Belegte Trendlinien & Metriken

Welche Kurven sind belegt — und wie weit tragen sie?

Management-Zusammenfassung

Die belastbarsten Aussagen über die KI-Zukunft sind keine Meinungen, sondern Kurven: messbare Größen, die sich über Jahre in bemerkenswert stabilen Raten verändert haben. Dieses Modul versammelt die sieben wichtigsten und stellt bei jeder die entscheidende Frage, die in Werbeprospekten fehlt: Wie weit darf man diese Kurve seriös fortschreiben — und wo bricht sie?

Das Bild, das entsteht, hat zwei Seiten. Die eine Seite ist eine Serie geradezu atemberaubender Trends. Der Rechenaufwand für Spitzenmodelle wächst seit über einem Jahrzehnt um das Vier- bis Fünffache pro Jahr. Die algorithmische Effizienz verbessert sich so schnell, dass sich der für eine feste Leistung nötige Rechenaufwand etwa alle acht Monate halbiert — deutlich schneller als das berühmte Mooresche Gesetz. Der Preis für eine feste KI-Leistung ist in rund anderthalb Jahren um mehr als das 280-Fache gefallen. Und Fähigkeits-Tests, die 2024 noch als „für Jahre unknackbar" galten, wurden binnen Monaten von der Spitze her aufgerollt. Wer nur diese Seite sieht, hält jede Zukunftsvision für plausibel.

Die andere Seite sind ebenso belegte Grenzen. Dieselben Analysten, die das Compute-Wachstum vermessen, benennen präzise, was es zuerst stoppt: nicht die Ideen, sondern der Strom, dann die Chip-Produktion, dann die Daten. Die Kosten eines einzelnen Spitzen-Trainingslaufs steuern auf die Milliarden-Dollar-Grenze zu. Der Vorrat an hochwertigem menschlichem Text ist absehbar erschöpft. Und die vielleicht wichtigste Ernüchterung kommt aus der Wirtschaft selbst: Zwar setzen inzwischen über drei Viertel der Unternehmen KI ein, aber die große Mehrheit verzeichnet noch keinen messbaren Effekt auf das Betriebsergebnis. Nutzung ist nicht Wertschöpfung.

Der methodische Kernsatz dieses Moduls lautet deshalb: Die belegten Kurven sind kurzfristig robust, aber jede von ihnen stößt auf eine konkrete, benennbare Grenze. Seriöse Extrapolation reicht als *Möglichkeitsraum* bis etwa 2030 — nicht als Punktprognose. Wer eine dieser Kurven ungebremst bis 2040 verlängert, betreibt keine Analyse mehr, sondern Erzählung. Und ein zentraler Streit — geht das Skalieren weiter oder erreicht es ein Plateau? — ist unter seriösen Fachleuten offen und wird hier mit beiden Seiten dargestellt.

Kernaussagen mit Einzelquellen

K1 — Trainings-Rechenaufwand: +4–5× pro Jahr. Der Rechenaufwand zum Training von Frontier-Modellen wächst laut Epoch AI um das 4- bis 5-Fache pro Jahr (Verdopplung alle rund sechs bis sieben Monate), gemessen an über 300 Modellen 2010–2024. [BELEGT] — Epoch AI, „Training Compute … Grows by 4-5x per Year" (epoch.ai/blog/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year).

K2 — Skalieren bis 2030 ist *möglich* — begrenzt zuerst durch Strom. Epoch AI hält Trainingsläufe von rund 2×10²⁹ FLOP bis 2030 für „wahrscheinlich möglich" (etwa das 10.000-Fache von GPT-4). Die zuerst bindende Grenze sei *„power, followed by the capacity to manufacture enough chips"*. [EXTRAPOLATION, quantifiziert] — Epoch AI, „Can AI Scaling Continue Through 2030?" (08/2024), epoch.ai/blog/can-ai-scaling-continue-through-2030.

