Die Zukunft der KI: Was sich seriös vorhersagen lässt – und was nicht

Eine andere Art, über die Zukunft der KI zu schreiben

Es gibt bereits unzählige Artikel darüber, was KI in fünf oder zehn Jahren können wird. Die meisten davon sind im Kern eine Meinung mit Quellenangaben – eine Auswahl beeindruckender Zitate von Menschen, die selbst ein Interesse daran haben, wie ihre Prognose ankommt. Dieser Artikel geht anders vor: Er nimmt die Frage „Wie zuverlässig sind Vorhersagen über KI eigentlich?“ genauso ernst wie die Frage „Was wird KI können?“ – und stützt sich dabei auf Forschung, die diese Zuverlässigkeit selbst untersucht hat. Das Ergebnis ist unbequemer als eine glatte Prognose, aber es ist etwas, worauf sich tatsächlich planen lässt.

Warum Prognosen über KI-Fortschritt historisch so oft daneben lagen

Überzogene KI-Prognosen sind kein neues Phänomen der ChatGPT-Ära. Der Psychologe und KI-Pionier Herbert Simon sagte 1965: „Maschinen werden innerhalb von zwanzig Jahren in der Lage sein, jede Arbeit zu verrichten, die ein Mensch verrichten kann.“ 1970 erklärte Marvin Minsky gegenüber dem Magazin Life: „In drei bis acht Jahren werden wir eine Maschine mit der allgemeinen Intelligenz eines durchschnittlichen Menschen haben.“ Beide irrten um Jahrzehnte – nicht, weil sie inkompetent waren (beide zählen zu den einflussreichsten Figuren der KI-Geschichte), sondern weil das Abschätzen des Zeitpunkts eines Durchbruchs strukturell anders funktioniert als das Abschätzen seiner Richtung.

Das lässt sich als historische Randnotiz abtun – wäre da nicht ein aktuelles, viel härteres Datenstück. AI Impacts, eine der methodisch saubersten Forschungsgruppen zu diesem Thema, befragt seit Jahren tausende aktive Machine-Learning-Forscher zum erwarteten Zeitpunkt „menschenähnlicher“ KI. In der Umfrage von 2022 lag die mittlere Schätzung (50-Prozent-Wahrscheinlichkeit) bei 2060. Ein Jahr später, in der Umfrage von 2023 mit 2.778 Forschenden, war sie auf 2047 gesprungen – 13 Jahre früher, innerhalb von zwölf Monaten.

Der eigentliche Erkenntniswert liegt nicht in der Zahl 2047. Er liegt in der Verschiebung selbst: Eine seriöse Schätzung, die auf echtem Wissen beruht, sollte sich durch ein Jahr neuer Beobachtungen nicht um 13 Jahre verschieben – es sei denn, die zugrundeliegende Unsicherheit war die ganze Zeit riesig, und die Zahl hat lediglich vorgegeben, präziser zu sein, als sie ist. Diese Instabilität selbst ist die Erkenntnis. Sie sagt uns: Wer heute mit großer Bestimmtheit ein Datum für einen KI-Durchbruch nennt, verkauft dir Sicherheit, die auch die am besten informierten Forschenden der Welt nachweislich nicht besitzen.

Ein besserer Test: Was sagen die besten Prognostiker der Welt?

Man könnte einwenden, dass Fachforscher befangen sind – zu nah am eigenen Feld, mal zu euphorisch, mal zu vorsichtig. Deshalb ist ein zweiter Befund interessanter: Das Forschungsprojekt „Existential Risk Persuasion Tournament“ und seine Nachfolger stellen KI-Fachleute direkt gegen sogenannte „Superforecaster“ – Menschen ohne KI-Hintergrund, aber mit einer nachgewiesenen, außergewöhnlichen Trefferquote bei allgemeinen Zukunftsfragen (nach der Forschung des Psychologen Philip Tetlock).

In der jüngsten Erhebungsrunde (2025/2026) lagen beide Gruppen bei der Frage, ob „menschenähnliche“ KI vor dem Jahr 2100 existieren wird, überraschend nah beieinander: rund 80 Prozent Wahrscheinlichkeit in beiden Lagern. Die Fachleute schätzten den Median auf 2050, die Superforecaster auf 2047 – eine kleinere Lücke, als man erwarten würde. Bei einer konkreteren, technisch greifbareren Frage (ob eine KI eine achtstündige Arbeitsaufgabe eigenständig erledigen kann, gemessen am METR-Benchmark) waren die Superforecaster deutlich optimistischer: 2028 gegenüber 2030 bei den Fachleuten.

Der eigentlich bemerkenswerte Teil ist aber nicht der Abstand zwischen den Gruppen, sondern die Bewegung innerhalb jeder Gruppe: Zwischen Juni 2025 und April 2026 – weniger als ein Jahr – verschoben beide Lager ihre Einschätzungen spürbar nach vorn, die Superforecaster sogar stärker als die Fachleute. Das bedeutet: Selbst die nachweislich treffsichersten, methodisch geschultesten Vorhersagenden der Welt justieren ihre KI-Einschätzung fortlaufend in kurzen Abständen neu. Wenn schon diese Gruppe keine stabile Antwort hat, ist ein einzelnes CEO-Zitat oder eine Keynote-Folie kein Ersatz dafür – es ist Marketing mit einem Datum daran.

