Künstliche Intelligenz und Plattformmacht: Warum digitale Abhängigkeit und Kontrolle über KI unsere Zukunft bestimmen

Die neue Abhängigkeit: Wenn geistige Arbeit zur Plattform wird

Der Fortschritt leistungsfähiger KI-Systeme verändert nicht nur, was Menschen wissen, schreiben oder analysieren können. Er verändert auch die Bedingungen, unter denen geistige Arbeit stattfindet. Aufgaben, die zuvor erhebliche Zeit, Erfahrung und Konzentration erforderten, lassen sich zunehmend mit maschineller Unterstützung bewältigen. Doch je selbstverständlicher diese Unterstützung wird, desto weniger selbstverständlich erscheint die Kontrolle über ihre Voraussetzungen.

Ein KI-System kann zu einem unverzichtbaren Bestandteil der eigenen Arbeit werden, ohne dass der Nutzer die Infrastruktur kontrolliert, auf der es beruht. Er kann seine Denkprozesse, Dokumente und Arbeitsabläufe an einen Dienst anpassen, dessen technische Bedingungen, Zugangsregeln und wirtschaftliche Ausrichtung außerhalb seines Einflusses liegen. Die Abhängigkeit entsteht dabei nicht notwendig durch Zwang. Sie entsteht zunächst durch Nutzen.

Diese Ambivalenz zeigt sich bereits in alltäglichen Nutzungserfahrungen. Ein leistungsfähiges System kann die Qualität geistiger Arbeit erheblich steigern und zugleich an Zugangshürden, technischen Störungen, unklaren Fehlermeldungen oder organisatorischen Einschränkungen scheitern. Aus einem solchen Einzelfall lässt sich nicht ableiten, dass ein Anbieter seine Nutzer systematisch benachteiligt. Er macht jedoch eine grundlegende Unterscheidung sichtbar: Die technische Leistungsfähigkeit eines Systems und seine praktische Verlässlichkeit sind zwei verschiedene Eigenschaften.

Ein Werkzeug ist nicht allein deshalb wertvoll, weil es unter idealen Bedingungen hervorragende Ergebnisse liefert. Sein Wert hängt ebenso davon ab, ob es verfügbar bleibt, ob seine Nutzung kalkulierbar ist und ob die eigene Arbeit beim Ausfall oder Wechsel des Dienstes fortgesetzt werden kann.

Damit verschiebt sich die Leitfrage. Es geht nicht mehr ausschließlich darum, welches KI-Modell die besten Antworten erzeugt. Es geht darum, wer die Bedingungen bestimmt, unter denen Menschen auf diese Fähigkeiten zugreifen können.

Je größer der Nutzen eines digitalen Werkzeugs wird, desto wichtiger wird die Frage, ob seine Nutzer es tatsächlich beherrschen – oder ob sie zunehmend von den Bedingungen abhängig werden, unter denen es ihnen zur Verfügung steht.

Die zentrale These dieses Essays lautet deshalb: Die langfristige Bedeutung künstlicher Intelligenz wird nicht allein durch die Intelligenz einzelner Modelle bestimmt, sondern durch die Verteilung von Kontrolle über Daten, Schnittstellen, Arbeitsabläufe, wirtschaftliche Abhängigkeiten und materielle Ressourcen. Diese These ist weder eine Anklage gegen zentralisierte Plattformen noch ein Plädoyer für offene Software. Sie bezeichnet einen Konflikt, dessen Ausgang offen ist.

Technologischer Fortschritt und die Frage nach der Unabhängigkeit

Die Entwicklung moderner Sprachmodelle hat innerhalb weniger Jahre gezeigt, wie schnell sich die Grenzen maschinell unterstützter Wissensarbeit verschieben können. Gleichzeitig sind kleinere Modelle leistungsfähiger geworden, während die Kosten für bestimmte Formen der Inferenz deutlich gesunken sind. Der Stanford AI Index dokumentiert für den Zeitraum bis 2025 sowohl die Annäherung offener Modellgewichte an geschlossene Systeme auf bestimmten Benchmarks als auch erhebliche Fortschritte bei kleineren Modellen.

Diese Entwicklung verändert die wirtschaftliche Bedeutung der Frage, wo ein Modell ausgeführt wird. Wenn eine lokal betriebene KI für eine konkrete Aufgabe ausreichend leistungsfähig ist, muss sie nicht sämtliche Fähigkeiten des leistungsstärksten Cloud-Modells erreichen. Es genügt, dass sie die Anforderungen eines bestimmten Arbeitsprozesses erfüllt.

Bei anspruchsvoller Textarbeit können beispielsweise die Verarbeitung umfangreicher Dokumente, die Stabilität längerer Argumentationsketten, ein ausreichendes Kontextfenster und die Integration in vorhandene Werkzeuge wichtiger sein als die maximale Leistung in einem allgemeinen Benchmark. Für andere Aufgaben, etwa besonders anspruchsvolle Schlussfolgerungen oder komplexe multimodale Verarbeitung, können größere externe Modelle weiterhin erhebliche Vorteile bieten.

Der entscheidende Punkt ist daher nicht die pauschale Überlegenheit lokaler oder cloudbasierter Systeme. Entscheidend ist die Aufgabenteilung zwischen unterschiedlichen Leistungsniveaus und Betriebsformen.

Ein lokales Modell kann sensible Dokumente verarbeiten, Zusammenfassungen erstellen oder eine Wissensbasis durchsuchen. Ein externes Modell kann für einzelne Aufgaben hinzugezogen werden, bei denen zusätzliche Rechenleistung oder spezialisierte Fähigkeiten einen erkennbaren Mehrwert versprechen. Eine solche hybride Architektur macht den Wechsel zwischen Systemen zu einer normalen Option, statt ihn als vollständige Migration organisieren zu müssen.

