Diese drei Kräfte treiben den KI-Hype an

Kurzfassung

Der KI-Hype wird durch drei Akteure befeuert: Forscher, die neue Technologien vorantreiben, Investoren, die Milliarden einsetzen, und Startups, die auf den Trend aufspringen. Während die Branche in Sprachmodelle wie Chat-GPT skaliert, warnen Pioniere vor technologischen Grenzen und ineffizienten Ansätzen. Die Finanzströme werden durch FOMO (Fear of Missing Out) und unbewiesene Bewertungen getrieben, obwohl viele Unternehmen noch keine Produkte haben.

Personen

• Llion Jones – KI-Forscher, Mitentwickler der Transformer-Technologie
• Margit Wennmachers – Risikokapitalgeberin, Andreessen Horowitz
• Andreas Göldi – Venture-Partner, B2 Venture

Themen

• Generative KI und Sprachmodelle
• Venture-Capital-Finanzierung
• Technologische Grenzen von KI-Modellen
• Risikokapital-Dynamiken und Marktblasen

Clarus Lead

Drei Gruppen von Akteuren treiben den gegenwärtigen KI-Boom voran: Forscher, die neue Technologien entwickeln, Risikokapitalisten, die Milliarden investieren, und Startups, die eine KI-Story brauchen, um finanziert zu werden. Der Artikel zeigt eine grundsätzliche Diskrepanz auf: Während Investoren aus Angst vor verpassten Chancen massive Mittel in ressourcenintensive Sprachmodelle pumpen, warnen führende Entwickler wie Llion Jones vor technologischen Sackgassen und dem Mangel echter künstlicher Intelligenz. Diese Asymmetrie zwischen Kapitalfluss und tatsächlichem technologischem Fortschritt deutet auf klassische Blasenbildung hin.

Clarus Eigenleistung

• Clarus-Recherche: Der Artikel dokumentiert konkrete Finanzströme: Weltweit flossen im Q3 2025 45 Milliarden Dollar in KI-Investitionen – fast doppelt so viel wie im Vorjahr (Crunchbase-Daten). Über 2.000 neue KI-Unternehmen wurden 2024 finanziert (+8,4 %). Ein frühes Warnsignal ist das Phänomen von Startups wie Thinking Machines Lab, die Milliarden-Bewertungen erreichen, bevor ein Produkt existiert.

• Einordnung: Der KI-Hype folgt bekannten Mustern früherer Tech-Zyklen (Dotcom, iPhone, Social Media), ist nach Einschätzung von Branchenveteranen aber grösser. Das zentrale Risiko liegt in der Diskrepanz zwischen Erwartungen und technologischen Realitäten: Sprachmodelle verstehen die Welt nicht wie Menschen, sondern erkennen statistisch-probabilistische Muster. Die Hoffnung auf „den nächsten Durchbruch" könnte sich als unbegründet erweisen.

• Konsequenz: Für Entscheider bedeutet dies: (1) Vorsicht vor inflationierten Bewertungen, (2) Unterscheidung zwischen echtem technologischem Fortschritt und Marketing-Narrativen, (3) Aufmerksamkeit auf alternative KI-Ansätze (Schwarmintelligenz, energieeffiziente Hardware) als mögliche Zukunftstechnologien.

Detaillierte Zusammenfassung

Die Entwickler: Warnung vor Sättigung und falschen Prioritäten

Llion Jones, walisischer KI-Forscher und Mitautor des bahnbrechenden Papiers „Attention is all you need" (2017), verkörpert eine wachsende Skepsis unter Technikpionieren. Jones entwickelte die Transformer-Architektur mit, auf der Chat-GPT basiert. Das Papier beschreibt, wie Sprachmodelle Zusammenhänge zwischen Wörtern verstehen und das wahrscheinlichste nächste Wort vorhersagen können – eine Fähigkeit, die mit mehr Trainingsdaten zunimmt.

Doch heute warnt Jones vor einer Sättigung der KI-Forschung. Seiner Überzeugung nach verschwende die Branche wertvolle Zeit durch zu starke Fokussierung auf Sprachmodelle. Er hat ein eigenes Unternehmen namens Sakana AI gegründet, das maschinelle Intelligenz der menschlichen ähnlicher machen möchte. Jones betont ein fundamentales Problem: Sprachmodelle treffen überraschend unmenschliche Fehler und verstehen die Welt nicht wie Menschen. Ein Beispiel: Ein Modell kann schwer darstellen, dass ein Fahrrad einen Pelikan fährt – weil es gelernt hat, dass normalerweise der Pelikan fährt. Kinder hingegen lösen solche kombinatorischen Probleme durch Phantasie, mit einem Bruchteil der Daten und Energie.

Jones kritisiert, dass Investoren und die Tech-Industrie auf die „sichere Wette" setzen: mehr skalieren, grössere Modelle, mehr Rechenzentren. Dies führe dazu, dass innovativere, effizientere Ansätze übersehen werden. Die Gründe für diese Fokussierung sind wirtschaftlich: Wer auf Sprachmodelle forscht, bekommt mehr Forschungsgelder, bessere Publikationschancen, und die Technologie funktioniert und bringt Geld ein.

Investoren: FOMO und die rationale Irrationalität

Margit Wennmachers, langjährige Partnerin der Risikokapitalfirma Andreessen Horowitz, hat mehrere Tech-Booms erlebt: Dotcom-Blase, iPhone-Moment, Social Media. Sie sind jetzt alle Geschichte. Die KI-Welle, sagt sie, sei „wahrscheinlich grösser als alle anderen Technologiewellen zusammen".

