Am 10. Januar 2026 begann in den Hinterzimmern des Silicon Valley eine leise Panik. Ausgelöst wurde sie nicht von einem Börsencrash oder einer neuen Regulierung, sondern von einem Diagramm.
Bei einem Briefing zum Stand der KI-Forschung legten Kaoutar El Maghraoui von IBM Research und Analysten von Adaline Labs eine Realität dar, die die Branche verzweifelt zu ignorieren versucht: Die Scaling Laws sind tot.
In den vergangenen fünf Jahren beruhte die gesamte generative KI-Wirtschaft mit einem Volumen von $1 Billion auf einer einzigen, klaren Gleichung: Wer die Rechenleistung verzehnfacht, halbiert die Fehlerrate. Es war das „Mooresche Gesetz” der Intelligenz, und es rechtfertigte jedes riesige Rechenzentrum, jedes Gigawatt Strom und jede Bestellung von Nvidia H100.
Doch im ersten Quartal 2026 geht die Rechnung nicht mehr auf. Die Branche ist an die „Scaling Wall” gestoßen.
Die Physik des Scheiterns
Die „Power-Law”-Falle
Um zu verstehen, warum das für den aktuellen Kapitalzyklus eine Katastrophe ist, muss man sich die „Compute-to-Performance”-Kurve ansehen, die als Kaplan Scaling Laws (2020) bekannt ist und später durch die Chinchilla-Arbeiten (2022) verfeinert wurde.
Fünf Jahre lang waren diese Gesetze das Evangelium des Silicon Valley. Sie besagten, dass sich die Leistung eines Modells als Potenzfunktion von drei Variablen verbessert: Modellgröße (Parameter), Datensatzgröße (Tokens) und Rechenleistung (FLOPs).
Von 2020 bis 2024 verlief diese Kurve im logarithmischen Raum linear. Wer das Biest mit mehr GPUs fütterte, machte es klüger. GPT-4 war klüger als GPT-3, weil es größer war. Claude 3.5 war klüger als Claude 3, weil es dichter war. Die Korrelation war so eng (), dass Ingenieure den genauen Benchmark-Wert eines Modells im Mathematik-Datensatz GSM8K vorhersagen konnten, noch bevor das Training abgeschlossen war.
Doch Ende 2025 begann sich die Kurve abzuflachen. Die neuesten Flaggschiff-Modelle, die diesen Monat erschienen sind (obwohl sie auf Clustern trainiert wurden, die fünfmal größer sind als die ihrer Vorgänger), zeigen nur marginale Verbesserungen bei den Fähigkeiten zum logischen Schlussfolgern.
Investoren sehen eine brutal abnehmende Rendite auf ihr eingesetztes Kapital.
Dabei ist der Verlust (die Fehlerrate), die Rechenleistung und der Skalierungsexponent. Das Problem: ist klein (typischerweise etwa 0,05 bis 0,1 für komplexes Schlussfolgern). Das markiert den Übergang von einem linearen zu einem logarithmischen Regime. Für 10 % bessere Ergebnisse beim logischen Schlussfolgern braucht es heute 100-mal mehr Rechenleistung.
Das ist nicht nur ein technisches Problem, sondern ein finanzielles Todesurteil. Wenn die Input-Kosten (Energie + Silizium) exponentiell steigen (), der Output-Wert (Intelligenz) aber nur linear (), gehen die Margen gegen null.
Das Problem der Datenerschöpfung
Hauptschuldig ist die „Datenerschöpfung”. Den Labs ist buchstäblich der hochwertige menschliche Text ausgegangen. Bis 2024 hatte jedes große Lab Common Crawl, GitHub und LibGen ausgelesen. Sie hatten die Summe des gesamten öffentlichen Internets aufgenommen.
Die Branche versuchte, das Problem mit „synthetischen Daten” zu lösen, bei denen KI Lehrbücher für andere KIs schreibt. Doch die Berichte vom Januar 2026, insbesondere die verheerende „Model Collapse”-Forschung der Universität Oxford und der Rice University, bestätigen, was Skeptiker befürchtet hatten.
