Kategorie: Meinung

Die Debatte über KI und Urheberrecht dreht sich fast nur um Rohstoffe: Welche Bücher, Bilder und Webseiten wurden abgegriffen? Wie viele Klagen gibt es? Wer den Thread von Ed Newton-Rex liest, stößt auf einen zweiten Weg. Er läuft leiser, wirkt für Kreative aber gleich. Es geht um KI-Training mit abgeleiteten Daten: Inhalte, die vor dem Training von einem Modell umgeschrieben wurden. Dazu gibt es kaum Schlagzeilen. Das ist das Problem.

Um den Mechanismus zu verstehen, hilft ein Bild: Ein Werk ist wie Wasser in einem Fluss. Fließt es direkt ins Modell, lässt sich der Weg halbwegs zurückverfolgen. Bei abgeleiteten Daten wird der Fluss vorher umgeleitet. Das Wasser bleibt dasselbe. Nur der Weg ist ein anderer – und die Spur verliert sich.

Was abgeleitete Daten im KI-Training genau sind

Newton-Rex bleibt in seinem Thread nüchtern: Abgeleitete Daten sind kreative Inhalte, die eine KI umschreibt, bevor sie zum Training verwendet werden. Statt auf den Sätzen eines Buchs zu trainieren, lässt ein Unternehmen sie erst von einem Modell umformulieren und trainiert dann auf den Ergebnissen. Zwischen Original und Trainingsdaten liegt also ein Arbeitsschritt, der den Text an der Oberfläche verändert. Kurz gesagt: erst umschreiben, dann lernen.

Abgrenzen muss man sie von zwei anderen Quellen, die in der Diskussion längst präsent sind. Da sind die abgegriffenen oder schlicht raubkopierten Bestände – aus ihnen stammt der Großteil der inzwischen mehr als hundert Klagen. Da sind synthetische Daten, erzeugt von Modellen, die selbst auf belastetem Material trainiert wurden. Abgeleitete Daten liegen dazwischen und passen in keine der beiden Erzählungen: Sie stammen aus echten Werken, wurden aber durch ein Modell geschleust. Schwer greifbar. Deshalb selten Thema.

Derselbe Schaden, schwierigerer Nachweis

Der Kern der Argumentation: Der Schaden bleibt derselbe. Ein Werk wird ohne Erlaubnis verwendet, um ein Produkt zu bauen, das mit seinem Urheber konkurriert. Ob das Modell später wörtliche Passagen ausspuckt oder nicht, ändert daran nichts. Der Eingriff in die Rechte findet im Training statt, nicht in der Ausgabe. Man muss dabei zwei Dinge trennen, die gern vermischt werden: Beweislage und Betroffenheit. Die Beweislage verschiebt sich durch das Umschreiben. Die Betroffenheit nicht.

Juristisch ist das kein abgeschlossenes Kapitel, und Newton-Rex argumentiert auch nicht juristisch, sondern mit dem Schaden: Das Werk werde ohne Erlaubnis benutzt, um ein Konkurrenzprodukt zu bauen. Für den Nachweis hat das eine unangenehme Folge: Wenn Wortgleichheit zum Maßstab wird, können Kreative kaum noch bemerken, dass etwas mit ihren Werken geschieht. Die Umleitung sorgt dafür, dass niemand mehr sagen kann, woher das Wasser kommt – und niemand mehr nachweisen kann, dass es entnommen wurde.

Opt-out umgehen durch abgeleitete Daten

Hier wird der Mechanismus praktisch. Wer Texte, Bilder oder Musik auf einer Plattform veröffentlicht, kann dort immer häufiger erklären, dass die eigenen Inhalte nicht zum Training verwendet werden dürfen. Solche Opt-outs sind ein Fortschritt. Sie erfassen aber nur den direkten Zugriff. Der Thread zeigt die naheliegende Lücke: Ein Widerspruch gegen das Training auf den eigenen Werken ist noch kein Widerspruch dagegen, diese Werke vorher umschreiben zu lassen und dann auf den Fassungen zu trainieren. Wer den Opt-out umgehen will, muss den Umweg nur oft genug gehen.

So entsteht eine Lage, die schwer zu bestreiten ist und trotzdem unbefriedigend bleibt. Auf den Hinweis, man habe doch widersprochen, kann ein Unternehmen mit dem Verweis auf die Zwischenstufe antworten: Man habe nichts falsch gemacht. Newton-Rex nennt das als Szenario. Er ergänzt einen zweiten, unbequemeren Punkt: Je besser die Modelle werden, desto leichter fällt das Umschreiben – und deshalb, so Newton-Rex, passiere es schon jetzt immer häufiger.

Warum der Nachweis so schwierig ist

Der Nachweis ist schwer, weil der Zwischenschritt ihn verhindert. Ein Modell, das auf umgeschriebenen Fassungen trainiert wurde, gibt das Original seltener wörtlich wieder. Das klingt nach einem Vorteil für alle. Es ist einer für den, der nicht auffallen will. Wer wissen möchte, ob das eigene Buch, Bild oder Musikstück in einem Modell steckt, hat bei direkt abgegriffenen Daten wenigstens die Chance über wörtliche Übereinstimmungen. Bei abgeleiteten Daten fällt die weg.

Daraus folgt eine Verschiebung, die Kreative benachteiligt. Im besten Fall erfahren sie von der Nutzung lange nach dem Training, wenn das Modell längst im Einsatz ist und sich kaum zurückdrehen lässt. Im schlechteren Fall erfahren sie es nie – und können sich nicht wehren. Transparenz von KI-Trainingsdaten fordert hier nicht eine bessere Beweisführung im Nachhinein. Sie fordert überhaupt erst eine Grundlage für Streit oder Zustimmung.

Warum nur Offenlegung hilft

Newton-Rex zieht einen klaren Schluss: Offenlegungspflichten. Staaten müssten Gesetze erlassen, die KI-Unternehmen zwingen, ihre Trainingsdaten bekanntzugeben. Ohne das sind Kreative dauerhaft im Hintertreffen – sie spielen hinterher, statt mitzuspielen. Der Vorschlag ist bewusst unspektakulär: Er verbietet keine Technik, er beschreibt nur, was sie verwendet. Fehlt diese Beschreibung, bleibt jede Diskussion über Erlaubnis, Vergütung und Widerspruch ein Gespräch über einen Umweg, den niemand einsehen kann.

Wie weit solche Pflichten reichen sollen und ob sie technisch und wirtschaftlich umsetzbar sind, darüber kann man streiten. Kaum zu bestreiten ist der Ausgangspunkt: Ein System, in dem die verwendeten KI-Trainingsdaten unbekannt sind, kann Fairness nicht herstellen. Es kann sie nur behaupten. Transparenz ist hier keine Forderung nach mehr Bürokratie, sondern die Voraussetzung dafür, dass die bestehenden Regeln zum Urheberrecht anwendbar bleiben – auch dann, wenn zwischen Werk und Modell ein Umschreibschritt liegt.

Was das konkret bedeutet

Für dich als Leser, Autor, Musikerin oder Fotograf ändert der Begriff allein nichts an der Rechtslage. Was sich ändert, ist die Aufmerksamkeit. Wer künftig über KI und Urheberrecht spricht, sollte nicht nur nach den abgegriffenen Daten fragen, sondern auch nach dem, was zwischen Original und Training passiert ist. Die Frage lautet dann nicht mehr nur: Wurde mein Werk verwendet? Sondern: Lief es vorher durch ein Modell, das die Spuren verwischt hat?

