Am 10. Januar 2026 begann eine stille Panik durch die Hinterkanäle des Silicon Valley zu strömen. Auslöser war kein Marktcrash oder eine neue Regulierung, sondern ein Chart.
Während eines Briefings zum Stand der KI-Forschung legte Kaoutar El Maghraoui von IBM Research zusammen mit Analysten von Adaline Labs eine Realität dar, die die Branche verzweifelt zu ignorieren versucht: Die Skalierungsgesetze sind tot.
In den letzten fünf Jahren wurde die gesamte generative KI-Wirtschaft im Wert von einer Billion US-Dollar auf einer einzigen, klaren Gleichung aufgebaut: Wenn Sie die Rechenleistung mit 10 multiplizieren, halbieren Sie die Fehlerrate. Es war das „Mooresche Gesetz“ der Geheimdienste und rechtfertigte jedes riesige Rechenzentrum, jedes Gigawatt Leistung und jede Nvidia H100-Bestellung.
Aber ab dem ersten Quartal 2026 ist die Rechnung gebrochen. Die Branche ist an der „Scaling Wall“ angelangt.
Die Physik des Scheiterns
Die „Potenzgesetz“-Falle
Um zu verstehen, warum dies eine Katastrophe für den aktuellen Kapitalzyklus ist, muss man sich die „Compute-to-Performance“-Kurve ansehen, die rechtlich als Kaplan Scaling Laws (2020) bekannt ist und später durch die Chinchilla-Papiere (2022) verfeinert wurde.
Fünf Jahre lang waren diese Gesetze das Evangelium des Silicon Valley. Sie gaben an, dass sich die Modellleistung als Potenzgesetzfunktion von drei Variablen verbessert: Modellgröße (Parameter), Datensatzgröße (Tokens) und Rechenleistung (FLOPs).
Von 2020 bis 2024 verhielt sich diese Kurve im logarithmischen Raum linear. Das Biest mit mehr GPUs zu füttern, machte es intelligenter. GPT-4 war intelligenter als GPT-3, weil es größer war. Claude 3.5 war intelligenter als Claude 3, weil es dichter war. Die Korrelation war so eng (), dass Ingenieure vor Abschluss des Trainings den genauen Benchmark-Wert eines Modells anhand des GSM8K-Mathedatensatzes vorhersagen konnten.
Doch Ende 2025 begann sich die Kurve abzuflachen. Die neuesten Flaggschiffmodelle, die diesen Monat veröffentlicht wurden (obwohl sie auf Clustern trainiert wurden, die fünfmal größer sind als ihre Vorgänger), zeigen geringfügige Zuwächse bei den Argumentationsfähigkeiten.
Die Anleger sehen einen drastisch sinkenden Return on Investment.
Dabei ist der Verlust (Fehlerrate), die Berechnung und der Skalierungsexponent. Das Problem besteht darin, dass klein ist (typischerweise etwa 0,05 bis 0,1 für komplexe Überlegungen). Dies markiert einen Übergang von einem linearen zu einem logarithmischen Regime. Um eine 10-prozentige Verbesserung des Denkens zu erreichen, ist eine 100-fache Steigerung der Rechenleistung erforderlich.
Dies ist nicht nur ein technisches Problem; Es ist ein finanzielles Todesurteil. Wenn die Inputkosten (Energie + Silizium) exponentiell steigen (10^2 ), gehen die Margen gegen Null.
Das Problem der Datenerschöpfung
Der Hauptschuldige ist „Datenerschöpfung“. Den Laboren ist buchstäblich der qualitativ hochwertige menschliche Text ausgegangen. Bis 2024 hatte jedes große Labor Common Crawl, GitHub und LibGen abgeschafft. Sie hatten die Gesamtsumme des öffentlichen Internets übernommen.
Die Industrie versuchte, dieses Problem mit „Synthetischen Daten“ zu lösen – indem sie KI Lehrbücher schreiben ließ, damit andere KIs sie lesen konnten. Aber die Berichte vom Januar 2026, insbesondere die verheerende Studie „Model Collapse“ von Oxford und der Rice University, bestätigen, was Skeptiker befürchtet hatten.
