Wenn Tech-Konzerne über ihre neuesten KI-Modelle sprechen, klingt es oft nach Zauberei: einzigartige Trainingsmethoden, proprietäre Datenpipelines, brillante Ingenieure. Eine neue Studie des Massachusetts Institute of Technology (MIT) widerspricht diesem Narrativ grundlegend — und liefert Zahlen, die jeder Geschäftsführer kennen sollte, der KI-Investitionen verantwortet.
809 Modelle, eine klare Antwort
Das Forscherteam um Matthias Mertens hat in der Studie „Is there 'Secret Sauce' in Large Language Model Development?“ die Leistungsdaten von 809 großen Sprachmodellen (Large Language Models, kurz LLMs) ausgewertet, die zwischen Oktober 2022 und März 2025 veröffentlicht wurden. Sprachmodelle sind die KI-Systeme, die Texte verstehen und erzeugen können — sie stecken hinter praktisch allen aktuellen KI-Anwendungen für Unternehmen.
Die zentrale Frage: Woher kommen die rapiden Leistungssprünge der letzten Jahre? Haben die führenden Anbieter ein technologisches Geheimrezept — oder steckt etwas anderes dahinter?
Die Antwort ist ernüchternd klar. Die Forscher zerlegten den Fortschritt in vier Komponenten: die eingesetzte Rechenleistung beim Training, gemeinsame Fortschritte in der gesamten Branche, firmenspezifische Techniken und individuelle Designentscheidungen je Modell. Das Ergebnis: Bei den leistungsstärksten Modellen — den sogenannten Frontier-Modellen — erklären 80 bis 90 Prozent der Leistungsunterschiede sich allein durch die eingesetzte Rechenleistung.
Firmenspezifische Vorteile existieren zwar — sie erklären laut Studie 14 bis 18 Prozent der Leistungsunterschiede zwischen den Modellen. Aber an der absoluten Spitze dominiert ein einziger Faktor: Wer mehr Rechenkapazität einsetzt, baut das bessere Modell.
Die Zahlen hinter dem Wettrüsten
Um die Dimension zu verstehen: Die Rechenleistung, die für das Training der leistungsfähigsten Modelle aufgewendet wird, hat sich im untersuchten Zeitraum um den Faktor 5.000 vergrößert. Kein Tippfehler — fünftausend Mal mehr Rechenkraft als noch vor zweieinhalb Jahren.
Die Industrie reagiert entsprechend. Laut einer Analyse von Observer, basierend auf Daten des Hedgefonds Bridgewater, werden Alphabet, Amazon, Meta und Microsoft 2026 zusammen rund 650 Milliarden US-Dollar in KI-bezogene Infrastruktur investieren — ein Anstieg von 410 Milliarden im Vorjahr. Data Center Knowledge beziffert die Gesamtausgaben der größten Betreiber — darunter auch Oracle und Alibaba — auf über 600 Milliarden Dollar.
Das sind keine Forschungsbudgets. Das sind Investitionen in Rechenzentren (Data Centers), spezialisierte Chips und die Energieversorgung, die nötig ist, um KI-Modelle zu trainieren und zu betreiben. Allein die Synergy Research Group zählt mittlerweile 1.297 aktive Großrechenzentren weltweit — fast dreimal so viele wie Anfang 2018. Weitere 770 sind in Planung oder im Bau.
Was die Studie nicht sagt — und warum das wichtig ist
Bevor ein falscher Eindruck entsteht: Die MIT-Forscher sagen nicht, dass Ingenieurskunst irrelevant ist. Im Gegenteil — abseits der absoluten Spitze spielen technische Optimierungen eine massive Rolle.
Der gemeinsame algorithmische Fortschritt der gesamten Branche hat die Effizienz — also die Fähigkeit, mit weniger Rechenleistung das gleiche Ergebnis zu erzielen — um den Faktor 7,5 verbessert. Zwischen einzelnen Anbietern gibt es sogar Unterschiede von bis zu 61-facher Effizienz: Ein Unternehmen erreicht mit einem Bruchteil der Rechenleistung eines Konkurrenten vergleichbare Ergebnisse.
