT-4.5
  • Gleichauf mit GPT-4.1 und bei einigen multimodalen Aufgaben leistungsstärker als GPT-4o
• LLM-Leistung: USA und China, die Lücke bei den tatsächlichen Scores schrumpft
  • Laut den Chatbot-Arena-Ergebnissen von Stanford HAI & LMSYS mit Stand Februar 2025 liegen die USA mit 1.385 Punkten und China mit 1.362 Punkten dicht beieinander
• Chinesische KI: Leistung trotz niedrigerer Trainingskosten
  • Laut Daten von Epoch AI wurden chinesische Modelle wie DeepSeek V3 im Vergleich zu GPT-4 zu deutlich geringeren Kosten veröffentlicht
• Umstellung des KI-Trainings auf lokale Halbleiter
  • Aufgrund der US-Exportbeschränkungen wachsen lokale KI-Chip-Cluster wie die von Huawei schnell
  • Laut Financial Times beliefert Huawei chinesische Tech-Unternehmen nun in großem Stil mit KI-Clustern
• China: auch bei der Installationsbasis von Industrierobotern weltweit führend
  • 2023 lag China mit 276.000 Einheiten vorne, der Rest der Welt bei 265.000 und die USA bei rund 40.000
• Fazit: Das Tempo der KI-Innovation in China ist deutlich höher als in der Frühphase des Internets (1995)
  • China schließt die Lücke zu den USA bei Technologie, Kosten und Infrastruktur schnell, wodurch sich der Wettbewerb um die globale industrielle Führungsrolle weiter verschärft

China Consumer AI Usage = DeepSeek stieg schnell auf

• Der globale Markt für generative KI differenziert sich zunehmend nach Regionen, Kanälen und Nutzerpräferenzen aus
  • Weltweit ist OpenAIs ChatGPT sowohl auf Desktop als auch mobil klar die Nummer 1, zugleich verschärft sich der Wettbewerb je nach Plattform
  • Anthropics Claude und Google Gemini bauen ihren Anteil schrittweise aus, während xAIs Grok mit 294 % mehr monatlichen Besuchen im Zeitraum Februar bis März 2025 als am schnellsten wachsender KI-Assistent verzeichnet wurde
• In China sind lokale KI-Modelle wie DeepSeek besonders stark
  • ChatGPT ist in den meisten Ländern auf Platz 1, in Russland und China jedoch nicht verfügbar, weshalb dort lokale Modelle wie DeepSeek dominieren
  • Laut Roland Berger Consulting sind gemessen an monatlich aktiven Nutzern alle Top-10-KI-Apps in China einheimisch (DeepSeek, Kimi, Nami AI, ERNIE Bot usw. mit jeweils zig Millionen Nutzern)
  • Außerhalb Chinas dominiert ChatGPT weltweit deutlich, innerhalb Chinas hat sich ein vollständig eigener Markt gebildet
• Chinas Plattformregulierung und Umfeld
  • Facebook, Twitter, Google, YouTube sind in China seit 2010 oder früher nicht zugänglich
  • Neben Instagram, WhatsApp, Wikipedia, Telegram und Spotify sind zuletzt auch ChatGPT, Google Gemini, Claude, Meta AI, Microsoft Copilot blockiert worden
  • Dieses Regulierungsumfeld begünstigt den Aufstieg lokaler KI-Champions
• Unterschiede in der Wahrnehmung von KI
  • Laut einer Untersuchung von Stanford HAI und Ipsos bewerten 83 % der chinesischen Bevölkerung den Nettoeffekt von KI positiv (Stand 2024, plus 5 Prozentpunkte gegenüber 2022)
  • In den USA antworteten auf dieselbe Frage nur 39 % positiv, ohne größere Veränderung in zwei Jahren
  • Aus gesellschaftlicher und philosophischer Perspektive unterscheiden sich Herangehensweise und Akzeptanz von KI je nach Land
• Die Wahl der Plattform geht zunehmend über Leistung oder Preis hinaus und weitet sich bis in den Bereich der nationalen und kulturellen Identität aus
  • Entscheidend ist nicht mehr nur, „wer es besser baut“, sondern immer stärker auch, „wie es angenommen und genutzt wird“

