Braucht KI ein größeres Gehirn oder einen Beruf? Franks These auf dem Prüfstand
„Die KI braucht kein größeres Gehirn. Sie braucht einen Beruf.“ So hat Frank Ende Oktober einen LinkedIn-Artikel überschrieben. Diesmal prüft Tina ihren eigenen Chef: was die Bitkom-Umfrage über die Kosten von KI im Betrieb sagt, was Gartner und NVIDIA dazu wirklich behaupten, und warum...
▶ Folge anhörenDie Themen dieser Folge
- Nachgetragen: Beide Prognosen aus Folge 14 sind eingetroffen. Laut Challenger, Gray & Christmas (Bericht vom 5. November 2026) wurde KI im Oktober nur für 1.265 Stellenstreichungen genannt, den niedrigsten Monatswert des Jahres. Vorn lag „Markt- und Wirtschaftslage“ mit 16.407 (37 Prozent). Seit Januar hat „Markt- und Wirtschaftslage“ mit 130.531 die KI (121.401, rund 20 Prozent aller Streichungen) überholt. Nachgerechnet gegen den Septemberbericht: Beide Jahressummen stimmen exakt
- Franks These im Artikel: Die nächste Produktivitätsstufe kommt nicht aus größeren Modellen, sondern aus Systemen, die einen Beruf haben. Im Text steht ausdrücklich: „Das ist keine Absage an große Modelle. Es ist eine Absage an große Modelle für alles.“ Der Titel war lauter als der Text
- Bitkom (Befragung von 603 Unternehmen ab 20 Beschäftigten, Juli und August 2026, veröffentlicht am 14. September): 57 Prozent setzen KI ein. Als großen Kostenpunkt nennen die Anwender Infrastruktur wie Cloud und Rechenleistung (51 Prozent), Datenaufbereitung (50), Integration in bestehende Systeme (41), Lizenzen (21) und den Verbrauch von Token (8). Bitkom-Präsident Ralf Wintergerst: „Bei KI geht es nicht in erster Linie um das eingesetzte Modell.“ Kein Anwender schöpft das Potenzial nach eigener Aussage vollständig aus, 59 Prozent überhaupt nicht
- Gartner sagt voraus, dass Unternehmen bis 2027 kleine, aufgabenspezifische Modelle dreimal so häufig nutzen wie große Allzweckmodelle. Das ist eine Prognose, keine Messung
- NVIDIA Research schätzt in einem Positionspapier an drei offenen Agentensystemen, dass sich 40 bis 70 Prozent der Modellaufrufe durch spezialisierte kleine Modelle ersetzen ließen. Schätzungen der Autoren, keine Messung
- Das Urteil nach unserer Skala (belegt, belegt aber irreführend dargestellt, unbelegt, widerlegt): belegt, für die Kernthese „große Modelle nicht für alles, und das Modell selbst ist im Betrieb nicht der große Kostentreiber“. Die Belege sind eine Umfrage, eine Prognose und eine Schätzung. Der Titel allein ist eine Zuspitzung, der Satz über die nächste Produktivitätsstufe eine Prognose
- Einordnung: Ein Drittel der KI-Anwender sagt laut Bitkom, es nutze KI vor allem aus Angst, den Anschluss zu verlieren. Über schlechte Ergebnisse klagt nur ein Viertel (26 Prozent), vorn stehen Datenschutz (66 Prozent) und rechtliche Unsicherheit (56 Prozent)
- Der Streit der Folge: OpenAI hat am 5. November GPT-6 Cyber vorgestellt, laut Systemkarte eine spezialisierte Variante des Allzweckmodells GPT-6 Astra. Im Test ExploitGym kommt das Spezialmodell auf 48,45 Prozent, das Allzweckmodell auf 42,43 Prozent (Herstellerangabe). Der externe Prüfer Irregular fand die Leistung insgesamt „broadly comparable“ zum Allzweckmodell, besser nur bei langen, mehrstufigen Aufgaben. Dazu eine Studie von 2023: GPT-4 war bei Finanztexten auf vielen Aufgaben besser als das eigens trainierte BloombergGPT, auf anderen nicht. Einigung: Das Gehirn kauft man ein, den Beruf bringt man ihm selbst bei, und man muss das Gehirn tauschen können
- Das Lagerfeuer: unser eigenes Modell WYPS79. Wir entwickeln ein vorhandenes Basismodell gezielt weiter, zuerst für Programmieren und Code-Prüfung in unseren eigenen Projekten, danach für deutschsprachige Assistenz. Die ersten Trainingsläufe laufen lokal, mit Code und Dokumentation aus eigenen Projekten, ohne private Mails, Chats und Kundendaten. Ergebnisse gibt es noch keine. Festgelegt sind die Prüfregeln: jeder Kandidat gegen das unveränderte Basismodell, Testfälle nie im Trainingsmaterial, keine Freigabe allein durch eigene Bewertung, Vorversion für den Rückweg