Für Unternehmen heißt das: Der Umweg über abgeleitete Daten ist kein Schlupfloch, das dauerhaft trägt, sondern eine Verzögerung. Wer auf Nachfragen mit dem Hinweis auf die Zwischenstufe antwortet, gewinnt Zeit, kein Vertrauen. Für die Politik bleibt die Reihenfolge unbequem: erst Offenlegung, dann Bewertung. Alles andere ist ein Gespräch über Wasser, dessen Flussrichtung niemand kennt.

Quelle: threadreaderapp.com

Der Eindruck, bei künstlicher Intelligenz gäben die USA den Ton an, hält sich. Bei den offenen Modellen mit frei verfügbaren Gewichten stimmt er seit längerem nicht mehr. Ein Forscher, der kürzlich eine Gruppe von Kongressmitgliedern und deren Mitarbeitern zum Stand der Open-Weight-Modelle im amerikanisch-chinesischen Wettbewerb gebrieft hat, beschreibt in seinen Redenotizen eine Lage, die sich in einem Satz zusammenfassen lässt: China führt, und nicht knapp.

Wer heute KI-Funktionen in ein Produkt einbaut, greift mit hoher Wahrscheinlichkeit zu einem Modell aus Hangzhou, Peking oder Shenzhen. Das betrifft Werkzeuge, die inzwischen in Code-Editoren, Rechtsanwendungen und Lieferdiensten stecken. Der folgende Text fasst zusammen, was der Autor in seinen Notizen als Lagebericht beschreibt: die Begriffe hinter der Debatte, die Zahlen zu Hugging-Face-Downloads, die Benchmark-Lage, die Ursachen und die Folgen für den amerikanisch-chinesischen Wettbewerb.

Open-Weight, Open-Source, Closed: drei Stufen einer Skala

Sprachmodelle mit offenen Gewichten sind Modelle, deren Gewichte öffentlich einsehbar und für eigene Zwecke nutzbar sind. Sie stehen im Kontrast zu geschlossenen Modellen, auf die man nur über Programmierschnittstellen oder fertige Produkte zugreift – GPT-4 oder Claude Opus etwa, ChatGPT oder Claude Code. Der Unterschied lässt sich mit einer Küche vergleichen: Ein geschlossenes Modell ist ein Restaurant, man bekommt das Gericht, aber das Rezept bleibt hinter der Tür. Ein Open-Weight-Modell liefert die Zutatenliste, das Nachkochen ist erlaubt, die genaue Zubereitung fehlt. Ein wirklich quelloffenes Modell legt zusätzlich offen, woher jede Zutat stammt und wie gearbeitet wurde.

Open-Weight-Modelle sind die häufigste Form, bekannte Beispiele sind Metas Llama, Alibabas Qwen, Googles Gemma oder die Modelle von DeepSeek. Sie kommen mit einer Lizenz, die regelt, was mit ihnen downstream erlaubt ist, und meist mit Inferenz-Code für Bibliotheken wie Transformers, VLLM oder SGLANG. Echte Open-Source-Modelle enthalten zusätzlich alles, was zur Reproduktion nötig ist, also Trainings-Code und Trainingsdaten. Die prominentesten stammen aus den USA und entstehen bei gemeinnützigen Organisationen: das Olmo-Modell des Allen Institute for AI, an dem der Autor nach eigenen Angaben zweieinhalb Jahre mitgearbeitet hat, die Marin-Modelle von OpenAthena und die Pythia-Modelle von EleutherAI.

Es handelt sich weniger um Kategorien als um ein Spektrum. Nvidias Nemotron-Modelle geben große Teile ihrer Trainingsdaten unter permissiven Lizenzen frei und sind damit offener als viele Open-Weight-Modelle, ohne vollständig quelloffen zu sein. Auch geschlossene Modelle verteilen sich über eine Skala, je nachdem, wie viel eine Schnittstelle preisgibt und was die Nutzungsbedingungen erlauben. Die Etiketten sind Verhandlungsmasse, deshalb lohnt der genaue Blick auf die Zahlen.

Hugging-Face-Downloads: seit Juli 2025 kippt die Kurve

Die USA waren der frühe Marktführer bei offenen Sprachmodellen, vor allem durch Metas Llama-Modelle, die in Forschung und kommerzieller Nutzung breit eingesetzt wurden. Seit etwa April 2025 liegen chinesische KI-Unternehmen bei Open-Weight-Modellen klar vorn, in zwei Bereichen gleichzeitig: Verbreitung und Leistungsfähigkeit. Das einfachste Maß dafür sind die Downloads auf Hugging Face, wo China im Juli 2025 die Führung übernahm, maßgeblich getragen vom Erfolg der Qwen-Modelle von Alibaba.

Der Autor betreibt nach eigenen Angaben Werkzeuge, mit denen er diese Daten verfolgt. Seit er im August 2025 das American Truly Open Models Project veröffentlichte, sei Chinas Vorsprung bei den Downloads auf rund 1,6 Milliarden angewachsen, bei insgesamt 3,2 Milliarden Downloads – das Doppelte der amerikanischen Zahl. Solche Metriken sind eine Näherung, keine Messung der tatsächlichen Nutzung. Die Richtung deckt sich mit Beobachtungen auf anderen Plattformen.

Benchmarks: fünfzehn chinesische Modelle vor dem besten amerikanischen

Auf verbreiteten Leistungstests, etwa dem Artificial Analysis Intelligence Index, ist der Abstand deutlich. Die drei stärksten chinesischen Modelle zum Zeitpunkt der Notizen, dem 14. September 2026, sind Z.ais GLM-5.3 und GLM-5.3-Flash sowie Moonshot AIs Kimi K3 mit Werten von 45, 42 und 44. Die führenden amerikanischen Modelle sind Thinking Machines‘ Inkling und Inkling Small mit je 26 Punkten sowie Nvidias Nemotron 3 Ultra mit 23. Auf dem Index liegen damit fünfzehn chinesische Modelle vor dem besten amerikanischen Modell.

Ein Teil der Erklärung liegt im Tempo. Die besten amerikanischen Beiträge stammen aus Juni und Juli 2026 und werden seltener aktualisiert als die chinesischen. Vergleichbare chinesische Modelle erreichten diese Werte nach Angaben des Autors zwei bis sechs Monate früher, etwa GLM-5 oder DeepSeek V4 Pro. Immer mehr amerikanische Anbieter bringen eigene Modelle heraus, darunter Arcee AI, Poolside und IBM. Die Lücke schließen sie damit nicht schnell.

Für die Einordnung hilft ein zweiter Vergleich, der nichts mit Herkunft, sondern mit Offenheit zu tun hat. Chinesische Open-Weight-Modelle liegen etwa zwei bis fünf Monate hinter der geschlossenen amerikanischen Spitze. Amerikanische Open-Weight-Modelle liegen sechs bis neun Monate hinter Anbietern wie OpenAI und Anthropic. Am kleinsten ist der Rückstand dort, wo Nutzerbedarf eindeutig ist, etwa beim agentischen Programmieren. Am größten bei offenen wissenschaftlichen Aufgaben aus Physik oder Biologie.

Weniger Ressourcen, stärkere Modelle: eine offene Debatte

Warum chinesische Labore trotz knapperer Mittel so starke Modelle bauen, ist laut dem Autor weiterhin umstritten und stark von unterschiedlichen Arbeitskulturen geprägt. Hinzu kommen technische Faktoren. Chinesische Labore veröffentlichen schneller und konzentrieren sich auf ein schmaleres Aufgabenspektrum, was sie auf öffentlichen Benchmarks begünstigt. Weil alle Labore stetig Fortschritte machen, ist ein fertiggestelltes Modell immer eine Momentaufnahme – wer später abgibt, steht besser da. Ungeachtet dieser Verzerrung seien die Modelle aber stark und echte Konkurrenz für die amerikanische Industrie.

