Goldman Sachs Silicon Valley – Zusammenfassung: KI-Agenten, Arbeitsabläufe und Weltmodelle

Autor: Li Jia, Wall Street Journal

Die KI tritt in eine neue Phase ein, von der Fähigkeit, Antworten zu geben, hin zur Fähigkeit, Aktionen auszuführen.

Laut Wind Trading Desk zeigt der neueste Bericht von Goldman Sachs, dass sich die Kommerzialisierung von KI von einem „Abonnement pro Nutzer“ hin zu einer Abrechnung auf Basis von Verbrauch, Transaktionsvolumen und Ergebnissen verlagert; gleichzeitig wandeln sich Agenten von Hilfswerkzeugen zu Workflow-Ausführern, und der Branchenwert verlagert sich vom Modell selbst hin zu proprietären Daten, Geschäftskontext und Domänenexpertise.

Dies bedeutet, dass sich der Wettbewerb in der KI-Branche von der Frage „Wessen Modell ist leistungsstärker?“ hin zu der Frage „Wer beherrscht den Workflow wirklich?“ verlagert. Die Leistungsfähigkeit der Modelle bleibt wichtig, aber die Fähigkeit, in Produktionsumgebungen von Unternehmen einzudringen, den Geschäftskontext zu verstehen und Aufgaben zuverlässig zu erledigen, wird zu einem entscheidenden Wettbewerbsfaktor.

Diese Einschätzung basiert auf einer kürzlich von Goldman Sachs durchgeführten Feldstudie zur KI-Wertschöpfungskette im Silicon Valley. Vom 18. bis 19. August besuchte Goldman Sachs zum dritten Mal in Folge KI-Startups, führende Risikokapitalgesellschaften und Forscher der Stanford University, der University of California, Berkeley, und der University of San Francisco. Goldman Sachs geht davon aus, dass sich mit der zunehmenden Implementierung von KI-Systemen die Wertverteilung zwischen innovativen Modellen, Open-Source-Modellen, globalen Modellen, Unternehmenssoftware und proprietären Daten verändern wird.

Agentenimplementierung: Was Unternehmen wirklich fehlt, ist nicht die Fähigkeit, sondern die "Kontrollierbarkeit".

Wenn KI in der Vergangenheit das Problem der „Unterstützung von Menschen bei der Erledigung von Aufgaben“ gelöst hat, versuchen Agenten nun, das Problem der „selbstständigen Erledigung von Aufgaben“ zu lösen. Bei einem großflächigen Einsatz in Unternehmen dürfte die größte Hürde jedoch nicht mehr die Leistungsfähigkeit des Modells sein, sondern die Frage der Aufgabenverteilung und die Kontrollierbarkeit des gesamten Ausführungsprozesses.

Der Bericht zitiert Forscher der Stanford University, die darauf hinweisen, dass die meisten Unternehmen nach wie vor auf menschlicher Aufsicht basieren. Insbesondere in Bereichen wie Recht, Risikomanagement, Versicherungswesen und Wirtschaftsprüfung ist es im Falle eines Modellfehlers ebenso wichtig wie die Leistungsfähigkeit des Modells selbst, wer die Verantwortung trägt, wie der Fehlerprozess nachvollzogen werden kann und ob er rechtzeitig korrigiert werden kann.

Daher weisen Workflows, die sich am ehesten für eine Automatisierung eignen, typischerweise drei Merkmale auf: klare Entscheidungsgrenzen, nachvollziehbare Ergebnisse und reversible Fehler. Die Rechnungsverarbeitung ist ein typisches Beispiel. KI extrahiert Felder und führt Prüfungen durch, wobei Fälle mit geringer Sicherheit von Menschen überprüft und anschließend durch einen reversiblen ERP-Prozess abgeschlossen werden.

Dies bedeutet auch, dass Informationsdienstleister mit vertrauenswürdigen Inhalten, validierten Domänenmodellen und ausgereiften regulatorischen Beziehungen mit größerer Wahrscheinlichkeit zuerst Zugang zu Produktionsumgebungen von Unternehmen erhalten.

Modellwettbewerb: Arbeitsteilung zwischen hochmodernen Modellen und Open-Source-Modellen

Im Hinblick auf die Debatte um „Open Source oder Closed Source“ deuten die von Goldman Sachs im Rahmen dieser Untersuchung veröffentlichten Signale darauf hin, dass es sich nicht um eine binäre Entscheidung handelt, sondern dass vielmehr unterschiedliche Modelle unterschiedlichen Workflow-Ebenen entsprechen können.

Die Befürworter modernster Modelle sind der Ansicht, dass Unternehmens-Benchmarking die Leistungsfähigkeit von Modellen häufig unterschätzt. In realen Produktionsumgebungen können die durch sinkende Modellgenauigkeit verursachten Geschäftsverluste die Einsparungen bei den Inferenzkosten bei Weitem übersteigen. Obwohl viele KI-Unternehmen angeben, eine Multi-Modell-Strategie zu verfolgen, setzen sie daher in ihren Kernproduktionsumgebungen weiterhin stark auf modernste Modelle.

Eine andere Sichtweise geht davon aus, dass die überwiegende Mehrheit der Unternehmens-Workflows keine hochmoderne künstliche Intelligenz benötigt. Da sich die Leistungsfähigkeit von Open-Source-Modellen stetig verbessert, sind Kunden zunehmend bereit, geringfügige Leistungseinbußen für niedrigere Inferenzkosten in Kauf zu nehmen. Ein Risikokapitalgeber prognostiziert, dass in den nächsten 12 bis 18 Monaten etwa 90 % der Inferenz-Token in Open-Source-Modelle fließen werden.

Dies bedeutet, dass sich der zukünftige Markt für KI-Modelle möglicherweise in eine klarere Arbeitsteilung aufteilt: Hochmoderne Modelle werden für anspruchsvolle, hochzuverlässige komplexe Aufgaben zuständig sein, während Open-Source-Modelle größere, standardisierte Aufgaben und den Großteil des Token-Verbrauchs übernehmen werden.

Weltmodelle: KI-Rechenleistung könnte eine zweite Wachstumskurve erleben

In den vergangenen 18 Monaten haben Forscher ihren Fokus zunehmend von LLMs auf „Weltmodelle“ verlagert.

Im Gegensatz zu LLMs, die primär auf Internetdaten für das Training angewiesen sind, müssen Weltmodelle Umgebungen, Kausalzusammenhänge, physikalische Gesetze und dynamische Interaktionen in der realen Welt verstehen. Die Daten hierfür stammen vermehrt aus physikalischen Systemen, spezifischen Branchen und realen Betriebsszenarien. Dies bedeutet, dass die Bedeutung proprietärer Daten weiter zunehmen kann.

Goldman Sachs ist der Ansicht, dass das Problemfeld in Bereichen wie Physik, Industrie, Wissenschaft und Robotik weit über die reine Textgenerierung hinausgeht und diese Arbeitsabläufe häufig höhere Investitionen in Rechenleistung erfordern. Mit dem zunehmenden Vordringen von KI aus der digitalen Welt in die physische Welt dürfte auch der Bedarf an Rechenleistung für Modelltraining, Simulation und Inferenz ein neues Wachstum verzeichnen.

Goldman Sachs prognostiziert, dass die Nachfrage nach Rechenleistung in den nächsten fünf Jahren um etwa das 24-fache steigen könnte und dass die Spannung zwischen Angebot und Nachfrage voraussichtlich länger anhalten wird, was Cloud-Computing- und Infrastrukturunternehmen wie Microsoft, Oracle und CoreWeave direkt zugutekommt.