Besonders bemerkenswert: Selbst innerhalb eines einzelnen Unternehmens können zwei verschiedene Modelle sich um den Faktor 40 in ihrer Effizienz unterscheiden. Das zeigt, dass kluge Architekturentscheidungen durchaus den Unterschied machen — vor allem dann, wenn es nicht um das absolut leistungsfähigste Modell geht, sondern um ein kosteneffizientes.
Was das für Unternehmen bedeutet
Für Geschäftsführer und IT-Entscheider ergeben sich aus der MIT-Studie drei zentrale Erkenntnisse:
- Der KI-Markt wird von Infrastruktur-Zugang bestimmt. Wer die meisten Rechenzentren, Chips und Energiekapazitäten kontrolliert, wird die leistungsstärksten Modelle bauen. Das verschiebt den Wettbewerb weg von Software-Innovation hin zu Kapitalstärke und Zugang zu physischer Infrastruktur.
- Effizienz ist der Hebel für den Mittelstand. Unternehmen, die KI-Modelle einsetzen (statt selbst zu trainieren), profitieren vom Effizienz-Fortschritt der gesamten Branche. Modelle werden leistungsfähiger bei sinkenden Kosten — der klassische Vorteil des Anwenders gegenüber dem Hersteller.
- Proprietäre Technologie allein ist kein Burggraben. Wenn 80 bis 90 Prozent der Spitzenleistung aus Rechenpower kommen, kann jeder Anbieter mit genügend Kapital aufholen. Für Unternehmen, die KI-Anbieter auswählen, bedeutet das: Die Leistungsunterschiede zwischen den Top-Modellen werden sich weiter angleichen. Entscheidend werden stattdessen Faktoren wie Datenschutz, Verfügbarkeit, Preise und Integration.
Geopolitik der Rechenleistung
Die Studie hat auch eine geopolitische Dimension, die die Forscher selbst ansprechen. Wenn Rechenleistung der entscheidende Faktor ist, dann wird der Zugang zu fortschrittlichen Chips und leistungsfähigen Rechenzentren zur strategischen Frage. Die aktuellen US-Exportkontrollen für KI-Chips nach China, der europäische Push für „souveräne KI“ mit eigener Infrastruktur, und die massive Investitionswelle der Hyperscaler — all das folgt der gleichen Logik: Wer die Infrastruktur kontrolliert, kontrolliert die KI-Entwicklung.
Für europäische Unternehmen ist das ein zweischneidiges Schwert. Einerseits bietet die wachsende souveräne Infrastruktur — etwa die AWS European Sovereign Cloud in Deutschland — mehr Kontrolle über sensible Daten. Andererseits bleibt Europa bei der absoluten Rechenkapazität weit hinter den USA und zunehmend auch hinter China zurück.
Fazit: Es geht ums Fundament
Die MIT-Studie bestätigt, was viele in der Branche vermutet haben: Der KI-Fortschritt ist weniger ein Wettlauf der Ideen als ein Wettlauf der Ressourcen. Das klingt unromantisch — und ist es auch. Aber für Unternehmen, die KI-Strategien entwickeln, ist diese Erkenntnis wertvoll: Die Modelle werden besser, schneller und günstiger, weil die Infrastruktur dahinter massiv wächst. Und wer heute die richtige KI-Architektur für sein Unternehmen wählt, profitiert von diesem Trend, ohne selbst Milliarden investieren zu müssen.
Quellen
- Mertens et al. — „Is there 'Secret Sauce' in Large Language Model Development?“ — MIT-Forschungspaper, Primärquelle (arXiv, Februar 2026)
- Robotics and Automation News — Berichterstattung über die MIT-Studie (10. März 2026)
- Observer — „Big Tech's $650 Billion Bet on A.I. Infrastructure“ (März 2026)
- Data Center Knowledge — „Hyperscalers in 2026“ mit Synergy Research Group-Daten (März 2026)