Doch die technische Möglichkeit ist nicht mit wirtschaftlicher Unabhängigkeit gleichzusetzen. Lokale Modelle benötigen geeignete Hardware, Wartung, Sicherheitsmaßnahmen und fachliche Kompetenz. Ihre Qualität hängt von Modellwahl, Quantisierung, Kontextlänge und konkreter Aufgabenstellung ab. Auch ein lokal ausgeführtes Modell kann durch proprietäre Komponenten, unklare Lizenzen oder externe Abhängigkeiten eingeschränkt sein.

Umgekehrt kann ein Cloud-Anbieter hohe Investitionen in Rechenzentren, Sicherheitsmaßnahmen, Aktualisierungen und spezialisierte Modelle bündeln, die für einzelne Nutzer kaum wirtschaftlich nachzubilden wären. Zentralisierung kann dadurch nicht nur Abhängigkeit erzeugen, sondern auch Fähigkeiten zugänglich machen, die dezentral gar nicht oder nur zu hohen Kosten verfügbar wären.

Der Konflikt verläuft somit nicht zwischen einer grundsätzlich schlechten zentralen und einer grundsätzlich guten lokalen Architektur. Er verläuft zwischen unterschiedlichen Verteilungen von Kosten, Kontrolle und Verantwortung.

Wenn lokale Modelle immer mehr Aufgaben übernehmen können, wächst die Möglichkeit, externe Dienste selektiv einzusetzen. Daraus folgt jedoch nicht zwangsläufig, dass große Plattformen an Bedeutung verlieren. Sie könnten sich ebenso darauf konzentrieren, besonders leistungsfähige Modelle, Entwicklungsumgebungen, Agenten und integrierte Arbeitsabläufe anzubieten.

Die offene Frage lautet: Wird der Fortschritt kleinerer Modelle die Abhängigkeit von zentralen Anbietern verringern, oder wird er vor allem neue Formen der Integration ermöglichen, durch die sich die Kontrolle der Plattformen noch tiefer in die tägliche Arbeit einschreibt?

Plattformmacht: Die Kontrolle über den Weg zur Intelligenz

Die wirtschaftliche Bedeutung eines KI-Unternehmens lässt sich nicht allein an der Qualität seines Modells ablesen. Ein mindestens ebenso wichtiger Faktor ist seine Position innerhalb des digitalen Arbeitsablaufs.

Ein System, das Dokumente verarbeitet, Informationen zusammenführt, Anwendungen aufruft und Aktionen ausführt, kann zu einer Vermittlungsinstanz zwischen Mensch, Daten und Software werden. Es entscheidet dann nicht unbedingt selbst über alle Inhalte, beeinflusst aber, welche Informationen erreichbar sind, welche Werkzeuge verwendet werden und welche Handlungen technisch möglich erscheinen.

Die Macht liegt in diesem Fall nicht ausschließlich im Modell. Sie liegt in der Organisation des Zugangs.

Vier Dimensionen sind dabei auseinanderzuhalten:

• Modellkontrolle: Wer bestimmt über Entwicklung, Bereitstellung, Veränderung und Nutzung des Modells?
• Datenkontrolle: Wer kann auf Informationen zugreifen, sie speichern, weitergeben oder für andere Zwecke verwenden?
• Plattformkontrolle: Wer gestaltet Schnittstellen, Berechtigungen, Integrationen und die Abfolge digitaler Arbeitsschritte?
• Wechselmacht: Wer kann einen Anbieter verlassen, ohne unverhältnismäßige Kosten, Datenverluste oder funktionale Einbußen hinnehmen zu müssen?

Diese Dimensionen können zusammenfallen, müssen es aber nicht. Ein Nutzer kann ein offenes Modell einsetzen und trotzdem von einer proprietären Benutzeroberfläche abhängig bleiben. Ein Unternehmen kann seine Daten selbst speichern, während seine Arbeitsabläufe an nicht portable Schnittstellen gebunden sind. Und ein Anbieter kann über ein technisch hervorragendes Modell verfügen, ohne deshalb automatisch die gesamte Wertschöpfungskette zu kontrollieren.

Die ökonomische Forschung zu digitalen Märkten zeigt, dass Netzwerkeffekte, Skalenvorteile, Wechselkosten und mangelnde Interoperabilität die Marktmacht digitaler Plattformen verstärken können. Sie zeigt zugleich, dass Netzwerkeffekte nicht automatisch zu dauerhafter Marktmacht führen. Interoperabilität, Mehrfachnutzung konkurrierender Dienste und geringe Wechselkosten können diese Dynamik abschwächen.

Damit wird Portabilität zu mehr als einer technischen Komfortfunktion. Sie bestimmt mit, ob die Möglichkeit zum Anbieterwechsel eine reale wirtschaftliche Option bleibt oder nur theoretisch besteht.

Wer seine Dokumente, Wissensbestände und Arbeitsabläufe in standardisierten, exportierbaren Strukturen organisiert, bewahrt sich eine Alternative. Wer dagegen Wissen und Prozesse in proprietären Umgebungen bündelt, kann mit jedem zusätzlichen Integrationsschritt stärker an einen Anbieter gebunden werden.

Das bedeutet nicht, dass jede Integration eine Falle darstellt. Integration senkt Reibungsverluste, verbessert Bedienbarkeit und kann die Qualität eines Gesamtsystems erhöhen. Gerade diese Vorteile machen eine Plattform attraktiv. Die problematische Seite entsteht erst dann, wenn der Nutzen der Integration mit einem Verlust an tatsächlicher Wahlfreiheit erkauft wird.

Die entscheidende Frage ist daher nicht, ob ein Unternehmen Gewinne erzielt oder seine Dienste integriert. Sie lautet, unter welchen Bedingungen aus einer nützlichen Vermittlungsposition eine strukturelle Machtposition wird, der sich Nutzer nur noch mit erheblichen Nachteilen entziehen können.

Die Geschichte der Plattformen: Offenheit, Bequemlichkeit und Pfadabhängigkeit

Die Geschichte digitaler Infrastruktur kennt wiederholt den Konflikt zwischen integrierten, kommerziell kontrollierten Systemen und offeneren Alternativen. Betriebssysteme, Virtualisierungsplattformen und andere Infrastrukturen zeigen, dass technische Qualität allein nicht darüber entscheidet, welche Architektur sich durchsetzt.