AI & Physical World Ramps = Fast + Data-Driven

• Bislang lag der Fokus auf der Verbreitung und Monetarisierung von AI in Desktop-/Mobiler Software, doch AI-Innovationen und deren Monetarisierung in der realen physischen Welt entwickeln sich noch schneller und dramatischer
  • Intelligenz ist inzwischen nicht nur tief in digitalen Anwendungen, sondern auch in Fahrzeugen, Maschinen und Verteidigungssystemen verankert
  • Flotten autonomer Fahrzeuge wie Waymo und Tesla sind keine Laborprojekte mehr, sondern entwickeln sich zu hochentwickelten Software-Loops, die tatsächlich Umsatz generieren und Millionen von Meilen an fahrerlosen Fahrdaten ansammeln
  • Applied Intuition entwickelt hardwareunabhängige softwaredefinierte Fahrzeugsysteme und Simulationsplattformen, damit Hersteller künstliche Intelligenz so einfach wie Komponenten einsetzen können
  • In der Verteidigungsindustrie (Anduril) verändert AI das Paradigma der Verteidigung, indem autonome Systeme ausgeliefert werden, bei denen AI auf jedem Edge-Knoten (Drohnen, Sensoren usw.) läuft
  • Im Bereich Landwirtschaft (Carbon Robotics) vollzieht sich ein großer Wandel, bei dem kapitalintensive Vermögenswerte der physischen Welt zu Software-Endpunkten werden, etwa wenn mithilfe AI-basierter Computer Vision Unkraut ohne Herbizide entfernt wird
  • Dies deutet darauf hin, dass AI nicht mehr nur auf Bildschirme beschränkt ist, sondern zu einer kinetischen Kraft wird, die die reale Welt bewegt
• Tesla Vertically-Integrated Electric Vehicles
  • Von Juni 2022 bis März 2025 ist die kumulierte Fahrleistung des vollständigen autonomen Fahrens (Full Self-Driving) um das 100-Fache gewachsen
  • Mit der Einführung von Version 12 wurden 330.000 Zeilen C++-Code durch neuronale Netze ersetzt und eine vollständige End-to-End-AI-Architektur angewendet
  • AI spielt in allen Schritten eine zentrale Rolle, von Objekterkennung über Routenplanung bis zur Fahrzeugsteuerung
  • Tesla könnte das weltweit effizienteste Unternehmen für AI-Inferenz sein
• Waymo Fully-Autonomous Vehicles
  • Von August 2023 bis April 2025 stieg der Marktanteil im Ride-Share-Markt von San Francisco von 0 % auf 27 %
  • Aufbau eines robusten kommerziellen Systems auf Basis multimodaler AI für Perception, Planning und Prediction
  • Nachweis eines kommerziell tragfähigen Produkts für autonomes Fahren im realen Markt
• Applied Intuition Vehicle Intelligence
  • Stand 2024 werden 18 führende globale Automobil-OEMs mit AI-Lösungen für Fahrzeugintelligenz versorgt
  • Ausbau von Simulationsplattformen und Software für autonomes Fahren in verschiedenen Branchen, darunter Automobile, Lkw, Bauwesen und Verteidigung
  • Im Verteidigungsbereich wurde das Produktportfolio für Offroad-Autonomie und Defense-Technologien gestärkt
• Anduril AI-Enabled Autonomous USA Defense Systems
  • Von 2022 bis 2024 verdoppelte sich der Jahresumsatz zwei Jahre in Folge; 2024 wurde die Marke von 1 Milliarde US-Dollar überschritten
  • Mithilfe von AI und autonomen Systemen werden schnellere und präzisere Entscheidungen in modernen Gefechtsumgebungen unterstützt
  • Durch den Einsatz von AI auf verteilten Edge-Knoten werden Sicherheits- und Verteidigungssysteme transformiert
• KoBold Metals AI-Driven Mining Exploration
  • Mit AI-basierter Machine Prospector-Technologie wird die Effizienz in der Mineralexploration, die seit 1975 auf dem niedrigsten Niveau lag, drastisch verbessert
  • Durch die Kombination großskaliger geo- und geophysikalischer Daten mit statistischen Korrelationsmodellen werden vielversprechende Explorationsziele schnell identifiziert
  • Sicherung neuer Metall-Lieferketten mit einer mehr als doppelt so hohen Effizienz wie der Branchendurchschnitt
• Carbon Robotics AI-Driven Agricultural Modernization
  • Von Januar 2023 bis Mai 2025 wurden kumuliert mehr als 230.000 Acre Unkraut beseitigt und der Einsatz von über 100.000 Gallonen Glyphosat (Herbizid) vermieden
  • Mit AI-basierter Deep-Learning- und Computer-Vision-Technologie wird Unkraut rund um Nutzpflanzen per Laser entfernt
  • Die automatisierte Maschine kann 2 Acre pro Stunde und 200.000 Unkräuter pro Tag beseitigen
• Halter AI-Driven Intelligent Grazing
  • Stand 2025 wachsen neue Vertragsabschlüsse für smarte Halsbänder für Weidebetriebe im Jahresdurchschnitt um mehr als 150 %
  • AI-basiertes Weidemanagement steigert die Ressourceneffizienz, verbessert die Bodengesundheit und stärkt die Nachhaltigkeit
  • Belegt wird ein großskaliger Produktivitäts- und CO2-Minderungseffekt, der die bisher langsame Einführung von Technologie in der modernen Landwirtschaft überwinden kann