Als häufig genanntes Erklärungsmuster dient Destillation, das Nachtrainieren eigener Modelle mit Ausgaben fremder Systeme. Der Autor erwartet nicht, dass sich die Lage dadurch entscheidend ändert. Destillation wirke vor allem in neuen Domänen und mache ein durchweg starkes Modell nicht trivial. Selbst wenn sie vollständig unterbunden würde, etwa durch Identitätsprüfungen bei Anthropic und OpenAI, würde sich der Abstand zu den stärksten amerikanischen Modellen nach seiner Schätzung nur um ein bis zwei Monate vergrößern.

Interessanter ist eine Verschiebung bei den Daten. Noch Anfang 2026 hätten führende chinesische Labore wie Moonshot AI und Z.ai darauf gesetzt, Datenabläufe im eigenen Haus aufzubauen. Bis zum Sommer hätten sie begonnen, modernste Daten einzukaufen – anspruchsvolle Lernumgebungen für agentische Aufgaben – und zwar sowohl von etablierten amerikanischen Firmen als auch von neuen chinesischen Start-ups.

OpenRouter, Cursor und DoorDash: die Praxis hat längst entschieden

Neben Downloads und Benchmarks gibt es ein drittes Signal: die tatsächliche Nutzung. OpenRouter, eine Plattform, die eine einzige Oberfläche für den Wechsel zwischen Modellen bietet, veröffentlicht Daten zu den meistgenutzten Modellen seit dem 1. Januar 2025. Verarbeitete die Plattform in einer Woche im September 2025 noch rund eine Billion Token über offene Modelle, sind es heute etwa 80 Billionen pro Woche. Im selben Zeitraum stieg der Anteil chinesischer Modelle von etwa 70 Prozent auf über 80 Prozent der Nutzung. Der quelloffene Coding-Agent OpenCode kommt nach diesen Angaben auf eine Inferenzmenge von 95 Prozent oder mehr mit chinesischen Modellen.

Solche Plattformdaten bleiben eine Annäherung. Ein großer Teil der Nutzung offener Modelle läuft über Anbieter, die keine Aufschlüsselung nach Modellen veröffentlichen, etwa Together AI oder Fireworks AI, oder in privaten Unternehmensumgebungen. Wer aus einzelnen Zahlen eine Gesamtbilanz ableiten will, überschätzt schnell die Datenlage.

Aufschlussreich ist dennoch die Liste der Unternehmen, die auf chinesische Modelle setzen: Harvey im Rechtsbereich, der Coding-Agent Cursor, DoorDash mit Kimi, Airbnb mit Qwen, Perplexity mit DeepSeek. Das sind nur die sichtbaren Fälle. Vor allem jüngere Start-ups im Silicon Valley greifen zu chinesischen Modellen, weil sie günstig und flexibel sind. Auffällig sei zudem, dass amerikanische Firmen zunehmend Unternehmensverträge mit chinesischen Modell-Laboren schließen, um deren Modelle in eigenen Produkten nutzen zu dürfen – eine Form grenzüberschreitender Technologiezusammenarbeit, die der Autor in seiner Laufbahn so noch nicht beobachtet hat.

Forschung, Sicherheitsrisiken und die Frage, wen eine Sperre träfe

Die Basis dieser Nutzung reicht bis in die akademische Forschung. Nach Einschätzung des Autors wird der überwiegende Teil der wissenschaftlichen Arbeit mit Qwen-Modellen betrieben; die Führungsebene des Qwen-Teams verfolge diese Verbreitung sehr bewusst. Um das zu quantifizieren, hat er alle Paper in den fünf beliebtesten ML-Kategorien von arXiv ausgewertet, also cs.AI, cs.CL, cs.CV, cs.LG und stat.ML. Der Anteil der Arbeiten, die mindestens ein offenes Modell erwähnen, stieg von zwei Prozent im Januar 2023 auf 50 Prozent im September 2026. In den Monaten nach Metas ursprünglichem Llama nannten rund 2.600 von 12.000 neuen Papern eine prominente offene Modellfamilie, etwa 5,5 Prozent Llama und ein Prozent ein chinesisches Modell. Im Herbst 2024, auf dem Höhepunkt von Llama, waren es 23 Prozent bei Llama und 7,5 Prozent bei Qwen. Heute liegt Llama noch bei etwa 21 Prozent, während Qwen auf 30 Prozent gestiegen ist.

Dazu kommt eine regulatorische Unsicherheit, die mit den wachsenden Risiken an der Leistungsspitze zusammenhängt, etwa im Bereich Cybersicherheit. Ein strukturelles Problem offener Gewichte besteht darin, dass es kaum wirksame Mittel gibt, um zu verhindern, dass Software an falsche Akteure gelangt. Würde man den Zugang zu den stärksten chinesischen Open-Weight-Modellen einschränken, träfe es zuerst amerikanische Unternehmen. Ein Beispiel führt der Autor selbst an: Hugging Face nutzte ein chinesisches Open-Weight-Modell, um einen Cyberangriff zu verstehen, weil geschlossene Modelle die entsprechenden Anfragen verweigerten.

Der Umgang mit diesen Risiken läuft deshalb auf Vorbereitung des Ökosystems hinaus. Offene Modelle sind ein zentrales Werkzeug für die Verbreitung von KI geworden, und wer die Abhängigkeit amerikanischer Firmen von in China gebauten Modellen verringern will, muss Investitionen in eigene offene Modelle ermöglichen. Der Wettbewerb um offene Gewichte ist keine Nischenfrage, sondern eine Frage der Infrastruktur. Wer aufholt, gewinnt Steuerungsmöglichkeiten über Risiken, die ohnehin global sind. Wer weiter nur zusieht, überlässt die Grundlage der eigenen KI-Produkte einem anderen Land.

Quelle: interconnects.ai

Am 4. Juli 2025 veröffentlichte ein Firmengründer eine Entschuldigung. Es ging weder um einen Ausfall noch um ein Datenleck, sondern um eine Abrechnung. Anysphere, die Firma hinter dem Coding-Assistenten Cursor, hatte im Juni die Pauschaltarife abgeschafft und auf verbrauchsabhängige Credits umgestellt. Ein Kundenteam verbrauchte dabei sein Jahresbudget von 7.000 Dollar an einem einzigen Tag. Der Gründer entschuldigte sich, erstattete Beträge – und ließ das alte Modell trotzdem nicht wieder aufleben. Seitdem hat Cursor seine Preislogik viermal geändert. Alle vier Änderungen gingen in dieselbe Richtung.

Anysphere erreichte bis Juni 2026 rund vier Milliarden Dollar annualisierten Umsatz, etwa drei Viertel davon im Unternehmensgeschäft. Sechzehn Monate zuvor waren es 100 Millionen Dollar. Kein anderes SaaS-Anwendungsprodukt hat die 100-Millionen-Marke schneller gerissen. Die Bewertung liegt bei 60 Milliarden Dollar. Die Inferenzkosten lagen laut Berichten aus dem Jahr 2025 bei 40 bis 70 Cent je Umsatzdollar – eine Bruttomarge von 30 bis 50 Prozent. Bei Software lag sie vier Jahrzehnte lang bei 70 bis 80 Prozent.