Geschlossene Systeme können durch einheitliche Bedienung, Kompatibilität, professionellen Support und ein dichtes Ökosystem überzeugen. Offene Systeme bieten dagegen häufig größere Anpassungsmöglichkeiten, mehr Transparenz und eine stärkere Kontrolle über die eigene Infrastruktur. Beide Eigenschaften haben wirtschaftlichen Wert, aber nicht für alle Nutzer im gleichen Maß.

Historische Migrationsentscheidungen verdeutlichen außerdem, dass die Bindung an einen Anbieter nicht mit dauerhafter Loyalität verwechselt werden darf. Veränderte Lizenzbedingungen, steigende Kosten oder neue technische Anforderungen können Organisationen dazu bewegen, einmalig erhebliche Umstellungskosten zu akzeptieren, um später unabhängiger zu sein.

Eine solche Migration ist jedoch weder zwangsläufig erfolgreich noch unumkehrbar. Sie kann an fehlenden Kompetenzen, Kompatibilitätsproblemen, unerwarteten Betriebskosten oder unzureichender Leistungsfähigkeit der Alternative scheitern. Auch kann ein Wechsel lediglich einen Teil der Abhängigkeit beseitigen und an anderer Stelle neue Bindungen schaffen.

Die historische Parallele liefert deshalb keine sichere Prognose für die Entwicklung der KI. Betriebssysteme, Virtualisierungssoftware und moderne KI-Dienste unterscheiden sich in ihren technischen Voraussetzungen, ihren Investitionszyklen und der Art, wie sie Wissen und Arbeitsprozesse integrieren.

Dennoch lässt sich ein wiederkehrender Mechanismus erkennen: Die Kosten einer Abhängigkeit sind häufig am Anfang unsichtbar und werden erst dann deutlich, wenn ein Wechsel notwendig wird.

Je mehr Prozesse, Kompetenzen und Daten an eine Infrastruktur angepasst sind, desto teurer kann ihre Ablösung werden. Diese Pfadabhängigkeit ist nicht unbedingt das Ergebnis einer gezielten Strategie des Anbieters. Sie kann aus kumulierten Investitionen, Gewohnheiten und funktionalen Vorteilen entstehen.

Hier liegt eine subtile Form wirtschaftlicher Macht. Sie muss nicht darin bestehen, einen Wechsel zu verbieten. Es genügt unter Umständen, dass ein Wechsel so aufwendig wird, dass Nutzer trotz sinkenden Nutzens beim bestehenden System bleiben.

Doch auch die Gegenfrage verdient Aufmerksamkeit: Wann ist die Bindung an ein System Ausdruck wirtschaftlicher Unfreiheit, und wann ist sie lediglich die rationale Folge einer über Jahre bewährten, gut funktionierenden Infrastruktur?

Eine hohe Wechselhürde ist für sich genommen noch kein Beweis für missbräuchliche Marktmacht. Entscheidend sind ihre Ursachen, ihre Verhältnismäßigkeit und die tatsächlichen Alternativen. Die Unterscheidung zwischen funktionaler Bindung und struktureller Abhängigkeit bleibt deshalb empirisch zu prüfen.

Psychologie und Unternehmensführung: Warum vernünftige Entscheidungen langfristig schaden können

Die Frage nach technologischer Abhängigkeit führt über die Technik hinaus zu den Anreizen, unter denen Menschen und Organisationen entscheiden. Unternehmen bestehen nicht aus einem einheitlichen Willen. Sie bestehen aus Personen, Abteilungen und Entscheidungssystemen, deren Ziele sich teilweise widersprechen.

Ein Manager kann an kurzfristigen Ergebnissen gemessen werden, während die Folgen seiner Entscheidungen erst Jahre später sichtbar werden. Eine technische Leitung kann für einen gescheiterten Umbau unmittelbar verantwortlich gemacht werden, während die Kosten einer unterlassenen Veränderung über viele Budgets verteilt bleiben. Ein Risikoverantwortlicher kann dafür belohnt werden, dass kein sichtbarer Fehler eintritt, obwohl seine Vorsicht langfristig neue Risiken erzeugt.

Solche Konstellationen lassen sich mit Erkenntnissen der Prinzipal-Agent-Theorie, der Organisationsforschung und der Entscheidungspsychologie untersuchen. Sie liefern keine universelle Erklärung für unternehmerisches Verhalten, zeigen aber, weshalb individuelle Rationalität und langfristige organisatorische Vernunft auseinanderfallen können.

Einige Mechanismen sind besonders relevant:

• Asymmetrische Verantwortlichkeit: Das Risiko einer sichtbaren Fehlentscheidung ist häufig leichter zuzuordnen als der Schaden, der durch eine unterlassene Veränderung entsteht.
• Verlustaversion: Potenzielle Verluste können psychologisch stärker ins Gewicht fallen als gleich große mögliche Gewinne. Wie stark dieser Effekt auftritt, hängt jedoch vom Kontext ab.
• Pfadabhängigkeit: Bereits getätigte Investitionen, vorhandene Kompetenzen und etablierte Verfahren beeinflussen spätere Entscheidungen, selbst wenn sich die Ausgangsbedingungen verändert haben.
• Verantwortungsdiffusion: Wenn viele Stellen an einer Entscheidung beteiligt sind, kann unklar werden, wer für ihre langfristigen Folgen tatsächlich einsteht.
• Defensive Risikokultur: Eine Organisation kann lernen, vor allem zurechenbare Fehler zu vermeiden, statt die Gesamtheit ihrer Risiken zu reduzieren.

Aus diesen Mechanismen folgt nicht, dass Führungskräfte grundsätzlich kurzfristig denken oder absichtlich die Zukunft ihres Unternehmens gefährden. Kurzfristige Kennzahlen können berechtigt sein, insbesondere wenn Liquidität, Finanzierung und reale Betriebskosten berücksichtigt werden müssen. Standardisierte Verfahren können Fehler verhindern, und etablierte Systeme können gegenüber experimentellen Alternativen nachweislich zuverlässiger sein.

