Unter dem Anti-Mooreschen Gesetz kann niemand auf der faulen Haut liegend Geld verdienen.

In einem Café in Peking hört man alle paar Tische Begriffe wie „pretrain“, „Agent“ und „Halluzinationsrate“.

Diese Menschen kommen aus mehreren Bürogebäuden, die nicht weiter als zwei Kilometer voneinander entfernt liegen, und der Iterationszyklus ihrer Produkte ist inzwischen auf tägliche Basis verkürzt worden.

Ein Investor hat sein Portfolio auf der Plattform Jike nachträglich analysiert und ein für ihn selbst überraschendes Muster entdeckt: Fast alle KI-Unternehmen mit der besten Kapitalrendite befinden sich in einem weniger als zehn Quadratkilometer großen Bereich, der „südlich der Tsinghua-Universität, östlich der Peking-Universität, westlich der Xueyuan-Straße und nördlich des Dazhong-Tempels“ liegt.

Auch die guten Unternehmen, in die er nicht investieren konnte, sind in diesem Bereich gehäuft angesiedelt.

Das ist die Realität.

Im KI-Zeitalter hat sich der Iterationsrhythmus der zentralen Produktionsfaktoren vollständig verändert.

Das Mooresche Gesetz hat der gesamten Technologiebranche einen stabilen Rhythmus vorgegeben: Alle 18 bis 24 Monate verdoppelt sich die Leistung von Chips, und alle konnten nach diesem Takt Produktplanung, Finanzierungsvereinbarungen und Lieferkettenmanagement durchführen.

Doch im Zeitalter der großen Modelle schreitet der Erneuerungszyklus von Algorithmen, Datentechnik und Prompt-Strategien wöchentlich oder sogar täglich voran.

Wenn die Iterationsgeschwindigkeit der Erkenntnisse auf Softwareebene die physischen Beschränkungen auf Hardwareebene weit hinter sich lässt, wandelt sich die zugrundeliegende Logik der Branche von „wer macht das Produkt besser“ zu „wer hat einen ausreichend schnellen Lernrhythmus“.

Dieses Phänomen kann als „Anti-Mooresches Gesetz“ bezeichnet werden.

Es beschreibt nicht den Kostensenkungseffekt bei Leistungssteigerungen, sondern die beschleunigte Abschreibung von Erkenntnisvermögen.

Eine Feinabstimmungsstrategie, die ein Team letzte Woche noch verwendet hat, kann diese Woche bereits von einem neuen Open-Source-Modell direkt überholt werden; ein sorgfältig ausgearbeitetes Prompt-Template kann durch ein einziges Upgrade der Modellschnittstelle nutzlos werden; eine Arbeit, die gerade aus einem Labor hervorgeht, kann innerhalb einer Woche zerlegt, nachgebildet, zu einem Produkt verpackt und auf den Markt gebracht werden, und einen Monat später schon vergessen sein.

Unter diesem Rhythmus wird Zeit zum grausamsten Wettbewerbsfaktor. Heute versuchen wir, die Auswirkungen dieses Wandels der Zeittakte auf die geographische Verteilung von Gründungen, die Nachhaltigkeit von Geschäftsmodellen sowie das Spielverhältnis zwischen Kapital und Regulierung neu zu entschlüsseln.

Warum beherrscht geographische Dichte das KI-Gründungsgeschehen erneut

Heimarbeit galt einst als unvermeidlicher Trend der digitalen Wirtschaft.

Während der Pandemie machten SaaS-Kollaborationstools das Konzept der „verteilten Teams“ zu einem populären Paradigma, und es schien, als seien geographische Beschränkungen durch Technologie vollständig aufgehoben worden.

Doch die Praxis von KI-Gründungen liefert eine gegenteilige Antwort: Je stärker eine Branche von zukunftsweisenden Erkenntnissen angetrieben wird, desto höher ist der Wert physischer Nähe.

Warum tritt dieses Phänomen auf? Als Marshall Ende des 19. Jahrhunderts über Industriegebiete diskutierte, bemerkte er bereits, dass sich nach dem Zusammenschluss von Unternehmen derselben Branche eine Art „Industriegeheimnis“ in der Luft zu verbreiten scheint – auch ohne formelle Verträge fließt Wissen in der Region so selbstverständlich wie das Atmen.

Spätere Forscher erklärten dieses Phänomen mit Wissensspillover und informellen Informationsnetzwerken, doch ihre Modelle gehen normalerweise davon aus, dass die Reibungsverluste bei der Informationsübertragung konstant sind.