K3 — Gegenposition: „Peak Data", Pretraining am Ende. Ilya Sutskever (OpenAI- Mitgründer) erklärte auf der NeurIPS 2024: *„Pre-training as we know it will unquestionably end"* — *„we've achieved peak data and there'll be no more"*. [EXPERTENMEINUNG] — Bericht The Verge, 13.12.2024 (techmeme.com/241213/p33). *Dieser Widerspruch zu K2 bleibt bewusst offen (siehe 3.1).*

K4 — Trainingskosten: +2,4× pro Jahr, Kurs auf 1 Mrd. USD. Die amortisierten Kosten des finalen Trainingslaufs von Frontier-Modellen wachsen seit 2016 um das 2,4-Fache pro Jahr; Epoch projiziert Läufe über einer Milliarde Dollar bis 2027. Beispielschätzungen: GPT-4 „around $79 million", Gemini 1.0 Ultra ~192 Mio. USD. [BELEGT] (Wachstumsrate/Schätzungen) / [EXTRAPOLATION] (Mrd.-Prognose) — Epoch AI (epoch.ai/blog/how-much-does-it-cost-to-train-frontier-ai-models); Stanford HAI AI Index 2025, Kap. 1.

K5 — Inferenzpreis: −280× in ~18 Monaten (für feste Leistung). Der Preis für GPT-3.5-Leistungsniveau fiel von 20,00 auf 0,07 USD pro Million Tokens — *„a more than 280-fold reduction in approximately 18 months"* (Nov. 2022 – Okt. 2024). Je nach Aufgabe fielen Inferenzpreise *„anywhere from 9 to 900 times per year"*. [BELEGT] — Stanford HAI AI Index 2025, Kap. 1 (hai.stanford.edu/assets/files/hai_ai-index-report-2025_chapter1_final.pdf).

K6 — Algorithmische Effizienz: Halbierung alle ~8 Monate. *„The level of compute needed to achieve a given level of performance has halved roughly every 8 months"* (95 %-Konfidenz: 5–14 Monate; Sprachmodelle ~2012–2024) — schneller als Moores Gesetz. [BELEGT] — Ho, Besiroglu et al., Epoch/arXiv:2403.05812 (epoch.ai/blog/algorithmic-progress-in-language-models).

K7 — Fähigkeits-Benchmarks: steile Sprünge, dann Sättigung. Auf SWE-bench Verified (Software) stieg die Spitzenleistung von 33,2 % (GPT-4o, Aug. 2024) auf nahe Sättigung binnen zwei Jahren. Auf ARC-AGI-1 sprang das Modell o3 (Dez. 2024) auf 75,7 % (bzw. 87,5 % bei hohem Rechenaufwand), nachdem Modelle jahrelang nahe 0 % lagen. Auf FrontierMath lösten Ende 2024 „none … more than 2 %". [BELEGT] — OpenAI (openai.com/index/introducing-swe-bench-verified/); ARC Prize (arcprize.org/blog/oai-o3-pub-breakthrough); Epoch AI (epoch.ai/frontiermath). *Aktuelle Spitzenwerte 2026 siehe 3.5 — teils [UNKLAR] wegen widersprüchlicher Bestenlisten.*

K8 — Energie: Rechenzentren von 415 auf ~945 TWh (2024→2030). Der globale Stromverbrauch von Rechenzentren lag 2024 bei rund 415 TWh (~1,5 % des Weltstroms) und wächst seit 2017 um ~12 % pro Jahr. Die IEA projiziert rund 945 TWh für 2030 (Basisfall 2035: ~1.200 TWh, Spanne 700–1.700). [BELEGT] (2024) / [EXTRAPOLATION] (Prognosen) — IEA, „Energy and AI", 2025 (iea.org/reports/energy-and-ai/executive-summary).