Wenn eine KI mit ihren eigenen Ausgaben trainiert, summieren sich die subtilen Fehler, und die Varianz schrumpft. Das Modell wird selbstsicher, aber falsch. Es verliert den „Long Tail” des seltsamen, kreativen, wunderbar chaotischen menschlichen Denkens. Es ist das digitale Pendant zur Inzucht. Der Genpool des menschlichen Denkens liefert Varianz und Kreativität, während synthetische Daten die Fotokopie einer Fotokopie sind.
Ohne frische, „hochentropische” menschliche Daten (die mit jedem Tag knapper werden, an dem KI-Inhalte das Netz fluten) laufen die Modelle in eine Asymptote. Sie werden nicht mehr klüger, sondern nur noch „flüssiger” im Halluzinieren.
Der „Stranded Asset” im Wert von einer Billion Dollar
Dieses technische Plateau schafft ein gewaltiges finanzielles Problem. Es macht den Infrastrukturausbau von $1 Billion zur größten Kapitalfehlallokation seit der Telekom-Blase von 2001.
Venture-Capital-Firmen haben in den vergangenen 24 Monaten über $200 Milliarden in „Foundation Model”-Labs gesteckt. Dieses Kapital wurde auf der These eingesetzt, dass das Modell selbst das Produkt ist. Man ging davon aus: Wer das „Gottes-Gehirn” baut, gewinnt den Markt. Der Gedanke lautete: „Scale is all you need.”
Doch wenn die Skalierung ins Stocken geraten ist, kommt das „Gottes-Gehirn” nicht im nächsten Jahr. Der Markt sitzt dann auf „ziemlich guten Gehirnen”, die austauschbare Massenware sind.
Der Abschreibungsplan aus der Hölle
Betrachten wir die Wirtschaftlichkeit eines H100-Clusters. Sie kaufen 100.000 GPUs für $4 Milliarden. Weitere $1 Milliarde fließen in Beton, Kühlung und Infiniband-Kabel. Der Abschreibungszeitraum beträgt 5 Jahre.
Um dieses Geld wieder einzuspielen, muss der Cluster ein Modell hervorbringen, das deutlich besser ist als das, was Open Source kostenlos bietet. Doch Open-Weights-Modelle (wie Llama 4 und das neueste von Mistral) kommen den Closed-Source-Riesen bis auf 2 % nahe.
Wenn OpenAI, Anthropic, Google und Meta alle Modelle mit praktisch gleicher Leistung haben, weil sie alle an dieselbe physikalische Wand gestoßen sind, dann kollabiert die Marge. Die Eintrittsbarriere ist keine „Magie”, sondern nur Kapital. Und Kapital ist billig.
Damit werden die riesigen GPU-Cluster, die derzeit in Texas und North Dakota entstehen, potenziell zu „Stranded Assets”. Sie wurden für ein Trainingsregime ausgelegt (gewaltige, monolithische Läufe über Monate), das wirtschaftlich keinen Sinn mehr ergibt. Die Bauherren gießen Beton für 747-Landebahnen in einer Welt, die auf Drohnen umsteigt.
Der historische Reim: Glasfaser im Jahr 2001
Diesen Film gab es schon einmal. In den späten 1990er-Jahren verlegten Unternehmen wie Global Crossing und WorldCom Millionen Meilen Glasfaserkabel quer durch den Atlantik. Sie glaubten, dass sich der Internetverkehr alle 100 Tage verdoppelt (das „Scaling Law” jener Ära).
Sie hatten mit der Richtung recht, lagen aber beim Zeitpunkt der Monetarisierung falsch.
Die Glasfaser wurde gebaut. Die Kapazität war da. Aber die Killer-Apps (YouTube, Netflix, iPhone) lagen noch zehn Jahre entfernt. Das Ergebnis? Der Preis für Bandbreite fiel auf null. Die Infrastrukturunternehmen gingen pleite. Die Anlagen wurden für einen Bruchteil ihres Wertes von der nächsten Generation (Google, Amazon) aufgekauft.
