OpenAI plant massive Umsatzsteigerung und neue Ansätze zur Skalierung von KI-Modellen

Die rapide Entwicklung im Bereich der Künstlichen Intelligenz (KI) hat zu einer Ära beispiellosen Wachstums und weitreichender Innovationen geführt. Unternehmen wie OpenAI stehen dabei im Zentrum dieser Transformation. Doch mit den technologischen Fortschritten gehen auch erhebliche wirtschaftliche und operative Herausforderungen einher. Insbesondere die Notwendigkeit, sowohl die Leistungsfähigkeit der KI-Modelle als auch die Generierung von Einnahmen zu skalieren, rückt in den Fokus.

Das Streben nach exponentiellem Wachstum

OpenAI, bekannt für seine führenden KI-Modelle wie ChatGPT, hat sich ehrgeizige Umsatzziele gesetzt. Berichten zufolge prognostiziert das Unternehmen eine Steigerung der Einnahmen von geschätzten 13 Milliarden US-Dollar im Jahr 2025 auf beeindruckende 100 Milliarden US-Dollar bis 2028 oder 2029. Sollten diese Projektionen eintreffen, würde dies ein Wachstumstempo darstellen, das in der Technologiebranche bisher unerreicht ist. Epoch AI zufolge haben in den letzten fünfzig Jahren nur sieben US-Unternehmen einen Sprung von 10 Milliarden auf 100 Milliarden US-Dollar Umsatz innerhalb von zehn Jahren oder weniger geschafft. OpenAIs Prognose würde diesen Meilenstein in etwa drei Jahren erreichen, was selbst Rekordhaltern wie Tesla und Meta, die sieben Jahre benötigten, übertrifft. Google, ein vergleichbarer Software-Gigant, benötigte ein ganzes Jahrzehnt für eine ähnliche Entwicklung.

Geschäftsmodelle jenseits von Abonnements

Ein solches Wachstum kann nicht allein durch ChatGPT-Abonnements erzielt werden. OpenAI geht davon aus, dass etwa die Hälfte des Umsatzes im Jahr 2028 aus ChatGPT stammen wird, während der Rest aus neuen Geschäftsfeldern generiert werden muss. Dazu gehören voraussichtlich Expansionen in Bereiche wie Werbung, Online-Shopping und die Automatisierung von Wissensarbeit durch KI-Agenten. Diese Diversifizierung der Einnahmequellen ist entscheidend, um die ambitionierten Ziele zu erreichen und die Abhängigkeit von einem einzigen Produkt zu reduzieren.

Die Herausforderung der Skalierungsgesetze für KI-Modelle

Parallel zu den finanziellen Skalierungsambitionen stehen KI-Entwickler vor der Aufgabe, die Leistungsfähigkeit ihrer Modelle kontinuierlich zu verbessern. Die sogenannten "Skalierungsgesetze" beschreiben die Beziehung zwischen dem Rechenaufwand (Compute), der Größe der Trainingsdaten und der Anzahl der Modellparameter einerseits und der Modellleistung andererseits. Lange Zeit galt die Devise: Je größer das Modell und je mehr Daten, desto besser die Performance.

Grenzen der traditionellen Skalierung

Aktuelle Studien und Beobachtungen deuten jedoch darauf hin, dass der Grenznutzen der reinen Skalierung von Modellgröße und Trainingsdaten abnimmt. Während der Sprung von GPT-2 zu GPT-3 und weiter zu GPT-4 signifikante Verbesserungen brachte, scheinen die Leistungssteigerungen bei GPT-5 im Vergleich zu den exponentiell steigenden Kosten geringer auszufallen. Dies bedeutet, dass die Erzielung weiterer Leistungsverbesserungen exponentiell aufwendiger wird. Eine Studie des MIT legt nahe, dass die größten und rechenintensivsten KI-Modelle bald nur noch abnehmende Erträge im Vergleich zu kleineren, effizienteren Modellen liefern könnten. Dies unterstreicht die Notwendigkeit, über reine Größenskalierung hinauszugehen und neue Forschungsansätze zu verfolgen.

