Das Wort „Winter“ klingt sanft. Schnee auf Zweigen. Ruhige Straßen. Heißer Kaffee. Aber in der KI bedeutet Winter etwas Brutales: Labore schließen, Forschende wechseln das Feld, die Finanzierung verdunstet, und ganze Jahrzehnte Fortschritt geraten ins Stocken, während der Rest der Informatik nach vorn rast.

Die KI hat zwei große Winter erlebt. Beide hätten das Feld fast getötet. Beide folgten demselben Grundmuster: Forschende versprachen zu viel, lieferten zu wenig, und die Geldgeber verbrannten sich die Finger.

Jetzt sind wir in dem, was vielleicht der längste KI-Sommer der Geschichte ist. Investitionen brechen weiter Rekorde. ChatGPT erreichte 100 Millionen Nutzer schneller als jede Anwendung zuvor. Die Frage, die alle verfolgt, die hinschauen: Bauen wir diesmal etwas Reales, oder stellen wir die Weichen für den größten Winter überhaupt?

Das Muster, das niemand sehen wollte

Hier ist etwas Merkwürdiges. Beide Male sahen Menschen im Inneren des Feldes die Winter kommen. Sie warnten alle. Niemand hörte zu.

1984 standen die KI-Forscher Roger Schank und Marvin Minsky auf der Jahrestagung der American Association of Artificial Intelligence auf und lieferten eine Warnung ab, die sich innerhalb von drei Jahren als prophetisch erweisen sollte. Sie hatten den ersten KI-Winter in den 1970ern erlebt und gesehen, wie die Finanzierung zusammenbrach, nachdem Forschende bei maschineller Übersetzung und anderen ambitionierten Versprechen nicht geliefert hatten.

Nun sahen sie es wieder passieren. Expertensysteme waren heiß. Konzerne gaben jährlich über eine Milliarde Dollar für KI aus. Alle wollten dabei sein.

Schank und Minsky sagten der Geschäftswelt: Diese Begeisterung ist überzogen, Enttäuschung ist unvermeidlich, und ihr solltet euch auf einen weiteren Winter vorbereiten.

Die Geschäftswelt bereitete sich nicht vor.

Drei Jahre später begann der Einbruch.

Milliarden verdampften

Der zweite KI-Winter, ungefähr 1987 bis 1993, verwüstete das Feld auf eine Weise, die heute, bei der aktuellen Euphorie und den Investitionsströmen, fast unmöglich wirkt.

Personal Computer hatten 1986 höchstens 44MB Speicher, was es unpraktisch machte, die großen Wissensbasen aufzubauen, die Expertensysteme brauchten. Gleichzeitig wurden Entwicklungskosten für einzelne Unternehmen nicht mehr zu rechtfertigen, wenn einfachere Ansätze die meisten Geschäftsbedürfnisse für einen Bruchteil der Kosten abdecken konnten.

Spezialisierte KI-Firmen wie Lisp Machines und Symbolics hatten teure Hardware gebaut, optimiert für KI-Programmierung, und verlangten Premiumpreise für ihre proprietären Systeme. Dann veröffentlichten Apple und Sun Microsystems Allzweck-Arbeitsstationen, die deren Leistung für einen Bruchteil der Kosten erreichten. Der Markt für Spezialhardware kollabierte um 1987. Das waren keine kleinen Firmen. Sie verschwanden.

Japans Fifth Generation Computer Systems initiative, die ungefähr $500 million investiert hatte, um massiv parallele Computer für KI zu bauen, wurde nach einem Jahrzehnt Arbeit eingestellt. Die U.S. Strategic Computing Initiative, die DARPA mit Träumen von Maschinen finanziert hatte, die “see, hear, speak, and think like a human,” hatte, bekam ihr Budget zusammengestrichen. Ein Bericht beschrieb die Kürzungen als “deep and brutal.”

Die Versicherung, die gewann und verlor

Auf Hacker News teilte ein Nutzer namens blankfrank eine Perspektive, die die komplizierte Realität von Expertensystemen in dieser Ära trifft. Er schrieb über seine Erfahrung, von 1988 bis 1996 KI in einer Versicherung gebaut zu haben: “Our expert system ran on PCs in our 30 branches then migrated to a mainframe.”