- Drei Schritte für diese Woche, ohne Budget: fünf tägliche KI-Anfragen aufschreiben und fragen, ob sie wirklich das größte Modell brauchen; das Geld dort einplanen, wo die Anwender laut Bitkom die großen Kosten sehen (Rechenleistung, Daten, Anbindung); zwanzig eigene Testfälle mit richtiger Antwort anlegen, die jedes neue Modell und jedes Update zuerst bestehen muss
- Die Prognose der Folge, geführt in unserem Mess-Sheet: P9, bis zum 31. März 2027 schlägt der erste WYPS79-Kandidat das unveränderte Basismodell auf unseren eigenen Programmiertests, gemessen auf einem eigenen Prüfrechner, nicht vom Modell selbst
Quellen
- Challenger, Gray & Christmas, October Layoffs at Three-Year Low (5. November 2026): Quelle öffnen
- Challenger, Report September 2026 (PDF): Quelle öffnen
- Bitkom, Erstmals nutzt die Mehrheit der Unternehmen KI (14. September 2026): Quelle öffnen
- Bitkom, KI in der deutschen Wirtschaft, Präsentation (PDF): Quelle öffnen
- Gartner, Pressemitteilung vom 9. April 2025 (Prognose): Quelle öffnen
- CIO Dive über die Gartner-Prognose: Quelle öffnen
- Belcak et al., NVIDIA Research, Small Language Models are the Future of Agentic AI: Quelle öffnen
- OpenAI, GPT-6 Cyber System Card (5. November 2026, PDF): Quelle öffnen
- Li et al., Are ChatGPT and GPT-4 General-Purpose Solvers for Financial Text Analytics? (EMNLP 2023): Quelle öffnen
- Unser Mess-Sheet: Quelle öffnen
Transkript
Vollständiger Wortlaut der Folge, 9791 Zeichen. Beide Stimmen im Podcast sind KI-generiert, auch die von Frank Wichert. Die Gedanken und die Worte sind seine.
[warm] Frank, heute nehmen wir uns jemanden vor, den wir gut kennen. Dich.
Genauer gesagt meinen Artikel bei LinkedIn. Titel: Die KI braucht kein größeres Gehirn. Sie braucht einen Beruf.
Ein schöner Satz. Ob er stimmt, messen wir nach. Und am Ende halte ich dagegen. Mit einem Modell, das letzte Woche erschienen ist.
Vorher Nachgetragen. Letzte Woche haben wir zwei Prognosen abgegeben, auf die amerikanische Zählung von Challenger zum Stellenabbau im Oktober.
Erste Prognose: KI ist im Oktober nicht der meistgenannte Grund. Eingetroffen. KI wurde nur für knapp dreizehnhundert Stellen genannt, so wenig wie in keinem Monat dieses Jahres. Vorn lag die Markt- und Wirtschaftslage, mit gut einem Drittel aller Streichungen.
Und die mutigere?
Auch eingetroffen. Seit Januar hat die Markt- und Wirtschaftslage die KI überholt. Rund hundertdreißigtausend gegen rund hunderteinundzwanzigtausend Stellen. Andy Challenger sagt sinngemäß: Die Begründungen sind von der Technik zur Wirtschaft gewandert.
Zwei Treffer. Das macht mich fast misstrauisch.
Mich auch. Deshalb habe ich nachgerechnet: Septemberstand plus Oktober ergibt genau die Jahreszahl im Bericht. Vom Tisch ist das Etikett trotzdem nicht. Seit Januar steht KI bei jeder fünften Streichung.
Dann zum Thema. Meine These im Artikel: Die nächste Produktivitätsstufe kommt nicht aus größeren Modellen. Sie kommt aus Systemen, die einen Beruf haben.
Und im Text steht ein Satz, der im Titel fehlt. Das ist keine Absage an große Modelle. Es ist eine Absage an große Modelle für alles.
Der Titel war lauter als der Text. Das gebe ich zu.
Also prüfen wir den Text. Erste Quelle: der Branchenverband Bitkom. Im September hat er eine Umfrage unter rund sechshundert Unternehmen ab zwanzig Beschäftigten veröffentlicht. Siebenundfünfzig Prozent setzen inzwischen KI ein. Gefragt wurde auch, wofür die Kosten anfallen.
Und? Das Modell?
Eben nicht. Einen großen Kostenpunkt sehen die KI-Anwender vor allem bei der Infrastruktur, also Cloud und Rechenleistung, und bei der Aufbereitung von Daten, jeweils rund die Hälfte. Dann die Anbindung an bestehende Systeme, vier von zehn. Lizenzen nennt nur ein Fünftel. Den Verbrauch von Token, also die Abrechnung pro Anfrage, nennen ganze acht Prozent.
