KI-Wettlauf 2026: Innovationen, Investitionen und Machtfragen

Prof. Dr. Frank Schönefeld ist ein erfahrener Experte im Bereich der künstlichen Intelligenz und ein regelmäßiger Gast im Podcast "Ausgesprochen digital". Er ist seit 28 Jahren bei der Telekom MMS tätig und beschäftigte sich bereits davor mit neuronalen Netzen für Zeitreihenvorhersage und Gesichtserkennung – eine Technologie, die heute durch Deep Learning eine Renaissance erlebt.

Er ist also ein echter Zeitzeuge und hat die Entwicklung der KI über Jahrzehnte hinweg miterlebt und beobachtet. Im Podcast teilt er regelmäßig seine Einschätzungen zu aktuellen KI-Trends und -Entwicklungen, wobei seine Perspektive geprägt ist von technischer Expertise und gleichzeitiger kritischer Reflexion der Chancen und Herausforderungen. 

2025 erweist sich als ein besonders prägendes Jahr, weil die künstliche Intelligenz ihre experimentelle Phase endgültig hinter sich gelassen hat und in eine neue Stufe technologischer Reife eingetreten ist. Frank Schönefeld beschreibt es damit, dass KI nicht mehr durch einzelne „Großmomente“ voranschreitet, sondern durch eine Vielzahl kleiner, aber hochwirksamer Innovationen, die sich zu gewaltigen Sprüngen summieren.

Dazu gehört insbesondere der Wechsel von der klassischen Single‑Token Prediction hin zur Multi‑Token Prediction: Statt jeden Token einzeln zu generieren, produzieren moderne Modelle nun zwei bis vier Tokens gleichzeitig – ein Verfahren, das die Effizienz beim Generieren von Texten nahezu im gleichen Faktor steigert und in Summe einen spürbaren Performance‑Boost liefert.

Ergänzt wurde dieser Fortschritt durch leistungsfähigere Hardware, neue Optimierungsalgorithmen und effizientere Modellarchitekturen, die gemeinsam einen bis zu sechsfachen Intelligenz‑Zuwachs gegenüber Modellen von 2022 möglich machen. Diese Kombination aus technischer Reife, Effizienz und Geschwindigkeit führte dazu, dass KI 2025 zu einem festen Bestandteil wirtschaftlicher Kernprozesse wurde und den Weg in Bereiche fand, die man noch vor wenigen Jahren für zu komplex hielt – ein entscheidender Schritt auf dem Weg zur kritischen Infrastruktur.

2025 war vor allem das Jahr, in dem Agentic AI ihren Durchbruch erlebte. Agentische Systeme wurden erstmals so leistungsfähig, dass sie viele der Schwächen klassischer Large Language Models (LLMs) kompensieren konnten. Agenten übernehmen jetzt unterschiedliche Rollen – etwa Qualitätssicherung oder Lösungsfindung – und arbeiteten mit einer vollständigen Speicher-Hierarchie bestehend aus Kurzzeitgedächtnis, Episodengedächtnis und Langzeitgedächtnis. Dadurch können sie Aufgaben autonom planen, Zwischenschritte selbst verifizieren und sogar entscheiden, wann sie menschliches Feedback benötigen.

Diese neue Autonomie wird durch den massiven technischen Fortschritt möglich, führt jedoch auch zu einem 20‑fach höheren Ressourcenbedarf im Vergleich zu normalen Prompts, was Energie und Kosten auf ein neues Niveau hebt. Gleichzeitig zeigt sich das enorme Potenzial von Agentic AI als kritische Zukunftstechnologie: Sie macht KI‑Systeme robuster, zuverlässiger und bringt sie deutlich näher an echte digitale Assistenten. Damit werden KI-Agenten zu einem der zentralen Themen – sowohl technologisch als auch wirtschaftlich.

Der globale KI-Wettlauf zwischen den USA und China ist nun zu einem zentralen geopolitischen Faktor geworden. Aktuelle Benchmarks wie der von OpenAI verwendete GDPval¹ zeigen, dass moderne KI-Modelle bereits rund 70 % wirtschaftsrelevante Aufgaben auf dem Leistungsniveau von Menschen oder darüber lösen können – ein Indikator dafür, wie strategisch bedeutend KI inzwischen für wirtschaftliche und politische Macht geworden ist. Während die USA mit Modellen wie GPT oder Gemini von Google, Anthropic und xAI lange klar führten, hat China 2025 massiv aufgeholt.

