Ist Full-Stack-AI eigentlich eine Falle?

Der vollständige KI-Stack ist inzwischen nahezu zum Standard für große Technologieunternehmen geworden.

Fast alle Technologiegiganten arbeiten in die gleiche Richtung: Sie übernehmen immer mehr Glieder der KI-Wertschöpfungskette in ihre eigene Hand. So beschäftigen sich Modellentwickler mit Chips, Rechenzentren und Stromversorgung; Cloud-Anbieter beginnen, eigene Modelle zu trainieren; Smartphone-Hersteller ergänzen ihre KI-Fähigkeiten; und soziale Plattformen setzen auf Agenten und die nächste Generation von Endgeräten.

OpenAI ist heute wahrscheinlich eines der Unternehmen mit den offensichtlichsten Ambitionen für einen „vollständigen KI-Stack“. Nach unten hin ist es tief in die Entwicklung von Chips, Rechenzentren, Stromversorgung und Recheninfrastruktur eingebunden; nach oben hin verfügt es über APIs, ChatGPT und Codex und sucht zudem nach neuen Hardware-Zugangspunkten.

In dem Podcast von David Senra am 23. August begann Altman jedoch, einen anderen Punkt zu betonen: OpenAI kann nicht alles selbst machen.

Er ist der Meinung, dass OpenAI ein Plattformunternehmen werden sollte, anstatt jede KI-Anwendung selbst zu entwickeln. Da die Ressourcen begrenzt sind, muss das Unternehmen aktiv auf einige „gute Produkte“ verzichten, um Rechenleistung, Talente und Aufmerksamkeit für die wirklich wichtigen Dinge zu reservieren.

Auf der anderen Seite hat Google, das dem „vollständigen KI-Stack“ derzeit am nächsten ist, gerade eine umfassende Umstrukturierung seiner KI-Abteilung vorgenommen.

Demis Hassabis gibt die Verwaltungsgewalt über DeepMind ab und wird „befördert“ zum Vorstandsvorsitzenden; vier erfahrene Kernkräfte, darunter Jeff Dean, verlassen das Unternehmen, um ein neues Startup zu gründen.

Von Chips, Cloud-Diensten, Modellen und Suchfunktionen über Bürosoftware bis hin zu Betriebssystemen und Endgeräten verfügt Google über fast alles. Gerade weil das Portfolio so breit gefächert ist und es so viele Projekte unter einem Dach gibt, ist die interne Koordination besonders schwierig. Das Flaggschiff-Modell lässt lange auf sich warten, und es wird sogar von außen vermutet, dass Google sich aus dem Wettbewerb um die SOTA-Modelle zurückzieht.

Technologieunternehmen mit Ambitionen für einen vollständigen KI-Stack rufen laut „All in AI“ – aber die Frage ist: Wenn Chips, Rechenleistung, Modelle, Agenten, Anwendungen und Endgeräte gleichzeitig zu Schlachtfeldern werden, auf denen man nicht verlieren darf, wie viel Kapital, Rechenleistung, Talente und Managementaufmerksamkeit kann ein Unternehmen gleichzeitig einsetzen?

Wenn alle KI-Chancen als Position betrachtet werden, die man „nicht an andere abgeben darf“, ist der vollständige KI-Stack dann ein erreichbares Ziel oder eine selbst auferlegte Falle?

1

Die Plattformgiganten des Internetzeitalters haben ihre Vorteile selten durch „Alles-machen“ aufgebaut.

Der echte Wettbewerbsvorteil von Microsoft liegt im Betriebssystemstandard und dem Entwicklerökosystem, das durch Windows aufgebaut wurde; der Kernvorteil von Google ist der geschlossene Kreislauf aus Suchzugang, Daten und Werbeverteilung; Apple beherrscht das mobile Ökosystem, das gemeinsam aus iPhone, iOS und App Store besteht; Amazon besetzt durch AWS die wichtige Schicht der Cloud-Infrastruktur.

Der ideale Zustand einer Plattform ist es nicht, die gesamte Wertschöpfungskette in die eigene Hand zu nehmen. Sie muss nur einen wichtigen Zugangspunkt kontrollieren, um eine Barriere aufzubauen, die schwer zu kopieren und schwer zu umgehen ist.

