Du öffnest ChatGPT, stellst eine Frage und bekommst in Sekunden eine Antwort. Das wirkt wie Magie, ist aber das Ergebnis einer komplexen und fragilen Lieferkette. Hinter jeder Antwort steckt ein großes Sprachmodell, aber auch physikalische Prozesse: Seltene Erden, Mikrochips, Kühlung von Rechenzentren. Diese Infrastruktur wird in den nächsten Jahrzehnten entscheiden, wer wirtschaftlich und politisch die Oberhand behält.
Bisher lautete die Formel für Wirtschaftswachstum: mehr Menschen plus höhere Produktivität gleich mehr Wohlstand. Mit KI fällt der erste Faktor weg. Maschinen ersetzen menschliche Arbeit, weit über einfache Automatisierung hinaus. Das Bruttoinlandsprodukt eines Landes hängt dann nicht mehr von der Bevölkerungszahl ab, sondern davon, wie produktiv die verbleibenden Menschen mit Maschinen sind. Diese Maschinen – die Hardware, die KI antreibt – sind der Produktionsfaktor. Und sie sind extrem skalierbar: Ein Chip arbeitet rund um die Uhr, ohne Pause, ohne Gehaltsverhandlung. Die Nachfrage nach dieser neuen Arbeit ist praktisch unendlich. Der Engpass liegt im Angebot, nicht im Bedarf.
Ein Blick zurück hilft. Die letzten zwanzig Jahre waren das goldene Zeitalter der Software. Einmal geschriebener Code ließ sich zu minimalen Kosten millionenfach verteilen. Das führte zu Unternehmen mit enormen Margen und prägte eine Generation von Entwicklern und Investoren. Venture Capital wurde zum Motor, Unicorn-Status das Ziel. Hardware galt als langweiliges Commodity-Geschäft. Wer Chips herstellte, kämpfte mit zyklischen Umsätzen und hohen Investitionen. Die Folge: Immer weniger Ingenieure für Elektrotechnik und Halbleiter, immer mehr Softwareentwickler. Lange war das kein Problem, weil Hardware verfügbar war. Heute rächt sich diese Schieflage.
Mit dem Launch von ChatGPT 2022 änderte sich alles. KI wurde für die breite Masse erfahrbar. Softwareentwickler integrierten KI-Funktionen, stießen aber auf eine Überraschung: Die Kosten für die Inferenz – die Berechnung einer Antwort – skalieren mit der Nutzerzahl. Das ist fundamental anders als bei klassischer Software, deren Grenzkosten gegen Null gehen. Ein SaaS-Produkt mit KI hat plötzlich echte Herstellungskosten. GPUs wurden knapp, Lieferketten ächzten. Gleichzeitig sanken die Kosten für Softwareentwicklung selbst, weil KI-Modelle beim Programmieren halfen. Paradox: Es wurde billiger, Konkurrenzprodukte zu bauen, aber teurer, sie zu betreiben. Die Börsenbewertungen vieler Softwarefirmen korrigierten sich.
Die Nachfrage nach Rechenleistung kommt nicht nur von Startups. Auch Hyperscaler wie Amazon, Google und Microsoft migrieren CPU-Workloads auf KI-Beschleuniger. Soziale Medien nutzen maschinelles Lernen. Nationen und etablierte Unternehmen setzen KI für Effizienz ein. Und die Nutzer fordern mehr: längere Kontextfenster, niedrigere Latenz, höhere Genauigkeit. Jede Verbesserung macht KI nützlicher, aber auch rechenhungriger. Das Jevons-Paradox greift: Effizienzsteigerung führt nicht zu weniger Verbrauch, sondern zu mehr. Wie eine ausgebaute Autobahn, die bald wieder voll ist. So laden KI-Effizienzverbesserungen zu neuen Anwendungen ein, die mehr Rechenleistung fressen.
