In den letzten Wochen habe ich über die Vergangenheit bis zur Gegenwart der KI geschrieben. Wir haben gesehen, wie seit den 50er-Jahren KI immer wieder Thema wurde und wie sich das entwickelt hat, was wir heute haben. Teil 1 (Link), Teil 2 (Link) und Teil 3 (Link). In den ab heuten folgenden drei Blogposts möchte ich sechs (steile) Thesen zur Zukunft der KI vorstellen.  
These 1: Wir stehen kurz vor dem nächsten AI-Winter
Wer die Geschichte der künstlichen Intelligenz verfolgt, erkennt ein wiederkehrendes Muster: Euphorie, Überschwang, Überinvestition, und darauf folgt der Frost. Nach jedem großen Durchbruch folgte bisher eine Phase der Ernüchterung, in der Erwartungen, Kapital und Realität nicht mehr zusammenpassten. Der erste AI-Winter in den 1970ern kam, als die Expertensysteme sich als Sackgasse erwiesen. Der zweite in den 1990ern, als neuronale Netze zwar faszinierend klangen, aber kaum ein praktisches Problem lösten. Beide Male endete es gleich: Die Technologie war ihrer Rhetorik hinterher gehinkt. Heute wiederholt sich das Muster – nun jedoch auf globaler Bühne. Die großen Sprach- und Bildmodelle von OpenAI, Google, Anthropic, Meta oder Mistral sind beeindruckend, aber sie sind Verbesserungen, aber keine Revolution. Mehr Parameter, mehr Daten, mehr Energie – ja. Aber kein neues Prinzip. Wir optimieren eine Idee, statt eine neue zu finden. Und das ist der klassische Moment, in dem eine technologische Kurve ihren Zenit erreicht.

Überhitzung auf drei Ebenen

1. Ökonomisch: Der Betrieb heutiger riesiger Modelle verschlingt Summen, die selbst große Konzerne schmerzen. Milliarden fließen in Rechenzentren, Energie, Kühlung und Personal. Doch das Verhältnis von Kosten zu Nutzen kippt: Das nächste Modell ist nicht zehnmal besser, sondern nur zehnmal teurer. Wenn Margen sinken und die Effizienz stagniert, zieht sich irgendwann das Kapital zurück. Genau so beginnt jede Abkühlung. 2. Gesellschaftlich: Die Öffentlichkeit erwartet von KI mittlerweile alles: Heilung, Automatisierung, Rationalisierung, Bildung, Unterhaltung. Doch je breiter die Anwendung, desto sichtbarer werden die Grenzen. KI ersetzt weder Lehrer noch Therapeuten, sie verschiebt nur Aufgaben. Wenn das Versprechen von „intelligenter Automatisierung“ auf die Realität menschlicher Komplexität trifft, folgt Frustration – zuerst leise, dann laut. 3. Kulturell: Die Ästhetik der generativen Systeme gleicht sich rasch an. Ob Text, Bild oder Musik – alles wirkt vertraut, geglättet, synthetisch. Das Publikum spürt die Uniformität, auch ohne sie benennen zu können. Der kreative Überschuss wird zum algorithmischen Mittelmaß. Und damit schwindet das, was jede Bewegung trägt: Begeisterung. Es wurden schon einige Initiativen gegründet, um menschliche von KI-Texten abzugrenzen. Label für Bücher, für Lektorate und Verlage, die auf KI verzichten.  

Die große Ernüchterung in den Unternehmen

Besonders hart trifft die Abkühlung jene Firmen, die in den letzten zwei Jahren hektisch KI-Projekte gestartet haben – oft ohne zu verstehen, dass nicht die Modelle, sondern die Daten der Engpass sind. Denn KI lernt nicht aus Absicht, sondern aus Beispielen. Und Beispiele sind nur so gut wie die Daten, die man ihr gibt. Doch die meisten Organisationen besitzen keine Datenbasis, die maschinelles Lernen überhaupt ermöglicht. Sie haben Dokumente, E-Mails, Excel-Tabellen, Reports – aber keine Struktur, keine Annotation, keine Versionierung. Ihre Systeme sind Silos, ihre Wissensbasis ein Flickenteppich. Sie sammeln, aber sie lernen nicht. Ein Modell braucht Millionen konsistenter, kuratierter Datensätze, um stabile Muster zu erkennen. Viele Unternehmen haben vielleicht hunderttausend (und dazu noch ganz unterschiedliche) – und halten das für viel. In Wirklichkeit reicht das gerade, um Rauschen zu verstärken. Das Ergebnis ist immer gleich: Erste Pilotprojekte wirken vielversprechend, die Demos beeindrucken. Doch sobald die Systeme in den Alltag sollen, brechen sie ein. Sie halluzinieren, verwechseln Begriffe, erkennen keine internen Zusammenhänge. Nach kurzer Zeit stellt sich die Ernüchterung ein: Das Fundament ist viel zu dünn. Diese Erkenntnis wird für viele Unternehmen schmerzhaft – und teuer. Denn sie haben nicht zu wenig KI, sondern zu wenig Wissenspflege. Die nächste Innovationswelle wird nicht aus neuen Modellen kommen, sondern aus Organisationen, die gelernt haben, wie man Daten wirklich produziert, kuratiert und verantwortet.  