Wenn eine KI anhand ihrer eigenen Ergebnisse trainiert, verstärken sich die subtilen Fehler und die Varianzen verringern sich. Das Modell wird zuversichtlich, aber falsch. Es verliert den „langen Schwanz“ des seltsamen, kreativen und eigentlich chaotischen menschlichen Denkens. Es ist das digitale Äquivalent der Inzucht. Der Genpool des menschlichen Denkens sorgt für Varianz und Kreativität, während synthetische Daten eine Fotokopie einer Fotokopie sind.
Ohne neue „hochentropische“ menschliche Daten (die mit jedem Tag, an dem KI-Inhalte das Internet überfluten, knapper werden) geraten die Modelle in eine Asymptote. Sie hören auf, schlauer zu werden und werden nur „flüssiger“ im Halluzinieren.
Das Billionen-Dollar-„gestrandete Vermögen“
Dieses technische Plateau schafft ein massives finanzielles Problem. Dadurch wird der Ausbau der Infrastruktur im Wert von einer Billion US-Dollar zur größten Fehlallokation von Kapital seit der Telekommunikationsblase von 2001.
Risikokapitalfirmen haben in den letzten 24 Monaten über 200 Milliarden US-Dollar in „Foundation Model“-Labore gesteckt. Dieses Kapital wurde auf der Grundlage der These eingesetzt, dass das Modell selbst das Produkt ist. Die Annahme war, dass man den Markt gewinnen würde, wenn man das „God Brain“ baute. Der Gedanke war: „Maßstab ist alles, was Sie brauchen.“
Aber wenn die Skalierung ins Stocken geraten ist, dann kommt das „God Brain“ nächstes Jahr nicht. Der Markt ist mit „ziemlich guten Gehirnen“ festgefahren, bei denen es sich um nicht unterscheidbare Güter handelt.
Der Abschreibungsplan aus der Hölle
Betrachten Sie die Wirtschaftlichkeit eines H100-Clusters. Sie kaufen 100.000 GPUs für 4 Milliarden US-Dollar. Sie geben eine weitere Milliarde US-Dollar für Beton, Kühlung und Infiniband-Kabel aus. Sie haben einen 5-Jahres-Abschreibungsplan.
Um dieses Geld zurückzubekommen, muss dieser Cluster ein Modell erstellen, das deutlich besser ist als das, was Open Source kostenlos anbietet. Aber Open-Weight-Modelle (wie Llama 4 und das neueste von Mistral) schließen den Abstand zu den Closed-Source-Giganten auf bis zu 2 %.
Wenn OpenAI, Anthropic, Google und Meta alle Modelle haben, deren Leistung praktisch gleich ist, weil sie alle an die gleiche physikalische Grenze gestoßen sind, dann bricht der Spielraum zusammen. Die Eintrittsbarriere ist keine „Magie“, sondern nur Kapital. Und Kapital ist billig.
Dies macht die riesigen GPU-Cluster, die derzeit in Texas und North Dakota gebaut werden, zu potenziell „gestrandeten Vermögenswerten“. Sie wurden für ein Trainingsprogramm (massive, monolithische Läufe über Monate) konzipiert, das wirtschaftlich keinen Sinn mehr ergibt. Bauarbeiter gießen Beton für 747 Start- und Landebahnen in einer Welt, die auf Drohnen umsteigt.
Der historische Reim: Fiber im Jahr 2001
Dieser Film wurde schon einmal abgespielt. In den späten 1990er Jahren verlegten Unternehmen wie Global Crossing und WorldCom Millionen Kilometer Glasfaserkabel über den Atlantik. Sie glaubten, dass sich der Internetverkehr alle 100 Tage verdoppelt (das „Skalierungsgesetz“ dieser Zeit).
Sie hatten Recht mit der Richtung, aber falsch mit dem Zeitpunkt der Monetarisierung.
Die Faser wurde gebaut. Die Kapazität war da. Aber die Killer-Apps (YouTube, Netflix, iPhone) waren noch zehn Jahre entfernt. Das Ergebnis? Der Preis für Bandbreite stürzte auf Null ab. Die Infrastrukturunternehmen gingen bankrott. Die Vermögenswerte wurden von der nächsten Generation (Google, Amazon) für ein paar Cent pro Dollar gekauft.