Um die Dynamik zu verstehen, betrachtet man drei Ebenen des KI-Skalierens. Früher zählte das Pre-Training – das einmalige Trainieren eines Modells. Dann kam die Inferenz: die Nutzung durch Anwender. Heute gibt es eine dritte Welle: das Post-Training – Nachjustieren während des Einsatzes. Alle drei Ebenen haben eigene Nachfragekurven, die sich verstärken. Hinzu kommt Spezialisierung. Während OpenAI mit ChatGPT ein generalistisches Modell anbietet, entwickeln Firmen wie Harvey spezialisierte Modelle für die Rechtsbranche. Künftig könnten Modelle für Robotik, Medizin oder Videogenerierung jeweils eigene Nachfrageexplosionen auslösen.
Der Autor des Essays gibt zu, dass er anfangs die Nachfrage linear mit der Nutzerzahl verknüpfte. Ein einfaches Modell: 800 Millionen wöchentliche ChatGPT-Nutzer, 50 Prozent Wachstum pro Jahr, in vier Jahren vielleicht 4 Milliarden. Das greift zu kurz. Maschinen arbeiten nicht nur, wenn ein Mensch eine Frage stellt. Sie arbeiten asynchron, stundenlang, überwachen sich, delegieren an andere Agenten, analysieren riesige Datenmengen. Ein Video-Generierungsmodell braucht das Zehnfache eines Textmodells; ein Weltmodell noch einmal das Zehnfache. Die Nachfrage ist nicht additiv, sondern multiplikativ. Der Autor schätzt den Bedarf an Rechenleistung auf mindestens zwei Größenordnungen über dem heutigen Niveau.
Diese Nachfrage trifft auf eine Lieferkette mit mehreren Engpässen. Der Autor identifiziert fünf Kategorien. Erstens: Unternehmen mit PTSD aus früheren Boom-Bust-Zyklen. Halbleiterfirmen litten unter Nachfrageschwankungen und gelten als zyklisch. Diese Welle könnte struktureller sein. Zweitens: Akteure mit strukturellen Vorteilen, etwa exklusive Beziehungen zu EUV-Lithografiemaschinen. ASML ist das Paradebeispiel – kein Chip der neuesten Generation ohne diese Maschinen. Drittens: Infrastruktur für komplexe Anforderungen, besonders Kühlung und Strom. Rechenzentren verschlingen Energie; wer günstigen Strom liefern kann, sitzt an einer Mautstraße der Zukunft. Viertens: Fortschritte, bei denen ein Unternehmen klar führt, etwa bei Optiken oder Uran. Fünftens: Märkte in Übersee, die westliche Investoren meiden, obwohl die Halbleiterindustrie global ist. Wer China oder Taiwan ignoriert, verpasst einen großen Teil des Puzzles.
Die geopolitische Dimension ist nicht zu unterschätzen. Während USA und Europa eigene Fertigung aufbauen, treibt China eine parallele, unabhängige Halbleiterindustrie voran. Gleichzeitig bleibt das Land auf westliche Ausrüstung angewiesen. Diese Abhängigkeiten schaffen ein fragiles Gleichgewicht. Fest steht: Die Unternehmen, die heute die physikalischen Engpässe der KI kontrollieren – Chipfertigung, Belichtungsmaschinen, Energie – werden in den kommenden Jahrzehnten Macht ausüben wie die Ölkonzerne im 20. Jahrhundert. Sie sind die neuen Mautstraßen der digitalen Wirtschaft.
Was bedeutet das konkret? Wenn wir über KI sprechen, denken wir meist an Algorithmen, Modelle und Daten. Das ist berechtigt, aber unvollständig. Die eigentliche Auseinandersetzung findet auf dem Silizium statt. Wer die Kontrolle über die Chip-Produktion hat, bestimmt, wie schnell KI sich entwickelt und wer Zugang zu den leistungsfähigsten Systemen erhält. Für Investoren und Organisationen, die KI strategisch nutzen wollen, heißt das: Ein Blick auf die Hardware-Lieferkette ist nötig. Es geht nicht mehr nur um Software. Es geht um Silizium, Energie und physikalische Grenzen. Diese Grenzen werden die Zukunft prägen – unsichtbar, aber unausweichlich.
Quelle: silicon-frontier.com
