Während Milliarden in ChatGPT-ähnliche Technologien fließen, treibt herkömmliche, weniger auffällige KI weiterhin alles an, von Metas Gewinnen bis hin zum Raketenentwurf.
David Paul Morris/Bloomberg via Getty Images
Meta $META hat im letzten Quartal mehr als 18 Milliarden Dollar Gewinn gemacht, aber es war nicht die Art von KI, über die alle reden, die den Geldsegen brachte. Während CEO Mark Zuckerberg Milliarden für den Aufbau von "Superintelligenz" Infrastruktur ausgab und Träumen von generativer KI nachjagte, kamen die tatsächlichen Umsatzzuwächse des Unternehmens von traditionellem maschinellem Lernen – auch bekannt als dieselben Empfehlungsalgorithmen, die seit Jahren unauffällig Facebooks und Instagrams Anzeigen-Targeting antreiben.
Während der KI-Boom anhält, hat sich eine wachsende Diskrepanz herausgebildet. Auf der einen Seite ist der Hype und der Geldfluss: hin zu generativer KI und großen Sprachmodellen. Auf der anderen Seite sehen Unternehmen tatsächlich Ergebnisse. Während Milliarden in ChatGPT-ähnliche Technologien fließen, treiben traditionelle, weniger auffällige, nicht-generative Techniken weiterhin unauffällig alles an, von Metas Werbeprofiten bis hin zu personalisierten medizinischen Diagnosen und dem Design von Raketentriebwerken.
Schließen Sie sich über 500.000 Lesern an, die ihren Tag mit Quartz beginnen.
Mit dem Abonnieren stimmen Sie unseren Nutzungsbedingungen und unserer Datenschutzrichtlinie zu.
Diese Kluft schafft sowohl übersehene Chancen für Investoren als auch ein Missverhältnis zwischen der KI, die finanziert wird, und der KI, die tatsächlich funktioniert.
Die Zahlen aus Metas Ergebnistelefonkonferenz für das zweite Quartal erzählen eine deutliche Geschichte. Meta CFO Susan Li war unverblümt: "[W]ir erwarten nicht, dass die GenAI-Arbeit in diesem oder im nächsten Jahr ein bedeutender Umsatztreiber sein wird", sagte sie. In der Zwischenzeit lieferten die traditionellen maschinellen Lernsysteme des Unternehmens einen Anstieg der Anzeigenkonversionen um etwa 5 % auf Instagram und 3 % auf Facebook.
Der Unterschied liegt darin, was diese KI-Systeme tun. Die heutige Aufmerksamkeits-erregende generative KI – große Sprachmodelle wie ChatGPT und Bildgeneratoren wie Midjourney – erzeugt neue Inhalte, indem sie vorhersagen, was als nächstes kommen sollte. Alles andere stellt eine große Bandbreite an verschiedenen Technologien dar, einschließlich neuronaler Netze, die Bilder klassifizieren, Algorithmen, die Betrug erkennen, Systeme, die Produkte empfehlen, und Modelle, die Lieferketten optimieren. Generative KI ist relativ neu, während diese anderen Ansätze schon seit Jahren und in einigen Fällen seit Jahrzehnten entwickelt wurden.
Die Neuheit der generativen KI erklärt sowohl die Aufregung als auch die bisher begrenzten Ergebnisse. Als er Metas Experimente mit Llama 4 zur Entwicklung autonomer KI-Agenten diskutierte, räumte Zuckerberg ein, dass die Arbeit "derzeit in geringem Umfang stattfindet, sodass ich mir nicht sicher bin, ob dieses Ergebnis an sich ein wesentlicher Beitrag zu den Einnahmen dieses Quartals war." Der Verlauf, sagte er, sei "sehr optimistisch."
Dieser Optimismus wird in der gesamten Investmentwelt geteilt. Private Investitionen in generative KI erreichten im Jahr 2024 33,9 Milliarden Dollar, ein Anstieg von 18,7 % gegenüber 2023 und mehr als das 8,5-fache der Werte von 2022, laut Stanfords KI-Index-Bericht. The sector now represents more than 20% of all AI-related private investment, which itself hit a record $252.3 billion. The U.S. dominates this landscape, with American private AI investment reaching $109.1 billion, almost 12 times higher than China's $9.3 billion.
Aber die intensive Fokussierung der Risikokapitalgemeinschaft auf generative KI bedeutet nicht, dass das traditionelle maschinelle Lernen völlig aufgegeben wurde. Die Finanzierungsszene ist nuancierter und zeigt die Komplexität der Investition in einen sich schnell entwickelnden Technologiebereich auf.
"Das fühlt sich wirklich wie ein grundlegender Wandel an und wir befinden uns noch in den frühen Tagen", sagte Amy Cheetham, eine Frühphasen-Investorin bei Costanoa Ventures, und vergleicht generative KI mit früheren Technologieschüben wie dem Internet, Mobilfunk und Cloud-Computing. "Es wird wirklich schwer sein, irgendeine Art von Unternehmen zu gründen, ohne irgendwo in ihrem Produkt oder in ihren internen Tools irgendeine Komponente davon zu integrieren."
Das Problem ist, dass der Erfolg der generativen KI seine eigene Dynamik schafft und mit einer Geschwindigkeit wächst, die die Welt noch nie zuvor gesehen hat, bei weniger Menschen. Das macht Unternehmen für Investoren unwiderstehlich, bedeutet aber auch, dass einige Unternehmen, die nach dem Aufschwung der generativen KI im Jahr 2023 gegründet wurden, übersehen werden - selbst wenn einige mehr Aufmerksamkeit erhalten sollten.
„Ich denke, viele von ihnen werden aus nicht den besten Gründen von Investoren übersehen, und es ist einfach, weil es im Bereich der generativen KI etwas gibt, das ein bisschen sexier ist“, sagte Cheetham.
Einige Sektoren haben die alten Ansätze nie aufgegeben. Die Medizin verwendet seit Jahrzehnten traditionelle KI. Neuronale Netze zur Gebärmutterhalskrebsfrüherkennung wurden bereits in den klinischen Studien schon im Jahr 1995 getestet.
Die jüngste Forschung setzt diese Tradition fort. Eine Studie analyzierte 20 Jahre Bluttestergebnisse von Zehntausenden von Patienten, um personalisierte "normale" Bereiche zu erstellen, anstatt der universellen Referenzintervalle, die Ärzte derzeit verwenden.
"Was für dich normal ist, mag für jemand anderen nicht normal sein", sagte Brody Foy, Assistenzprofessor für Labormedizin und Pathologie an der University of Washington, der die Forschung durchgeführt hat.
Die Vorliebe für bewährte Vorgehensweisen spiegelt die einzigartigen Zwänge der Medizin wider. Datenschutzgesetze wie HIPAA schaffen zusätzliche Hürden für jede neue Technologie, die mit Gesundheitsdaten arbeitet. Grundsätzlich können medizinische Fehler tödlich sein, weshalb Ärzte und Krankenhäuser bei der Einführung experimenteller KI-Systeme natürlich vorsichtig sind.
Aber abgesehen von diesen Sicherheitsbedenken besteht die Herausforderung nicht immer darin, bessere Technologie zu finden, sondern jede Technologie innerhalb bestehender Systeme zum Funktionieren zu bringen. Medizinische Arbeitsabläufe sind berüchtigt komplex und umfassen mehrere Spezialisten, regulatorische Anforderungen und Patientensicherheitsprotokolle, deren Navigation Jahre dauern kann.
„Es kann wirklich gute Anwendungen für die neue große Technik geben, aber oft war es nicht die Technik, die der limitierende Faktor war“, sagte Foy. „Der limitierende Faktor war, wie man das in einem wirklich komplexen System integriert, in dem Menschen komplexe Entscheidungen treffen?“
Die gleichen Integrationsherausforderungen gibt es in Branchen, in denen Fehler katastrophal sein können. In der Luft- und Raumfahrt, wo Raketentriebwerke entweder perfekt funktionieren oder explodieren, hat das in Dubai ansässige Startup Leap 71 ein KI-System entwickelt, das deterministisch auf der Basis eingebetteter physikalischer Gesetze arbeitet, anstatt probabilistische Vermutungen wie generative KI anzustellen.
„Sie erfassen tatsächlich die Logik, wie man ein Raketentriebwerk baut“, sagte Lin Kayser, Mitbegründer von Leap 71. „Wir nutzen generative KI, um Artikel zu lesen und Informationen für uns zusammenzufassen. Aber ansonsten brauchen wir es derzeit nicht für den Bau von Raketen.“
Dieser Ansatz hat bereits funktionierende Raketentriebwerke hervorgebracht. Im Jahr 2024 entwarf Noyron ein kleines Raketentriebwerk, das in einem Stück im 3D-Druck hergestellt und erfolgreich getestet wurde. Im Januar 2025 entwarf das Unternehmen einen noch komplexeren Triebwerkstyp. Das Unternehmen strebt nun an, bis 2029 Triebwerke zu entwickeln, die mit dem Raptor-Triebwerk von SpaceX konkurrieren können.
Der Erfolg hat Leap 71 in das breitere Gespräch über das Potenzial der KI eingebracht, obwohl sich der Ansatz grundlegend von den generativen Modellen unterscheidet. Der Hype kann eine Ablenkung sein, etwas, das Kayser in 30 Jahren als Unternehmer beobachtet hat.
„Ich habe nichts gegen die Werbung, weil sie uns Kunden beschert“, sagte er. „Aber gleichzeitig versuchen wir einfach nur, sorgfältig Raketen zu bauen.“
Auf institutioneller Ebene sieht das Bild anders aus. Universitäten bieten Raum sowohl für experimentelle generative KI-Forschung als auch für bewährte traditionelle Ansätze. Forscher können risikoreichere, unbewiesene Ideen verfolgen, während VCs marktreife Lösungen benötigen, die Renditen erzielen können, so Vanessa Parli, Direktorin der Forschung am Human-Centered AI Institute von Stanford und Mitglied des Steuerungskomitees des AI Index.
Die Attraktivität der generativen KI hat sich weit über Informatikabteilungen hinaus in Bereiche wie Biologie, Psychologie und Umweltwissenschaften ausgebreitet. Die benutzerfreundliche Oberfläche der Technologie macht sie für Forscher ohne tiefes KI-Fachwissen attraktiv. Aber in Bereichen wie Nachhaltigkeit arbeiten Forscher weiterhin an einfacheren Methoden, die oft besser funktionieren, da sie kleinere Datensätze und spezifische technische Anforderungen haben.
„[Generative KI] ist nicht die einzige Art von KI, die entwickelt wird“, sagte Parli. Neben dem Bau von Werkzeugen für spezifische Bereiche verfolgen Stanford-Forscher etwas Größeres. An der Stanford sieht sie Forscher, die weiterhin an Ansätzen arbeiten, die die nächste Welle von Durchbrüchen darstellen könnten.
Die Herausforderung ist nicht, dass diese Forschung verschwinden wird. Das Problem ist, dass traditionelle KI-Forscher gegen eine gut finanzierte Marketingmaschine konkurrieren, die Schlagzeilen und Pitch-Meetings dominiert. Aber wenn generative KI auf Hindernisse stößt oder ihre Versprechen nicht einhält, könnten diese Forscher in der Lage sein, einzuspringen, wenn sie einige Werbetaktiken aus der Welt der generativen KI übernehmen.
"Die Leute, die an nicht generativer KI arbeiten, sollten möglicherweise Hilfe bei PR und Marketing in Betracht ziehen", sagte Paril.
