Die großen KI-Anbieter investieren derzeit wahnwitzige Summen in Rechenzentren, die noch vor wenigen Jahren absolut unvorstellbar gewesen wären. Da laufen Gasturbinen auf Parkplätzen, um genug Energie zu erzeugen — das ist echt wild. Gleichzeitig werden KI-Modelle immer kleiner, effizienter und günstiger. Selbst Mobiltelefone haben bereits KI-Chips verbaut.
Das Paradox ist nicht neu, aber es wird selten laut ausgesprochen. Daher der rosa Elefant im Titel.
Was der Stanford AI Index 2025 zeigt
Der Stanford AI Index 2025 dokumentiert einen bemerkenswerten Trend: Modelle mit deutlich weniger Parametern erreichen Leistungen, die vor kurzer Zeit nur mit gigantischen Modellen möglich waren. Gleichzeitig sind die Kosten für KI-Inferenz massiv gesunken.
Das ist kein Randbefund — es ist ein struktureller Wandel. Was heute ein großes Modell kostet, wird morgen ein kleines können. Was heute ein kleines kann, läuft übermorgen auf deinem Telefon.
Die unbequeme Frage dahinter
Daraus ergibt sich eine Frage, die in den meisten Investorenpräsentationen fehlt:
Was passiert, wenn die meisten Anwender gar nicht das beste Modell der Welt benötigen, sondern nur eines, das gut genug für den Anwendungsfall ist?
Ich denke dabei an das Pareto-Prinzip. 80 Prozent der Anwendungsfälle brauchen keine Spitzenleistung. Sie brauchen Verfügbarkeit, Geschwindigkeit und einen Preis, der sich rechnet. Wenn “gut genug” auf jedem Endgerät verfügbar wird, verändert das die Nachfragekurve für gigantische Infrastruktur erheblich.
Was die Geschichte der IT lehrt
Die Antwort ist nicht, dass sich eine Technologie gegen die andere durchsetzt. Das war selten der Fall.
Der PC hat das Rechenzentrum nicht ersetzt. Das Smartphone hat den PC nicht ersetzt. Die Cloud hat lokale Infrastruktur nicht ersetzt.
Stattdessen wurde Rechenleistung immer günstiger und wanderte näher an den Anwender heran. Jede Welle hat die vorherige nicht eliminiert — sie hat die Nutzung insgesamt ausgedehnt und neue Anwendungsfälle erschlossen, die vorher nicht existierten.
Das könnte auch für KI gelten. Aber es könnte diesmal schneller gehen als erwartet.
Das Jevons-Argument und sein Gegengewicht
Befürworter der gigantischen Infrastrukturinvestitionen verweisen auf einen bekannten ökonomischen Mechanismus: Wird eine Ressource günstiger, steigt ihre Nutzung häufig überproportional an. Sinkende Kosten führen nicht zu weniger Verbrauch, sondern zu mehr Nachfrage. Dieses Argument — bekannt als Jevons-Paradox — wird regelmäßig zur Verteidigung der aktuellen Rechenzentrumswelle herangezogen.
Das Gegenargument wird jedoch oft unterschätzt.
Wenn kleinere Modelle für einen Großteil der Wissensarbeit ausreichend werden, könnte sich ein erheblicher Teil der KI-Nutzung auf PCs, Smartphones und Unternehmensgeräte verlagern. Dann wären Rechenzentren keineswegs überflüssig — ihre Rolle wäre lediglich eine andere als heute erwartet.
Gibt es eine KI-Bubble, vergleichbar mit den Immobilienmärkten 2008? Ich weiß es nicht. Aber die Frage ist legitimer als sie in vielen Diskussionen behandelt wird.
Wo läuft KI künftig?
Vielleicht erleben wir gerade nicht den Beginn einer vollständigen Zentralisierung von KI. Vielleicht erleben wir die Entstehung eines hybriden Modells, in dem die leistungsstärksten Systeme zentral bleiben, während der größte Teil der alltäglichen KI-Nutzung lokal stattfindet.
Wer heute Unsummen in Rechenzentren investiert, wettet darauf, dass die Nachfrage nach immer größerer KI schneller wächst, als die Effizienzgewinne der Modelle. Wer auf lokale KI setzt, wettet auf das Gegenteil. Beide Seiten könnten auch gleichzeitig recht haben.
Die eigentliche Frage lautet daher: Welcher Anteil der Wertschöpfung wandert künftig auf Endgeräte, und welcher bleibt zentral in den Hyperscale-Rechenzentren?
Die spannendste Frage der kommenden Jahre ist möglicherweise nicht, wie leistungsfähig KI wird. Sondern wo sie läuft.