Für Risikokapitalgeber ist die Logik nachvollziehbar: Ja, es wird viele Verlierer geben, doch die wenigen Gewinner werden Milliarden einbringen. Eine oder zwei Superstars können die Verluste aller anderen Investitionen wieder ausgleichen. Daher: „Es wäre fahrlässig, nun nicht in KI zu investieren."

Wennmachers benennt jedoch auch eine psychologische Komponente: Jeder Wagniskapitalgeber lebt in ständiger Angst, einen Deal verpasst zu haben. Das führt zu FOMO-getriebenen Entscheidungen. Hinzu kommen neue Investorentypen – „Touristen", wie Wennmachers sie nennt – die sich nicht mit Tech auskennen, sondern nur auf den Hype aufspringen. Sie kommen aus Bankwesen oder anderen Branchen und sehen KI als die nächste sichere Wette.

Die Zahlen belegen das Ausmass: Im Q3 2025 stieg weltweit investiertes Venture Capital um 38 Prozent auf 97 Milliarden Dollar, davon 45 Milliarden in KI – fast doppelt so viel wie im Vorjahr. Parallel entstehen über 2.000 neu finanzierte KI-Unternehmen pro Jahr.

Andreas Göldi, Partner beim Schweizer Fonds B2 Venture, beobachtet ein neues Phänomen: Eine halbwegs interessante Idee auf einer PowerPoint-Präsentation reicht, um ein paar Millionen Franken zu sammeln. Das Problem folgt schnell: Viele Startups schaffen es nicht, die impliziten Erwartungen erfüllen. Da sich KI so schnell entwickelt, sei es auch für Investoren schwerer geworden, klare Thesen aufzustellen. Grosskonzerne und etablierte KI-Anbieter dominieren schnell Nischenbereiche wie rechtliche KI-Anwendungen oder Programmier-Software. Göldi sucht daher nach echten Nischen – etwa sein Investment in das Zürcher Startup Nautica Technologies, das Roboter zur Reinigung von Schiffsrümpfen einsetzt.

Startups: KI als Finanzierungsmuss

Für Gründer ist die Botschaft klar: „Startups, die keine glaubwürdige KI-Story haben, haben es schwer, an Finanzierung zu kommen."

Das Startup Frontline von Ba-Linh Le zeigt, wie dies in der Praxis funktioniert. Le und ihre Mitgründer entwickelten ein Gefährdungs-Analyse-Tool für Behörden zur Prävention häuslicher Gewalt. Es schätzt physische, emotionale und finanzielle Gewaltrisiken anhand detaillierter Abfragen ein. Ursprünglich war KI nicht geplant – sie testeten verschiedene Algorithmen und statistische Methoden. Dann erkannten sie, dass maschinelles Lernen ihre Anwendung verbessert: Das KI-Tool erkennt besonders risikogefährdete Personen 30 Prozent genauer als herkömmliche Tools.

Der KI-Bezug verschafft Frontline Sichtbarkeit. Le sagt: „Im Gewaltschutz-Sektor sind wir bekannt als die Organisation mit dem ‹KI-Tool›." Sie warnt aber gleichzeitig davor, den Mehrwert von KI auf ein Schlagwort zu reduzieren. Im Gewaltschutz sei verantwortungsvoller Einsatz entscheidend. Der aktuelle Hype sei ein Vorteil für Startups, aber mit Vorsicht zu geniessen.

Kernaussagen

• Kapitalfluss übersteigt technologischen Fortschritt: 45 Mrd. Dollar flossen 2025 in KI, doch viele Startups haben keine Produkte oder klare Geschäftsmodelle.

• Fundamentale technologische Grenzen: Sprachmodelle verstehen die Welt nicht wie Menschen; sie erkennen statistische Muster. Dies einzugestehen ist zentral für realistische Bewertungen.

• FOMO treibt irrationale Entscheidungen: Investoren fürchten, Deals zu verpassen, und treffen risikofreudige Entscheidungen ohne solide Grundlagen.

• Alternative Technologien werden ignoriert: Forscher warnen, dass Schwarmintelligenz, effizientere KI-Chips und andere Ansätze übersehen werden, weil Skalierung von Sprachmodellen kurzfristig rentabler ist.

• Historisches Muster: Der KI-Hype folgt bekannten Blasen-Zyklen (Dotcom, iPhone, Social Media), könnte aber dieses Mal grösser sein.

Stakeholder & Betroffene

Chancen & Risiken

Handlungsrelevanz

Für Investoren

• Schritt 1: Unterscheide zwischen echtem Produktfortschritt und Marketing-Narrativ. Prüfe: Hat das Startup ein funktionierendes Produkt oder nur eine Idee?
• Schritt 2: Monitore alternative Technologien aktiv (Schwarmintelligenz, effiziente Hardware). Nicht alle Gewinner müssen Sprachmodelle sein.
• Schritt 3: Warnsignal: Bewertungen, die über dem 50x-Umsatz liegen für Pre-Revenue-Unternehmen. Setze Meilensteine.
• Indikator: KI-Startups, die nach 18 Monaten noch keine Kunden-Metrik haben, sind hohes Risiko.

Für Gründer

• Schritt 1: KI-Story ist Türöffner – aber nicht Geschäfts