a16z: KI hat die Innovationsmethodik der letzten 75 Jahre grundlegend verändert

Laut Partnern von a16z verändert KI die wirtschaftliche Grundlogik der Innovation grundlegend: von technischen zu kapitalbezogenen Engpässen – ein 20-köpfiges Team kann heute effektiv 1 Milliarde Dollar deployen. Diese Einschätzung beeinflusst direkt die Bewertung des Wettbewerbs zwischen Startups und Großkonzernen, die Logik von Risikokapital und die Grenzen der KI-Fähigkeiten. Die drei räumen zugleich ein, dass angesichts von Modelltrainings im zweistelligen Milliardenbereich niemand wirklich weiß, was dabei herauskommt – „ein digitales Artefakt, wie es die Menschheit noch nie geschaffen hat“.

In einer aktuellen Podcast-Folge von a16z diskutierten Martin Casado, Erik Torenberg und Board Partner Steven Sinofsky ausführlich: Was bedeutet der Durchbruch der KI in der Mathematik? Wird die grundlegende Logik der Innovation neu geschrieben? Und wie entwickelt sich der Wettbewerb zwischen Startups und Großkonzernen?

Die drei Diskutanten sind überzeugt, dass die grundlegenden Annahmen, die die Computerindustrie in den letzten 75 Jahren getragen haben, von KI eine nach der anderen neu überprüft werden. Die wichtigste davon – Innovation ist ein technisches, kein finanzielles Problem – hat ausgedient. KI verändert die wirtschaftliche Grundlogik der Innovation: von technischen zu kapitalbezogenen Engpässen – ein 20-köpfiges Team kann heute effektiv 1 Milliarde Dollar deployen. Diese Einschätzung beeinflusst direkt die Bewertung des Wettbewerbs zwischen Startups und Großkonzernen, die Logik von Risikokapital und die Grenzen der KI-Fähigkeiten.

Vom Abakus zur KI: 75 Jahre Aufstieg der Abstraktionsebenen

Sinofsky holt eine IBM-Werbebroschüre aus dem Jahr 1953 hervor.

Auf dem Cover umkreisen Atomorbitale einen menschlichen Kopf, und der erste Satz lautet: „Die Menschheit brauchte Millionen Jahre, um den Nutzen des Rades zu erkennen.“

In dieser Broschüre verwendet IBM eine ganze Seite darauf, zu erklären, was ein „Digitalcomputer“ ist – Eingabe, Speicherung, Verarbeitung, Steuerung, Ausgabe.

Sinofsky sagt: „So verstehen wir Computer seit 75 Jahren.“

Vom Abakus zum Rechenschieber, von der Differenzmaschine zum Personal Computer, vom grafikfähigen Taschenrechner zum Cloud Computing – jeder Technologiesprung ist im Wesentlichen ein „Aufstieg der Abstraktionsebene“. Probleme auf niedrigeren Ebenen werden gekapselt, und die Menschheit löst neue Probleme auf höheren Ebenen.

Als der grafikfähige Taschenrechner TI-85 aufkam, gerieten Mathematiklehrer kollektiv in Panik: „Unser Fach ist am Ende.“ Sinofsky sagt:

Aber sie haben sich nicht über das Aufkommen der Analysis beschwert, denn die Analysis war für sie bereits der Ausgangspunkt. Die Reaktion der Menschen auf Veränderungen ist viel heftiger als auf den Status quo.

Die Panik, die KI auslöst, wenn sie schwierige mathematische Probleme löst, ist dieselbe wie damals beim grafikfähigen Taschenrechner.

KI löst Mathematik: Durchbruch oder „Spielkönner“?

Kürzlich ließ jemand Claude versuchen, die Riemannsche Vermutung zu lösen, was in der Mathematikwelt breite Diskussionen auslöste.

Casado dämpfte die Erwartungen sofort.

Wenn man die Gehälter aller Postdocs zusammenrechnet, die im Laufe der Jahre an diesen Problemen geforscht haben, ist die Gesamtsumme nicht groß. Das bedeutet, dass der Markt die Lösung dieser Probleme nie wirklich als Priorität betrachtet hat. Ich bin mir also nicht sicher, ob die Lösung dieser Aufgaben beweist, dass KI einen Durchbruch mit erheblichem wirtschaftlichem Wert erzielt hat.

Er vergleicht die mathematischen Fähigkeiten der KI mit einem StarCraft-Champion: „Das ist der stärkste StarCraft-Spieler aller Zeiten – beeindruckend, aber ich kann das nur schwer mit realem wirtschaftlichem Wert in Verbindung bringen.“

Sinofsky bietet eine andere Perspektive. Er glaubt, dass Durchbrüche in der Mathematik vielleicht „neue Abstraktionswerkzeuge hervorbringen“.

Wie der Beweis des Vierfarbensatzes – keine elegante mathematische Herleitung, sondern die erschöpfende Überprüfung aller endlichen Fälle per Computer; die Antwort wurde mit Rechenleistung erkauft.

Sobald man eine neue Abstraktionsebene hat, müssen nicht mehr alle bei null anfangen, sondern können direkt auf dieser Ebene Werkzeuge bauen.

Der größte Paradigmenwechsel: vom technischen zum kapitalbezogenen Engpass

Die zentrale Erkenntnis dieses Gesprächs stammt aus einem Gedankenexperiment von Casado.

Vor 20 Jahren hätte ein 10-köpfiges Startup mit 1 Milliarde Dollar nichts anfangen können. Man kauft ein paar Server, und das Geld ist weg.

Vor 10 Jahren, mit 1 Milliarde Dollar, stellt man Ingenieure ein und schreibt Code, aber das Problem des Mann-Monats ist real – mehr Leute machen es eher langsamer.

Heute können 20 Leute 1 Milliarde Dollar tatsächlich effektiv ausgeben.

Sein Fazit:

Wir haben diese Branche von einem technischen Engpassproblem zu einem Kapitalengpassproblem gemacht. Das ist ein fundamentaler Unterschied. Diesen Zustand gab es vorher noch nie.

Sinofsky ergänzt, dass dies nicht der erste Kapitalengpass ist – die ersten 30 bis 40 Jahre der Computerindustrie waren ebenfalls von Kapitalknappheit geprägt. „Wenn man mit Computern etwas machen wollte, musste man zuerst einen bekommen.“

Dann kam die Ära des technischen Engpasses, und jetzt kehren wir zum Kapitalengpass zurück.

Warum werden Startups noch nicht von den Giganten überrollt?

Nach gesundem Menschenverstand müssten Microsoft, Google und Meta mit ihrem Kapital, ihren Daten und ihren Vertriebskanälen alles dominieren.

Die Realität sieht anders aus: Cursor, Anthropic und OpenAI wachsen rasant.

Casado nennt zwei Gründe.

Erstens löst KI das Vertriebsproblem.

Früher wusste man nicht, ob das Marketingbudget Wirkung zeigt. Heute ist die Nachfrage nach Rechenleistung und GPUs unbegrenzt, und man kann direkt entscheiden, wie viel man investiert, um Wachstum zu treiben.

Zweitens können Startups heute genug Geld einsammeln, um wirklich auf Augenhöhe mit den Giganten zu starten.

Und die Giganten? Sinofsky wird deutlich:

Microsoft macht sich mehr Sorgen darüber, was Amazon und Google tun, und kümmert sich überhaupt nicht um irgendein Startup. Startups greifen die Giganten nicht direkt an, und die Giganten nehmen Startups nicht wahr.

Er verrät außerdem ein Detail: In großen Unternehmen, die Rechenleistung bevorzugt an Unternehmenskunden vergeben, leiden interne Produktteams unter einem „KI-Mangel“, „während keiner ihrer Konkurrenten hungert“.

Sinofsky berichtet von einer persönlichen Erfahrung bei Microsoft. Als er damals mit dem ersten Surface zu Intel-Führungskräften ging, kühlte die Stimmung sofort ab, als diese hörten, dass ein ARM-Chip verbaut war.

Sie hielten das für einen Chip für Drucker. Sie machen nur das Mooresche Gesetz, so wie Google nur Hyperscale macht – wenn KI auf Endgeräte verlagert wird, ist das nicht ihr Thema.

Sinofsky fasst zusammen:

Das Wesen der Disruption ist die kulturelle Konstante großer Unternehmen. Scorecards, Vertriebssysteme, Vergütungsstrukturen, Altlasten, Kundenverpflichtungen – all das lässt sich nicht ändern. Das ist ein Naturgesetz.

20 Milliarden investiert, und niemand weiß, was dabei herauskommt

Am Ende des Gesprächs berühren die drei eine tiefere Unbekannte.

Casado räumt ein, dass er zuvor einen Fehler gemacht hat:

Ich dachte, rekursive Selbstverbesserung und ein schneller Take-off würden nicht eintreten – das stimmte. Aber ich habe nicht erwartet, dass wir unbegrenzt Geld hineinstecken können und die Skalierungsgesetze weiterhin gelten.

Man nimmt 20 Milliarden Dollar und steckt sie in ein Modell. Wir beide schauen es an und testen es nach Belieben – ich glaube nicht, dass wir verstehen können, was das bedeutet. So viel Rechenleistung, so viele Daten – ich weiß nicht, wozu es fähig ist.

Sinofsky stimmt zu und vergleicht dies mit exponentiellem Wachstum: „Niemand kann exponentielles Wachstum modellieren.“

Er nennt ein konkretes Szenario: Die erschöpfende Aufzählung von Proteinkombinationen war früher ein unlösbares Problem und kann heute zu einem „Kapitalproblem“ werden.

Wir können früher unendliche Probleme durch Kapital in endliche verwandeln. Das ist eine sehr merkwürdige Sache.

Casado sagt, das sei auch der Grund, warum er nicht mehr versucht, die Obergrenze der KI-Fähigkeiten vorherzusagen:

Ich habe beschlossen, dass ich nicht vorhersagen kann, wo die Fähigkeitsgrenzen eines mit 20 Milliarden Dollar geschaffenen Dings liegen.