K9 — Adoption hoch, Wertschöpfung niedrig. Laut McKinsey nutzen 78 % der Organisationen KI in mindestens einer Funktion (2024: 72 %), aber *„more than 80 percent … aren't seeing a tangible impact on enterprise-level EBIT"*. [BELEGT] — McKinsey, „The State of AI", 03/2025 (Erhebung 07/2024).

K10 — Deutschland: KI-Einsatz verdoppelt sich, aber von niedriger Basis. Laut Bitkom setzen 36 % der Unternehmen (ab 20 Beschäftigten) KI ein (2024: 20 %); 47 % planen oder diskutieren es. [BELEGT, Verbandserhebung] — Bitkom, 15.09.2025 (bitkom-research.de/news/durchbruch-bei-kuenstlicher-intelligenz).

K11 — USA: GenAI verbreitet sich schneller als PC und Internet. Ende 2024 nutzten 45,5 % der 18- bis 64-Jährigen generative KI; 32,1 % der Beschäftigten am Arbeitsplatz. Das Adoptionstempo ähnelt dem des PCs, nur früher im Lebenszyklus. [BELEGT] — Bick, Blandin, Deming (St. Louis Fed / NBER), s3.amazonaws.com/real.stlouisfed.org/wp/2024/2024-027.pdf.

Inhaltskapitel

Compute und Scaling — der Motor und seine Grenzen

Die Grundlage des KI-Booms ist eine der stabilsten Kurven der Technikgeschichte: der Rechenaufwand, der in das Training der Spitzenmodelle fließt, wächst seit über einem Jahrzehnt um das Vier- bis Fünffache pro Jahr. Zum Vergleich: Das Mooresche Gesetz verdoppelte die Transistordichte etwa alle zwei Jahre; hier verdoppelt sich der eingesetzte Rechenaufwand etwa alle sechs bis sieben Monate. Diese Kurve ist der eigentliche Motor hinter den Fähigkeitssprüngen — mehr Rechenaufwand, mehr Daten, größere Modelle, bessere Leistung. Das theoretische Fundament dafür sind die „Scaling Laws" (Kaplan 2020; Hoffmann/„Chinchilla" 2022): empirische Gesetzmäßigkeiten, nach denen die Modellleistung mit Rechenaufwand, Daten und Parametern in vorhersagbaren Potenzgesetzen steigt.

Die entscheidende Frage ist nicht, ob diese Kurve existiert — das ist belegt —, sondern wie lange sie hält. Und hier liefert Epoch AI die wohl wichtigste Einordnung des ganzen Moduls: Ein Weiterskalieren bis 2030 auf etwa das 10.000-Fache von GPT-4 sei „wahrscheinlich möglich", aber es stoße in einer klaren Reihenfolge an physische Grenzen — zuerst der Strom, dann die Fähigkeit, genug Chips zu produzieren, dann die Daten. Wichtig ist das Wort „möglich": Epoch sagt nicht „es wird passieren", sondern „es ist physisch machbar, *wenn* weiter so viel Kapital fließt". Ob dieses Kapital fließt, ist eine ökonomische, keine technische Frage.

Dem steht eine ernstzunehmende Gegenposition gegenüber. Ilya Sutskever, einer der Architekten des Feldes, erklärte Ende 2024, das Vortraining „in seiner heutigen Form" werde enden — man habe „Peak Data" erreicht, es gebe „nur ein Internet". Auf den ersten Blick widerspricht das Epochs Optimismus. Auf den zweiten Blick lösen sich beide Positionen teilweise auf: Die Branche verschiebt ihr Skalieren gerade vom reinen *Vortraining* hin zum *Rechnen zur Antwortzeit* — die Reasoning-Modelle aus Z2, die mehr Rechenaufwand nicht ins Training, sondern ins „Nachdenken" pro Anfrage stecken. Der ARC-AGI-Sprung von o3 (siehe 3.5) ist genau dafür das Kronzeugenbeispiel. Für den Leser ist wichtig: Dieser Streit ist echt und offen. Wer behauptet, „Scaling ist tot" oder „Scaling löst alles", greift sich eine Seite heraus und verschweigt die andere.