Warum die These von der billigeren Software zu kurz greift

Am 6. September formulierte Tamara Martinović auf X den Gegeneinwand. Ihr Beitrag erreichte 76.000 Aufrufe. Ihre Argumentation: Wenn KI zwei Monate Arbeit in zwei Tage presst, muss sich das im Preis wiederfinden. Zehnfache Produktivität und unveränderte Preise können nicht dauerhaft nebeneinander bestehen. Sie stellte den Satz unter die Überschrift „Unpopular opinion“. Es kamen 616 Antworten, und die Mehrheit stimmte ihr zu.

Der Autor des Ausgangstexts hielt dagegen. Seine Beobachtung klingt auf den ersten Blick wie ein Scherz: Er könne in wenigen Stunden Programmieren Token im Wert von tausend Dollar verbrauchen, und Software müsse deshalb eher teurer werden. Nach eigener Angabe baut er produktive agentische Systeme auf dem Microsoft-Stack – MCP-Server, das Agent Framework, RAG-Pipelines über Vektorsuche in SQL Server 2025 – und beschreibt diesen Verbrauch als gewöhnlichen Arbeitstag.

Beide Positionen berühren denselben Punkt von verschiedenen Seiten, aber nur eine macht eine Annahme, die sich prüfen lässt. Die Forderung nach niedrigeren Preisen unterstellt, dass der Preis den Produktionskosten folgt: Sinkt der Arbeitsaufwand um den Faktor dreißig, muss auch der Preis sinken. Das ist Kosten-plus-Denken, und Software wurde noch nie so bepreist. Hier beginnt der Streit.

Software wurde noch nie nach Herstellkosten bepreist

Die zweite Kopie von Windows kostete Microsoft nichts. Die zehnmillionste Kopie kostete nichts. Hätte sich der Preis an den Herstellkosten orientiert, wäre Software seit 1985 kostenlos gewesen. Sie war es nicht, weil Software nach dem bemessen wird, was sie dem Käufer wert ist. Ein Lohnsystem, das ein Unternehmen mit 400 Beschäftigten vor einem arbeitsrechtlichen Verfahren bewahrt, ist so viel wert, wie es wert ist. Die Sprintgeschwindigkeit des Anbieters kommt in dieser Rechnung nicht vor.

Am besten lässt sich der Unterschied mit einer Küche erklären. Software war vierzig Jahre lang ein Rezeptbuch: einmal geschrieben, beliebig oft kopiert, jede weitere Kopie kostenlos. Die ganze Branche hat darauf ihre Bewertungsmaßstäbe gebaut, ihre Marge, ihr Erlösmodell. Was mit KI dazukommt, ist der Herd. Jedes Mal, wenn ein Agent etwas tut, wird gekocht, und Zutaten, Strom und Zeit fallen erneut an. Nicht einmal pro Kunde, sondern pro Vorgang.

Es gibt einen zweiten Einwand gegen die Produktivitätsthese, und er ist älter als die Diskussion. Der Compiler ersetzte handgeschriebenen Assembler. Visual Basic ersetzte C für betriebliche Anwendungen. Rails ersetzte selbstgebautes CRUD. AWS ersetzte den eigenen Server im Rechenzentrum. Jeder dieser Sprünge wurde als Verzehnfachung angekündigt, und jeder war es ungefähr. Die Softwarepreise sind durch alle vier hindurch gestiegen.

Der Grund ist immer derselbe: Der Produktivitätsgewinn wird vom Umfang aufgefressen. Niemand liefert heute noch die Zwei-Monats-Anwendung von 2015 aus. Käufer erwarten inzwischen Single Sign-on, SOC-2-Attestierung, einen mobilen Client, Echtzeitsynchronisation, rollenbasierte Zugriffssteuerung, ein Prüfprotokoll, eine Schnittstelle, vier Neunen Verfügbarkeit und eine Antwort auf die Frage, wo die Daten in der EU liegen. Der Zwei-Tage-Build und der Zwei-Monats-Build sind nicht dasselbe Produkt. Einer von beiden ist eine Demo.

Was bei Vertragsverlängerungen wirklich passiert

Statt über die Theorie zu streiten, lohnt ein Blick darauf, was in den zwölf Monaten des größten Produktivitätsschubs der Softwaregeschichte mit den Preisen passiert ist. 79 Prozent der IT-Verantwortlichen erlebten bei einer Vertragsverlängerung eine Preiserhöhung. 78 Prozent bekamen Positionen in Rechnung gestellt, die sie nicht eingeplant hatten – Verbrauch oder gebündelte KI-Funktionen. 61 Prozent haben ein Projekt gekürzt oder ausgesetzt, weil eine Softwarerechnung sich unangekündigt bewegte. Die Zahlen stammen von Zylo, erhoben bei den Leuten, die diese Verlängerungen unterschreiben.

Gartner erwartet parallel einen Anstieg der weltweiten Ausgaben für KI-Software um 60,2 Prozent in diesem Jahr. Der Mechanismus dahinter ist unspektakulär. Anbieter bündeln KI-Funktionen in bestehende Tarife und heben den Tarif an. Sie streichen Bestandskunden-Rabatte. Sie legen Verbrauchskosten über das Abonnement. Atlassian rechnet Rovo-Credits ab, GitHub Premium-Anfragen, Salesforce betreibt auf Agentforce drei Preismodelle gleichzeitig. Nichts davon erscheint als Schlagzeile, und genau deshalb funktioniert es.

Die These, dass mehr Produktivität zu niedrigeren Preisen führt, ist damit bereits getestet. Die Produktivität ist gestiegen. Vier von fünf Käufern bekamen bei der Verlängerung eine Erhöhung präsentiert, und drei von fünf begannen, Projekte zu streichen, um sie zu bezahlen. Wer heute über KI-Software-Kosten verhandelt, verhandelt nicht über Listenpreise, sondern über Verbrauchsklauseln.

Billigere Token, höhere Rechnungen: das Jevons-Paradox

Der Einwand der Befürworter hat trotzdem einen richtigen Kern. Der Stückpreis für Intelligenz ist eingebrochen. GPT-4 startete im März 2023 bei 30 Dollar pro Million Eingabe-Token und 60 Dollar pro Million Ausgabe-Token. Was danach fiel, war der Preis für ein festes Fähigkeitsniveau – eine andere und deutlich nützlichere Messgröße. Epoch AI beziffert diesen Rückgang auf einen Median von etwa 50-fach pro Jahr, seit Januar 2024 sogar über 200-fach. a16z hat über drei Jahre rund das Tausendfache gemessen: von 60 Dollar pro Million Token für GPT-3-Qualität auf sechs Cent für dieselbe Qualität.

Sechs Cent für Arbeit, die drei Jahre vorher sechzig Dollar gekostet hatte. Das ist real, und es ist das stärkste Argument der Befürworter niedrigerer Preise. Trotzdem sind die Rechnungen nicht gefallen. Dafür gibt es zwei Gründe, die sich gegenseitig verstärken.

Der erste hat einen Namen. Am 27. Januar 2025, Stunden nachdem die Veröffentlichung von DeepSeek R1 den Energiesektor durcheinandergebracht hatte, schrieb Satya Nadella, das Jevons-Paradox schlage wieder zu. Billigere und leichter zugängliche KI, argumentierte er, werde den Verbrauch steigern statt senken. William Stanley Jevons hatte 1865 beobachtet, dass effizientere Dampfmaschinen den englischen Kohleverbrauch erhöhten statt verringerten. Nadella behielt recht, und die Belege kamen von beiden Seiten der Transaktion. OpenAI bezifferte die eigenen Inferenzkosten für 2025 auf rund 8,4 Milliarden Dollar, etwa das Vierfache des Vorjahres. Menlo Ventures maß dieselbe Zahl von der Kundenseite: Ausgaben von Unternehmen für Modell-APIs stiegen binnen sechs Monaten von 3,5 auf 8,4 Milliarden Dollar. Zwei unabhängige Messungen kamen auf denselben Betrag.