Alibaba hat dieses Modell sogar direkt in seine Unternehmensdefinition aufgenommen. Im Jahresbericht 2018 definierte es den Kern seines Ökosystems als drei Dinge: eine technische Plattform, Marktregeln und die Rolle, die verschiedene Teilnehmer miteinander verbindet. Verbraucher, Händler, Marken, Einzelhändler und Drittanbieter von Dienstleistungen entdecken, interagieren und handeln miteinander über diese Plattform, und bilden schließlich einen „selbst verstärkenden Netzeffekt“. Das langfristige Ziel von Alibaba ist es nicht, alle Geschäfte selbst zu erledigen, sondern „die kommerzielle Infrastruktur der Zukunft aufzubauen“, damit Unternehmen „Work @ Alibaba“ umsetzen können, also mit Hilfe der Infrastruktur und Technologie von Alibaba eigene Geschäfte aufbauen und Werte schaffen.

Theoretisch kann auch im KI-Bereich eine ähnliche Arbeitsteilung in der Industrie entstehen.

Nvidia hat bereits ein sehr typisches Beispiel geliefert. Sein Tätigkeitsbereich erweitert sich ständig um GPUs, CUDA, Netzwerke und die gesamte beschleunigte Rechenplattform, aber die Kontrollpunkte, die ihm überdurchschnittliche Renditen bringen, sind nach wie vor hoch konzentriert. Im ersten Quartal des Geschäftsjahres 2027 erzielte Nvidia einen Umsatz von 81,6 Milliarden US-Dollar, ein Anstieg von 85 % gegenüber dem Vorjahr; der Umsatz mit Rechenzentren belief sich auf 75,2 Milliarden US-Dollar, ein Anstieg von 92 % gegenüber dem Vorjahr und machte mehr als 90 % des Gesamtumsatzes aus. Die GAAP-Bruttomarge im einzelnen Quartal erreichte 74,9 %, das Betriebsergebnis 53,5 Milliarden US-Dollar, ein Anstieg von 147 % gegenüber dem Vorjahr.

Solange GPUs und das um sie herum aufgebaute Software- und Netzwerkökosystem eine unumgängliche Schicht für das KI-Rechenwesen bleiben, kann Nvidia einen der höchsten Gewinne in der Branche erzielen.

Anthropic liefert ebenfalls ein Beispiel für eine andere Richtung. Es verfügt über keine eigenen Cloud-Dienste, Chips, Betriebssysteme oder Endgeräte, hat aber durch die Fähigkeiten des Claude-Modells, insbesondere die Vorteile im Codieren und in Arbeitsabläufen von Unternehmen, schnell einen kommerziellen Wert aufgebaut. Zumindest im gegenwärtigen Stadium reicht der Vorteil einer Schicht, die auf Modelfähigkeiten basiert, aus, um ein Unternehmen von großer Größe zu tragen.

Im Idealfall könnte sich im KI-Bereich genau wie im Internetzeitalter eine Arbeitsteilung entlang verschiedener Bereiche bilden: Chips, Cloud-Dienste, Modelle, Agenten, Endgeräte. Unternehmen können sich für einen der Bereiche entscheiden, um ihn kontinuierlich auszubauen und ihre Vorteile zu vertiefen.

Jeder Bereich hat die Chance, einen eigenen Wettbewerbsvorteil aufzubauen, und es können neue Giganten daraus entstehen.

Aber in der Realität hat sich die KI-Entwicklung zu schnell vollzogen.

Von Modellen zu Agenten, von Cloud-Diensten zu Endgeräten – jeder Bereich expandiert rasant und lässt großen Unternehmen kaum Pufferzeit, um langsam zu urteilen und aktiv Entscheidungen zu treffen.

In einem Blaue-Ozean-Markt, in dem die Industriegrenzen noch nicht vollständig ausgebildet sind, scheint jede Schicht die nächste Suchmaschine, das nächste Windows oder das nächste AWS zu werden, und es könnte auch der nächste Nvidia entstehen. Jede aktive Abwesenheit könnte bedeuten, den Kuchen direkt an Konkurrenten abzugeben.