Die Bedeutung von Datenqualität und Algorithmen

Ein zentrales Problem bei der weiteren Skalierung ist die Verfügbarkeit von hochwertigen Trainingsdaten. Andrej Karpathy, ein ehemaliger KI-Forscher bei OpenAI und Tesla, kritisiert die schlechte Qualität vieler Online-Daten, die derzeit für das Training von Sprachmodellen verwendet werden. Er argumentiert, dass die Modelle oft nur auswendig lernen, anstatt ein echtes Verständnis zu entwickeln. Seine Lösung besteht darin, intelligente Modelle einzusetzen, um zukünftige Trainingsdaten zu kuratieren und nur aussagekräftige Inhalte zu behalten. Dies würde zu kleineren, effizienteren Modellen mit einem echten kognitiven Kern führen.

Zusätzlich zur Datenqualität gewinnen effizientere Algorithmen an Bedeutung. Wenn die Kosten für das Training großer Modelle immer weiter steigen, wird es zunehmend wichtiger, in die Entwicklung von Algorithmen zu investieren, die mit weniger Rechenressourcen auskommen oder die Leistung bei gleichem Aufwand verbessern.

Inference-Time Scaling Laws und Agenten-KI

Ein vielversprechender neuer Ansatz sind die "Inference-Time Scaling Laws", die OpenAI mit seinem o-1-Modell demonstriert hat. Dieses Modell, das im September 2024 eingeführt wurde, nutzt Verstärkungslernen, um komplexe Denkprozesse zu steuern. Der Kernansatz besteht darin, dass das Modell "nachdenkt", bevor es antwortet – es zerlegt die Anfrage, durchdenkt sie sorgfältig und iteriert möglicherweise die Antwort, um die Genauigkeit zu gewährleisten. Die Leistung des Modells verbessert sich, je mehr Rechenzeit ihm zur Verfügung steht, um zu "denken".

Vorteile der Inference-Time-Skalierung

Diese Entwicklung hat mehrere Implikationen:

• Bessere Modelle: Es bietet einen zusätzlichen Weg zu leistungsfähigeren Modellen, indem man ihnen mehr Zeit zum Nachdenken gibt, anstatt sie nur durch größere Trainingsdatensätze zu vergrößern.
• Verschiebung des Rechenaufwands: Der Fokus verschiebt sich vom Vorab-Training hin zum Inferenz-Rechenaufwand. Dies könnte für Modell-Anbieter vorteilhaft sein, da Ausgaben, die zuvor für Kapitalinvestitionen (Capex) in das Training der Modelle getätigt wurden, nun zu Betriebsausgaben (Opex) werden, die direkt gemessen und abgerechnet werden können.
• Lösung komplexerer Probleme: Inference-Time Scaling ermöglicht es Modellen, schwierigere Probleme anzugehen, die eine intensivere Reflexion oder Überprüfung erfordern, ähnlich wie Menschen bei komplexeren Aufgaben mehr Zeit benötigen. Dies könnte neue Anwendungsfälle für KI eröffnen, insbesondere in Bereichen, in denen hohe Präzision und Verlässlichkeit entscheidend sind.

Die Weiterentwicklung von o-1 zu o3, das in den Bereichen logisches Denken und Problemlösung beeindruckende Ergebnisse erzielt hat, unterstreicht das Potenzial dieses neuen Skalierungsparadigmas. O3 übertraf beispielsweise menschliche Leistungen beim ARC-AGI-Benchmark und erreichte Spitzenwerte bei Programmierwettbewerben und mathematischen Problemen.

Agenten-KI als nächster Schritt

Die Entwicklung von "Agenten-KI" ist ein weiterer wichtiger Forschungsbereich. Während traditionelle LLM-basierte Anwendungen oft in einem Ein-Modell-Paradigma arbeiten, zielen Agentensysteme darauf ab, komplexe Aufgaben in kleinere, handhabbare Teile zu zerlegen und diese mithilfe mehrerer KI-Modelle oder anderer Komponenten zu lösen. Solche Systeme können beispielsweise Tools (wie Taschenrechner oder Suchmaschinen) nutzen, eigene Programme ausführen oder sogar Aktionen im Auftrag des Benutzers durchführen (z.B. Hotelbuchungen).

Die Robustheit dieser Systeme stellt jedoch eine große Herausforderung dar. Selbst wenn einzelne Komponenten eine hohe Erfolgsrate aufweisen, kann die Gesamtzuverlässigkeit eines Systems mit vielen miteinander verbundenen Komponenten schnell abnehmen. Die Forschung konzentriert sich daher auf die Verbesserung der Robustheit durch bessere Meta-Generierungsalgorithmen, die parallele Dekodierung, schrittweise Verifikation und Selbstkritik nutzen, um präzisere und zuverlässigere Ergebnisse zu erzielen.