Die KI-Branche steht vor der gleichen „Lücke der Enttäuschung“. Die Chips sind vorhanden. Die Modelle existieren. Bei den umsatzgenerierenden Anwendungen im Wert von einer Billion US-Dollar, die zur Bezahlung der Stromrechnung erforderlich sind, ist dies jedoch nicht der Fall.
Apropos Macht: Die physischen Einschränkungen sind genauso hart wie die algorithmischen. Wie in The Shadow Utility: Meta’s 6.6GW Nuclear Maneuver ausführlich beschrieben, kann das Gitter die Exponentialkurve einfach nicht unterstützen, selbst wenn die Mathematik funktioniert hat. Die Branche stößt genau in dem Moment auf die „thermodynamische Wand“, in dem sie auch auf die „algorithmische Wand“ stößt.
Von Capex zu Opex: Der Pivot zu „System 2“
Das Smart Money ist bereits in Bewegung. Sehen Sie sich den Wechsel im ersten Quartal 2026 von Training (Capex) zu Inference (Opex) an.
Der Bericht von „Adaline Labs“ hebt einen entscheidenden Wandel hervor: „Inferenzzeitskalierung“. Anstatt das Modell größer zu machen (was scheitert), lassen Ingenieure das Modell länger denken.
Dies ist der Übergang vom „System 1“ (schnell, intuitiv, reflexartig) zum „System 2“ (langsam, überlegt, begründet) Denken, ein Konzept, das von Daniel Kahneman übernommen wurde.
Wenn Sie GPT-4 im Jahr 2024 eine mathematische Aufgabe stellten, versuchte es, die Antwort in einem Durchgang zu validieren. Im Jahr 2026 generieren die neuen Architekturen 50 mögliche Schritte, kritisieren sie, gehen zurück und überprüfen die Logik, bevor sie einen endgültigen Token ausgeben.
Durch den Einsatz von Techniken wie der „Chain of Thought“-Verifizierung und Multi-Agenten-Debatte können kleinere Modelle die großen Modelle übertreffen. Ein 70B-Parametermodell, das 10 Sekunden lang nachdenkt, kann ein 1T-Parametermodell, das sofort antwortet, schlagen.
Die wirtschaftliche Konsequenz
Dies verändert das Geschäftsmodell der KI völlig. Es verschiebt die Kosten von der Trainingsphase (Kauf der Fabrik) in die Nutzungsphase (Verbrennung der Kohle).
Für das Narrativ der „SaaS-Marge“ ist das eine Katastrophe. VCs lieben Softwareunternehmen, weil sie keine Grenzkosten haben. Sobald der Code geschrieben ist, ist der nächste Benutzer frei.
Aber „Inferenz-Zeit-Skalierung“ ähnelt eher einem industriellen Prozess. Sie müssen 1 Wert zu erzeugen. Das entspricht einer Bruttomarge von 33 %, nicht den 90 % Softwaremarge, nach denen die Wall Street süchtig ist.
Wenn KI ein Industriegut wie Strom oder Stahl ist, dann sind die Bewertungen dieser Unternehmen zehnmal zu hoch.
Der Shakeout 2026
Die Branche tritt in die Phase der „Desillusionierung“ des Hype-Zyklus ein. Das bedeutet nicht, dass die KI vorbei ist. Es bedeutet, dass die einfache KI vorbei ist.
Die Gewinner des Jahres 2026 werden nicht die Unternehmen sein, die die größten Cluster aufbauen. Sie werden die Unternehmen sein, die herausfinden, wie sie den tatsächlichen wirtschaftlichen Wert aus den bereits bestehenden „stagnierten“ Modellen herausholen können.
Die „Scaling Wall“ ist nicht das Ende der KI. Es ist nur das Ende der KI-Wachstumsschmerzen. Jetzt kommt der schwierige Teil: einen Job zu finden. Das „God Brain“ kommt nicht, um die Branche zu retten. Entwickler müssen die Anwendungen selbst erstellen.
🦋 Diskussion auf Bluesky
Auf Bluesky diskutieren