Das System “captured $4 million in additional revenue.” Das klingt nach Erfolg. Aber der Entwickler stellte später die sozialen Kosten infrage, als nach Abschluss des Projekts Personal abgebaut wurde. Die Technik funktionierte. Sie strich auch Jobs.

Das war das Muster. Expertensysteme lieferten engen Nutzen, während sie ganze Branchen nicht so umkrempelten, wie versprochen. Die Lücke zwischen Erwartung und Realität schuf die Bedingungen für den Winter.

Was Expertensysteme falsch machten

Die Expertensysteme, die den Boom der 1980er trieben, wirkten damals wie eine gute Idee, und auf dem Papier ergab das Konzept vollkommen Sinn. Menschliches Fachwissen in Regeln fassen. Computer diese Regeln anwenden lassen. Expertise unendlich skalieren.

Digital Equipment Corporations XCON-System konfigurierte Bestellungen für VAX-Computer und sparte dem Unternehmen Berichten zufolge über sechs Jahre $40 million. Erfolgsgeschichten wie diese zogen massive Investitionen an, und bis 1985 gaben Unternehmen weltweit jährlich über eine Milliarde Dollar für KI-Hardware, Software und Beratung aus.

Aber Expertensysteme hatten grundlegende Probleme, die erst im großen Maßstab deutlich wurden. Sie konnten nicht lernen. Jede neue Situation erforderte, dass ein Mensch neue Regeln schrieb. Sie litten am „Qualifikationsproblem“, was nur ein schicker Ausdruck dafür ist, dass sie ungewöhnliche Eingaben nicht vorhersehen konnten und groteske Fehler produzierten, sobald etwas Unerwartetes auftauchte.

Ein weiterer Hacker-News-Kommentator, KineticLensman, der Anfang der 1990er an Expertensystemen arbeitete, stellte fest, dass der regelbasierte Ansatz gut dafür war, “getting domain experts to articulate the heuristics they used,” aber der eigentliche Wert am Ende der Prozess der Wissensextraktion war, nicht das KI-System selbst. Die Oberfläche, die sie für ihre frame-basierte Komponente gebaut hatten, “was repurposed for a successful in-house modelling tool”, das die KI überlebte.

Die KI starb. Das Werkzeug überlebte.

Der 2012er Moment, der alles änderte

Was den zweiten KI-Winter beendete, war kein einzelner Durchbruch, sondern eine Konvergenz, die Jahrzehnte brauchte: bessere Algorithmen, schnellere Hardware und viel mehr Daten, alles ungefähr zur selben Zeit.

Das Schlüsselereignis kam 2012, als ein Team der University of Toronto, angeführt von Geoffrey Hinton, den ImageNet-Wettbewerb mit einem tiefen neuronalen Netz gewann, das sie AlexNet nannten. Ihre Fehlerrate lag bei 15,3 %. Das zweitplatzierte System, das traditionelle Techniken nutzte, lag bei 26,2 %.

Diese Lücke änderte alles.

Neuronale Netze gab es seit den 1950ern. Backpropagation, das Trainingsverfahren, das Deep Learning möglich macht, wurde in den 1980ern populär. Aber die Hardware war nicht leistungsfähig genug. Daten waren nicht reichlich genug. Die Netze blieben flach.

Bis 2012 hatten sich beide Einschränkungen gelockert. GPUs, ursprünglich für Videospiele gebaut, erwiesen sich als perfekt fürs Training neuronaler Netze, weil sie Tausende Matrixoperationen parallel ausführen konnten. Das Internet hatte riesige Datensätze erzeugt. Allein die ImageNet-Datenbank enthielt über eine Million beschriftete Bilder, alle von Menschen kategorisiert.

Forschende erkannten, dass größere Netze, die mit mehr Daten trainiert wurden, konstant besser abschnitten. Diese Beobachtung, später als Skalierungsgesetze formalisiert, trieb den Fortschritt von 2012 bis heute: mehr Parameter, mehr Trainingsdaten und mehr Rechenleistung lieferten zuverlässig bessere Ergebnisse.

