Warum größere KI-Unternehmen nicht automatisch bessere Ergebnisse liefern

Lange galt: Wer mehr investiert, gewinnt. Diese Logik bröckelt – und das verändert, wer die nächste Generation von KI baut.

Es gibt eine Annahme, die sich in der KI-Branche lange gehalten hat:

„Mehr Budget, besseres Modell."

OpenAI, Google, Meta – Tausende Ingenieurinnen, Milliarden in Infrastruktur, jahrelanger Vorsprung. Das müsste reichen, oder? Anfang 2025 verlor diese Annahme zum ersten Mal sichtbar ihre Selbstverständlichkeit.

Wie Größe lange Zeit tatsächlich entschieden hat

Bis vor wenigen Jahren stimmte die Formel. Mehr Trainingsdaten, mehr Rechenleistung, mehr Parameter – und das Ergebnis wurde besser. Wer das finanzieren konnte, hatte einen Vorsprung, den andere strukturell nicht aufholen konnten, nicht wegen besserer Ideen, sondern wegen mehr Kapital.

Das Problem: Diese Kurve flacht ab, und der Markt zeigt es bereits.

Das erste Signal: DeepSeek

Anfang 2025 veröffentlichte das chinesische Unternehmen DeepSeek ein Modell, das in vielen Benchmarks und praktischen Anwendungsfällen überraschend nah an die Leistung westlicher Spitzenmodelle herankam – trainiert mit einem Bruchteil des Budgets.

Die Reaktion in der Branche war kein Schulterzucken, sondern ein echter Schock: US-Technologieaktien verloren innerhalb eines Tages Milliarden an Börsenwert, weil der Markt verstanden hatte, was das bedeutet. Der Vorsprung durch schiere Größe ist angreifbar – nicht weil DeepSeek ein magisch überlegenes Modell gebaut hat, sondern weil sie einen Großteil der Leistung mit deutlich weniger Ressourcen erreicht haben.

Nicht das größte Modell gewann. Das effizienteste.

DeepSeek war kein Einzelfall, sondern eines der ersten sichtbaren Zeichen eines größeren Trends.

Open-Source schließt auf

Parallel dazu hat sich etwas entwickelt, das vor drei Jahren kaum vorstellbar war. Metas Llama-Modelle laufen heute auf dem eigenen Laptop, und kleine Teams nehmen diese Basis, passen sie für konkrete Aufgaben an und bauen daraus Produkte, ohne dass ein einziger Dollar an einen großen Anbieter fließt.

Für viele Unternehmen ist "gut genug" dabei bereits ausreichend. Wenn ein Modell 95 % der Qualität für einen Bruchteil der Kosten liefert, gewinnt oft nicht das bessere Modell, sondern das wirtschaftlichere.

Der eigentliche Wettbewerb findet woanders statt

Hier liegt der Punkt, den viele Diskussionen übersehen.

Vor fünf Jahren gewann das Unternehmen mit den meisten GPUs. Heute gewinnt oft das Unternehmen, das die bessere Architektur rund um das Modell baut. Das Sprachmodell allein erzeugt selten den Mehrwert – was entscheidet, ist die Kombination: Welche Daten fließen rein? Wie wird Kontext aufgebaut? Wie sind die Arbeitsschritte strukturiert?

Methoden wie RAG – also das gezielte Einbinden externer Wissensquellen in Echtzeit – oder strukturierte Mehrschritt-Prozesse, bei denen ein Modell eine Aufgabe in Teilschritte zerlegt statt sie in einem Zug zu beantworten, machen in der Praxis oft mehr aus als der Wechsel auf ein größeres Modell.

Spezialisierung schlägt Universalität

Alleskönner-Modelle sind nicht immer das, was gebraucht wird. Ein Modell, das auf medizinische Dokumentation spezialisiert ist, liefert beim Lesen von Arztberichten bessere Ergebnisse als ein generalistisches Modell, selbst wenn letzteres zehnmal so groß ist. Gleiches gilt für juristische Texte, technische Dokumentation oder Kundenservice in einer bestimmten Branche.

Größe optimiert für den Durchschnitt, Spezialisierung optimiert für die Aufgabe – und in der Praxis gewinnt meistens letztere.

Fazit

Der automatische Vorteil durch Größe bröckelt, wie DeepSeek, spezialisierte Modelle und Open-Source-Alternativen auf unterschiedlichen Wegen zeigen.

Die spannendste Innovation der nächsten Jahre wird wahrscheinlich nicht aus mehr Parametern entstehen, sondern aus besseren Methoden, besseren Daten und einem klareren Verständnis der eigentlichen Aufgabe. Das nächste Modell, das die Branche überrascht, muss nicht aus San Francisco kommen – es könnte von einem Team stammen, das hundertmal kleiner ist, aber das eigentliche Problem besser verstanden hat.