Das Besondere am KI-Zeitalter ist, dass der Wertverfallszeitraum von Informationen selbst drastisch verkürzt wird, und jede Verzögerung sowie Verzerrung im Übertragungsprozess wird exponentiell zu einem Wettbewerbsnachteil verstärkt.

Ein Diskussionsbeitrag in einer Open-Source-Community kann bereits drei Stunden nach seiner Veröffentlichung zu neuen technischen Konsenspunkten führen.

Ein Forscher eines Unternehmens hört beim Mittagessen zufällig, dass der Nachbartisch über eine Lösung für Training-Instabilitäten diskutiert – er kann dies am Nachmittag an seinem Arbeitsplatz überprüfen und am Abend bereits in das Experiment integrieren.

Diese Effizienz, bei der man „sich nur umdrehen muss, um den Erkenntnisstand abzugleichen“, ist bei Online-Kollaboration fast unmöglich zu erreichen: Für die Online-Kommunikation muss man Zeit vereinbaren, Formulierungen ausarbeiten und auf Antworten warten – jeder Schritt verkürzt die Gültigkeitsdauer des Erkenntnisvermögens. Online werden Informationen übermittelt, während man bei persönlichem Austausch noch nicht kodifizierte „halbfertige Erkenntnisse“ austauscht: Intuitionen, Ahnungen und vorläufige Urteile. Diese noch nicht ausgereiften Ideen sind die eigentlichen Kernrohstoffe, die die Iteration von Modellen vorantreiben.

Und in diesem Bereich gibt es nicht nur reichlich Personalangebot. Die Spitzenuniversitäten und Forschungseinrichtungen in Peking sind tatsächlich dicht hier angesiedelt, aber was tatsächlich den „Beschleunigungseffekt“ ausmacht, ist ein positiver Rückkopplungskreislauf, der aus Kapital, Personal und technischem Konsens entsteht.

In einem Radius von drei Kilometern befinden sich mehr als 30 VC-Einrichtungen, über zehn staatliche Leitfonds und die Vertretungsbüros mehrerer ausländischer Fonds. Wenn ein Gründer ein neues technisches Urteil entwickelt, kann er am selben Tag zu Fuß drei Investoren besuchen und noch am selben Abend informelles Kapital-Feedback erhalten – und diese Investoren werden dieses Signal sehr wahrscheinlich am nächsten Tag an andere Portfoliounternehmen weitergeben.

Die Zirkulationsgeschwindigkeit zwischen Informationen, Kapital und Personal ist von anderen Regionen kaum zu kopieren.

Das ist eine hochfrequente Resonanz des „Erkenntnis-Ressourcen“-Austauschs.

Eine weitere tiefgreifende Folge dieser geographischen Konzentration ist, dass der Filtermechanismus für Startups bereits auf die Standortentscheidung vorverlegt wird.

In diesem Bereich befinden sich Unternehmen fast in einer passiven „beschleunigten Überlebenssituation“: Die umliegenden Teams iterieren auf täglicher Basis, sodass man nicht langsamer werden kann; der Konkurrent nebenan hat bereits die neuesten Open-Source-Gewichte erhalten und mit der Feinabstimmung begonnen, während man noch auf die Cloud-Synchronisation wartet; sogar der Praktizierende im Erdgeschoss hat von einem bahnbrechenden Konzept eines Labors gehört, während man keinen Kanal hat, davon zu erfahren.

In dieser Umgebung werden Teams mit geringer Anpassungsfähigkeit schnell aufgebraucht, und die verbleibenden Organisationen sind automatisch in ihrer Wahrnehmungsempfindlichkeit gefiltert. Die niedrige Überlebensrate in der Region selbst erhöht umgekehrt die Gesamterfolgschance der Region: Die überlebenden Unternehmen haben von vornherein einen höheren „Grundumsatz an Erkenntnismetabolismus“ als externe Unternehmen.

Der Reiz der Arbitrage und echte Zeitbarrieren

Während die meisten KI-Unternehmen verzweifelt nach „Geschwindigkeit“ streben, taucht ein ziemlich absurdes Phänomen auf: Im KI-Gründungsboom ist die stabilste, direkt quantifizierbare Gewinnquelle überraschenderweise der Weiterverkauf von Konten und der Wiederverkauf von Ressourcen.

Ein Mitgliedskonto von Jimeng wird auf der Plattform Xianyu auf fast 20.000 Yuan hochgetrieben, siebenmal so viel wie der Preis zu Jahresbeginn.