Das Problem entsteht, wenn die institutionellen Anreize bestimmte Risiken sichtbar machen und andere systematisch ausblenden.

Ein Unternehmen kann beispielsweise seine bestehende Infrastruktur wirtschaftlich effizient betreiben und gleichzeitig versäumen, Alternativen zu entwickeln. Solange die gegenwärtige Architektur funktioniert, scheint die unterlassene Investition vernünftig. Erst wenn sich Marktbedingungen, Lizenzmodelle oder technische Möglichkeiten verändern, wird sichtbar, dass die Organisation ihre Anpassungsfähigkeit schrittweise verloren hat.

Psychologische Erklärungen dürfen dabei nicht zu einer bequemen Erzählung über irrationale Entscheider werden. Begriffe wie Verlustaversion oder Gruppendenken erklären keine konkrete Unternehmensentscheidung, solange nicht gezeigt wird, wie sich der jeweilige Mechanismus im betreffenden Fall auswirkt.

Die tiefere Frage betrifft die institutionelle Gestaltung von Verantwortung: Wie kann eine Organisation die langfristigen Kosten unterlassener Anpassung erkennen, wenn sie diese Kosten weder einer einzelnen Person noch einem einzelnen Entscheidungszeitpunkt eindeutig zurechnen kann?

Die Möglichkeit, dass Unternehmen an ihren eigenen Erfolgsbedingungen scheitern, ist damit keine Gewissheit. Sie ist eine überprüfbare Hypothese über das Verhältnis von Anreizen, Zeit und institutionellem Lernen.

Risikomanagement in einer Welt, die sich nicht vollständig berechnen lässt

Leistungsfähige KI-Systeme können große Informationsmengen auswerten, Szenarien vergleichen, Abhängigkeiten sichtbar machen und Entscheidungsgrundlagen strukturieren. Daraus entsteht die Hoffnung, komplexe Risiken genauer zu erfassen und Fehlentscheidungen zu vermeiden.

Diese Hoffnung ist nicht unbegründet. Sie wird jedoch problematisch, sobald die Fähigkeit zur Berechnung mit der Fähigkeit zur Vorhersage gleichgesetzt wird.

Ein Risiko lässt sich vergleichsweise gut modellieren, wenn relevante Ereignisse, Zusammenhänge und Wahrscheinlichkeiten hinreichend bekannt sind. Anders verhält es sich, wenn sich die Bedingungen selbst verändern: wenn neue Technologien entstehen, politische Ordnungen sich verschieben, Märkte neue Strukturen entwickeln oder bisher verlässliche Zusammenhänge ihre Gültigkeit verlieren.

Die Unterscheidung zwischen berechenbarem Risiko und tiefer Unsicherheit ist deshalb wesentlich. Bei tiefer Unsicherheit sind nicht nur die Wahrscheinlichkeiten einzelner Ereignisse unbekannt. Unter Umständen ist bereits unklar, welche Ereignisse und Wirkungszusammenhänge in einem Modell überhaupt berücksichtigt werden müssten.

Ein unerwarteter technologischer Durchbruch könnte bestehende Geschäftsmodelle entwerten. Eine geopolitische Veränderung könnte Lieferketten und Energiepreise neu ordnen. Ein bisher unterschätzter Sicherheitsfehler könnte die Nutzung einer gesamten Systemklasse infrage stellen. Solche Beispiele illustrieren mögliche Brüche, liefern aber keine belastbaren Prognosen darüber, ob oder wann sie eintreten werden.

Gerade hier zeigt sich eine Grenze algorithmischer Präzision: Ein Modell kann innerhalb seiner Annahmen hervorragend rechnen und trotzdem an einer Veränderung scheitern, die in diesen Annahmen nicht vorkommt.

Das bedeutet nicht, dass Prognosen nutzlos wären. Es bedeutet, dass ihre Aussagekraft an Voraussetzungen gebunden ist, die selbst Gegenstand der Prüfung bleiben müssen.

Ein belastbares Risikoverständnis muss deshalb neben erwarteten Wahrscheinlichkeiten auch die Robustheit von Entscheidungen berücksichtigen. Eine Entscheidung kann sinnvoll sein, obwohl ihre langfristigen Folgen nicht präzise vorhersagbar sind, wenn sie unter mehreren plausiblen Zukunftsbedingungen tragfähig bleibt. Umgekehrt kann eine Entscheidung trotz eines hohen erwarteten Nutzens problematisch sein, wenn sie unumkehrbare Abhängigkeiten schafft.

Die Forschung zum Risikomanagement von KI-Systemen unterstreicht, dass Risiken über den gesamten Lebenszyklus hinweg identifiziert, bewertet und überwacht werden müssen. Solche Rahmenwerke strukturieren die Verantwortung, garantieren aber keine vollständige Sicherheit und beseitigen nicht die Unsicherheit über künftige Entwicklungen.

Damit verschiebt sich das Problem von der Suche nach der einen richtigen Prognose zur Frage, welche Art von Handlungsfähigkeit unter unsicheren Bedingungen erhalten bleibt.

Die entscheidende Grenze liegt nicht darin, dass wir zu wenig rechnen, sondern möglicherweise darin, dass wir berechenbare Ausschnitte der Wirklichkeit mit der Wirklichkeit selbst verwechseln.

Die materielle Wirklichkeit der digitalen Intelligenz

Die Vorstellung, digitale Intelligenz könne sich unabhängig von materiellen Grenzen ausdehnen, beruht auf einer Verwechslung von Information und Infrastruktur. KI-Systeme benötigen Rechenleistung, Halbleiter, Rechenzentren, Stromversorgung, Kühlung, Netze, Kapital und qualifizierte Arbeit. Ihre digitale Erscheinungsform ändert nichts an diesen Voraussetzungen.