Sprachmodelle wie DeepSeek, Moonshot AI oder die QwenSerie von Alibaba erreichen in Basis-Benchmarks inzwischen ein Leistungsniveau, das die USA teilweise übertrifft; nur in hochentwickelten Benchmarks liegen amerikanische Systeme noch leicht vorn. Gleichzeitig verfügt China über strukturelle Vorteile: deutlich günstigere Energie, eine enorme Ingenieurskapazität und starke Positionen im Bereich der Open-Weight-Modelle, die zunehmend weltweit genutzt werden. All dies verändert die geopolitische Balance.

Europa und die USA stehen dadurch vor wichtigen Fragen der KI-Souveränität, da westliche Unternehmen perspektivisch darauf angewiesen sein könnten, auch chinesische Modelle zu nutzen, um im globalen Wettbewerb bestehen zu können. Der KI-Wettlauf ist damit längst nicht mehr nur ein technologisches Kräftemessen – er entscheidet über wirtschaftliche Resilienz, digitale Abhängigkeiten und geopolitische Gestaltungsmacht.

Doch auch die USA bleiben ein entscheidender Akteur. Sie kontrollieren große Teile der globalen Chip und Cloud-Infrastruktur, und Unternehmen wie Google, Microsoft oder NVIDIA investieren Milliarden, um ihre Spitzenposition in Forschung und Produktion zu sichern. Die Spannungen zwischen beiden Ländern verschärfen sich dadurch weiter – und beeinflussen, welche Technologien weltweit verfügbar sind, wie Lieferketten organisiert werden und wo KI zukünftig gehostet oder trainiert werden kann.

Für Europa stellt diese Entwicklung eine zentrale Frage: Reichen regulatorische Rahmen, industrielle Kooperationen und einzelne starke Modelle wie Mistral aus, um technologisch souverän zu bleiben? Oder droht Europa zum reinen Anwender in einem KI-Duopol zwischen USA und China zu werden?

Während die USA und China im Wettrennen um die leistungsstärksten KI‑Modelle dominieren, stellt sich Europa zunehmend die Frage, wie technologische Souveränität unter diesen Bedingungen aussehen kann. Der Aufbau eigener Foundation Models ist für viele EU‑Länder kaum noch realistisch – der finanzielle Abstand, der enorme Talentbedarf und der Vorsprung der internationalen Tech‑Konzerne sind schlicht zu groß.

Eine der wenigen europäischen Ausnahmen ist Mistral, dessen Modelle als einzige aus Europa in der Spitzengruppe mithalten können. Statt den globalen Plattformen hinterherzulaufen, richtet sich der Blick innerhalb der EU daher stärker auf Europas eigentliche Stärken: hochwertige industrielle Daten, robuste Fertigungsprozesse und die enge Verzahnung von Forschung, Mittelstand und Maschinenbau, die als Grundlage für Industrial AI und datenbasierte Innovationen dienen.

Initiativen wie das europäische IPCEI AI-Programm, GaiaX, Manufacturing-X und neue Kooperationen zwischen Industrie und Forschung – etwa souveräne Datenräume und die Industrial AI Cloud der Telekom – zeigen, dass Europa digitale Souveränität eher durch die Kontrolle von Data Pipelines, die sichere Bereitstellung von KI-Infrastrukturen und die vertrauenswürdige Integration von KI in industrielle Wertschöpfung als durch eigene Basismodelle sichern will.

Gleichzeitig bleibt die Regulierung ein Balanceakt: Während der AI Act klare Leitplanken setzt, warnen Unternehmen und Forschung gleichermaßen, dass zu komplexe Vorgaben Innovationen bremsen könnten und der Rückstand zu den USA und China sonst weiterwächst.

Europa steht damit 2026 an einem strategischen Scheideweg: Es geht nicht darum, die größten Modelle der Welt zu bauen, sondern KI verantwortungsvoll, sicher und effektiv in Wirtschaft und Verwaltung zu verankern – und jene Bereiche auszubauen, in denen der Kontinent traditionell führend ist: industrielle Exzellenz, Datenhoheit und vertrauenswürdige digitale Infrastrukturen.