Was sich tatsächlich robust vorhersagen lässt: die Kostenkurve

Nach so viel begründeter Skepsis gegenüber Zeitpunkt-Prognosen lohnt der Blick auf das eine Datenstück, das sich seit Jahren erstaunlich verlässlich verhält: nicht die Fähigkeiten der KI-Modelle, sondern ihre Kosten. Für ein festes Leistungsniveau (also: dieselbe Qualität an Antworten, nicht das jeweils neueste Modell) sind die Kosten pro Anfrage seit dem Start von ChatGPT Ende 2022 um etwa das 280-Fache gefallen, mit weiter fallender Tendenz auf rund das 1.000-Fache über drei Jahre. Der Effekt entspricht ungefähr einer Halbierung der Kosten alle sechs bis acht Monate.

Der Unterschied zu den Zeitpunkt-Prognosen ist fundamental: Kostensenkung durch Effizienzgewinne, Konkurrenzdruck und bessere Hardware-Auslastung ist ein Ingenieurs-Prozess mit vielen kleinen, unabhängigen Beiträgen – kein einzelner Durchbruch, auf den man warten muss. Genau deshalb lässt sie sich verlässlicher fortschreiben als „wann kommt die nächste große Fähigkeit“. Für die eigene Planung ist das der wichtigere Fixpunkt: Was eine KI heute kann, wird mit hoher Sicherheit in 12 bis 18 Monaten für einen Bruchteil der heutigen Kosten verfügbar sein – unabhängig davon, ob und wann ein spekulativer Fähigkeitssprung eintritt.

Die Grenze, die 2026 real geworden ist: die Datengrenze

Ein zweiter, seltener diskutierter Faktor ist ebenfalls belastbar erforscht: Die verfügbare Menge an qualitativ hochwertigem, menschlich verfasstem Trainingstext ist endlich. Die Forschungsgruppe Epoch AI beziffert den nutzbaren Bestand auf rund 300 Billionen Token und schätzt mit 80-Prozent-Konfidenz, dass dieser Bestand – je nachdem, wie stark Modelle über den Bestand hinaus mehrfach auf denselben Daten trainiert werden – zwischen 2026 und 2032 ausgeschöpft sein wird.

Diese Grenze ist kein fernes Zukunftsproblem, sondern erklärt eine Verschiebung, die bereits stattgefunden hat: Zwischen 2024 und 2025 verlagerte sich der sichtbare Fortschritt spürbar weg vom reinen „mehr Daten, mehr Rechenleistung beim Training“ hin zu sogenannten Reasoning-Modellen, die stattdessen mehr Rechenleistung zum Zeitpunkt der Anfrage selbst einsetzen (deshalb „denken“ manche Modelle sichtbar länger, bevor sie antworten). Das ist eine direkte Reaktion der Forschung auf eine absehbare Ressourcen-Grenze – und ein gutes Beispiel dafür, dass technische Grenzen den Fortschritt nicht stoppen, sondern in eine andere Richtung umleiten. Für Unternehmen bedeutet das praktisch: Die nächste Verbesserungswelle wird wahrscheinlich weniger aus „größeren“ Modellen kommen als aus Modellen, die für dieselbe Anfrage mehr eigene Zwischenschritte einsetzen dürfen – mit entsprechenden Auswirkungen auf Antwortzeit und Kosten pro Anfrage, nicht nur auf die reine Qualität.

Der am meisten unterschätzte Befund: KI hebt nicht alle gleich an

Die wohl praktisch wertvollste Erkenntnis aus der bisherigen KI-Forschung hat mit „der Zukunft“ im Sinne von Zeitpunkten gar nichts zu tun – sie beschreibt, wie KI schon heute messbar wirkt, und das Muster wird sich mit besseren Modellen eher verstärken als verschwinden. Eine kontrollierte Feldstudie von Harvard Business School und Boston Consulting Group mit 758 Beratungsfachkräften fand, dass KI-Unterstützung Aufgaben nicht gleichmäßig verbessert, sondern entlang einer „gezackten Grenze“ verläuft: Manche Aufgaben löst ein Sprachmodell überraschend gut, scheinbar fast identische Nachbaraufgaben löst dasselbe Modell zuverlässig schlecht – ohne dass diese Grenze für Nutzende offensichtlich ist.

Noch aufschlussreicher ist ein zweiter, unabhängiger Befund: In einer Studie mit 5.179 Kundenservice-Mitarbeitenden verbesserten sich die leistungsschwächsten und unerfahrensten Beschäftigten durch KI-Unterstützung um rund 34 Prozent – während die bereits stärksten Mitarbeitenden kaum messbare Verbesserung zeigten. Dieser Ausgleichseffekt (manchmal „Skill-Leveling“ genannt) taucht seither in mehreren unabhängigen Studien zu unterschiedlichen Tätigkeiten wieder auf. Die praktische Konsequenz ist unbequem für die übliche Verkaufserzählung: KI macht nicht in erster Linie deine besten Leute noch besser. Sie hebt den Boden an. Wer den größten Hebel sucht, findet ihn eher bei Einsteigenden, Standardaufgaben und breit gestreuter Qualität als bei Spitzenkräften.

