Du öffnest dein Smartphone, tippst eine Nachricht, und die Autovervollständigung schlägt dir die nächsten Wörter vor. Du sagst „Hey Siri“ oder „Okay Google“, und eine Stimme antwortet. Du suchst bei Amazon nach einem Produkt, und die Seite zeigt passende Ergebnisse. In all diesen Momenten arbeitet irgendwo ein großes Sprachmodell – ein LLM. Du weißt nicht, welches. Du fragst dich nicht, ob es GPT-4, Claude, Gemini oder etwas anderes ist. Es funktioniert einfach. Das ist das eigentliche Ziel der KI-Revolution: Unsichtbarkeit. Ein kürzlich erschienener Essay vergleicht die aktuelle Landschaft der Large Language Models mit den Datenbankkriegen der 1990er-Jahre. Der Vergleich zeigt: Die Technologie, die am Ende gewinnt, ist nicht die, über die alle reden, sondern die, die niemand mehr bemerkt.
Aufstieg und Fall der Datenbanken
Ein Blick zurück hilft. 1994 war die Datenbank das aufregendste Technologiethema. Oracle, Sybase, Informix und IBM lieferten sich einen Wettkampf um die besten Benchmarks. Ihre Versprechung: Gib all deine Unternehmensdaten in eine Engine, und du kannst sie alles fragen. Die Keynotes auf Konferenzen waren voll. Karrieren entschieden sich für oder gegen ein System. Wer die schnellste Abfrage baute, würde gewinnen. Heute, drei Jahrzehnte später, hat die Datenbank gewonnen – und ist doch verschwunden. Sie treibt jede Anwendung an. Niemand schreibt mehr über sie. Sie ist eine Zeile in einer Konfigurationsdatei. Du wählst sie einmal aus, vergisst sie und denkst erst wieder an sie, wenn sie kaputtgeht. Diese Beschreibung könnte 2036 auch für ein KI-Modell gelten. Die Frage: Wer hat damals eigentlich gewonnen?
Schauen wir uns die Sieger von damals an. Sybase wurde von SAP gekauft und verstummte. Informix landete bei IBM und wurde zur Fußnote. Oracle existiert noch, aber vor allem als Rechnung. Die beiden Motoren, die tatsächlich gewonnen haben, waren 1994 gar nicht im Rennen. PostgreSQL wurde zum Standard – ein offenes Projekt, kein Produkt. SQLite läuft in jedem Telefon, jedem Browser, jeder App. Rund eine Billion Kopien existieren, und du hast es nie konfiguriert. Niemand hat sie explizit ausgewählt. Die Motoren, die am Ende überall waren, waren nicht die, über die gestritten wurde. Der Essay zieht daraus eine Lehre: Wenn Modelle denselben Weg gehen, ist der Launch das falsche Signal. Achte auf das SQLite, auf das Modell, das gewinnt, ohne gewählt zu werden. Das ist keine Prophezeiung. Es ist eine Beobachtung darüber, wie Technologie sich verändert.
Wichtig ist nicht gleich aufregend
Wichtig und aufregend sind zwei verschiedene Dinge. Die meisten Technologien bewegen sich vom zweiten zum ersten. Die Datenbank hat es vorgemacht. Der Strom hat es gemacht. Vielleicht sind die Large Language Models auf dem besten Weg, das auch zu tun. Stell dir vor, du startest ein Startup. Du wählst ein KI-Modell aus. Vielleicht nimmst du GPT-4 wegen der Leistung. Vielleicht entscheidest du dich für Llama oder Mistral, um Kosten zu sparen. Du optimierst, vergleichst Benchmarks, liest Blogposts über Aktualisierungen. Das fühlt sich an wie die Datenbankkriege. Aber in fünf Jahren, so die These, wirst du die Wahl nicht mehr treffen. Das Modell wird auf dem Chip deines Smartphones laufen, oder in einer standardisierten Cloud-Umgebung, in der der Anbieter wechselt, ohne dass du es merkst. Wie bei SQLite: Es ist einfach da. Du rufst eine API auf, und das Modell antwortet. Welches Modell? Gute Frage.
Die Parallele ist verlockend, aber nicht perfekt. LLMs sind anders als Datenbanken, weil sie keine deterministischen Abfragen liefern. Sie generieren Neues, halluzinieren, lernen mit jeder Interaktion. Ihr Wert liegt nicht nur in der Infrastruktur, sondern auch in den Fähigkeiten, die sie mitbringen. Ein Datenbank-Management-System ist ein Werkzeug, das du genau beherrschst. Ein Sprachmodell kann dich überraschen. Das macht die Prognose schwieriger. Vielleicht wird es nie das eine Modell geben, das alles kann. Vielleicht bleiben wir in einer Welt der Spezialmodelle: eines für Sprache, eines für Bilder, eines für Code, jedes als Service, und der Anwender merkt nicht, welche Engine gerade arbeitet. Das wäre immer noch eine Form der Unsichtbarkeit. Der Benutzer fragt nicht nach dem Modell, sondern nach dem Ergebnis.