Finanzielle und infrastrukturelle Hürden

Die Skalierung von KI-Modellen und die Umsetzung neuer Geschäftsmodelle sind mit immensen Kosten verbunden. Bain & Company schätzt in ihrem Global Technology Report 2025, dass der globale Rechenbedarf für KI bis 2030 auf 200 Gigawatt steigen könnte, wobei die USA die Hälfte dieser Nachfrage ausmachen. Um diesen Bedarf zu decken, wären zusätzliche jährliche Einnahmen von 2 Billionen US-Dollar erforderlich. Selbst unter Berücksichtigung von KI-bedingten Kosteneinsparungen prognostiziert Bain & Company eine Finanzierungslücke von 800 Milliarden US-Dollar.

Investitionen in die Infrastruktur

OpenAI und andere große Technologieunternehmen investieren massiv in den Bau von Rechenzentren und den Erwerb spezialisierter Hardware wie GPUs. Berichten zufolge hat OpenAI Verträge im Wert von mehreren Milliarden Dollar mit Unternehmen wie Nvidia, AMD und Broadcom abgeschlossen. Diese Investitionen sind notwendig, um die Rechenleistung für das Training und den Betrieb der immer komplexeren KI-Modelle bereitzustellen. Die Kosten für den Bau eines Trainingsclusters für ein Modell wie GPT-4, das Zehntausende von GPUs erfordert, können Hunderte von Millionen US-Dollar betragen, zusätzlich zu den Kosten für Strom, Kühlung und Netzwerkinfrastruktur.

Die Notwendigkeit, die Rechenleistung exponentiell zu steigern, während die Kosten für Hardware nur linear sinken oder sogar steigen, führt zu einer erheblichen Belastung der Unternehmensfinanzen. Dies hat einige Experten dazu veranlasst, Bedenken hinsichtlich einer möglichen "AI-Blase" zu äußern, insbesondere angesichts der enormen Infrastrukturinvestitionen, die noch nicht durch entsprechende Einnahmen gedeckt sind.

Fazit

OpenAI steht an einem Scheideweg, an dem das Unternehmen sowohl technologische als auch wirtschaftliche "Skalierungsgesetze" neu definieren muss. Das angestrebte beispiellose Umsatzwachstum erfordert eine Diversifizierung der Geschäftsmodelle und eine Expansion in neue Anwendungsbereiche der KI. Gleichzeitig müssen die Grenzen der traditionellen Modellskalierung überwunden werden, indem in effizientere Algorithmen, hochqualitative Daten und neue Paradigmen wie Inference-Time Scaling und Agenten-KI investiert wird.

Die enormen Kosten für Rechenleistung und Infrastruktur stellen eine signifikante Hürde dar, die innovative Finanzierungsstrategien und eine klare Wertschöpfung aus den KI-Anwendungen erfordert. Die Zukunft des KI-Fortschritts wird nicht nur von der Fähigkeit abhängen, immer größere und leistungsfähigere Modelle zu entwickeln, sondern auch davon, wie effektiv diese Technologien in wirtschaftlich tragfähige Produkte und Dienstleistungen umgesetzt werden können.

Bibliographie

• Bastian, Matthias. "OpenAI needs new scaling laws for both its AI models and its revenue." The Decoder, 18. Oktober 2025.
• Knight, Will. "The AI Industry's Scaling Obsession Is Headed for a Cliff." Wired, 15. Oktober 2025.
• Bastian, Matthias. "AI researcher Andrej Karpathy says agentic AI is years away from matching industry hype." The Decoder, 18. Oktober 2025.
• Firth, Tom. "AI scaling laws: How much better will AI models get?" LinkedIn, 19. September 2025.
• Liamzon, Edward. "AI's scaling challenge: $2 trillion in new revenue needed." Economy Middle East, 16. Oktober 2025.
• Jaipuria, Tanay. "Inference Time Scaling Laws." Tanay's Newsletter, 28. Oktober 2024.
• Wolfe, Cameron R. "Scaling Laws for LLMs: From GPT-3 to o3." Deep (Learning) Focus, 6. Januar 2025.
• Lorica, Ben. "The Financial Tightrope: OpenAI’s Struggle for Sustainability." Gradient Flow, 31. Juli 2024.
• Azhar, Azeem. "🧠 AI’s $100bn question: The scaling ceiling." Exponential View, 13. Juli 2024.
• McGuinness, Patrick. "The State of AI in Q4 2025." AI Changes Everything, 16. Oktober 2025.