Die Internationale Energieagentur schätzte den weltweiten Stromverbrauch von Rechenzentren für 2024 auf rund 415 Terawattstunden. In ihrem 2025 veröffentlichten Basisszenario projizierte sie einen Anstieg auf ungefähr 945 Terawattstunden bis 2030. Diese Werte betreffen Rechenzentren insgesamt und dürfen nicht mit dem ausschließlich durch KI verursachten Verbrauch gleichgesetzt werden. Zudem sind solche Projektionen von Annahmen über Nachfrage, Effizienz und den Ausbau der Infrastruktur abhängig.

Die Zahlen zeigen daher weder, dass KI zwangsläufig zu einer Energiekrise führt, noch, dass ihr Ressourcenbedarf vernachlässigbar wäre. Sie verdeutlichen vielmehr, dass der Ausbau digitaler Fähigkeiten mit realen Entscheidungen über Stromerzeugung, Netze, Investitionen und regionale Infrastruktur verbunden ist.

Ähnliche Fragen betreffen Wasser für bestimmte Kühlverfahren, die Herstellung und Erneuerung von Hardware, die Gewinnung von Rohstoffen sowie den Flächenbedarf großer Anlagen. Die tatsächlichen Auswirkungen unterscheiden sich je nach Standort, Strommix, Kühlungstechnologie, Auslastung und Lebensdauer der Geräte erheblich.

Auch die Gegenrechnung ist wichtig. KI kann Anwendungen ermöglichen, die Energie und Materialien einsparen: optimierte Stromnetze, effizientere Produktionsprozesse, bessere Logistik oder eine präzisere Steuerung landwirtschaftlicher Systeme. Ob diese Einsparungen den zusätzlichen Ressourcenverbrauch übersteigen, lässt sich nicht allein aus der Effizienz eines einzelnen Modells ableiten.

Hier kommt der sogenannte Rebound-Effekt ins Spiel. Wenn eine Technologie effizienter und günstiger wird, kann ihre Nutzung zunehmen. Ein Teil der Einsparungen pro Anwendung wird dann durch zusätzliche Anwendungen aufgehoben. In bestimmten Situationen können solche Rückwirkungen erheblich sein. Daraus folgt jedoch nicht, dass jede Effizienzsteigerung zwangsläufig den Gesamtverbrauch erhöht. Die Stärke des Effekts muss empirisch untersucht werden.

Die gesellschaftliche Bilanz hängt somit von mehreren Größen ab:

• vom zusätzlichen Nutzen, den eine Anwendung tatsächlich erzeugt;
• von den Ressourcen, die für Entwicklung, Betrieb und Erneuerung benötigt werden;
• von den Tätigkeiten und Technologien, die durch KI ersetzt oder ergänzt werden;
• von den indirekten Effekten, die sinkende Kosten und neue Nachfrage auslösen;
• von der Verteilung der ökologischen Kosten und wirtschaftlichen Vorteile.

Die letzte Frage ist politisch und gesellschaftlich besonders bedeutsam. Die Vorteile einer KI-Anwendung können bei Unternehmen und Nutzern anfallen, während ein Teil ihrer Infrastrukturkosten lokal konzentriert bleibt. Umgekehrt können Regionen, die Rechenzentren beherbergen, von Investitionen, Beschäftigung und technologischem Wissen profitieren.

Die entscheidende Frage lautet daher nicht einfach, wie viel Energie KI verbraucht. Sie lautet, welchen gesellschaftlichen Nutzen dieser Verbrauch ermöglicht, welche Alternativen bestehen und wer die Kosten trägt.

Ein begrenztes Erdsystem setzt dem Wachstum physische Bedingungen. Es bestimmt aber nicht von selbst, welche Technologien gesellschaftlich sinnvoll sind oder wie knappe Ressourcen verteilt werden sollten. Diese Entscheidungen bleiben wirtschaftlich, politisch und normativ umkämpft.

Die gesellschaftliche Verteilung von Wissen, Macht und Verantwortung

Die Verbreitung leistungsfähiger KI kann Wissen zugänglicher machen. Einzelne Menschen und kleinere Organisationen erhalten Fähigkeiten, für die früher umfangreiche Teams, spezialisierte Software oder erhebliche finanzielle Mittel erforderlich waren. Sprachliche, technische und organisatorische Hürden können sinken. Damit wächst das Potenzial, geistige Arbeit breiter zu verteilen.

Doch ein breiterer Zugang zu einer Fähigkeit bedeutet nicht automatisch eine gleichmäßigere Verteilung der Macht, die aus dieser Fähigkeit entsteht.

Wer KI nutzt, gewinnt möglicherweise Produktivität. Wer zusätzlich über Recheninfrastruktur, Datenbestände, Vertriebswege und zentrale Schnittstellen verfügt, kann darüber hinaus bestimmen, wie diese Produktivität organisiert und wirtschaftlich verwertet wird. Die Demokratisierung einzelner Fähigkeiten kann daher mit einer Konzentration der wirtschaftlichen Kontrolle einhergehen.

Diese Entwicklung ist nicht zwangsläufig. Offene Modellgewichte, lokale Ausführung und interoperable Systeme können die Eintrittshürden senken und alternative Anbieter stärken. Gleichzeitig erfordern Entwicklung und Betrieb leistungsfähiger Systeme weiterhin Kapital, Fachwissen und technische Infrastruktur. Offenheit bei den Modellgewichten bedeutet deshalb nicht automatisch Offenheit der gesamten Wertschöpfungskette.

Eine weitere Spannung entsteht bei der Verantwortung. Je mehr Entscheidungen durch KI vorbereitet oder automatisiert werden, desto schwieriger kann es werden, Verantwortung zwischen Entwicklern, Anbietern, Organisationen und Nutzern eindeutig zuzuordnen.

Ein System kann Empfehlungen erzeugen, die ein Mensch formal bestätigt, obwohl die Auswahl der Informationen, die Darstellung der Optionen und die technische Gestaltung des Entscheidungsprozesses bereits wesentlichen Einfluss auf das Ergebnis genommen haben. Die formale Entscheidungshoheit bleibt dann möglicherweise beim Menschen, während ein Teil der tatsächlichen Steuerung in der Infrastruktur liegt.