Architektur schlägt Benchmark-Siege
Der Essay schlägt vor, dass wir uns heute nicht auf die Sieger der Benchmarks konzentrieren sollten, sondern auf die Architektur, die am leichtesten in bestehende Systeme integriert werden kann. Das offene Modell, das auf einfacher Hardware läuft, das mit jeder Umgebung harmoniert, das brauchbare Ergebnisse liefert, ohne maximale Genauigkeit zu erreichen. Denn das ist der Weg der Datenbanken: PostgreSQL gewann nicht, weil es die schnellste Datenbank war, sondern weil sie verlässlich, flexibel und offen war. SQLite gewann, weil es keine Installation, keine Konfiguration, keine zentrale Verwaltung braucht. Es war einfach da, immer und überall. In dieser Logik könnte der „SQLite der LLMs“ ein Modell sein, das mit wenigen Parametern auf einem Smartphone läuft, ohne Internetzugang auskommt und alltägliche Aufgaben übernimmt – ohne dass der Nutzer es jemals bewusst wählt.
Ein Beispiel: Apples On-Device-Modelle, die auf der Neural Engine der iPhones laufen. Niemand sagt: „Ich nutze jetzt das Apple-LLM.“ Du tippst eine Nachricht, und die Tastatur vervollständigt sie. Du machst ein Foto, und die KI verbessert die Belichtung. Du sprichst mit Siri, und eine lokale Verarbeitung versteht dich. Kein Name, kein Hype, nur Funktion. Das ist die Unsichtbarkeit, von der der Essay spricht. Vielleicht ist das der eigentliche Sieg der KI: dass wir aufhören, sie als etwas Besonderes zu sehen. Dass sie genauso selbstverständlich wird wie die Datenbank – oder wie der Strom. Denk an die letzten fünfzehn Jahre: Wie oft hast du überlegt, ob du deine Datenbank wechseln sollst? Einmal? Nie. Das ist die höchste Form des Erfolgs: Du denkst nicht mehr drüber nach.
Was das für Entwickler heute heißt
Die Konsequenz für Unternehmen und Entwickler: Wer heute auf ein bestimmtes LLM setzt, muss überlegen, wie es sich in fünf Jahren aus dem Fokus verabschiedet. Der Wettbewerb um die beste Architektur wird nicht von Marktdominanz entschieden, sondern von der Einbettung in die Infrastruktur. Offene Formate, standardisierte APIs und kleine, effiziente Modelle haben eine größere Zukunft als patentierte, hyperskalierte Systeme. Die großen Player – OpenAI, Google, Anthropic – haben heute die Aufmerksamkeit. Aber die wahren Gewinner könnten in der Stille wachsen: in Projekten wie Llama, Mistral oder einem kleinen, unscheinbaren Modell, das in jedem Edge-Gerät residiert. Niemand wird es wählen, und doch wird jeder es nutzen.
Bleibt die Frage, ob der Vergleich mit der Datenbank überhaupt passt. Der Essay stellt selbst die Frage und gibt zu, dass niemand die Antwort kennt. Vielleicht sind LLMs grundlegend anders, weil sie nicht nur abfragen, sondern erschaffen. Vielleicht bleiben sie aufregend. Vielleicht wird es nie das „AWS von KI“ geben, sondern nur eine fragmentierte Landschaft. Aber die Tech-Geschichte hat gezeigt: Die Technologie, die zum Standard wird, ist selten die, die zuerst als Sensation gefeiert wird. Es ist die, die sich unauffällig in den Alltag einschleicht. Die Datenbank hat es vorgemacht. Der Strom hat es vorgemacht. Vielleicht sind die KIs gerade jetzt auf dem Sprung, das auch zu tun. Das ist vielleicht das Aufregendste: dass die Zukunft nicht spektakulär ist, sondern normal.
Was bedeutet das konkret? Wenn du heute eine KI-gestützte Anwendung baust, überlege nicht nur, welches Modell die besten Antworten gibt. Frage dich: Wie wird diese Technologie in drei Jahren aussehen, wenn sie selbstverständlich ist? Wirst du noch zwischen Anbietern wählen, oder wird die Entscheidung längst von der Plattform getroffen, auf der du arbeitest? Wirst du ein Modell hosten oder es einfach nutzen, ohne zu wissen, wo es läuft? Der Trend zur Unsichtbarkeit ist stark, aber nicht unausweichlich. Es liegt auch an uns, ob wir die Infrastruktur der KI offen, standardisiert und austauschbar bauen – oder ob wir sie in proprietären Silos einschließen. Die Geschichte der Datenbanken lehrt: Die offenen Lösungen gewinnen am Ende, nicht weil sie die besten sind, sondern weil sie die vergessbarsten sind. Vielleicht ist das die wichtigste Lektion aus den Datenbankkriegen für die LLM-Kriege: Am Ende gewinnt nicht der Lauteste, sondern der Leiseste.
Quelle: rruxandra.github.io