Der zweite Grund ist, dass der Boden fällt und die Decke gleichzeitig steigt. Bei Budget- und Mittelklasse-Modellen wird es weiter billiger. Die Frontier-Modelle haben sich im gemischten Preis pro Token seit Januar 2026 ungefähr verdoppelt, weil jede Generation erweiterte Fähigkeiten in Rechnung stellt. Und niemand, der ein ernsthaftes Produkt baut, kauft das Bodenmodell. Man greift immer zum besten verfügbaren Werkzeug, weil die Fähigkeit das Produkt ist und der Unterschied in der Ausgabe sichtbar wird, die der eigene Kunde sieht. Fähigkeit pro Dollar explodiert. Der Verbrauch explodiert stärker.

Warum agentische KI die Marge von SaaS angreift

Agentische Systeme verbrennen Token in einem Tempo, das eine normale Chat-Sitzung nie erreicht, weil sie keine Frage beantworten. Sie lesen fünf Dateien in den Kontext, planen, schreiben, führen Tests aus, lesen die Fehlermeldungen und drehen eine weitere Runde, wobei die gesamte Unterhaltung bei jedem Umlauf mitgeschleppt wird. Anthropic veröffentlicht die Rechnung selbst. Agententeams, bei denen mehrere Instanzen parallel mit eigenen Kontextfenstern laufen, verbrauchen im Planungsmodus etwa siebenmal mehr Token als eine Standardsitzung. Über Unternehmenseinsätze hinweg liegt der Durchschnitt bei rund 13 Dollar pro Entwickler und aktivem Tag sowie 150 bis 250 Dollar pro Entwickler und Monat. Für 90 Prozent der Nutzer bleiben es unter 30 Dollar am Tag.

Der Autor des Ausgangstexts beschreibt für sich einen deutlich höheren Wert. Beim Debuggen eines Retrieval-Problems mit langem Kontext, echter Codebasis und hochgedrehtem Reasoning-Aufwand seien tausend Dollar an einem Nachmittag kein exotisches Ergebnis, sondern ein Dienstag. Er habe sein Beobachtbarkeits-Framework unter anderem deshalb gebaut, um zu sehen, wohin das Geld fließt, und dabei festgestellt, dass der teure Teil fast nie der Modellaufruf ist, den man vermuten würde.

Damit hat jedes Nutzerverhalten in einem agentischen Produkt variable Kosten für den Anbieter, ob der Käufer sie einzeln aufgeführt bekommt oder nicht. Das ist eine Wareneinsatzposition auf einer Bilanz, die nie eine hatte. Sie skaliert mit der Nutzung, schwankt stark zwischen Kunden und trifft den Anbieter vor dem Käufer. Deshalb verschwindet die Abrechnung pro Arbeitsplatz. Gartner erwartet, dass bis Ende 2026 bis zu 40 Prozent der Unternehmensanwendungen einen aufgabenspezifischen KI-Agenten tragen, gegenüber unter 5 Prozent heute. Im Juli bezifferte das Institut den Betrag, der bis 2030 durch sogenannte agentische Arbitrage gefährdet ist, auf bis zu 234 Milliarden Dollar – etwa ein Fünftel aller SaaS-Ausgaben im Unternehmen. Der Agent erledigt die Arbeit über vier Systeme hinweg, und niemand meldet sich in der Anwendung an, für die pro Nutzer bezahlt wird. Gartners eigenes Wort dafür lautet Saaspocalypse.

Intercom verlangt 99 Cent pro gelöstem Gespräch. Cursors Bugbot kostet nicht mehr 40 Dollar pro Platz und Monat, sondern rund ein bis eineinhalb Dollar pro Durchlauf. Keiner dieser Anbieter verkauft dir noch einen Arbeitsplatz. Software wird zu einem gemessenen Dienstleistungsgeschäft, und Dienstleister werden nicht billiger, wenn sie produktiver werden. Sie werden leistungsfähiger, übernehmen mehr Arbeit und stellen mehr in Rechnung. Der Herd läuft bei jedem Gast.

Was andere Branchen über den Produktivitätsgewinn verraten

Wenn der Satz gilt, dass ein Produktivitätssprung von zehn zu eins durch niedrigere Preise hindurchmuss, dann ist er entweder eine Regel oder er ist keine. Die erste Sequenzierung eines menschlichen Genoms kostete etwa 2,7 Milliarden Dollar. Eine klinische Vollgenomsequenz liegt heute bei ein paar Hundert Dollar. Daneben stehen MRT, Roboterchirurgie, elektronische Patientenakten und KI-gestützte Radiologie, die Befunde schneller liest, als der Radiologe sie aufrufen kann. Ein Produktivitätsgewinn, neben dem sich alles im Softwarebereich wie ein Rundungsfehler ausnimmt.

Und der Preis? Die durchschnittliche Familienprämie für betriebliche Krankenversicherung erreichte 2025 genau 26.993 Dollar, ein Plus von sechs Prozent und das dritte Jahr in Folge mit mindestens sechs Prozent – zum ersten Mal seit zwei Jahrzehnten. Arbeitnehmer trugen davon 6.850 Dollar aus eigener Tasche. Die Prämien auf dem staatlichen Marktplatz steigen um 18 Prozent. Keine Krankenkasse hat je eine Rückzahlung verschickt mit Verweis auf die Sequenzierungskurve. Die juristische Dokumentenprüfung erzählt dieselbe Geschichte in kleinerem Rahmen: Die Arbeit wurde dramatisch schneller, die Rechnungen blieben, wo sie waren.

Wer heute Software einkauft, verhandelt zunehmend nicht mehr über den Preis pro Kopf, sondern über Verbrauch, Obergrenzen und die Frage, wer die Schwankung trägt. Budgets brauchen künftig eine Zeile für Token und Ausführungen, nicht nur eine für Lizenzen. Bei Anbietern wird die Bruttomarge zur zentralen Risikokennzahl, weil sie nicht mehr selbstverständlich ist, sondern erarbeitet werden muss. Die Werkzeuge sind dramatisch leistungsfähiger geworden. Nur ist Leistungsfähigkeit nicht dasselbe wie ein niedrigerer Preis. Der Produktivitätsgewinn landet im Umfang und im Verbrauch, nicht auf der Rechnung.

Quelle: galratner.substack.com

Im August 2025 kappte Anthropic den API-Zugang für OpenAI. Der Anlass ist unspektakulär und gerade deshalb aufschlussreich: Mitarbeiter des Konkurrenten hatten mit Claude Code gearbeitet, kurz vor dem Marktstart von GPT-5. Wer sein bestes Modell teilt, verschenkt den Vorsprung, den er sich damit erarbeitet hat. Diese Rechnung ist alt, und sie erklärt, warum die Entwicklung von KI gerade in eine unangenehme Richtung läuft.

Rund 1400 Beschäftigte von Frontier-Labors haben eine Erklärung mit dem Titel „Pacing the Frontier“ unterschrieben. Ihr Kern: Industrie, Regierungen und Gesellschaft sollten sich die Möglichkeit offenhalten, Zeit zu gewinnen – für neue Risiken, für Sicherheitsmaßnahmen, für eine belastbarere Aufsicht. Dieselben Unterzeichner räumen ein, dass kein einzelnes Unternehmen und kein einzelnes Land es sich leisten kann, als Einziger langsamer zu werden. Die technischen und politischen Werkzeuge, mit denen sich das Tempo der gesamten Frontier-Branche bewusst drosseln ließe, fehlen bislang.