Während viele Diskussionen über KI sich auf Sprachmodelle und Büroarbeit konzentrieren, findet ein mindestens ebenso bedeutender Wandel in der industriellen Wertschöpfung statt. Unternehmen aus Fertigung, Logistik und Maschinenbau stehen vor der Aufgabe, ihre Prozesse mit KI neu zu denken – von der Produktionssteuerung über Qualitätskontrollen bis hin zu Predictive Maintenance. Zwar existieren einzelne KI-Anwendungen in der Industrie bereits seit Jahren, doch der breite, systematische Einsatz generativer und autonomer KI steckt vielerorts noch in den Kinderschuhen.

Dennoch gibt es erste Vorreiter, die zeigen, welches Potenzial in Industrial AI steckt. Partnerschaften wie die zwischen Siemens und NVIDIA oder Initiativen rund um die Industrial AI-Cloud schaffen eine Infrastruktur, die es Unternehmen ermöglicht, KI nicht nur punktuell, sondern in ganzen Prozessketten zu integrieren. Gleichzeitig investieren Konzerne wie die Schwarz Gruppe in eigene KI-Rechenzentren, um unabhängiger zu werden und industrielle Daten sicher zu verarbeiten. Besonders spannend: Auch kleinere Softwareunternehmen beweisen, wie effizient KI-Prozesse verändern kann – etwa durch KI-gestützte Softwareentwicklung, die Projekte massiv beschleunigt und Entwicklungszyklen verkürzt.

Doch so vielversprechend diese Entwicklungen sind: Für viele Industriebetriebe bleibt der Weg zur umfassenden KI-Integration anspruchsvoll. Fehlende Ressourcen, Legacy Systeme, regulatorische Vorgaben und der Mangel an KI-Knowhow führen dazu, dass bislang nur ein Teil der Unternehmen KI strategisch im Kern ihrer Wertschöpfung verankert hat. Umso klarer zeigt sich, welche Betriebe in den nächsten Jahren an Wettbewerbsfähigkeit gewinnen – und welche Gefahr laufen, technologisch zurückzufallen.

Die wirtschaftliche Dynamik rund um künstliche Intelligenz ist geprägt von enormen Erwartungen – und ebenso großen Unsicherheiten. Milliarden fließen in Rechenzentren, KI‑Infrastruktur, Chipfabriken und neue Foundation‑Model‑Generationen, während Anbieter versuchen, tragfähige KI‑Geschäftsmodelle zu etablieren. Besonders deutlich zeigt sich dies bei Foundation‑Model‑Unternehmen, die zwischen rasant wachsender Nachfrage, hohen Betriebskosten und einem massiven Energieverbrauch balancieren müssen.

Selbst Marktführer verfügen zwar über hunderte Millionen wöchentliche Nutzer, doch viele Modelle refinanzieren sich derzeit noch nicht über Abo‑Modelle, API‑Nutzung oder agentische Anwendungen (Agentic AI). Deshalb entstehen neue Monetarisierungsstrategien – von Werbung in KI‑Interfaces bis hin zu tiefen Ökosystem‑Integrationen, die Kund*innen langfristig binden sollen.

Parallel dazu setzen etablierte Tech‑Konzerne, wie Google, auf einen anderen Ansatz: Sie integrieren KI schrittweise in bestehende Plattformen, nutzen ihre enormen Cashflows und ihre breite KI‑Wertschöpfungskette, um Investitionen zu stemmen, die für reine KI‑Unternehmen kaum möglich wären.

Diese Verbindung aus Marktmacht, Infrastruktur und etabliertem Geschäftsmodell verschafft ihnen einen strukturellen Vorteil – sowohl gegenüber Start‑ups als auch gegenüber Open‑Weight‑Modellen. Gleichzeitig beobachten wir erste Marktbereinigungen: Nicht jede Investition trägt sich, manche ambitionierten Projekte geraten wirtschaftlich unter Druck, und der Wettbewerb verschärft sich durch technologische Sprünge wie effizientere Multi‑Token‑Prediction oder spezialisierte Industrie.