Teuer ist also nicht das Modell selbst. Teuer sind Rechenleistung, Daten und Anbindung.
Bitkom-Präsident Wintergerst sagt wörtlich: Bei KI geht es nicht in erster Linie um das eingesetzte Modell. Und noch eine Zahl. Kein einziges Unternehmen, das KI einsetzt, schöpft das Potenzial nach eigener Aussage vollständig aus. Neunundfünfzig Prozent der Anwender sagen sogar: überhaupt nicht.
Im Artikel stützt mich auch Gartner.
Gartner sagt voraus, dass Unternehmen bis zweitausendsiebenundzwanzig kleine, aufgabenspezifische Modelle dreimal so häufig nutzen wie große Allzweckmodelle. Das ist eine Prognose, keine Messung. Nachmessen lässt sie sich frühestens zweitausendsiebenundzwanzig.
Und NVIDIA?
Ein Positionspapier aus der Forschung des Chipherstellers. Die Autoren schätzen an drei offenen Agentensystemen, dass sich vierzig bis siebzig Prozent der Modellaufrufe durch kleine Spezialmodelle ersetzen ließen. Ich habe nachgelesen, die Zahlen stehen so drin. Es bleiben aber Schätzungen der Autoren.
Dann unser Urteil.
Wir nennen die Kernthese belegt: Große Modelle nicht für alles, und das Modell selbst ist im Betrieb nicht der große Kostentreiber. Fairerweise: Die Belege sind eine Umfrage, eine Prognose und eine Schätzung. Für einen Artikel reicht das, für ein Naturgesetz nicht. Der Titel allein ist eine Zuspitzung. Und der Satz über die nächste Produktivitätsstufe ist eine Prognose. Die kann heute niemand belegen.
Bleibt die Frage, warum dann nach unserem Eindruck so viele zuerst nach dem Modellnamen fragen.
Auch dazu hat Bitkom gefragt. Ein Drittel der Unternehmen, die KI einsetzen, sagt offen: Wir nutzen sie vor allem aus Angst, sonst den Anschluss zu verlieren.
Meine Vermutung: Angst kauft gern das bekannteste Produkt. Damit macht man nach innen nichts falsch.
Und dann die Frage nach den Hindernissen. Über schlechte Ergebnisse klagt nur ein Viertel der Anwender. Ganz vorn stehen der Datenschutz mit zwei Dritteln und die rechtliche Unsicherheit mit gut der Hälfte.
Das Gehirn ist also selten das Problem. Das Problem ist, was man ihm zeigen darf.
Und da wird der Beruf zur Rechtsfrage. Ein Modell, das Kundendaten, Netzpläne oder Personalakten sehen soll, muss genau wissen, was es sehen darf. Und wo die Daten bleiben.
Deshalb wollen wir bei uns Wissen und Modell trennen. Das Modell soll den Beruf lernen. Das Wissen holt es sich bei jeder Anfrage aus freigegebenen Quellen. Wird eine Freigabe entzogen, wirkt das sofort, ohne neues Training.
Das ist ein Plan, keine Messung. Und er zielt auf das erste Hindernis, den Datenschutz. Die rechtliche Unsicherheit löst keine Bauweise.
[serious] Und jetzt halte ich dagegen. Letzten Donnerstag hat OpenAI ein Modell für Sicherheitsforschung vorgestellt. Es sucht Schwachstellen in Software und baut Angriffe darauf, nur für geprüfte Kunden.
Ein Spezialist. Also ein Modell mit Beruf.
Ja. Aber lies, worauf es steht. Laut OpenAI ist es eine spezialisierte Variante ihres großen Allzweckmodells. Und OpenAI veröffentlicht den Vergleich gleich mit. In ihrem Angriffstest schafft das Allzweckmodell gut zweiundvierzig Prozent, der Spezialist gut achtundvierzig.
Sechs Punkte für den Beruf. Herstellerangabe.
Herstellerangabe, richtig. Und jetzt kommt der Teil, der mir gefällt. OpenAI hat externe Prüfer drangelassen. Einer davon, die Firma Irregular, fand die Leistung insgesamt ungefähr gleichauf mit dem Allzweckmodell. Besser nur bei langen, mehrstufigen Aufgaben. Heißt für mich: Das große Gehirn kann diesen Beruf schon fast allein.
Das widerspricht mir weniger, als du denkst. Im Artikel bleibt das große Modell die Rückfallebene. Und für Sicherheitsforscher gilt eine andere Rechnung als für einen Mittelständler mit drei Administratoren.