Was ein Spitzenmodell kostet

Die Compute-Kurve hat einen Preis, und auch er folgt einer stabilen Rate: Die Kosten des finalen Trainingslaufs eines Frontier-Modells wachsen seit 2016 um das 2,4-Fache pro Jahr. Als Schätzungen kursieren rund 79 Millionen Dollar für GPT-4 und rund 192 Millionen für Gemini 1.0 Ultra — wohlgemerkt Schätzungen der amortisierten Kosten, keine offiziellen Firmenzahlen. Epoch projiziert, dass die größten Läufe bis 2027 die Milliarden-Dollar-Grenze überschreiten. Diese Kostenkurve ist der ökonomische Zwilling der Stromgrenze: Sie erklärt, warum Frontier-KI zunehmend ein Spiel für eine Handvoll extrem kapitalstarker Akteure ist — und warum die Frage „lohnt sich das noch?" (siehe 3.7) über das Tempo der nächsten Jahre mitentscheidet.

Der Preisverfall — die für Anwender wichtigste Kurve

Während das *Training* immer teurer wird, wird die *Nutzung* dramatisch billiger — und das ist die Kurve, die den Unternehmer direkt betrifft. Der AI Index beziffert es präzise: Der Preis für KI-Leistung auf dem Niveau von GPT-3.5 fiel binnen rund anderthalb Jahren von 20 auf 0,07 Dollar pro Million Tokens — ein Rückgang um mehr als das 280-Fache. Über verschiedene Aufgaben hinweg fielen die Inferenzpreise „um das 9- bis 900-Fache pro Jahr".

Dieser Preisverfall ist real und folgenreich — aber er birgt eine Denkfalle, die man kennen muss. Die 280-fache Senkung gilt für ein festes Leistungsniveau. Sie besagt: Was 2022 an KI-Leistung teuer war, ist 2024 fast umsonst. Sie besagt *nicht*, dass KI-Nutzung generell 280-mal billiger wird — denn die Anwender greifen in der Regel zum jeweils besten (und teuersten) verfügbaren Modell, dessen Preis neu ansetzt. Die riesige Spanne (9- bis 900-fach) zeigt zudem, wie stark der Effekt von der Aufgabe abhängt. Wer diese Kurve richtig liest, zieht die praktisch wertvollste Lehre: Was heute zu teuer für Ihren Anwendungsfall ist, kann in zwölf bis achtzehn Monaten trivial günstig sein — ein starkes Argument, teure Anwendungsfälle nicht abzuschreiben, sondern zu terminieren.

Algorithmische Effizienz — der leise Verstärker

Neben mehr Rechenleistung wirkt ein zweiter, weniger sichtbarer Hebel: bessere Algorithmen. Epoch beziffert ihn erstaunlich präzise — der Rechenaufwand, der für eine feste Leistung nötig ist, halbiert sich etwa alle acht Monate (mit einer breiten Unsicherheitsspanne von fünf bis vierzehn Monaten). Das ist schneller als Moores Gesetz und bedeutet: Ein Teil des Fortschritts kommt gratis, ohne jeden zusätzlichen Chip, allein aus klügeren Methoden. Für die Extrapolation ist die breite Konfidenzspanne wichtig: Die Punktschätzung „alle acht Monate" darf man nicht überinterpretieren, und Effizienzgewinne können sich verlangsamen, wenn die leicht erreichbaren Verbesserungen ausgeschöpft sind.

Fähigkeits-Benchmarks — steile Sprünge und das Sättigungsmuster

Nichts illustriert das Tempo so drastisch wie die Fähigkeits-Tests. Und nichts illustriert so gut, warum man mit ihnen vorsichtig sein muss.