Rechenleistungspunkte, Konten von GPT-Spiegelstationen, massenhaft generierte Inhaltsmaterialien – alle preiswerbaren KI-Ressourcen werden schnell gehandelt. Eine vollständige graue Industriekette hat sich gebildet, von „KI-Kontoerstellungsstudios“ bis hin zu „Dienstleistungen zur Entfernung von KI-Erkennungsspuren“, mit klarer Arbeitsteilung und schneller Reaktion.

Aus rein geschäftlicher Sicht ist dies eine äußerst scharfe Markterkenntnis.

Die steigenden Kosten für Training und Inferenz großer Modelle und die graduelle Gestaltung der Nutzungshürden schaffen Arbitragemöglichkeiten, die diese kleinen Akteure mit enormer Geschwindigkeit ausfüllen.

Doch dies deckt genau die weit verbreitete „Rechenleistungsabhängigkeit“ auf, die derzeit in KI-Gründungen vorherrscht.

Daten zeigen, dass 89 % der inländischen KI-Startups ihre Kerngeschäfte direkt an die Versorgung mit GPU-Rechenleistung binden, und die meisten Geschäftsmodelle beschränken sich auf den Aufruf von öffentlichen Modell-APIs mit allgemeinen Frameworks zur oberflächlichen Szenenverpackung.

Sobald sich die Modellfähigkeit aktualisiert, werden diese kleinen Geschäfte, die auf Eigenschaften älterer Versionen beruhen, geräuschlos überrollt.

Hier geht es um eine sorgfältig zu unterscheidende Unterscheidung.

Medien pflegen, den Begriff „Geschwindigkeit“ pauschal zu behandeln, aber die Geschwindigkeit innerhalb der Branche hat zwei völlig unterschiedliche Eigenschaften.

Die eine ist die Geschwindigkeit von Arbitrageuren: Sie nutzen das Zeitfenster von Informationsasymmetrien, um mit Geschwindigkeit Preisunterschiede zu erzielen. Der Lebenszyklus dieser Geschwindigkeit wird von der Verbreitungsgeschwindigkeit von Informationen bestimmt – sobald mehr Menschen dieselbe Chance erkennen, sinken die Gewinne auf Null. Der derzeitige Boom des Kontenweiterverkaufs ist genau der Höhepunkt dieser Eigenschaft und gleichzeitig ein Vorzeichen ihres Niedergangs.

Die andere Art von Geschwindigkeit ist die Geschwindigkeit lernfähiger Organisationen: Ihr Kern liegt nicht in einem einmaligen Vorsprung, sondern darin, fortwährend neue Erkenntnisse aufzunehmen und in Produktiteration umzuwandeln. Diese Geschwindigkeit erfordert umfangreiche Akkumulationen: Sie verlangt, dass innerhalb der Organisation bereits Kanäle zur Verarbeitung neuen Wissens aufgebaut sind – sonst kann man selbst mit zukunftsweisendsten Informationen keine wertvollen Ergebnisse erzielen.

Viele KI-Inhaltsersteller stehen einem typischen Teufelskreis gegenüber: Sie investieren 45 % ihres Budgets in KI-Tools, aber der Personalaufwand macht nur 9 % aus.

Die Tools werden immer leistungsfähiger, die Ergebnisse werden immer massenhafter, aber die Reichweite der Inhalte liegt unter 0,3 %, und die meisten Menschen verdienen weniger als 3000 Yuan pro Monat. Wenn ein Ersteller feststellt, dass er mit der harten Arbeit von Auftragsproduktionen weniger verdient als beim Verkauf seines Kontos, wird der Wert seiner Arbeit im aktuellen Modell bis an die Grenze der Tool-Substitution komprimiert.

Tools senken die Zugangshürden für die Produktion, zerstören aber gleichzeitig das Preissystem auf der Anbieterseite.

„KI-Inhalte“ ohne Barrieren werden zu Standardprodukten, deren Marktpreis sich schließlich den Grenzkosten nähert – im Zeitalter der KI-Generierung tendieren diese Kosten gegen Null.

Was dieser Art von Überkonkurrenz wirklich entgegenwirken kann, wird normalerweise als „Gefühl der Anwesenheit eines echten Menschen“ zusammengefasst.

Aber ich würde es lieber als „nicht komprimierbaren Erfahrungsbestand“ definieren.

Eine Fachkraft, die seit zehn Jahren im Bereich Mutter- und Kind tätig ist, hat eine intuitive Beurteilung der Merkmale von Schreien bei infantilen Koliken – sie weiß, welche Art von Angst eine echte Nachfrage ist und nicht nur ein Traffic-Gag.

Wenn KI-Tools die grundlegende Inhaltsproduktion auf Null-Hürden-Niveau bringen, wird diese in der persönlichen Erfahrung eingebettete Urteilskraft zu dem seltensten Vermögen.