Dann noch ein älterer Fall. Bloomberg hat zweitausenddreiundzwanzig ein eigenes Finanzmodell trainiert. Kurz danach haben Forscher das allgemeine GPT vier auf Finanztexten getestet. Ergebnis: Auf vielen Aufgaben war der Generalist besser, auch besser als Bloombergs Modell. Auf anderen nicht, vor allem gegen eigens nachtrainierte Fachmodelle und wo es um tiefere Struktur ging.
Der kleinere Spezialist verliert oft gegen den größeren Generalisten.
Genau das ist mein Punkt. Wer heute ein eigenes Fachmodell baut, baut auf ein Gehirn, das morgen veraltet ist.
Dann ist die Frage im Titel falsch gestellt. Nicht Gehirn oder Beruf. Das Gehirn kauft man ein. Den Beruf muss man ihm selbst beibringen. Und dabei muss man das Gehirn austauschen können.
Da sind wir uns einig. Wer den Beruf so baut, dass er am Gehirn klebt, fängt bei jedem neuen Modell von vorn an.
Dann das Lagerfeuer. Wir bringen gerade selbst einem Gehirn einen Beruf bei. Das Projekt heißt WYPS79.
Und bevor jemand fragt: Nein, wir trainieren kein Konkurrenzprodukt zu den großen Laboren.
Nein. Wir nehmen ein vorhandenes Basismodell und entwickeln es gezielt weiter. Zuerst für einen Beruf: Programmieren und Code prüfen, für unsere eigenen Projekte. Danach für deutschsprachige Assistenz.
Assistenz für mich, wenn ich das richtig verstehe.
Für dich. Dafür sind drei Server mit Grafikprozessoren eingeplant. Einer soll trainieren, einer prüfen, einer ausliefern. Und der, der prüft, ist ein anderer als der, der trainiert.
Und wie weit ist das Gehirn heute?
Ehrlich gesagt: Es lernt gerade erst. Die ersten Trainingsläufe laufen lokal auf meinem eigenen Rechner, mit Code und Dokumentation aus unseren bisherigen Projekten. Bewusst lokal, damit nichts davon das Haus verlässt. Private Mails, Chats und Kundendaten sind nicht dabei. Ergebnisse gibt es noch keine. Festgelegt sind die Prüfregeln.
Welche?
Jeder Kandidat wird gegen das unveränderte Basismodell auf denselben Testfällen gemessen. Testfälle landen nie im Trainingsmaterial. Kein Modell darf sich allein durch eigene Bewertung freigeben. Und die Vorversion bleibt, damit wir zurückkönnen.
Das ist übrigens dasselbe Muster wie bei OpenAI. Ein vorhandenes Gehirn bekommt einen Beruf. Nur viel kleiner.
Und mit einer offenen Frage, die auch OpenAI hat: Wenn nächstes Jahr ein besseres Basismodell kommt, müssen wir den Beruf übertragen können. Auch deshalb soll unser Wissen im Abruf liegen, nicht in den Modellgewichten.
Drei Schritte für diese Woche, ohne Budget. Erstens: Schreiben Sie fünf Anfragen auf, die bei Ihnen jeden Tag an eine KI gehen. Fragen Sie bei jeder: Braucht das wirklich das größte Modell?
Zweitens: Planen Sie das Geld dort ein, wo die Anwender laut Bitkom die großen Kosten sehen. Rechenleistung, Daten aufbereiten, Systeme anbinden. Oder mit Wintergerst: Wer nur eine Lizenz kauft, hat KI eingekauft, aber noch nichts verändert.
Drittens: Legen Sie sich zwanzig eigene Testfälle mit der richtigen Antwort an. Jedes neue Modell, jedes Update muss die zuerst bestehen. Dann können Sie das Gehirn tauschen, ohne den Beruf zu verlieren.
Und unsere Prognose. Diesmal gegen uns selbst.
Bis zum einunddreißigsten März zweitausendsiebenundzwanzig schlägt der erste Kandidat von WYPS79 das unveränderte Basismodell auf unseren eigenen Programmiertests. Gemessen auf einem eigenen Prüfrechner, nicht vom Modell selbst. Wir tragen sie ins Mess-Sheet ein. Wenn wir danebenliegen, sagen wir es hier.
Bleibt die Titelfrage. Braucht KI ein größeres Gehirn oder einen Beruf? Das Spezialmodell der letzten Woche hat beides, und ein externer Prüfer sah es kaum vor dem Allzweckmodell. In den Unternehmen kostet aber nicht das Modell selbst das meiste Geld, sondern Rechenleistung, Daten und Anbindung.
Das Gehirn kauft man ein. Den Beruf bringt man ihm selbst bei. Und wer das gut macht, kann das Gehirn wechseln, wenn ein besseres kommt.