Das Muster ist stets dasselbe: Ein neuer, „unknackbarer" Test wird vorgestellt, Modelle scheitern zunächst fast vollständig — und dann rollt die Spitze ihn innerhalb von Monaten bis wenigen Jahren auf. Auf SWE-bench Verified, einem Software-Test, lag der Bestwert im August 2024 bei 33,2 % (GPT-4o) und näherte sich binnen zwei Jahren der Sättigung. Auf ARC-AGI-1, einem Test für abstraktes Schlussfolgern, an dem Modelle jahrelang nahe 0 % lagen, sprang das Modell o3 im Dezember 2024 auf 75,7 % (bei hohem Rechenaufwand 87,5 %) — ein Sprung, der die ganze Branche elektrisierte. Auf FrontierMath, einem Test mit Forschungsmathematik, konnte Ende 2024 „keines mehr als 2 %" lösen.

Zwei Lehren sind belegbar. Erstens: Der Fortschritt ist real und schnell. Zweitens, und ebenso wichtig: Benchmark-Sättigung macht die Kurven trügerisch. Sobald ein Test „gelöst" ist, wird ein schwererer gebaut — und die Zeit bis zur Sättigung wird tendenziell kürzer, was eine lineare Fortschreibung verbietet. Hinzu kommen zwei Fallstricke: Die Kosten pro Aufgabe streuen enorm (ein Spitzenergebnis kann das Zehnfache eines guten kosten), und es besteht immer das Risiko, dass Testaufgaben ins Training gelangt sind. Ein „Score" ohne Kostenkontext und ohne Bezug zur echten Arbeitsleistung sagt für den Betrieb wenig aus. *(Die konkreten Spitzenwerte des Jahres 2026 lasse ich hier bewusst offen: Dritt-Bestenlisten lieferten widersprüchliche Zahlen und Modellnamen — [UNKLAR]. Belastbar sind die Startpunkte und das Muster, nicht der Tageswert.)*

Energie und Rechenzentren — die harte physische Grenze

Aus Z3-Sicht schließt sich hier ein Kreis: Die in 3.1 genannte „zuerst bindende Grenze" — der Strom — hat eine eigene, belegte Kurve. Die Internationale Energieagentur (IEA) beziffert den weltweiten Stromverbrauch von Rechenzentren für 2024 auf rund 415 TWh, etwa 1,5 % des Weltstroms, mit einem Wachstum von rund 12 % pro Jahr seit 2017 — mehr als viermal so schnell wie der Gesamtstromverbrauch. Für 2030 projiziert die IEA rund 945 TWh (mehr als der heutige Stromverbrauch Japans), für 2035 im Basisfall etwa 1.200 TWh bei einer Szenariospanne von 700 bis 1.700 TWh. In den USA soll Rechenzentrumsstrom bis 2030 „fast die Hälfte" des Nachfragewachstums ausmachen.

Zwei Dinge sind für die Kalibrierung entscheidend. Erstens: Die IEA isoliert *keinen reinen KI-Anteil* — Rechenzentren beherbergen auch alles andere Digitale; KI ist „der wichtigste Treiber", aber nicht der einzige. Zweitens: Die Spanne für 2035 (Faktor größer als zwei) zeigt die hohe Unsicherheit. Die 945-TWh-Zahl für 2030 ist eine Szenarioprognose, keine Gewissheit. Der belegte Kern ist: Strom ist real der Engpass, um den herum gerade Kernkraft-Verträge, Netzausbau und Standortentscheidungen getroffen werden — und damit einer der handfestesten Frühindikatoren dafür, ob das Skalieren weiterläuft.

Wirtschaftliche Adoption — die Ernüchterung

Am Ende zählt für den Unternehmer nicht der Benchmark, sondern die Wertschöpfung. Und hier liefert die Datenlage die wichtigste Ernüchterung des Moduls. Die Verbreitung ist beeindruckend: Laut McKinsey nutzen 78 % der Organisationen KI in mindestens einer Funktion, 71 % nutzen regelmäßig generative KI. In den USA nutzten Ende 2024 bereits 45,5 % der Erwachsenen im Erwerbsalter generative KI — eine schnellere Verbreitung als seinerzeit beim PC oder Internet. In Deutschland verdoppelte sich der KI-Einsatz in Unternehmen laut Bitkom binnen eines Jahres von 20 auf 36 %.

Doch die Nutzung übersetzt sich noch nicht in Gewinn: Laut McKinsey sehen „mehr als 80 %" der Unternehmen *keinen* messbaren Effekt auf das Betriebsergebnis; nur eine kleine Minderheit hat ihre Arbeitsabläufe grundlegend umgebaut. Das ist kein technischer, sondern ein organisatorischer und ökonomischer Befund — und vermutlich der wichtigste für die eigene Planung. Adoptionskurven sind zudem S-Kurven; ihre frühe Steilheit darf man nicht linear fortschreiben. *(Hinweis: Die McKinsey-Zahlen sind die Ausgabe von März 2025; eine neuere Ausgabe wäre vor Drucklegung zu prüfen. Bitkom ist ein Branchenverband mit entsprechender Interessenlage.)*

Was heißt das für den Unternehmer heute?

Erstens, die vielleicht praktischste Einzellehre: Terminieren Sie teure Anwendungsfälle, statt sie abzuschreiben. Der Preisverfall (280-fach für feste Leistung in anderthalb Jahren) bedeutet, dass ein KI-Projekt, das heute an den Kosten scheitert, in zwölf bis achtzehn Monaten wirtschaftlich sein kann. Legen Sie solche Fälle nicht ad acta, sondern auf Wiedervorlage.

Zweitens: Trennen Sie Nutzung von Wertschöpfung. Dass „alle" KI einsetzen und über 80 % trotzdem keinen Ergebniseffekt sehen, ist die zentrale Warnung. Der Engpass liegt selten im Modell und fast immer in Daten, Prozessen und Change-Management. Messen Sie Ihre KI-Vorhaben an Ergebniswirkung, nicht an Nutzungsquoten — sonst gehören Sie zu den 80 %.

Drittens: Beobachten Sie die Stromkurve als Fieberthermometer der ganzen Branche. Solange Rechenzentren im projizierten Tempo zugebaut und mit Strom versorgt werden, läuft das Skalieren weiter. Stocken Netzausbau oder Genehmigungen, ist das ein handfestes Signal für ein langsameres Szenario — unabhängig von jedem Marketing.

Viertens, zur Souveränität im Gespräch: Fragen Sie bei jeder extrapolierten Kurve nach der Grenze. „Diese Kurve steigt seit Jahren — was stoppt sie zuerst, und wann?" Für die belegten KI-Kurven lautet die seriöse Antwort: Strom, dann Chips, dann Daten, dann Kapital — und der Möglichkeitsraum der Extrapolation reicht seriös bis etwa 2030, nicht bis 2040. Wer eine Kurve weiter zieht, muss die Grenze wegargumentieren — und das sollte er begründen können.

Quellenliste + „schnell veraltend"

• Epoch AI, Trainings-Compute +4–5×/Jahr:

https://epoch.ai/blog/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year

• Epoch AI, „Can AI Scaling Continue Through 2030?":

https://epoch.ai/blog/can-ai-scaling-continue-through-2030

• Sutskever, NeurIPS 2024 („Peak Data"), Bericht The Verge:

https://www.techmeme.com/241213/p33

• Epoch AI, Trainingskosten:

https://epoch.ai/blog/how-much-does-it-cost-to-train-frontier-ai-models

• Stanford HAI, AI Index 2025, Kapitel 1 (Kosten, Inferenzpreise):

https://hai.stanford.edu/assets/files/hai_ai-index-report-2025_chapter1_final.pdf

• Epoch AI / Ho, Besiroglu et al., algorithmische Effizienz:

https://epoch.ai/blog/algorithmic-progress-in-language-models — https://arxiv.org/abs/2403.05812

• Scaling Laws: Kaplan et al. 2020 (https://arxiv.org/abs/2001.08361);

Hoffmann et al. „Chinchilla" 2022 (https://arxiv.org/abs/2203.15556)

• SWE-bench Verified (Start): https://openai.com/index/introducing-swe-bench-verified/
• ARC-AGI / o3-Durchbruch: https://arcprize.org/blog/oai-o3-pub-breakthrough ;

ARC-Prize-2025-Analyse: https://arcprize.org/blog/arc-prize-2025-results-analysis

• FrontierMath: https://epoch.ai/frontiermath/the-benchmark
• IEA, „Energy and AI", 2025:

https://www.iea.org/reports/energy-and-ai/executive-summary

• McKinsey, „The State of AI", 03/2025:

https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value

• Bick, Blandin, Deming (St. Louis Fed):

https://s3.amazonaws.com/real.stlouisfed.org/wp/2024/2024-027.pdf

• Bitkom, KI-Einsatz Deutschland, 09/2025:

https://bitkom-research.de/news/durchbruch-bei-kuenstlicher-intelligenz

Schnell veraltend: Die absoluten Zahlen (Kosten einzelner Modelle, Benchmark-Bestwerte, Adoptionsquoten, TWh-Prognosen) altern binnen Monaten. Was länger trägt, sind die Raten (4–5×/Jahr Compute, Halbierung alle ~8 Monate Effizienz, ~12 %/Jahr Rechenzentrumsstrom) und die Grenz-Reihenfolge (Strom → Chips → Daten → Kapital). Beim Aktualisieren zuerst die Adoptions- und Energiezahlen prüfen — sie bewegen sich am schnellsten.

Selbstprüfungs-Notiz

Was ist solide belegt? Die tragenden Raten stehen auf gutem Grund und stammen überwiegend von der auf genau diese Messungen spezialisierten Organisation Epoch AI sowie vom Stanford AI Index und der IEA — allesamt vergleichsweise neutrale Anker. Die Compute-Rate, die Effizienz-Halbierung, der 280-fache Inferenz-Preisverfall, die Energiezahlen und der Adoptions-/EBIT-Befund sind mit Zahl und Datum belegt.

Wo sind die schwächsten Stellen? (1) Die aktuellen Benchmark-*Spitzenwerte* 2026 sind wegen widersprüchlicher Bestenlisten als [UNKLAR] ausgewiesen; belegt sind nur Startpunkte und Muster. (2) Die Milliarden-Dollar-Prognose (2027) und die TWh-Prognosen (2030/2035) sind Extrapolationen mit breiter Spanne, entsprechend markiert. (3) Die wörtlichen Koeffizienten der Scaling Laws (Kaplan/Chinchilla) sind hier nur sekundär referiert; bei Zitatbedarf die Original-Paper öffnen. (4) Die McKinsey-Zahlen sind Stand März 2025; Bitkom ist ein Verband — beides im Text gekennzeichnet.

Wichtigster offener Widerspruch: „Skalieren geht weiter" (Epoch: bis 2030 möglich) gegen „Peak Data / Pretraining endet" (Sutskever). Bewusst mit beiden Seiten dargestellt; die Teil-Auflösung (Verschiebung zu Rechnen zur Antwortzeit) ist selbst noch jung und nicht abschließend belegt.

Gesamturteil: Das quantitative Fundament ist stabiler als jede Einzelprognose, die darauf aufbaut. Die zentrale, gut belegte Botschaft — kurzfristig robuste Kurven, aber konkrete, benannte Grenzen; Extrapolation seriös nur als Möglichkeitsraum bis ~2030 — trägt die Szenarien in Z4.