Das bedeutet nicht, dass menschliche Verantwortung durch technische Systeme zwangsläufig verschwindet. Es bedeutet, dass Verantwortung nicht allein anhand der letzten sichtbaren Handlung beurteilt werden kann. Auch die Gestaltung von Zugängen, Informationsflüssen und Entscheidungsspielräumen ist relevant.

Für die Gesellschaft ergibt sich daraus ein Konflikt, der sich nicht auf Datenschutz oder Wettbewerb reduzieren lässt. Es geht um die Frage, wer die Bedingungen geistiger und wirtschaftlicher Handlungsmöglichkeiten gestaltet.

Wenn eine kleine Zahl von Institutionen zentrale digitale Vermittlungsstrukturen kontrolliert, kann daraus ein erheblicher Einfluss auf die Organisation gesellschaftlicher Arbeit entstehen. Wenn diese Strukturen dagegen stark fragmentiert sind, können Koordination, Sicherheit und gemeinsame Standards schwieriger werden.

Weder Zentralisierung noch Dezentralisierung garantiert für sich genommen eine gerechte Verteilung von Macht. Die gesellschaftlichen Folgen hängen davon ab, welche Rechte, Verantwortlichkeiten und tatsächlichen Wahlmöglichkeiten mit der jeweiligen Architektur verbunden sind.

Die Frage ist deshalb nicht nur, wer Zugang zu künstlicher Intelligenz erhält, sondern auch, wer über ihre Bedingungen verfügt und wer die Folgen ihrer Entscheidungen verantworten muss.

Die Gegenposition: Warum Zentralisierung und Wachstum vernünftig sein können

Eine Kritik an Plattformmacht und Ressourcenverbrauch wäre unvollständig, wenn sie die Vorteile zentralisierter Systeme unterschlüge. Große Anbieter können spezialisierte Infrastruktur, hohe Auslastung, professionelle Wartung und umfangreiche Sicherheitsmaßnahmen bereitstellen. Sie können Modelle entwickeln, deren Training und Betrieb für einzelne Nutzer oder kleinere Organisationen wirtschaftlich nicht tragbar wären.

Ein zentraler Dienst kann zudem Komplexität reduzieren. Nutzer müssen nicht selbst Hardware auswählen, Modelle aktualisieren, Sicherheitslücken schließen und unterschiedliche Komponenten miteinander verbinden. Diese Entlastung ist kein nebensächlicher Komfort, sondern ein realer Produktivitätsgewinn.

Auch offene Systeme sind nicht automatisch sicherer, transparenter oder unabhängiger. Ihre tatsächliche Sicherheit hängt von Implementierung, Wartung, Berechtigungen und den Fähigkeiten der Betreiber ab. Eine Architektur mit vielen austauschbaren Komponenten kann neue Schnittstellen, Fehlkonfigurationen und Angriffsmöglichkeiten schaffen. Lokale Datenverarbeitung verringert bestimmte Übertragungsrisiken, beseitigt aber weder Sicherheitsprobleme noch sämtliche Abhängigkeiten.

Ebenso wenig lässt sich der Ressourcenbedarf allein als Argument gegen größere Modelle verwenden. Ein leistungsfähigeres System könnte eine aufwendige Tätigkeit ersetzen, Fehler reduzieren oder neue wissenschaftliche Erkenntnisse ermöglichen. Ein kleineres Modell kann dagegen trotz geringeren Verbrauchs gesellschaftlich weniger nützlich sein, wenn es eine Aufgabe nicht zuverlässig erfüllt.

Schließlich sind kurzfristige wirtschaftliche Entscheidungen nicht grundsätzlich Ausdruck kurzsichtiger Unternehmensführung. Forschung, Hardware und Rechenzentren erfordern hohe Investitionen. Unternehmen müssen Kosten decken, Risiken finanzieren und ihre Leistungen zuverlässig bereitstellen. Ohne wirtschaftliche Tragfähigkeit können selbst gesellschaftlich wertvolle Technologien nicht dauerhaft angeboten werden.

Diese Einwände begrenzen die Ausgangsthese. Sie widerlegen sie jedoch nicht. Denn die Frage ist nicht, ob zentralisierte Systeme Vorteile haben, sondern ob diese Vorteile mit Abhängigkeiten verbunden sind, deren langfristige Kosten unterschätzt werden.

Ebenso wenig ist jede offene Architektur vorzuziehen. Entscheidend ist, ob ihre Vorteile im jeweiligen Anwendungsfall die zusätzlichen Kosten, Sicherheitsanforderungen und betrieblichen Belastungen rechtfertigen.

Die Kontroverse lässt sich deshalb nicht durch eine allgemeine Rangordnung auflösen. Sie betrifft unterschiedliche Güter, die sich nicht immer gleichzeitig maximieren lassen: Leistungsfähigkeit, Sicherheit, Verfügbarkeit, Autonomie, Kosteneffizienz und ökologische Tragfähigkeit.

Der Versuch, eines dieser Güter zum alleinigen Maßstab zu machen, droht die übrigen unsichtbar werden zu lassen.

Die Grenzen populärer Erklärungen

Die Debatte über künstliche Intelligenz wird häufig von einfachen Erzählungen geprägt. Manche sehen in großen Technologieunternehmen zwangsläufige Monopolisten, andere betrachten den Markt als hinreichenden Mechanismus, der ineffiziente Anbieter von selbst verdrängt. Manche erwarten, dass offene Modelle die Macht zentraler Plattformen bald brechen werden. Andere gehen davon aus, dass die leistungsfähigsten Systeme aufgrund ihrer hohen Kosten dauerhaft bei wenigen Anbietern verbleiben müssen.

Alle diese Erzählungen enthalten mögliche Teilwahrheiten. Keine von ihnen genügt als allgemeine Erklärung.

Die Annahme, dass bessere Technik automatisch zu mehr Freiheit führt, übersieht, dass technische Fähigkeiten innerhalb wirtschaftlicher und institutioneller Strukturen bereitgestellt werden. Ein Modell kann zugänglicher werden, während die wichtigsten Arbeitsabläufe weiterhin an proprietäre Plattformen gebunden bleiben.