Für Unternehmen stellt sich damit die Frage, wann und wie KI tatsächlich wirtschaftlichen Mehrwert erzeugt. Während die langfristigen Potenziale kaum bestritten werden, zeigen die Entwicklungen der letzten Jahre, dass nachhaltige KI‑Geschäftsmodelle eine präzise Positionierung, klare Zielmärkte und ein tiefes Verständnis der eigenen Wertschöpfung benötigen. KI allein garantiert keinen Erfolg – entscheidend ist, wie sie in Produkte, Prozesse und Geschäftsmodelle eingebettet wird und ob sie echte Effizienzgewinne realisiert.

Die Auswirkungen von künstlicher Intelligenz auf den Arbeitsmarkt werden 2026 deutlicher spürbar – jedoch oft anders, als viele Prognosen vermuten ließen. Während Visionäre wie Elon Musk davon sprechen, dass Arbeit in 10 bis 20 Jahren optional werden könnte, zeichnet sich ein differenzierteres Bild ab. Die Einschätzung von Jensen Huang, CEO von NVIDIA, wirkt realistischer: Menschen verlieren ihren Job nicht an KI, sondern an Menschen, die KI kompetent einsetzen. Dieser Gedanke prägt zunehmend die Realität in Unternehmen, die sich mitten in der digitalen Transformation befinden.

Besonders betroffen sind Tätigkeiten mit hohem Anteil an Wissen, Analyse oder Dokumentationsarbeit. Frank Schönefeld verweist auf einen wachsenden Betroffenheitsindex⁴, der zeigt, dass technische Rollen, Assistenzfunktionen und administrative Aufgaben besonders anfällig für kognitive Automatisierung sind. Mit dem Aufkommen von Agentic AI, autonomen KI-Systemen mit Rollenverständnis und Speicherhierarchien, steigt das Automatisierungspotenzial zusätzlich. Parallel wächst der Druck auf Beschäftigte, neue Kompetenzen zu entwickeln – von Prompting Skills über den sicheren Umgang mit agentischen Systemen bis hin zur Fähigkeit, KI-gestützte Prozesse kritisch zu bewerten und in die eigene Wertschöpfung zu integrieren.

Gleichzeitig bleiben viele Berufe deutlich stabiler, als häufig prognostiziert. Tätigkeiten, die kognitive Fähigkeiten mit manueller Präzision, sozialer Interaktion oder direktem menschlichem Kontakt verbinden, sind weiterhin nur schwer durch KI zu ersetzen. Pflege, Medizin, Handwerk oder soziale Dienstleistungen profitieren zwar von KI-Assistenz, doch die Kernhandlungen bleiben menschlich – und damit weniger gefährdet durch autonome KI-Systeme.

Für Unternehmen bedeutet das: Der Wandel betrifft weniger komplette Berufe als vielmehr einzelne Aufgaben innerhalb von Jobs. Wer KI sinnvoll integriert, Mitarbeitende weiterbildet und KI-Produktivitätseffekte gezielt nutzt, schafft klare Wettbewerbsvorteile. Wer zögert, riskiert den Anschluss – nicht an die Technologie selbst, sondern an Mitarbeitende und Organisationen, die KI als festen Bestandteil moderner Wertschöpfung begreifen. Die Frage ist längst nicht mehr, ob KI den Arbeitsmarkt verändert, sondern wie wir diesen Übergang gestalten.

Wie wir Europas Rolle im KI-Zeitalter aktiv gestalten, welche Chancen agentische Systeme eröffnen und warum jetzt der richtige Zeitpunkt ist, Geschäftsmodelle und Arbeitswelten neu zu denken – all das vertiefen wir in dieser Podcast-Folge. Jetzt reinhören und Inspiration für den eigenen Kurs im KI-Wandel mitnehmen!

Moderiert wird diese Folge von Steffen Wenzel, Mitgründer und Geschäftsführer von politik-digital.

¹  GDPval Benchmark zu realen Arbeitsaufgaben | OpenAI

² Vergleich Energieverbrauch, insbesondere GPT-Gemini | carbon credits.com

³ Führende Unternehmen mit eigenen KI-Modellen | artificialanalysis.ai

⁴ Betroffenheitsindex | Microsoft Research: Working with AI: Measuring the Occupational Implications of Generative AI. Arxiv: 2507.07935v3   Microsoft Research