Die KI-Branche steht vor derselben „Lücke der Enttäuschung”. Die Chips gibt es. Die Modelle gibt es. Aber die umsatzbringenden Anwendungen im Wert von $1 Billion, die nötig wären, um die Stromrechnung zu bezahlen, gibt es nicht.
Apropos Strom: Die physikalischen Grenzen schlagen mindestens so hart zu wie die algorithmischen. Wie in The Shadow Utility: Meta’s 6.6GW Nuclear Maneuver beschrieben, kann das Stromnetz die exponentielle Kurve schlicht nicht tragen, selbst wenn die Rechnung aufginge. Die Branche läuft im selben Moment gegen die „thermodynamische Wand” wie gegen die „algorithmische Wand”.
Von Capex zu Opex: Der Schwenk zu „System 2”
Das schlaue Geld bewegt sich bereits. Beobachten Sie den Schwenk im ersten Quartal 2026 vom Training (Capex) zur Inferenz (Opex).
Der Bericht von „Adaline Labs” hebt eine entscheidende Verschiebung hervor: „Inference-time scaling”. Statt das Modell größer zu machen (was scheitert), lassen Ingenieure das Modell länger nachdenken.
Das ist der Übergang vom „System 1” (schnelles, intuitives Reflexdenken) zum „System 2” (langsames, abwägendes, begründetes Denken), einem Konzept von Daniel Kahneman.
Wenn Sie 2024 GPT-4 eine Matheaufgabe stellten, versuchte es, die Antwort in einem einzigen Durchgang zu validieren. 2026 erzeugen die neuen Architekturen 50 mögliche Schritte, kritisieren sie, gehen zurück und prüfen die Logik, bevor sie das finale Token ausgeben.
Mit Techniken wie der „Chain of Thought”-Verifikation und Multi-Agenten-Debatten können kleinere Modelle größere übertreffen. Ein Modell mit 70 Mrd. Parametern, das 10 Sekunden nachdenkt, kann ein Modell mit 1 Billion Parametern schlagen, das sofort antwortet.
Die wirtschaftliche Konsequenz
Das verändert das Geschäftsmodell der KI grundlegend. Die Kosten wandern von der Trainingsphase (dem Kauf der Fabrik) in die Nutzungsphase (dem Verfeuern der Kohle).
Für das Narrativ der „SaaS-Marge” ist das ein Desaster. Risikokapitalgeber lieben Softwareunternehmen, weil sie keine Grenzkosten haben. Ist der Code erst geschrieben, ist der nächste Nutzer kostenlos.
Doch „Inference-time scaling” sieht eher nach einem Industrieprozess aus. Sie müssen $1 an Strom ausgeben, um $1,50 an Wert zu erzeugen. Das ist eine Bruttomarge von 33 %, nicht die 90 % Softwaremarge, nach der die Wall Street süchtig ist.
Wenn KI ein Industriegut ist wie Strom oder Stahl, dann sind die Bewertungen dieser Unternehmen um das Zehnfache zu hoch.
Die Marktbereinigung 2026
Die Branche tritt in die „Ernüchterungsphase” des Hype-Zyklus ein. Das heißt nicht, dass KI am Ende ist. Es heißt, dass die einfache KI am Ende ist.
Die Gewinner des Jahres 2026 werden nicht die Unternehmen sein, die die größten Cluster bauen. Es werden die sein, die herausfinden, wie sich aus den bereits existierenden, „ins Stocken geratenen” Modellen echter wirtschaftlicher Wert pressen lässt.
Die „Scaling Wall” ist nicht das Ende der KI. Sie ist nur das Ende der KI-Kinderkrankheiten. Jetzt kommt der schwere Teil: einen Job zu bekommen. Das „Gottes-Gehirn” wird die Branche nicht retten. Entwickler müssen die Anwendungen selbst bauen.
Quellen (4)
- labs.adaline.ai The AI Research Landscape in 2026
- research.ibm.com Kaoutar El Maghraoui (IBM Research)
- baincapitalventures.com VC Insights 2026 Predictions
- epoch.ai Data Trends
🦋 Diskussion auf Bluesky
Auf Bluesky diskutieren