Der längste Sommer

Wir sind jetzt seit über dreizehn Jahren in einem durchgehenden KI-Sommer. Investitionen wachsen weiter. Für 2025 wird prognostiziert, dass große Technologiekonzerne $364 billion für KI-Infrastruktur ausgeben, eine Zahl, die vor zehn Jahren unvorstellbar gewirkt hätte.

Der aktuelle Boom unterscheidet sich von früheren in wichtigen Punkten, die für die Frage zählen, ob dieser Sommer hält. Frühere KI-Sommer produzierten Forschungspapiere und Regierungsaufträge, interessante Arbeit, die selten normale Menschen erreichte. Dieser hier produziert Produkte, die Hunderte Millionen täglich nutzen. ChatGPT hat 800 Millionen wöchentlich aktive Nutzer. 92 % der Fortune-500-Unternehmen nutzen es.

Aber ein Hacker-News-Nutzer namens „jerf“ machte in einer Diskussion im Oktober 2024 eine nützliche Unterscheidung dazu, ob ein KI-Winter näher rückt: “You seem to be unable to separate the concept of ‘hype’ from ‘value.’ The original ‘AI Winter’ was near-total devastation. But it’s probably reasonable to think that after the hype train of the last year or two we’re headed into the Trough of Disillusionment.”

Der Gartner-Hype-Zyklus beschreibt ein Muster, in dem neue Technologien eine Phase „überhöhter Erwartungen“ durchlaufen, gefolgt von einem „Tal der Enttäuschung“, bevor sie schließlich ein „Plateau der Produktivität“ erreichen, in dem die Technologie ihre passende Rolle findet. Viele Beobachter glauben, dass KI jetzt in dieses Tal eintritt.

Die Warnsignale

Gary Marcus, ein KI-Forscher und Kognitionswissenschaftler, der seit Jahren skeptisch gegenüber großen Sprachmodellen ist, schrieb in seinen 25 AI Predictions for 2025: “Corporate adoption is far more limited than most people expected, and total profits across all companies (except of course hardware companies like NVidia, which profits from chips rather than models) have been modest at best. Most companies involved have thus far lost money.”

Das spiegelt das Muster früherer Winter mit unangenehmer Präzision wider. Unternehmen investieren massiv. Die Renditen enttäuschen. Die Finanzierung zieht sich zurück.

Berater schätzen, dass die aktuelle Welle an Ausgaben für KI-Infrastruktur bis 2030 jährlich $2 trillion an KI-Umsatz erfordern wird, nur um die Investitionen zu rechtfertigen. Das ist mehr als der kombinierte Umsatz von Amazon, Apple, Alphabet, Microsoft, Meta und Nvidia im Jahr 2024. Die Mathematik ist hart.

Auch technische Grenzen bleiben. Halluzinationen sind nicht gelöst. Systeme erzeugen selbstsicher falsche Informationen, ohne irgendeinen Hinweis darauf, dass sie sich etwas ausdenken. Und die Fähigkeit zu schlussfolgern, trotz beeindruckender Demos, die sich in sozialen Medien weit verbreiten, bricht bei neuen Problemen zusammen, die echtes Verständnis verlangen.

Warum es diesmal tatsächlich anders sein könnte

Frühere KI-Winter passierten, weil die Technik schlicht nicht leisten konnte, was versprochen wurde, egal wie viel Geld oder Zeit man hineinwarf. Expertensysteme konnten mit unerwarteten Eingaben nicht umgehen. Neuronale Netze der 1960er konnten keine komplexen Muster lernen. Die Lücke zwischen Versprechen und Können war fundamental.

Heute ist diese Lücke anders. Die Technik funktioniert nachweislich für viele Aufgaben. Die Frage ist, ob sie gut genug, zuverlässig genug, für genug Aufgaben, und kostengünstig genug funktioniert, um das aktuelle Investitionsniveau zu rechtfertigen.