Die Gegenannahme, dass zentrale Anbieter zwangsläufig dauerhafte Kontrolle erlangen, unterschätzt technische Veränderungen, Wettbewerb, Regulierung und die Möglichkeit, dass sich Standards und Nutzungsgewohnheiten verändern. Die Entwicklung kleinerer und offener Modelle zeigt, dass Leistungsabstände nicht unveränderlich sind. Sie beweist allerdings nicht, dass sämtliche Vorteile zentraler Anbieter verschwinden.

Auch die Vorstellung, Effizienz führe automatisch zu geringerem Ressourcenverbrauch, greift zu kurz. Sinkende Kosten können Nachfrage erzeugen und dadurch einen Teil der Einsparungen aufheben. Umgekehrt lässt sich aus einem steigenden Gesamtverbrauch nicht unmittelbar ableiten, dass Effizienzgewinne wirkungslos wären oder der zusätzliche Verbrauch gesellschaftlich keinen Nutzen stiftete.

Schließlich ist die Erklärung, Unternehmen würden aus kurzfristigem Eigeninteresse ihre Zukunft gefährden, nur dann überzeugend, wenn die behaupteten Anreize und ihre Wirkungen konkret nachgewiesen werden. Nicht jede strategische Fehlentscheidung ist ein psychologisches Problem; nicht jede vorsichtige Entscheidung ist Feigheit; nicht jede Investition in eine bestehende Plattform ist Ausdruck von Pfadabhängigkeit.

Populäre Erklärungen sind attraktiv, weil sie komplexe Zusammenhänge auf eine Ursache reduzieren. Gerade darin liegt ihre Grenze. Sie ersetzen die Untersuchung der Bedingungen durch eine vermeintlich universelle Regel.

Eine ernsthafte Analyse muss deshalb zwischen drei Ebenen unterscheiden: Was empirisch beobachtet wurde, was sich daraus unter bestimmten Voraussetzungen ableiten lässt und was lediglich eine mögliche Zukunft beschreibt.

Diese Unterscheidung macht eine Argumentation nicht schwächer. Sie verhindert, dass ihre Überzeugungskraft von Annahmen abhängt, die sich bei näherer Prüfung als unbelegt erweisen.

Die eigentliche Machtfrage bleibt offen

Die Entwicklung künstlicher Intelligenz lässt sich als Wettbewerb um immer leistungsfähigere Modelle beschreiben. Diese Perspektive ist wichtig, aber unvollständig. Denn die gesellschaftliche Bedeutung einer Fähigkeit hängt auch davon ab, wer über ihren Zugang, ihre Einbettung in Arbeitsprozesse und ihre wirtschaftliche Nutzung entscheidet.

Ein technisch überlegenes Modell kann einen begrenzten gesellschaftlichen Einfluss entfalten, wenn es schwer zugänglich, teuer oder nur in wenigen Anwendungskontexten einsetzbar ist. Ein weniger leistungsfähiges Modell kann dagegen eine große Bedeutung gewinnen, wenn es lokal verfügbar, zuverlässig integrierbar und leicht austauschbar ist. Welche dieser Eigenschaften überwiegt, hängt von der Aufgabe und vom institutionellen Umfeld ab.

Ebenso wenig ist die technische Unabhängigkeit eines Nutzers mit gesellschaftlicher Souveränität gleichzusetzen. Wer seine KI lokal betreibt, kann seine Daten besser kontrollieren und bestimmte Abhängigkeiten reduzieren. Er bleibt jedoch Teil einer materiellen und wirtschaftlichen Infrastruktur, die von Energieversorgung, Hardwareproduktion, Wissen und globalen Lieferketten abhängt.

Die Vorstellung vollständiger Autonomie könnte deshalb ebenso irreführend sein wie die Annahme vollständiger Abhängigkeit. Moderne Technologien entstehen in Netzen gegenseitiger Abhängigkeiten. Die Frage ist nicht, ob diese Abhängigkeiten verschwinden können, sondern welche davon unvermeidbar, welche austauschbar und welche gesellschaftlich problematisch sind.

Hinzu kommt eine zeitliche Dimension. Eine Architektur, die heute wirtschaftlich sinnvoll erscheint, kann morgen zur Belastung werden. Eine offene Alternative, die heute technisch unzureichend ist, kann später eine ernsthafte Option darstellen. Umgekehrt kann eine zentralisierte Lösung, die zunächst Abhängigkeit erzeugt, langfristig durch Zuverlässigkeit, Sicherheit und kontinuierliche Weiterentwicklung einen höheren Gesamtnutzen bieten.

Die Zukunft lässt sich daher nicht aus der gegenwärtigen Überlegenheit eines einzelnen Modells oder einer bestimmten Geschäftsform ableiten. Sie wird durch technologische Entwicklung, wirtschaftliche Anreize, institutionelle Entscheidungen und gesellschaftliche Auseinandersetzungen geprägt.

Damit kehrt die Analyse zu ihrer Ausgangsfrage zurück. Der Wert künstlicher Intelligenz besteht nicht allein darin, dass sie mehr leisten kann. Er hängt auch davon ab, wie diese Leistungsfähigkeit in menschliche und gesellschaftliche Handlungsräume eingebettet wird.

Je leistungsfähiger KI-Systeme werden, desto größer kann ihr Nutzen sein. Gleichzeitig kann ihre Einbindung in alltägliche Arbeit die Kosten eines Ausfalls, eines Anbieterwechsels oder einer Veränderung der Zugangsbedingungen erhöhen. Fortschritt und Abhängigkeit sind daher keine Gegensätze, die sich gegenseitig ausschließen. Sie können gemeinsam wachsen.

Das macht die Machtfrage so schwierig: Die Abhängigkeit entsteht nicht notwendig trotz des Nutzens, sondern möglicherweise gerade durch ihn.

Fortschritt für wen – und unter wessen Bedingungen?

Die entscheidende Frage der künstlichen Intelligenz ist nicht allein, wie viel intelligenter Maschinen werden können. Sie betrifft die Ordnung, in der ihre Fähigkeiten entwickelt, verteilt und genutzt werden.