Genauso: Wenn ein KI-Unternehmen für industrielle Prüfungen eine holografische Fehlerdatenbank einer bestimmten Produktionslinie über drei Jahre besitzt, kann kein allgemeines großes Modell diese Datenlücke kurzfristig schließen.

Diese Barrieren werden nicht an einem Tag aufgebaut, sie erfordern Zeit zum Reifen – und Zeit ist genau das, was Arbitrage-Player am wenigsten investieren wollen.

Echte Barrieren bestehen immer darin, in einem vertikalen Bereich eine Erfahrungstiefe aufzubauen, die andere nicht durch den Kauf von Rechenleistung sofort ausgleichen können.

Kapital und Regulierung: Zwei langsame Beschränkungen für schnelle Unternehmen

Angesichts der blendend schnellen Iterationsgeschwindigkeit von KI-Unternehmen reagiert der Kapitalmarkt damit, das Geld schneller zu investieren, um die Zeitfenster zu sperren.

Im Jahr 2025 machte der Anteil der KI an der Frühphasenfinanzierung 67 % aus, und bei der Serie-A-Finanzierung ist eine weitverbreitete „++-Entwicklung“ zu beobachten: Die Einrichtungen warten nicht auf die nächste Runde, sondern erhöhen direkt innerhalb der Serie A schrittweise ihre Investitionen, aus Angst, etwas zu verpassen.

Ein Investor sagte sogar offen: Wenn ich heute Projekte prüfe und auf eine Gründung außerhalb des KI-Bereichs stoße, frage ich instinktiv: „Warum kann man diese Sache nicht mit KI noch einmal machen?“

Die FOMO-Stimmung des Kapitals hat ihren Höhepunkt erreicht, und diese Stimmung bildet umgekehrt in den dicht besiedelten Regionen eine „Bewertungssogwirkung“, bei der die Ressourcen und Aufmerksamkeit der Spitzenunternehmen weiter konzentriert werden.

Doch zwischen der Beschleunigungslogik des Kapitals und dem tatsächlichen Wachstumsrhythmus, den KI-Unternehmen benötigen, besteht eine kaum wahrnehmbare Fehlausrichtung.

Der Zeitplan für die Renditeforderung des Kapitals wird normalerweise unter der Beschränkung der Fondslaufzeit rückwärts berechnet.

Doch die Akkumulation von Erkenntnissen hat ihren eigenen Rhythmus: Sie erfordert Fehlversuche, redundante Erkundungen und explorative Forschung, die scheinbar keinen direkten kommerziellen Ertrag bringt. Wenn ein KI-Startup riesige Finanzmittel aufgenommen hat und seine Bewertung auf ein Niveau getrieben wird, auf dem es schnell die Kommerzialisierung beweisen muss, geraten Gründer leicht in die Versuchung, „Forschungsfähigkeit“ in „Projektlieferung“ zu verwandeln. Das Unternehmen beginnt, eine große Anzahl kundenspezifischer Anforderungen anzunehmen, wird in eine Vielzahl nicht standardisierter Szenen zur Anpassung gezogen, die kognitive Bandbreite des Teams wird fragmentiert, und allmählich verliert es die Sensibilität für zukunftsweisende Themen.

Diese Organisation scheint möglicherweise wachsende Einnahmen zu verzeichnen, aber ihre Abschreibungsgeschwindigkeit von Erkenntnissen beschleunigt sich im Verborgenen.

Wenn die nächste architektonische Veränderung eintritt, stellt es fest, dass es keinen zusätzlichen geistigen Spielraum mehr hat, um das neue Paradigma zu verarbeiten.

Wenn die Geschwindigkeit des Kapitals eine aktive Entscheidung ist, dann ist die Langsamkeit der Regulierung eher strukturell.

Die Gesetzgebung und Regelgestaltung jedes Landes hat einen Takt, der auf Jahre als Basiseinheit beruht – dies steht in starkem Kontrast zur wöchentlichen Iteration der KI-Branche.

Im Jahr 2026 überschritt die kumulierte Anzahl von KI-generierten Video- und Audiodateien 2 Milliarden, die beliebtesten KI-Inhaltskanäle auf YouTube erzielen ein Jahreseinkommen von bis zu 2,65 Millionen US-Dollar, gleichzeitig sind niedrigwertige KI-Müllinhalte in den Empfehlungsströmen allgegenwärtig. Plattformen beginnen, die Monetarisierungsberechtigungen von KI-Erstellern massiv auszusetzen – aber diese kampagnenart