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