Global Internet User Ramps Powered by AI from Get-Go = Growth We Have Not Seen Likes of Before

• Durch die Verbreitung von kostengünstigem Satelliteninternet wächst die Möglichkeit rasch, dass 2,6 Milliarden bislang nicht vernetzte Menschen — entsprechend 32 % der Weltbevölkerung — neu online kommen
• Anders als bisher werden sie ihre erste Interneterfahrung von Anfang an mit integrierten AI-Funktionen machen
• Statt direkt in ein Suchfeld zu tippen oder einen traditionellen Browser zu nutzen, werden sie voraussichtlich sofort in natürlicher Sprache mit AI sprechen, um Informationen zu erhalten und verschiedene technische Dienste zu nutzen
• Solche AI-Agenten-basierten Interfaces könnten den Marktwert nicht bei Apps, sondern bei den Playern konzentrieren, die das Interface besitzen, und damit die bestehende Plattformhierarchie erschüttern
• Künftig wird der Besitz des Interfaces wichtiger sein als der Besitz der Plattform; AI, die lokale Sprache, Kontext und Nutzerabsicht versteht, dürfte zum entscheidenden Wettbewerbsvorteil werden

New Internet User Growth = Enabled by AI + Satellites

• Orbital / Satellite Launch Market Share, Global = SpaceX Rising
  • Seit 2008 hat mit dem Beginn einer kommerziellen und staatlichen Renaissance von Raumfahrtstarts SpaceX einen großen Anteil an den jährlichen Startzahlen gewonnen
  • Auch die USA (ohne SpaceX), China und Russland zeigen jeweils Wachstum, doch der starke Anstieg bei SpaceX sticht besonders hervor
  • Vom Cold War bis in die späten 1990er-Jahre waren Starts staatlich geprägt; zuletzt nimmt die Zahl privatwirtschaftlich getriebener Starts zu
• SpaceX Starlink @ 5MM+ Subscribers = +202% Annual Growth Over 3.2 Years
  • Die Zahl der Starlink-Abonnenten stieg von rund 100.000 im Jahr 2021 auf mehr als 5 Millionen im Jahr 2024
  • Mit einer durchschnittlichen jährlichen Wachstumsrate von 202 % wurde die globale Internetnutzerbasis rasch ausgeweitet
• SpaceX Starlink Ecosystem = Coverage Expanding Globally
  • Stand 2025 hat Starlink seine Verfügbarkeit auf Nordamerika, Südamerika, Europa, Ozeanien, Teile Afrikas und wichtige Regionen Asiens ausgeweitet
  • Länder ohne Dienst sind weiterhin begrenzt, darunter China, Russland und Iran
• Starlink = Unlocking Previously-Inaccessible Internet Access in AI Era
  • Coco, Monterrey, Mexico: Bereitstellung von schnellem und zuverlässigem Internet in ländlichen Regionen Mexikos; über Community-WiFi wird die digitale Zugänglichkeit erweitert
  • Chile School District: Bereitstellung von schnellem Internet, mit dem alle 36 Computer einer Schule in Chile gleichzeitig verbunden sein können; Schüler und Lehrkräfte erleben dadurch eine grundlegend verbesserte Lernumgebung
  • Brightline Trains, USA: Bereitstellung stabilen Satelliteninternets im US-Hochgeschwindigkeitszugverkehr, was sowohl das Passagiererlebnis als auch die Betriebseffizienz verbessert
  • Seaspan Corporation, Global: Einführung von Satelliteninternet bei einer globalen Reederei; Schiffe werden zu Remote-Büros, Sicherheit der Besatzung und Betriebseffizienz verbessern sich, und zuvor unmögliche Lösungen werden realisiert