Der Winter als Reinigung

Ein kommender AI-Winter wäre also keine Katastrophe, sondern eine notwendige Abkühlung. Er wird schlechte Projekte einfrieren, überhitzte Märkte beruhigen und den Blick wieder auf Qualität statt Quantität lenken. Er wird zeigen, dass Rechenleistung keine Kreativität ersetzt und dass Modelle ohne Kontext wertlos sind. Vielleicht ist dieser Winter genau das, was die Branche braucht: eine Pause, um die Begriffe wieder mit Bedeutung zu füllen. Wenn die Temperaturen fallen, friert der Nebel. Und erst dann sieht man klar, was wirklich trägt.    
These 2: Der Wert menschlicher Kulturleistung wird explodieren
Weil die Maschinen alles Bekannte schon gelernt haben – und echtes Neues unbezahlbar wird. Vor kaum zehn Jahren begann ein Experiment, das die Menschheitsgeschichte in Daten verwandelte. Zum ersten Mal wurde nahezu die gesamte Kulturleistung der Menschheit – Bücher, Musik, Bilder, Artikel, Forschung, Code, Gespräche, Predigten, Tweets – gesammelt, bereinigt und in riesige Sprach- und Bildmodelle eingespeist. Was über Jahrtausende gewachsen war, wurde in weniger als einem Jahrzehnt digital „verdaut“. Damit ist etwas Erstaunliches passiert: Wir haben die Vergangenheit in die Maschine geladen. Und diese Maschine kann sie jetzt mühelos wiedergeben – in jeder Sprache, jedem Stil, jeder Form. Aber: Sie kann nur wiedergeben. Alles, was sie sagt, stammt letztlich aus dem, was Menschen bereits gesagt, gedacht, gefühlt oder beschrieben haben. Die KI kennt die Vergangenheit, aber nicht die Zukunft. Sie kann imitieren, aber nichts Neues beginnen.  

Das Ende des kostenlosen Rohstoffs

Bis hierher war das Spiel einfach: Die Unternehmen brauchten keine neuen Ideen, sie konnten auf Jahrtausende menschlicher Texte zurückgreifen. Doch dieser Vorrat ist fast erschöpft. Was im Netz steht, ist schon Teil der Modelle. Ab hier wird jeder weitere Fortschritt teuer – weil er echte, neue, untrainierte Gedanken braucht. Ein KI-Modell trainiert sich ständig an sich selbst: Jeder Prompt, der ausgeführt wird, ist eine Basis für neues Lernen. Doch weil Training der KI immer nur bedeutet, das Mittelmaß vom Mittelmaß vom Mittelmaß (unendlich fortsetzbar…) zu berechnen, wird eine KI, die nur das Training an sich selbst kennt, immer schlechter. Damit sie mindestens gleich gut bleibt, braucht es beständig mindestens 1-2% neuer Daten, noch nie dagewesener Gedanken. Wenn ein großes Sprachmodell mit rund zwei Billionen Wörtern trainiert wurde, bedeuten schon nur ein bis zwei Prozent, dass zig Milliarden neue, unverbrauchte Gedanken und Daten dazukommen müssen – Texte, die noch niemand geschrieben hat, Ideen, die noch nirgendwo stehen. Das ist keine Kleinigkeit. Selbst bei sehr günstiger Rechnung sprechen wir von Milliarden Euro an Arbeitsleistung, nur um den Status quo zu halten. Um richtig besser zu werden, müsste ein Modell Hunderte Millionen Stunden frischer, menschlicher Kreativität absorbieren.  

Kreativität wird zum teuersten Gut der Welt

Wenn KI alles Bekannte gelernt hat, bleibt nur eines wertvoll: das Unbekannte. Und das kann nur von Menschen kommen. Je mehr KI generiert, desto seltener wird echte Originalität – und desto höher ihr Preis. Heute liegt der durchschnittliche Stundensatz für kreative Arbeit vielleicht bei 30 Euro. Das ist der Wert für Schreiben, Gestalten, Entwickeln, Forschen im Alltagsbetrieb. Doch für echte Innovation, also Ideen, die ein neues Kapitel aufschlagen, wird der Markt in wenigen Jahren explodieren und möglicherweise schon mit zwei bis drei Stunden echter Kreativität ein ganzes Monatsgehalt ersetzen können. Warum das? Weil echte Innovation das ist, was KI nicht liefern kann: Sie schafft neue Kategorien, nicht nur Varianten. Sie gibt Modellen Futter, das sie vorher nicht kannten. Und sie hat einen enormen Hebel: Eine bahnbrechende Idee kann Wochen, manchmal Jahre Arbeit anderer ersetzen. Wenn Millionen Unternehmen KI einsetzen, um Inhalte zu erzeugen, wächst der Bedarf an neuem, unverbrauchtem Wissen exponentiell. Und weil die Zahl der Menschen, die wirklich Neues schaffen können, begrenzt ist, explodiert der Preis.  

Fazit: Der neue Goldrausch ist kreativ

Was im 19. Jahrhundert Gold und im 20. Jahrhundert Öl war, wird im 21. Jahrhundert Kreativität sein. Nicht Routinearbeit, nicht Reproduktion – sondern das, was nie zuvor gedacht oder gesagt wurde. Wir haben der Maschine alles gegeben, was wir wussten. Ab jetzt braucht sie Neues – und dafür muss wieder der Mensch liefern. Der nächste große Rohstoffboom ist kein Bergbau, sondern Geistesarbeit. Wer noch selber denken und kreieren kann, wird zur seltensten und wertvollsten Ressource der Welt.