Zusätzlich haben die Internetunternehmen eine sehr starke Erinnerung an vergangene Erfolge.

Egal ob es sich um das „Super Company“ handelt, nach dem Zhang Yiming strebte, um das „grenzenlose Wachstum“, das Wang Xing betonte, oder um das „integrierte Ökosystem“, das Alibaba lange verfolgte – dahinter steckt derselbe Instinkt von Plattformunternehmen: Wenn man einen klaren Marktnachfrage sieht, neigt man dazu zu glauben, dass man ihn mit Kapital, Talenten und Organisationsfähigkeit umsetzen kann.

In einer solchen Umgebung weiß niemand, ob etwas, das heute nur eine Produktfunktion zu sein scheint, in einigen Jahren zu einem neuen Plattform-Zugangspunkt heranwächst; und niemand hat Grund, die Chance aktiv an andere abzugeben, wenn die Nachfrage bereits vorhanden ist und die Fähigkeit zur Umsetzung erworben werden kann.

Diese Internetunternehmen sind einst durch einen einzigartigen Kernvorteil, der für andere schwer zu kopieren war, zu Giganten geworden. Im KI-Zeitalter entwickeln sie jedoch einen anderen Impuls: Da jede Schicht der nächste Wettbewerbsvorteil werden kann, warum sollte man nicht „All in“ gehen?

Daher ist der „vollständige KI-Stack“ zunächst kein technisches Ideal, sondern eher ein kollektiver Expansionsimpuls in einer Phase, in der die Arbeitsteilung der Industrie noch nicht abgeschlossen ist.

Oder, um es radikaler auszudrücken: Große Unternehmen verwechseln es eher mit einer Unternehmensform, die zwangsläufig besser ist und am Ende zwangsläufig siegt, so viele Schichten wie möglich abzudecken.

2

In gewissem Sinne ist der vollständige KI-Stack wie ein Pflaumenbaum am Ende eines Weges – er kann natürlich „Durst löschen“ und ist wahrscheinlich sogar die verlockendste Unternehmensform im KI-Zeitalter.

Aber hinter dem heutigen „vollständigen KI-Stack“ verbergen sich zwei verschiedene Richtungen der Expansion.

Die eine ist die vertikale Integration: Modellentwickler gehen nach unten und bauen Chips, Rechenzentren und Stromversorgung auf; Cloud-Anbieter gehen nach oben und trainieren eigene Modelle; Hersteller von Endgeräten ergänzen ihre Fähigkeiten im Bereich Betriebssysteme und Agenten. Sie überschreiten zwar ihre ursprünglichen Geschäftsgrenzen, aber im Wesentlichen konzentrieren sie sich weiterhin auf ihre Kernkompetenzen und übernehmen die wichtigsten Glieder der vor- und nachgelagerten Bereiche schrittweise in ihre eigene Hand.

Diese Art der Expansion hat ihren eigenen Wert und ist oft ein notwendiger Schritt, um Wettbewerbsvorteile aufzubauen.

Der direkteste Vorteil ist es, weniger von anderen abhängig zu sein.

Wenn Modellentwickler für immer auf GPUs und Cloud-Dienste von Dritten angewiesen sind, müssen sie mit Unsicherheiten bei Preis, Lieferung und Verhandlungsmacht rechnen; wenn Cloud-Anbieter nur für den Verkauf von Rechenleistung verantwortlich sind, fürchten sie zudem, dass die wertvollsten Kundenbeziehungen letztendlich von Modellentwicklern übernommen werden.

Einen Schritt weiter in die vor- und nachgelagerten Bereiche zu gehen, ist für jedes Unternehmen für sich genommen sehr vernünftig. Denn je mehr Schichten man kontrolliert, desto weniger Stellen gibt es, an denen andere einen behindern können.

Nehmen wir OpenAI und Microsoft als Beispiel: Die Zusammenarbeit dieser beiden Unternehmen in der Anfangsphase war fast das ideale Modell für die Arbeitsteilung in der KI-Industrie. OpenAI war dafür verantwortlich, das Modell intelligenter zu machen, Microsoft lieferte ununterbrochen Rechenleistung. Das eine Unternehmen entwickelte die Intelligenz nach oben, das andere baute die Infrastruktur nach unten auf – beide nutzten ihre Stärken und waren aufeinander angewiesen.