Das ist eher eine Geschäftsfrage als eine technische.

KI-Werkzeuge senken die Kosten im Kundendienst bei Unternehmen jeder Größe. Sie erhöhen die Produktivität beim Programmieren, indem sie Standardcode übernehmen und Fehler finden. Sie automatisieren Inhaltserstellung, Datenanalyse und Rechercheaufgaben, die früher Stunden menschlicher Arbeit gekostet haben. Das sind keine Forschungsprojekte, die in Laboren stehen. Das sind ausgerollte Produkte, die Unternehmen Geld sparen.

Die Anwendungen sind real, auch wenn der Hype um künstliche allgemeine Intelligenz es vielleicht nicht ist. Wie ein Technologieanalyst es formulierte, ist KI “the new Excel. Everyone uses it, but experts still dominate.”

Die ehrliche Einschätzung

Ein weiterer KI-Winter ist möglich. Investitionen könnten schrumpfen. Startups könnten scheitern. Einstellungsstopps könnten sich durch die Branche ziehen. Das Feld könnte in eine Phase der Konsolidierung und geringerer Ambitionen rutschen.

Aber ein voller Winter, in dem sich KI-Forschung in eine Handvoll akademischer Labore zurückzieht und die Technik aus dem Mainstream verschwindet? Das wirkt unwahrscheinlich. Zu viele echte Anwendungen existieren. Zu viel Infrastruktur wurde gebaut. Zu viele Menschen haben diese Werkzeuge in ihre tägliche Arbeit integriert.

Wahrscheinlicher ist, was ein Hacker-News-Kommentator einen “AI fall.” nannte. Ein Abkühlen der Erwartungen. Ein Wechsel von “AI will replace all jobs” zu “AI is a useful tool that requires human oversight.” Eine Verlagerung der Investitionen weg von spekulativer Forschung hin zu bewährten Anwendungen.

Was uns die Geschichte lehrt

Menschen, die frühere Winter erlebt haben, haben eine Perspektive, von der heutige KI-Enthusiasten profitieren würden. Auch damals wurde die Technik überverkauft. Aber auf jeden Winter folgte echter Fortschritt. Neuronale Netze überlebten den zweiten Winter und wurden später das Fundament des aktuellen Booms.

Die Lehre ist nicht, dass Hype harmlos ist oder dass Winter nicht weh tun. Die Lehre ist, dass nützliche Technik Enttäuschung überlebt.

KI-Winter schneiden Überwuchs zurück. Sie beenden Karrieren und schließen Firmen. Sie räumen Spekulanten und Scharlatane aus dem Weg. Sie beenden das Feld nicht.

Praktische Hinweise

Wenn du beruflich mit KI arbeitest, legt die Geschichte ein paar praktische Lehren nahe.

Baue auf Fähigkeiten, die es heute gibt, nicht auf solche, die es vielleicht morgen gibt. Expertensysteme scheiterten auch deshalb, weil Unternehmen in theoretische zukünftige Fähigkeiten investierten statt in bewiesene aktuelle. Organisationen, die frühere Winter überstanden, konzentrierten sich auf enge Anwendungen, in denen KI nachweislich half.

Rechne mit einer Bereinigung bei Anbietern. Nicht jedes KI-Startup überlebt die nächsten Jahre. Wähle Werkzeuge von Unternehmen mit tragfähigen Geschäftsmodellen und echten Umsätzen, nicht nur mit beeindruckenden Demos und Risikokapital.

Baue echte Kompetenz auf. Wenn der Hype nachlässt, werden Menschen, die verstehen, wie diese Systeme wirklich funktionieren, wertvoller, nicht weniger. Die Entwickler, die nach früheren Wintern aufblühten, waren jene, die die realen Fähigkeiten und Grenzen der Technik verstanden.

Und begreife: Die Geschichte der KI ist keine gerade Linie nach oben. Fortschritt kommt in Wellen. Diese Wellen zu verstehen hilft dir, vom Sommer zu profitieren und dich gleichzeitig auf die Möglichkeit eines Herbstes vorzubereiten.