Ein Essay aus diesem Umfeld schlägt einen Ansatz vor, der dort ansetzt, wo die Erklärung endet: bei den Anreizen. Der Autor nennt ihn interne Modelltransparenz. Er will die Labors nicht bremsen – er will ihnen den Vorteil nehmen, der sie zum Rasen treibt.

Warum ein einziges Werkzeug den ganzen Wettbewerb entscheidet

Der Auslöser für solche Vorschläge ist die Automatisierung der KI-Forschung selbst. Labors bauen bereits Modelle, die Code schreiben, Experimente auswerten und neue Trainingsläufe entwerfen. Wird ein solches Modell gut genug, um das nächste Modell mitzuentwickeln, spricht man von rekursiver Selbstverbesserung. Der Fortschritt beschleunigt sich dann nicht mehr linear, sondern zieht sich selbst am Kragen hoch.

Man kann sich das wie einen Rennstall vorstellen, dessen neuer Motor auf jeder Strecke überlegen ist. Normalerweise gilt: Wer in einer Disziplin stark ist, gewinnt dort und verliert woanders. Ein Werkzeug, das KI-Forschung beschleunigt, hebt diese Einschränkung auf. Es verbessert nicht eine einzelne Fähigkeit, sondern die Fähigkeit, Fähigkeiten zu erzeugen.

Der Autor rechnet das an einem hypothetischen Beispiel durch. DeepMind konzentriert sich auf wissenschaftliche Forschung, Anthropic auf Programmierung: Gemini bekommt eine Eins in Forschung und eine Drei plus im Coden. Anthropic kann DeepMind trotzdem schlagen, indem es Claude auf eine Zwei im Coden bringt, mit diesem Claude ein neues Modell baut und daraus eines macht, das in Forschung noch besser ist als Gemini. Der Umweg über die eigene Stärke macht den Rückstand in einem fremden Feld wett.

Dieselbe Logik erklärt, warum Anthropic im August 2025 den API-Zugang für OpenAI kappte. Wer dem Wettbewerber das beste eigene Werkzeug überlässt, gibt den Vorteil aus der Hand, für den er bezahlt hat. Solange ein Modell, das KI-Forschung beschleunigt, in jedem Feld nützt, bleibt der Anreiz zur rekursiven Selbstverbesserung bestehen – unabhängig davon, wie riskant sie ist.

Die Regel: Wer intern nutzt, muss auch nach außen liefern

Hier setzt die interne Modelltransparenz an. Die Regel lautet: Sobald ein Labor ein Modell für den internen Gebrauch einsetzt, muss es dasselbe Modell auch Forschern anderer Labors zur Verfügung stellen. Modelle werden damit zu einer Ressource, aus der sich kein Wettbewerbsvorsprung mehr schlagen lässt. Der Aufwand für die Umsetzung ist gering – es geht um eine Schnittstelle, nicht um die Offenlegung von Daten, Code oder Trainingsrezepten.

Um zu sehen, was das bewirkt, lohnt ein Gedankenexperiment, bei dem die Labors ihr Verhalten zunächst überhaupt nicht ändern. Angenommen, Anthropic automatisiert wie bisher die eigene Forschung mit Claude. Unter interner Modelltransparenz hätte DeepMind Zugriff auf genau dasselbe Claude. Der Vorsprung im Coden lässt sich dann nicht mehr in einen Vorsprung bei wissenschaftlichen Modellen übersetzen.

Der Autor geht noch einen Schritt weiter. DeepMind könnte sich darauf spezialisieren, die Zutaten rund um ein starkes Coding-Werkzeug zu verbessern – etwa bessere Aufgaben- und Testdaten für wissenschaftliche Forschung. Mit diesen Daten und Claudes Coding-Stärke ließe sich ein besseres Wissenschaftsmodell bauen als das, was Anthropic mit Claude allein hinbekommt. Das eine Labor fährt also auf Kosten des anderen mit, während der eigene Vorteil verpufft.

Das Gleichgewicht der Anreize verschiebt sich damit spürbar. Es lohnt sich weniger, in Spitzenfähigkeiten beim Coden zu investieren, und mehr in alles, was nicht geteilt werden muss: Daten, Auswertung, Rechenkapazität, Personal. Ein langsameres Tempo entsteht so aus dem Eigeninteresse der Labors, nicht aus einem Verbot.

Machtkonzentration und Sicherheitstests als Nebengewinn

Der Autor nennt zwei weitere Effekte. Erstens wird es deutlich unwahrscheinlicher, dass ein einzelnes Unternehmen das stärkste Modell kontrolliert. Wenn jeder Zwischenschritt, den ein Labor für den Endstand braucht, auch bei der Konkurrenz landet, fällt es schwer, dauerhaft vor allen anderen zu liegen. In einer Welt, in der rekursive Selbstverbesserung tatsächlich stattfindet, wäre das ein erheblicher Unterschied.

Zweitens ermöglicht die Regel Sicherheitstests durch Dritte. Der Vorfall, an dem ein intern eingesetztes, nur für Forschungszwecke freigegebenes OpenAI-Modell beteiligt war, wäre womöglich früher aufgefallen, wenn Sicherheitsteams konkurrierender Labors Zugriff gehabt hätten. Noch besser wäre es, die Transparenz auf vertrauenswürdige Prüfer wie METR oder Redwood Research auszuweiten, die solche Fälle untersuchen. Interne Modelle sind heute eine Blackbox mit wachsender Reichweite; der Vorschlag würde sie zumindest teilweise öffnen.

Anreize regulieren statt Fähigkeiten bewerten

Der klassische Weg der KI-Governance sieht anders aus: Regeln für Entwicklung und Einsatz, kodifizierte Sicherheitsrichtlinien, Prüfungen vor der Freigabe. Solche Vorgaben regulieren Verhalten, und sie stellen den Regulierer vor eine schwere Aufgabe. Er muss definieren, was eine gefährliche Fähigkeit ist, diese Definition laufend an eine sich bewegende Technik anpassen und Labors erkennen, die die Grenze überschreiten.

Die interne Modelltransparenz verlangt nichts davon. Sie verändert die Auszahlungsstruktur, sodass sich das Wettrennen in Richtung rekursiver Selbstverbesserung weniger lohnt – ohne dass jemand beurteilen müsste, ob ein Modell sicher ist. Das macht sie nicht zu einem Ersatz für direkte Sicherheitsauflagen. Es macht sie aber zu einer Regel, die den Regulierer deutlich weniger abverlangt und trotzdem an der Wurzel ansetzt.

In dieser Rolle steht sie zwischen zwei Extremen. Der Governance-Plan „AI 2040“ setzt auf totale Forschungstransparenz: jede algorithmische Neuerung sofort für alle öffentlich. Dieser Ansatz senkt den Wettbewerbsdruck ebenfalls, ist aber nur mit einem umfassenden internationalen Vertrag umsetzbar und hinterlässt eine riesige Fläche, die überwacht werden müsste. Die interne Modelltransparenz ist die kleinere Variante: geteilt wird nicht jede Idee, sondern nur das fertige Artefakt – das Modell selbst – und zwar in erster Linie mit anderen Labors.

Der Vorschlag braucht keine weltweite Einigung. Eine Regelung nur für US-Labors würde den Dämpfungseffekt bereits erzielen, weil das Rennen in erster Linie zwischen ihnen stattfindet. Der Preis wäre eine Lücke: Chinesische Labors könnten die Automatisierung der KI-Forschung uneingeschränkt weiterbetreiben, während die USA Vorsprung aufgeben. Der Autor hält dem entgegen, dass sich die Regel auf ein Abkommen zwischen den USA und China ausweiten ließe – und dass China daran Interesse hätte, weil die Transparenz vor allem nachziehenden Labors nützt.