Technologische Leistungsfähigkeit, wirtschaftliche Kontrolle und materielle Tragfähigkeit bilden dabei drei miteinander verbundene, aber nicht identische Dimensionen. Ein Fortschritt auf der ersten Ebene garantiert keinen Fortschritt auf den beiden anderen. Leistungsfähigere Modelle können Wissen zugänglicher machen und zugleich neue Abhängigkeiten schaffen. Effizientere Systeme können Ressourcen pro Anwendung einsparen und gleichzeitig zusätzliche Nachfrage erzeugen. Zentralisierte Dienste können hohe Qualität und Sicherheit bereitstellen, während sie die Kontrolle über wichtige Schnittstellen konzentrieren.

Keine dieser Entwicklungen ist für sich genommen ein endgültiges Urteil über die Zukunft der KI. Jede verweist auf einen Konflikt, dessen Ausgang von technischen, wirtschaftlichen, institutionellen und gesellschaftlichen Bedingungen abhängt.

Die historische Erfahrung digitaler Plattformen legt nahe, dass die Kontrolle über Standards, Schnittstellen und Arbeitsabläufe ebenso wichtig werden kann wie die Kontrolle über einzelne Produkte. Die Organisationsforschung macht verständlich, warum kurzfristig vernünftige Entscheidungen langfristige Anpassungsfähigkeit schwächen können. Die Risikoforschung zeigt, weshalb selbst ausgefeilte Modelle nicht alle künftigen Entwicklungen abbilden. Und die Energieforschung erinnert daran, dass digitale Expansion nicht außerhalb materieller Grenzen stattfindet.

Doch aus diesen Erkenntnissen folgt keine einfache Lösung. Offenheit kann Abhängigkeiten begrenzen und zugleich neue Betriebsrisiken erzeugen. Zentralisierung kann Effizienz ermöglichen und gleichzeitig Wechselkosten erhöhen. Wachstum kann gesellschaftlichen Nutzen stiften und Ressourcen binden, die an anderer Stelle gebraucht werden. Vorsicht kann vor Fehlern schützen und zugleich notwendige Veränderungen verzögern.

Vielleicht liegt die entscheidende Spannung deshalb nicht zwischen Fortschritt und Stillstand, zwischen offen und geschlossen oder zwischen lokal und zentral. Sie liegt zwischen der Fähigkeit, immer mehr zu leisten, und der Fähigkeit, über die Bedingungen dieser Leistung selbst zu bestimmen.

Wenn eine Technologie unsere Möglichkeiten erweitert, während sie zugleich die Voraussetzungen dieser Möglichkeiten unserer Kontrolle entzieht, ist dann allein der Zugewinn an Leistungsfähigkeit schon ein Fortschritt?

Die Antwort hängt davon ab, was unter Fortschritt verstanden wird. Als Zuwachs technischer Fähigkeiten lässt er sich messen. Als Zuwachs menschlicher Autonomie, gesellschaftlicher Handlungsfähigkeit und langfristiger Tragfähigkeit ist er wesentlich schwieriger zu beurteilen.

Vielleicht wird die Zukunft der künstlichen Intelligenz deshalb weniger davon entschieden, welches Modell am Ende die beste Antwort liefert, als davon, wer die Fragen stellen, die Antworten überprüfen und die Bedingungen der Nutzung verändern kann.

Doch selbst diese Vorstellung lässt eine letzte Frage offen: Ist Unabhängigkeit in einer hochgradig vernetzten technologischen Gesellschaft überhaupt ein realistisches Ziel – oder besteht die eigentliche Herausforderung darin, Abhängigkeiten so zu gestalten, dass sie produktiv bleiben, ohne sich der demokratischen, wirtschaftlichen und individuellen Kontrolle zu entziehen?

Quellen & Literatur

• Stanford Institute for Human-Centered Artificial Intelligence (2025): AI Index Report 2025. Empirische Einordnung der Entwicklung kleinerer Modelle, offener Modellgewichte, Leistungsunterschiede und Inferenzkosten.
• International Energy Agency (2025): Energy and AI. Analyse des Strombedarfs von Rechenzentren, möglicher Entwicklungspfade und der Wechselwirkungen zwischen KI und Energieinfrastruktur.
• Organisation for Economic Co-operation and Development (2021): Mapping Data Portability Initiatives, Opportunities and Challenges. Untersuchung von Datenportabilität, Interoperabilität, Wechselkosten und möglichen Auswirkungen auf Wettbewerb und Bindung an digitale Plattformen.
• National Institute of Standards and Technology (2023): Artificial Intelligence Risk Management Framework (AI RMF 1.0. Rahmenwerk für die strukturierte Identifikation, Bewertung und fortlaufende Behandlung von KI-Risiken.
• York, Richard und Kolleginnen und Kollegen (2022): The Rebound Effect and the Challenge of Moving Beyond Fossil Fuels: A Review of Empirical and Theoretical Research. Überblick über theoretische und empirische Befunde zu Rebound-Effekten und den Grenzen rein technischer Effizienzbetrachtungen.
• Arthur, W. Brian (1989): Competing Technologies, Increasing Returns, and Lock-In by Historical Events. The Economic Journal, 99(394), 116–131. Grundlegende Untersuchung zu technologischer Pfadabhängigkeit und Lock-in-Effekten.
• Kahneman, Daniel und Amos Tversky (1979): Prospect Theory: An Analysis of Decision under Risk. Econometrica, 47(2), 263–291. Grundlegende Theorie zur Bewertung von Gewinnen und Verlusten unter Risiko.

Neue Texte auf Gedankenplanet

Was geschieht – und was es mit uns macht. Ein vielstimmiger Blick auf die Gegenwart und ihre Fragen. Neues aus Alltag & Leben, Business & Karriere, Gesellschaft & Politik, Gesundheit & Wohlbefinden, Kultur & Kunst, Liebe & Beziehungen, Natur & Umwelt, Philosophie & Psychologie, Recht sowie Wissenschaft & Technik: