Nach GPT-6: Ergibt die Geschichte vom explodierenden Rechenbedarf wieder Sinn?

Nach der Veröffentlichung von GPT-6 Astra am 3. September erholten sich Halbleiter- und Speicheraktien zuerst. Am 4. September stieg der iShares Semiconductor ETF (SOXX) an einem Tag um 3,5 %, Micron legte um 6,1 % zu und SanDisk schoss um 11,9 % in die Höhe; am 7. September kletterte der südkoreanische KOSPI um 4,61 %, Samsung Electronics stieg um 5,7 % und SK hynix legte um etwa 8 % zu.
Zuvor hatten Sorgen über überhitzte KI-Investitionen und einen Höhepunkt der Rechennachfrage die betroffenen Sektoren längere Zeit schwanken lassen. MarketWatch bezeichnete diesen Anstieg sogar als Astra, das „den Speicherchip-Handel neu entfacht“.

Tae Kim, Autor von „The Nvidia Way“ und ehemaliger Technologiereporter bei Barron's, lieferte eine radikalere Erklärung: Die KI könnte in die vierte Runde exponentiell wachsender Rechennachfrage der letzten vier Jahre eintreten.

Die ersten drei Runden stammten von Chatbot, Reasoning und Coding-Agent, während die vierte Runde potenziell Computer Use sein könnte, auf dessen Präsentation sich Astra diesmal konzentrierte. Kims Logik: Chatbot ermöglichte es Hunderten Millionen, Reasoning-Leistung zu konsumieren, Reasoning erforderte mehr Berechnung pro Antwort, und Coding-Agent verwandelte das Modell von „einmal antworten“ in kontinuierliches Arbeiten über Dutzende Minuten oder sogar Stunden. Jetzt erweitert Computer Use die kontinuierlich laufenden Agenten von Programmierern auf normale Wissensarbeiter, die Excel, Blender, CAD, Power BI und Browser nutzen.

Kim beschäftigt sich seit Langem mit Nvidia- und Halbleiterinvestitionen, und sein Newsletter Key Context dreht sich um Technologie-Investmenturteile, wobei jüngste Artikel positiv gegenüber KI-Infrastruktur eingestellt sind.

„Die vierte Runde exponentiellen Wachstums“ ist daher in erster Linie eine Investitionshypothese von KI-Rechenleistungs-Bullen, keine bereits validierte industrielle Regel. Der Zeitpunkt ist jedoch recht subtil.

Vor der Veröffentlichung von Astra hatte das Agenten-Paradigma gerade eine Runde Skepsis über „an Grenzen stoßende Fähigkeiten“ durchlaufen: Kurze Aufgaben wurden immer stärker, aber sobald man in langfristige, mehrstufige und reale Softwareumgebungen eintrat, sank die Zuverlässigkeit merklich, was auch zu den erwähnten Zweifeln an einem Höhepunkt der Rechennachfrage führte. Wenn die Fähigkeitsgrenze des Agenten nicht durchbrochen werden kann, wird die Geschichte vom anhaltenden Wachstum der Rechenleistung unhaltbar.

Kann Astra diese Grenze wirklich durchbrechen?

Jeder menschliche Arbeitstag entspricht 3,1 Agenten-Arbeitstagen

Die ersten drei Runden des „exponentiellen Wachstums“ der KI-Rechenleistung beziehen sich auf den erheblichen Anstieg der Rechenmenge, die ein Nutzer bei jedem Paradigmenwechsel in den letzten Jahren konsumieren kann.

ChatGPT brachte Reasoning erstmals in den Mainstream-Markt; Reasoning-Modelle begannen, für eine einzelne Frage längere interne Berechnungen durchzuführen; beim Coding-Agent konnte eine einfache Anweisung eine kontinuierliche Schleife aus Code lesen, ändern, testen, Fehler prüfen und erneut ändern auslösen.

Gleichzeitig begannen Agenten, die physische Grenze zu durchbrechen, dass „eine Person nur 8 Stunden am Tag arbeiten kann“.

Am 6. September veröffentlichte OpenAI gerade eine Reihe interner Daten. Bis Mitte August dieses Jahres konsumierten Forscher am 50. Perzentil des Unternehmens mit Coding-Agents Reasoning-Mengen von über 600 $ pro Tag, basierend auf öffentlichen API-Preisen; Forscher am 90. Perzentil überschritten 7000 $ pro Tag. Laut einer Zusammenstellung von Business Insider aus OpenAI-Daten lag der Medianwert im Juli nur bei etwa 162 $, was einem Anstieg von fast dem 3,7-Fachen in etwas mehr als einem Monat entspricht. Abbildung: Bis Mitte August entspricht jeder menschliche Arbeitstag in der Forschungsabteilung von OpenAI 3,1 Agenten-Arbeitstagen; die mediane Reasoning-Menge der Forscher pro Tag liegt bei über 600 $ auf Basis der API-Preise.

Dies rechnet die interne Nutzung in API-Preise um, was näher an der „Reasoning-Intensität eines einzelnen Nutzers“ liegt.

Vor Juni hatte die Gesamtlaufzeit aller Agenten in der Forschungsabteilung von OpenAI die Arbeitszeiten der Forscher selbst nicht überschritten; bis Mitte August entsprach jeder menschliche Arbeitstag 3,1 Agenten-Arbeitstagen. Immer mehr Forscher betreiben auch mehrere Agenten gleichzeitig.

Das bedeutet, dass nach dem Agenten-Paradigma mehrere parallel arbeitende „digitale Prozesse“ hinter einem einzelnen Nutzer entstehen, die nicht mehr durch die physische Grenze der „menschlichen Eingabegeschwindigkeit“ eingeschränkt sind. Jetzt kann eine Person drei oder vier Agenten kontinuierlich arbeiten lassen und sogar Agenten Sub-Agenten erstellen lassen.

Die Maßeinheit für die Rechennachfrage könnte sich daher ändern zu: Wie viele Agenten laufen gleichzeitig hinter einem Nutzer, und wie viele Stunden arbeiten diese Agenten pro Tag.

Computer Use erweitert den Arbeitsbereich

Obwohl Coding-Agent schnell wächst, hat er immer noch eine klare Grenze; die meisten, die mehrere Agentenaufgaben ausführen, sind immer noch Programmierer, die nur einen kleinen Teil der globalen Wissensarbeiter ausmachen.

Computer Use erweitert den Raum noch weiter. Nach der Veröffentlichung von Astra führte Kim selbst einen Test durch. Er konnte zuvor nicht mit Blender umgehen, also ließ er Astra das Space Shuttle recherchieren, Blender öffnen und die 3D-Modellierung auf einem Mac durchführen. Etwa 10 Minuten später war ein drehbares Modell erstellt.

Gewöhnlicher Dialog folgt grob „Eingabe---Reasoning---Ausgabe“; Coding-Agent wird zu „Code lesen---Reasoning---Ändern---Testen---Erneut nachdenken“; Computer Use entwickelt sich weiter zu „auf den Bildschirm schauen---die Benutzeroberfläche verstehen---Aktionen entscheiden---ausführen---auf Ergebnisse warten---erneut beobachten---validieren---Fehler korrigieren“.

Eine Aufgabe, die einen Menschen zehn Minuten kostet, kann hinter der KI Dutzende Runden visuellen Verstehens, Reasonings und Werkzeugaufrufen umfassen.

Sobald diese Fähigkeit in Excel, Salesforce, SAP, Power BI, Photoshop, CAD und verschiedene interne Unternehmenssysteme Einzug hält, erweitert sich die potenzielle Nutzerbasis auf fast alle Wissensarbeiter, die vor Computern sitzen.

Das ist der Kern dessen, was Kim als „vierte Runde der Nachfrage“ bezeichnet:

Coding-Agent will die Computerzeit von Programmierern konsumieren, während Computer Use darauf abzielt, die Computerzeit aller Büroangestellten zu konsumieren.

Doch bislang bleibt dies nur eine Möglichkeit.

OpenAI hat weder das Volumen der Computer-Use-Aufgaben nach der Veröffentlichung von Astra offengelegt noch tägliche Kurven für die Token-Nutzung einzelner Nutzer, die GPU-Auslastung oder den Reasoning-Durchsatz veröffentlicht. Daher lässt sich nicht eindeutig belegen, dass „Astra die vierte Runde des Rechenwachstums gebracht hat“.

Hat sich die Rechenleistung wirklich zu verknappen begonnen?

Nach der Veröffentlichung von Astra bemerkte Tencent Technology, dass einige Entwickler-Communitys ein schwer quantifizierbares, aber bemerkenswertes Feedback meldeten: Die Nutzererfahrung schien sich je nach Region und Konto zu unterscheiden.

Einige Entwickler im asiatisch-pazifischen Raum berichteten, dass ChatGPT- und Codex-Antworten in letzter Zeit langsamer geworden seien und die Stabilität komplexer Aufgaben nicht so gut sei wie bei US-Konten. Die Community nennt diese Erfahrung „Verdummung“.

Zumindest ein Teil davon ist nicht völlig subjektiv.

Am 4. September meldete die offizielle Statusseite von OpenAI einen Leistungsabfall der Dienste im asiatisch-pazifischen Raum, der mehrere Produkte wie ChatGPT, Work und Codex Cloud betraf. Vier Tage später kündigte OpenAI eine mehrjährige Vereinbarung mit dem von Nvidia unterstützten Rechenzentrumsbetreiber Firmus an, um dedizierte Rechenleistung aus zwei Rechenzentren in Malaysia zu beziehen.

Ebenso gibt es derzeit keine Belege dafür, dass OpenAI die Reasoning-Budgets für Nutzer im asiatisch-pazifischen Raum reduziert oder aufgrund der erhöhten Last durch Astra auf schwächere Modelle umgestellt hat.

Die sogenannte „Verdummung“ im asiatisch-pazifischen Raum könnte zumindest mit drei verschiedenen Faktoren vermischt sein: regionale Infrastruktur- und Routing-Probleme, kontoabhängige Risikokontrolle und Ratenlimits sowie dynamische Ressourcenplanung in Spitzenzeiten. Diese können sich auf Nutzerseite als langsamere Leistung, höhere Fehlerraten, unterbrochene Werkzeugaufrufe und sogar schlechtere Endergebnisse bei komplexen Aufgaben äußern.

Dieses Feedback bietet jedoch einen weiteren Weg, den Druck auf die KI-Rechenleistung zu beobachten.

Da Modelle zunehmend in der Lage sind, kontinuierlich Rechenleistung zu verbrauchen, könnte sich Angebotsknappheit zuerst als Schwankungen bei Latenz, Fehlerraten und Servicequalität zwischen verschiedenen Regionen und Konten zeigen.

Das Problem ist, dass dieser Beurteilung derzeit ein Satz der wichtigsten Daten fehlt:

Ob es stabile Unterschiede bei der Latenz des ersten Tokens, der gesamten Reasoning-Zeit, den Werkzeug-Erfolgsraten und den endgültigen Aufgabenabschlussraten für dasselbe Modell, dasselbe Paket und dieselbe Aufgabe in verschiedenen Regionen gibt.

Bis diese Daten vorliegen, kann „Verdummung“ nur ein Hinweis sein, kein Beleg für knappe Rechenleistung.

Abbildung: Am 8. September teilte ein Nutzer eine Meldung von GPT-6 Astra mit dem Hinweis „Kapazität voll“ und gab an, dass alle vier seiner Konten nicht normal funktionierten und das System vorschlug, auf andere Modelle umzusteigen. Tibo scherzte in einem Retweet: „Wir sind so zurück“ und betrachtete „Modell-Volllast“ als Signal für erneute KI-Nachfrage.

Der Kapitalmarkt hat wieder zu wetten begonnen

Obwohl die tatsächliche Kurve der Rechenleistungsnutzung nach der Veröffentlichung von Astra nicht öffentlich ist, hat der Kapitalmarkt bereits auf die Geschichte gehandelt, dass „die KI-Nachfrage noch keinen Höhepunkt erreicht hat“.

MarketWatch berichtete, dass der iShares Semiconductor ETF nach der Veröffentlichung von Astra um etwa 3,5 % stieg, wobei speicherbezogene Unternehmen wie Samsung, SK hynix und Kioxia noch stärker zulegten. Ausländische Medien beschrieben diese Marktbewegung sogar direkt als Astra, das „den Speicherchip-Handel neu entfacht“.

Bemerkenswert ist, dass der auffälligste Aspekt dieses Anstiegs nicht Nvidia ist, sondern Speicher.

Wenn Computer Use tatsächlich zu einer dauerhaften Arbeitslast für laufende Agenten wird, wird der benötigte Zuwachs nicht nur GPU-Rechenleistung betreffen. Längere Kontexte, KV-Cache, gleichzeitige Agenten, virtuelle Maschinen, Browser und Softwareumgebungen könnten die Nachfrage nach HBM, DRAM, CPU, Netzwerk und Speicher weiter in die Höhe treiben.

Der jüngste Handel am Kapitalmarkt dreht sich also nicht ausschließlich darum, dass „GPT-6 leistungsfähiger ist“; die Hauptlogik bleibt: Wird ein intelligenteres Modell dazu führen, dass Nutzer bereit sind, mehr Rechenleistung zu kaufen?

Genau hier unterscheidet sich diese Runde der KI-Infrastruktur-Geschichten am stärksten von traditioneller Software.

Je optimierter traditionelle Software wird, desto weniger Serverressourcen benötigt ein einzelner Nutzer möglicherweise.

Umgekehrt könnte generative KI das gegenteilige „Jevons-Paradoxon“ zeigen: Je effizienter das Modell und je höher die Aufgabenerfolgsrate, desto eher sind Menschen bereit, mehr, längere und komplexere Arbeiten an KI zu delegieren, was letztlich zu einem Anstieg des Gesamtverbrauchs an Rechenleistung führt.

Allerdings ist Vorsicht geboten, denn auch der Kapitalmarkt hat seine eigenen Interessen.

Die KI-Infrastruktur hat bereits zuvor eine Runde erheblichen Wachstums und einer Korrektur durchlaufen, und Halbleiteraktien haben in diesem Jahr aufgrund überhitzter Investitionen und sinkender freier Cashflows der Cloud-Anbieter ebenfalls einen deutlichen Rückgang verzeichnet. Die wenigen Tage der Erholung durch Astra können daher nur darauf hindeuten, dass Investoren wieder zu wetten beginnen, reichen aber nicht aus, um zu beweisen, dass die vierte Runde der Rechennachfrage tatsächlich begonnen hat.

Eine wirtschaftliche Rechnung

Kims Urteil hängt letztlich von drei praktischeren Fragen ab.

Die erste ist weiterhin Zuverlässigkeit.

Echte Geschäftsabläufe sind keine einmalige Demo. Ob ein Agent ERP, Finanzmodelle oder Engineering-Software über mehrere Stunden kontinuierlich betreiben und dabei korrekt bleiben kann, wenn Pop-ups, Berechtigungsänderungen und Datenaktualisierungen auftreten, ist eine völlig andere Frage.

Die zweite sind Kosten.

Wie viel wird es in Zukunft tatsächlich kosten, die äquivalente Arbeit von einer Stunde menschlicher Computernutzung vor Computer Use zu erledigen?

Wenn KI eine 50-Dollar-Aufgabe für einen Mitarbeiter für 10 Dollar erledigen kann, kann die Nachfrage leicht explodieren; wenn sie 100 Dollar kostet, ist das Marktpotenzial völlig anders.

Die Zahl von 600 $/Tag von OpenAI zeigt, dass Agenten zwar enorme Nachfrage schaffen können, aber auch darauf hindeutet, dass diese Arbeitsweise heute möglicherweise noch sehr teuer ist.

Die dritte Frage: Wird Computer Use letztlich einen Teil seiner eigenen Nachfrage eliminieren?

Derzeit müssen Modelle auf Bildschirme schauen und Schaltflächen finden, weil bestehende Software für Menschen entwickelt wurde. Sobald Salesforce, Microsoft, Adobe oder interne Unternehmenssysteme beginnen, APIs, MCPs und Agentenschnittstellen direkt zu öffnen, werden viele Aufgaben keine Simulation von Maus- und Tastaturaktionen mehr benötigen.

Das wahrscheinlichere Ergebnis ist eine Verschmelzung von Computer Use und Tool Use: Wo strukturierte Schnittstellen vorhanden sind, werden sie direkt aufgerufen; für alte Systeme ohne Schnittstellen oder solche, die schwer zu ändern sind, werden visuelle Operationen fortbestehen.

Der Markt, den Computer Use wirklich eröffnet, ist also möglicherweise nicht „KI für immer wie Menschen auf Computer klicken zu lassen“, sondern vielmehr, dass Agenten durch diesen Ansatz „mein menschlicher Meister hat mir erlaubt, auf deine Software zu klicken, also kannst du mich nicht kontrollieren“ das bestehende Anwendungs-Ökosystem durchbrechen können. Agenten können endlich in die letzten großen Arbeitsumgebungen vordringen, die Automatisierung bisher nicht abdecken konnte.

Das ist auch der Teil, den Kim als „vierte Runde exponentiellen Wachstums“ bezeichnet und der wirklich überprüft werden muss: „Ist Computer Use ein Sprungbrett oder wirklich ein weiterer Paradigmenwechsel?“

Ist die Rechenleistungs-Geschichte, die durch an Grenzen stoßende Agenten zunehmend schwer zu erklären war, nach GPT-6 wieder schlüssig?

Der Kapitalmarkt hat wieder zu wetten begonnen.

Nach der Explosion der generativen KI ohrfeigt der Markt weiterhin die Bären des „Rechenwachstums“. Wird es diesmal anders sein?