Die Überprüfung wäre ungewöhnlich einfach. Wenn du fragst, wer hier kontrollieren soll, lautet die Antwort: Es geht um eine einzige Frage – ob ein Modell, das Forscher in einem chinesischen Labor intern nutzen dürfen, auch US-Labors bereitgestellt wird. Kein Blick in Rechenzentren, keine Prüfung von Datenbeständen, keine Offenlegung von Personal. Offene Punkte bleiben trotzdem: Welche Firmen fallen unter die Regel und wer entscheidet darüber? Wie verhindert man, dass Labors abgeschwächte Versionen ausliefern oder absurde Preise verlangen, um die Nutzung faktisch zu blockieren?

Wo der Vorschlag hakt

Der Autor benennt die Schwächen selbst. Kurzfristig dürfte die Regel den aggregierten Fortschritt sogar beschleunigen, weil nachziehende Firmen wieder Anschluss finden. Das kann gefährlich sein, denn eine Verlangsamung der gesamten Branche lässt sich leichter koordinieren, wenn es wenige Akteure gibt.

Zweitens bleibt die Aufsicht über den internen Einsatz schwierig. Nachzuweisen, dass ein Labor sich an Regeln für nicht öffentliche Modelle hält, verlangt dem Staat technische Fähigkeiten ab, die er derzeit nicht hat. Diese Lücke betrifft jede Form von Regulierung interner Systeme, nicht nur die Modelltransparenz.

Drittens ist der Wettbewerb um bessere Forschungstechnik nicht das einzige Motiv für starke Coding-Modelle. Sie sind eine enorme Einnahmequelle, wie das Umsatzwachstum bei Anthropic zeigt. Labors werden solche Modelle also weiterhin bauen wollen; der Vorschlag dämpft nur einen von mehreren Antrieben. Womöglich den wichtigsten, aber eben nicht den einzigen.

Was das konkret bedeutet

Für dich ändert sich durch diesen Vorschlag zunächst nichts – es sei denn, du arbeitest bei einem der Labors. Aus einem anderen Grund ist er trotzdem interessant: Er zeigt, wie eine Regulierung aussehen kann, die nicht bei den Werkzeugen ansetzt, sondern bei der Mühe, sie zu benutzen. Statt zu verbieten, was gefährlich werden könnte, entzieht sie dem Wettrüsten einen Teil seines Sinns.

Als Entwurf ist die Idee unfertig. Sie braucht eine Liste beteiligter Firmen, eine Aufsicht, die auch intern eingesetzte Modelle prüfen kann, und einen Umgang mit der Tatsache, dass geteilte Werkzeuge den Fortschritt zunächst eher anheizen. Ob sie sich umsetzen lässt, hängt weniger an technischen Details als am politischen Willen, den Anreiz der Frontier-Labs in den Blick zu nehmen statt nur ihre Ergebnisse.

Für die Debatte um KI-Sicherheit und KI-Governance ist der Vorschlag trotzdem ein Gewinn. Er erinnert daran, dass Tempo kein Naturgesetz ist, sondern eine Folge von Wettbewerbsanreizen, die sich gestalten lassen. Ob sich das KI-Wettrennen damit eindämmen lässt, ist offen. Sicher ist, dass es nicht gelingt, wenn allein auf die Vernunft der Beteiligten gehofft wird.

Quelle: blog.karthiktadepalli.com

„KI hilft mir, besser und schneller zu schreiben, aber ich habe es satt, fast alles zu lesen, was von KI geschrieben wurde.“ Der Satz steht in Colin Brecks Essay „I Don’t Want to Read What You Didn’t Write“. Breck ist kein Gegner der Technik. Er nutzt Sprachmodelle täglich und sagt, sie machen ihn schneller. Was ihn stört, ist die wachsende Menge an Texten, die niemand selbst geschrieben hat, die aber so tun, als wären sie ein Beitrag zum Gespräch.

Vielleicht kennst du das. Man öffnet ein Designdokument, einen Pull Request, eine Ticketbeschreibung und merkt nach zwei Absätzen: Hier spricht keine Person, sondern eine Maschine, die eine bereits erbrachte Leistung nacherzählt. Schreiben ist wie das Anlegen eines Weges durch unbekanntes Gelände. Wer selbst geht, tritt den Pfad, markiert die steilen Stellen und weiß, wo man stehen bleiben sollte. Wer nur eine Wegbeschreibung ausdruckt, hat den Weg nie gesehen. Der Text existiert, der Weg nicht. Leser merken das sofort.

Entwürfe, die keine Entwürfe mehr sind

Ein Muster, das Breck beschreibt: Menschen bauen zuerst etwas, mit KI-Unterstützung, und lassen anschließend die KI rückwirkend ein Designdokument darüber schreiben. Das Ergebnis ist kein Vorschlag mehr. Ein Designdokument war früher ein Werkzeug, um Zustimmung zu gewinnen, Kollegen mitzunehmen und Ideen in langsamem, absichtlichem Denken zu schärfen. Es war ein Zwischenstand, ein Angebot, ein offener Entwurf, an dem andere mitarbeiten konnten.

Was stattdessen entsteht, ist eine Zusammenfassung in erschöpfender Genauigkeit – ohne Kontext, ohne Perspektive, ohne die Frage, die verhandelt werden soll. Breck nennt solche Texte unlesbar und inhuman. Er beschreibt noch einen zweiten Effekt: Die Verfasser werden ungeduldig, wenn niemand reagiert. Sie haben ja bereits geliefert, das System läuft. Wer soll da noch widersprechen? Der Weg ist asphaltiert, bevor jemand gefragt wurde, ob er überhaupt dorthin führen soll.

Pull Requests, Tickets und Zusammenfassungen ohne Frage

Ähnlich bei Pull Requests. Breck sieht dort zunehmend Zusammenfassungen, die offensichtlich von Maschinen für Maschinen geschrieben sind: Das wurde geändert, jenes aufgeteilt, dort zusammengeführt, hier unberührt gelassen, Tests ergänzt, und so weiter. Alles korrekt, alles vollständig. Trotzdem bleibt die wichtigste Ebene leer.

Was fehlt, sind die Fragen, die eine Leserin braucht: Warum machen wir das? Welchen Wert hat es? Wie riskant oder dringend ist die Änderung? Worauf soll ich achten? Ohne diese Einordnung liest man eine Inventarliste und muss selbst herausfinden, was daran wichtig ist. Dasselbe gilt für Tickets und Protokolle, die eine KI aus einem Meeting zieht. Der Text besteht aus Aussagen ohne Kontext. Aussagen ohne Kontext sind keine Kommunikation – sie sind Rohmaterial, das jemand anderes sortieren soll.

Das zeigt sich auch im Persönlichen. Breck erzählt von einer Nachricht zu einem sensiblen Thema, die erkennbar mit KI geglättet wurde, um bloß nicht anzuecken. Sie hatte alle Bestandteile, ergab als Ganzes aber keinen Sinn. Sie war unpersönlich, leidenschaftslos, zusammenhanglos. Er wollte weder lesen noch antworten. Ihm wäre eine ungeschickte, ehrliche Nachricht mit eigener Stimme lieber gewesen, selbst mit dem Risiko, verletzt zu werden. In Beziehungen steckt Verletzlichkeit. Wer Verletzlichkeit und Risiko technisch eliminiert, eliminiert die Beziehung selbst.