AI & Work Evolution = Real + Rapid

• Grundlegende Veränderung der Arbeit durch die Einführung von AI
  • Neben physischer Automatisierung wie Robotern und Drohnen verbreitet sich auch kognitive Automatisierung rasant
  • AI-Systeme entwickeln Fähigkeiten in Schlussfolgern, Kreativität und Problemlösung und erweitern so ihren Einsatzbereich in der Arbeit
• Das Wachstumstempo der kognitiven Fähigkeiten von AI
  • In den drei Jahren seit der Veröffentlichung von ChatGPT (November 2022) hat sich AI von einem Niveau auf Oberstufenschüler-Niveau zu Schlussfolgerungsfähigkeiten auf Promotionsniveau entwickelt
  • Regel- und Entscheidungsaufgaben auf Basis umfangreicher strukturierter Daten verlagern sich zunehmend in den Stärkenbereich von AI
• Veränderung der Einheit von Arbeit
  • Es zeichnet sich ein möglicher Wandel von bisher menschenzentrierter Arbeit hin zu einer auf Rechenleistung von Rechenzentren und AI-Modellen ausgerichteten Struktur ab
  • Es entsteht eine Ära, in der AI-Infrastruktur über Angebot und Qualität bestimmter Arbeitsleistung entscheidet
• Eine agentenbasierte Zukunft und die Rolle des Menschen
  • Einige gehen davon aus, dass AI-Agenten White-Collar-Berufe ersetzen werden
  • Allerdings sollte auch das historische Muster berücksichtigt werden, dass mit höherer Produktivität und Effizienz neue menschliche Tätigkeiten entstanden sind
  • Selbst in einer vollständig agentenzentrierten Gesellschaft bleiben menschliche Rollen wie Aufsicht, Training und Anleitung bestehen
• Zukünftige Arbeitsstrukturen und gesellschaftliche Veränderungen
  • Wie bei RLHF (Reinforcement Learning from Human Feedback) verlagert sich die Rolle des Menschen hin zum Trainieren und Feinabstimmen der Leistung von AI und Robotern
  • Historisch haben sich Arbeitsweisen immer wieder verändert, und auch AI ist eine Technologie, die Produktivität und die Weiterentwicklung von Arbeit fördert

Summary

• So wie ein Leben ohne Internet kaum vorstellbar ist, wird künftig wohl auch eine Welt ohne AI unvorstellbar werden
  • AI etabliert sich schnell als zentrale Infrastruktur über nahezu alle Branchen hinweg, darunter Kundensupport, Softwareentwicklung, Wissenschaft, Bildung und Fertigung
• Faktoren, die die Verbreitung von AI beschleunigen
  • Die globale Verbreitung multimodaler AI-Tools wie ChatGPT, sinkende Kosten für Schlussfolgerung und die Einführung verschiedener Modelle treiben die Entwicklung an
  • Vom Solo-Entwickler bis zum Großunternehmen wird der Zugang einfacher und das Experimentieren leichter, was die Verbreitung von Innovation beschleunigt
• Technische Infrastruktur und Investitionen
  • Die Investitionsausgaben großer Cloud-Anbieter, Halbleiterunternehmen und Hyperscaler steigen sprunghaft an
  • Die Grenzen zwischen physischer und digitaler Welt werden bei Chips, Rechenzentren, Netzwerken und Energiesystemen zunehmend unschärfer
• Strategischer Wettbewerb zwischen den USA und China und globale AI-Führungsrolle
  • Die USA führen bei Modellinnovation, Custom-Chips und Cloud-Infrastruktur, doch auch China wächst dank Open Source, Infrastruktur und politischer Unterstützung rasant
  • Beide Länder sehen AI als zentralen Hebel für wirtschaftliches Wachstum und geopolitischen Einfluss
• Veränderungen bei Plattformen und Interfaces
  • AI entwickelt sich über das bestehende App-Ökosystem hinaus zu agentenbasierten dialogorientierten Interfaces
  • Dank Satelliteninternet und ähnlicher Entwicklungen ist es wahrscheinlich, dass neue Internetnutzer direkt mit einer AI-nativen Erfahrung einsteigen
• Veränderungen bei Jobs und Arbeitsweise
  • Die Einführung von AI am Arbeitsplatz beschleunigt sich, und die Einheit von Arbeit verlagert sich schrittweise vom Menschen zu Rechenleistung und AI
  • Immer mehr Menschen arbeiten mit AI, und der Trend, dass AI die Arbeitsumgebung neu ordnet, ist klar erkennbar
• Die Verbindung von internationaler Lage und Technologie
  • Die Ströme von Informationen und Kapital, die Militarisierung von Technologie und die zunehmende Konfrontation zwischen Demokratie und Autoritarismus erhöhen die Unsicherheit
  • Zugleich bleibt Innovation ein Kernfaktor nationaler Wettbewerbsfähigkeit, weshalb schnelle Umsetzung und Bündnisstrategien wichtig sind
• Fazit
  • Die Spielzeit von AI ist gekommen, und sie wird immer intensiver
  • Der Genie wird nicht wieder in die Flasche zurückkehren (der Punkt ohne Rückkehr ist überschritten)

[xguru]

Auch als PDF-Datei veröffentlicht: https://www.bondcap.com/report/pdf/Trends_Artificial_Intelligence.pdf