Aber als der KI-Kuchen immer größer wurde, begann OpenAI, nach Cloud-Anbietern außerhalb von Microsoft zu suchen, sich selbst in Rechenzentren, Stromversorgung und Infrastruktur einzubringen und sogar im Bereich Chips zu expandieren, um den Chip Jalapeño auf den Markt zu bringen. Microsoft überschritt ebenfalls die Grenzen von der anderen Seite: Es entwickelte nicht nur den eigenen Maia-Chip, sondern begann auch, das eigene MAI-Modell zu trainieren und andere Modellanbieter wie Anthropic in Azure zu integrieren.

Die beiden Unternehmen sind nach wie vor Partner, aber beide reduzieren bewusst die Abhängigkeit voneinander, um zu vermeiden, dass die wichtigsten Fähigkeiten und die Verhandlungsmacht in die Hand des anderen gelangen.

Aus interner Sicht hat die Übernahme von mehr Gliedern in die eigene Hand noch einen attraktiven Vorteil: Die Zusammenarbeit, die früher zwischen verschiedenen Unternehmen stattgefunden hat, kann zu einer Optimierung innerhalb eines einzigen Unternehmens werden.

Wenn Chips, Systemsoftware, Modelle und Anwendungen zu demselben Unternehmen gehören, können sie gemeinsam auf dasselbe Ziel hin angepasst werden. Das Modell muss keine Kompromisse für generische Chips eingehen, und die Chips können wiederum für das Modell maßgeschneidert werden; Probleme, die auf der Anwendungsseite auftauchen, können bis hinunter zu den untersten Schichten des Systems und der Rechenarchitektur rückgemeldet werden.

Microsoft betonte auf seiner Finanzkonferenz in diesem Jahr genau diese Logik: Das Unternehmen optimiert gleichzeitig jede Schicht von Rechenzentrumsdesign, Chips und Systemsoftware bis hin zur Modellarchitektur. Nach eigenen Angaben von Microsoft kann der selbst entwickelte KI-Chip Maia 200 im Vergleich zu seinen neuesten vorhandenen Chips mehr als 30 % mehr Token pro Dollar verarbeiten; die gemeinsame Optimierung von Hard- und Software steigert die Inferenz-Throughput des am häufigsten genutzten Modells für Copilot um 40 %.

Daher reicht die bloße Erweiterung in vor- und nachgelagerte Bereiche nicht aus, um eine Falle zu bilden.

Der wirklich komplizierte Punkt ist, dass die Expansion von KI-Unternehmen hier oft nicht aufhört.

Nach der Entwicklung eines Modells kann man Chatbots, Codierwerkzeuge, Videoanwendungen, Browser, Unternehmenssoftware und Agenten entwickeln und zudem nach neuen Hardware-Zugangspunkten suchen.

Dies ist nicht mehr die vertikale Vertiefung rund um die Kernkompetenz, sondern entwickelt sich zu einer anderen Art der horizontalen Expansion.

Daher breitet sich die Logik „weniger von anderen abhängig zu sein“ ständig nach außen aus.

Wenn man heute keine Chips entwickelt, fürchtet man, bei der Rechenleistung von anderen abhängig zu sein; wenn man keine Agenten entwickelt, fürchtet man, beim Zugangspunkt von anderen abhängig zu sein; wenn man keine Anwendungen entwickelt, fürchtet man, bei den Nutzern von anderen abhängig zu sein; wenn man keine Endgeräte entwickelt, fürchtet man wiederum, dass die endgültige Verbreitungsgewalt in der Hand anderer liegt.

Die vertikale Integration löst das Problem, dass wichtige Fähigkeiten von anderen abhängig sind, aber die horizontale Expansion ist eher wie die Überzeugung, „keine Chance an andere abgeben zu dürfen“.

Wenn diese beiden Arten der Expansion gleichzeitig stattfinden, wird der „vollständige Stack“ von einer Eff