Der Kontext, den nur der Promptende hat

Nun gibt es den verbreiteten Einwand, KI-Ausgaben seien doch „für mich“ sehr nützlich. Breck bestreitet das nicht, er erklärt es. Wer den Prompt geschrieben hat, hat den Kontext selbst erzeugt: die Vorgaben, die Einschränkungen, den Quellcode, die Logs, die Statistiken, die Bilder. Man kann die Ausgabe überfliegen und in Sekunden entscheiden, was stimmt und was nicht. Man war Teil des Prozesses, ein Frage-und-Antwort-Spiel, ein Hin und Her. Der Mensch bringt die Perspektive mit.

Wer denselben Text von außen bekommt, hat davon nichts. Kein Vorwissen, kein Hin und Her, keine Entfaltung. Diese Person muss jede Zeile ernst nehmen, weil sie nicht wissen kann, welche wichtig ist. Sie schaut in das Innere einer Maschine und hofft, dabei Kontext aufzubauen. Dass sie irgendwann aufhört zu lesen, ist keine Faulheit, sondern vernünftig.

Die Zahlen stützen das. Breck verweist auf eine Umfrage von Cynthia Dunlop zu Reaktionen auf KI-verfasste Artikel: 78 Prozent der Leser hören auf zu lesen, wenn sie den Text für KI-gestützt oder KI-verfasst halten, und 71 Prozent meiden künftig den Autor. 98 Prozent bevorzugten den Text des Autors selbst, mit allen Fehlern und Eigenheiten. Bryan Cantrill beschreibt den Effekt als Reflex: Unser Gehirn zieht mitten im Satz den Ausstiegshebel, aus Selbstschutz. Bjarne Stroustrup, der Erfinder von C++, sagte in einer Podiumsdiskussion, ein Buch funktioniere dann, wenn er die Stimme des Autors im Kopf höre, mit seltsamen Akzenten und Eigenheiten des Sprechens. Klinge es wie trockener akademischer Text, habe jemand wieder einen trockenen akademischen Text geschrieben.

Wie KI beim Schreiben tatsächlich hilft

Breck beschreibt konkret, wo ihm KI nützt – nämlich beim Schreiben eines Fachaufsatzes, den er vollständig selbst verfasst hat. Die KI schrieb keine einzige Zeile. Er schrieb in LaTeX und gab dem Modell die Stilrichtlinien der Zeitschrift, die Vorlage, alle dort bereits erschienenen Arbeiten, den Quellcode der beschriebenen Systeme sowie Konfiguration, Logs und Produktionsmetriken.

Nach jedem Absatz ließ er prüfen, ob seine Aussagen stimmen: Sind wirklich diese Datenbankspalten indiziert? Wie sind die Zeilen in den Parquet-Dateien sortiert? Das hielt ihn im Schreibfluss, weil er weiterschreiben konnte, während die Prüfung des vorherigen Absatzes lief. Die KI fand Auslassungen und Ungenauigkeiten, erledigte die lästigen Literaturangaben, war schonungslos bei Rechtschreibung und Grammatik, schlug Kürzungen für zu lange Sätze vor und zeichnete technische Diagramme in TikZ. Sie entdeckte sogar einen subtilen Notationsfehler, den vier menschliche Fachgutachter übersehen hatten.

Der Umkehrschluss: Wenn Breck die KI bat, den Absatz aus dem gelieferten Kontext selbst zu schreiben, war das Ergebnis nie brauchbar. Nicht ein einziges Mal. Es war durchweg unangenehm zu lesen und oft schlicht falsch. Und was schrieb die KI am besten? Das Abstract – der knappste, mechanischste, unmenschlichste Teil der Arbeit. Er übernahm es unverändert. Das überrascht wenig: Zusammenfassen, Abstrahieren und neu Darstellen von bereits Gedachtem ist das, worin solche Modelle stark sind.

Kann KI überhaupt gut schreiben?

Man sollte die künftige Entwicklung nicht unterschätzen. Wir sind früh dran, und die verbreiteten Modelle sind darauf trainiert, sachlich, direkt und korrekt zu sein – nicht kreativ. Murat Demirbas argumentiert in seinem Essay, die Qualität von LLM-Texten habe sich eingependelt, weil sich Schreiben anders als Programmieren, Mathematik oder Buchhaltung nicht klar formalisieren und verifizieren lässt. Ein Modell hat kein aktives Bild einer konkreten Leserin vor Augen. Es optimiert die statistische Wahrscheinlichkeit des nächsten Wortes über einen riesigen Datensatz. Es kann sich nicht in einen Menschen einfühlen, weil es keine gelebte Erfahrung hat. Und es hat nichts zu verlieren.

Breck nennt zwei Ansätze, die ihn interessieren. Der eine ist ASD-STE100 Simplified Technical English, ein Standard für technische Dokumentation aus einem Luftfahrt-Arbeitskreis der achtziger Jahre, bestehend aus kontrolliertem Wörterbuch und Regeln zu Grammatik und Stil – inzwischen für den Einsatz mit Sprachmodellen angepasst. Für Einbauanleitungen und Runbooks will Breck das ausprobieren, für alles andere hält er es nicht für passend. Der zweite ist Pangram, ein Modell, das KI-Texte erkennt. Bryan Cantrill formuliert die Regel dahinter scharf: Ein LLM schreiben zu lassen, heißt den Gesellschaftsvertrag zwischen Schreibendem und Lesendem zu kündigen. Leser sollten nicht die Arbeit aufwenden müssen, um einen Satz zu verstehen, den der Verfasser selbst nicht aufzuwenden bereit war. Bei Oxide gilt inzwischen die Vorgabe, dass alle öffentlichen Texte von Pangram als menschlich verfasst eingestuft werden müssen.

Was sich nicht in Teile zerlegen lässt

Am Schluss wird der Essay philosophisch. Iain McGilchrist schreibt, je wichtiger etwas sei, desto mehr müsse man ringen, um es in Sprache zu fassen. Man frage ein Modell nach der verlässlichen Formel fürs Verlieben. In KI-Texten erzeugt Detailfülle die Illusion von Bedeutung. Ein Modell, das Fakten über eine Sache zusammenträgt, ist etwas völlig anderes als ein Mensch, der aus gelebter Erfahrung schreibt. Das Ganze lässt sich nicht ohne erheblichen Bedeutungsverlust in Teile zerlegen.

Es klingt zunächst albern zu behaupten, Schreiben in Wirtschaft, Technik oder Wissenschaft müsse Ungewissheit enthalten und nicht nur Fakten und Schlussfolgerungen. Aber darum geht es. Wer einen Text verfasst, trifft Entscheidungen über Reihenfolge, Betonung und Auslassung. Diese Entscheidungen sind die Aussage. Eine rückblickende Zusammenfassung, die die Maschine aus dem fertigen Produkt erzeugt, kennt diese Entscheidungen nicht mehr, weil sie in ihr nie stattgefunden haben.

Was heißt das konkret? Nicht, dass du auf KI beim Schreiben verzichten solltest. Nutze sie zum Prüfen, Kürzen, Suchen, Formatieren, für Zitate, Diagramme und für das Abstract, an dem niemand eine Stimme sucht. Aber schreibe selbst, gerade an den Stellen, an denen es darauf ankommt: die Begründung, die Frage an die Leser, die Bitte um Widerspruch. Und wenn du fremden Text bekommst, der nach Maschine klingt, ist der Ausstieg mitten im Satz kein persönliches Versagen, sondern ein Signal. Nimm es ernst – im eigenen Schreiben wie im Umgang mit dem, was andere einem zumuten.

Quelle: blog.colinbreck.com