Warum sich nicht einmal Ökonomen einig sind, was das wirtschaftlich bedeutet

Selbst die Größenordnung des künftigen wirtschaftlichen Effekts ist unter ernstzunehmenden Ökonomen offen umstritten – nicht aus Unwissenheit, sondern weil die entscheidenden Annahmen sich noch nicht messen lassen. Der MIT-Ökonom Daron Acemoglu rechnet über das kommende Jahrzehnt mit einem „nicht trivialen, aber bescheidenen“ Effekt von generativer KI: rund 0,7 Prozent zusätzlicher Produktivität und 1,1 Prozent zusätzlichem BIP-Wachstum. Goldman Sachs kommt mit einem anderen Modell auf ein jährliches Produktivitätsplus von rund 1,5 Prozent – ein deutlich größerer Effekt.

Der Unterschied entsteht nicht durch bessere oder schlechtere Rechenmodelle, sondern durch unterschiedliche Annahmen: Acemoglu geht davon aus, dass KI kurzfristig nur rund 5 Prozent aller Arbeitsaufgaben wirtschaftlich sinnvoll automatisieren kann und rechnet vorwiegend mit Effizienzgewinnen innerhalb bestehender Tätigkeiten. Goldman Sachs setzt rund 25 Prozent an und rechnet zusätzlich mit Effekten, die sich kaum vorab beziffern lassen – etwa, dass Arbeitskräfte in neue, heute noch nicht existierende Tätigkeiten wechseln. Eine unabhängige, bereits gemessene (nicht projizierte) Hausnummer liefern Ökonomen der Federal Reserve Bank of St. Louis: Sie schätzen, dass generative KI die US-Arbeitsproduktivität seit dem Start von ChatGPT bislang um bis zu 1,3 Prozent angehoben hat – real, aber weit von den größten Versprechen entfernt.

Die Lehre daraus ist nicht, welche Zahl „richtig“ ist. Es ist, dass die Bandbreite seriöser Schätzungen selbst unter Top-Ökonomen enorm ist – und dass jede einzelne Zahl, die dir jemand mit Bestimmtheit nennt, eine von mehreren plausiblen Annahmen ist, keine Tatsache.

Was das für deine Unternehmensplanung bedeutet

Aus alldem folgt eine andere Art zu planen als „auf den nächsten großen KI-Moment warten“ oder „jetzt sofort alles auf KI umstellen“. Drei konkrete Schlüsse, die sich direkt aus den oben genannten, belastbaren Befunden ableiten lassen – nicht aus Spekulation:

• Warten kostet real, aber Zögern wegen fehlender „reifer“ Technologie ist der falsche Grund: Die Kostenkurve ist der verlässlichste Trend in diesem ganzen Feld. Was heute funktioniert, wird in 12 bis 18 Monaten deutlich günstiger verfügbar sein – das ist ein Argument für frühen, kleinen Einstieg zum Lernen, nicht für „warten, bis es fertig ist“.
• Erwarte keinen gleichmäßigen Nutzen – suche gezielt nach der gezackten Grenze in den eigenen Prozessen: Ein pauschales „KI einführen“ trifft in jedem Unternehmen auf eine andere, unsichtbare Grenze zwischen Aufgaben, die gut funktionieren, und optisch ähnlichen Aufgaben, die es nicht tun. Das lässt sich nur aufgabenweise herausfinden, nicht durch eine allgemeine Ankündigung.
• Rechne mit dem größten Hebel dort, wo heute die größte Streuung ist: Die am besten belegte Wirkung von KI liegt im Anheben von Standardaufgaben und weniger erfahrenen Rollen – nicht im Multiplizieren bereits exzellenter Arbeit. Wer nach dem größten Return sucht, schaut zuerst auf Prozesse mit hoher Qualitätsschwankung, nicht auf die Arbeit der eigenen Top-Performer.
• Miss auf Prognosen mit einem Datum grundsätzlich Skepsis an: Wer dir ein festes Jahr für einen KI-Durchbruch nennt, hat entweder Informationen, die selbst die am besten getesteten Prognostiker der Welt nicht haben – oder verkauft dir eine Geschichte. Die zweite Möglichkeit ist bei weitem die wahrscheinlichere.

Genau diese aufgabenweise Suche nach der eigenen gezackten Grenze – wo KI heute schon zuverlässig hilft, wo (noch) nicht, und wo der Ausgleichseffekt am meisten bringt – ist kein theoretisches Projekt, sondern eine konkrete erste Analyse. Sie lässt sich in überschaubarer Zeit durchführen, bevor größere Budgetentscheidungen fallen.