Die künstliche Intelligenz erlebt derzeit einen Investitionsboom historischen Ausmaßes. Microsoft, Amazon, Alphabet, Meta und Nvidia investieren jedes Jahr Hunderte Milliarden Dollar in Rechenzentren, Hochleistungschips und Energieversorgung. Gleichzeitig überbieten sich Analysten mit Prognosen über das nächste Billionen-Dollar-Geschäft.

Doch was, wenn ein Teil dieser beeindruckenden Wachstumszahlen auf einem wirtschaftlichen Kreislauf beruht? Was, wenn ein erheblicher Teil der ausgewiesenen Umsätze dadurch entsteht, dass sich dieselben Unternehmen gegenseitig finanzieren und anschließend gegenseitig ihre Infrastruktur abkaufen?

Mit genau dieser These sorgt der deutsche Tech-Analyst Sascha Pallenberg seit einigen Monaten für Diskussionen. In mehreren ausführlichen Analysen beschreibt er ein Geflecht aus Beteiligungen, Cloud-Verträgen und milliardenschweren Investitionen, das seiner Ansicht nach die tatsächliche wirtschaftliche Lage der KI-Branche verschleiert. Seine Schlussfolgerung ist provokant: Die KI-Industrie könnte auf einer gewaltigen Investitionsspirale stehen, deren wirtschaftliche Tragfähigkeit zunehmend fraglich wird.

Doch wie belastbar ist diese These?

Wer ist Sascha Pallenberg?

Sascha Pallenberg gehört seit vielen Jahren zu den bekanntesten deutschsprachigen Technologiejournalisten und Analysten. Bekannt wurde er bereits in den frühen 2000er-Jahren als Gründer des Technikblogs MobileGeeks. Später arbeitete er unter anderem als Digitalexperte für Daimler sowie als Innovationsberater. Heute veröffentlicht er auf seinem Blog MeTacheles ausführliche Analysen zu Digitalisierung, Künstlicher Intelligenz und geopolitischen Entwicklungen.

Seine Beiträge unterscheiden sich deutlich vom schnellen Nachrichtenjournalismus. Statt kurzer Meldungen veröffentlicht Pallenberg häufig umfangreiche Hintergrundanalysen, in denen er Geschäftsberichte, Marktstatistiken und wirtschaftliche Zusammenhänge auswertet. Seine Texte sind bewusst pointiert formuliert und vertreten häufig klare Positionen. Gerade deshalb stoßen sie regelmäßig auf Zustimmung, aber auch auf Widerspruch.

Das Prinzip des „Kreislauf-Invests“

Der Kern seiner Analyse lässt sich erstaunlich einfach erklären.

Stellen wir uns vor, Unternehmen A investiert zehn Milliarden Dollar in Unternehmen B.

Unternehmen B verwendet einen Großteil dieses Geldes anschließend, um Cloud-Dienstleistungen von Unternehmen A zu kaufen.

Dadurch entstehen bei Unternehmen A Milliardenumsätze.

Diese steigern wiederum den Börsenwert von Unternehmen A, erleichtern neue Investitionen und schaffen den finanziellen Spielraum für weitere Beteiligungen.

Vereinfacht dargestellt entsteht folgender Kreislauf:

Investition → Cloud-Umsatz → steigender Unternehmenswert → neue Investitionen → neuer Cloud-Umsatz

Nach Ansicht Pallenbergs bildet genau dieses Prinzip einen wesentlichen Bestandteil der heutigen KI-Industrie.

Als Beispiele nennt er unter anderem Microsoft und OpenAI.

Microsoft investierte Milliarden in OpenAI. OpenAI wiederum betreibt seine Modelle überwiegend auf Microsoft Azure und bezahlt dafür erhebliche Summen an Microsoft. Ein ähnliches Bild zeigt sich bei Amazon und Anthropic oder bei Google und Anthropic. Hinzu kommt Nvidia, das zahlreiche KI-Unternehmen finanziert, die anschließend Milliardenbeträge in Nvidia-GPUs investieren.

Rechtlich ist daran nichts auszusetzen. Solche Beteiligungen und langfristigen Infrastrukturverträge sind vollkommen zulässig und werden in den Geschäftsberichten offengelegt.

Die entscheidende Frage lautet jedoch:

Wie viel der ausgewiesenen Wachstumsdynamik beruht tatsächlich auf einer dauerhaft zahlungsbereiten Kundschaft und wie viel entsteht durch Investitionsgelder, die innerhalb desselben Ökosystems zirkulieren?

Warum diese Frage wichtig ist

Große Technologieunternehmen investieren nicht ohne Grund derart gewaltige Summen.

Der Aufbau moderner KI-Rechenzentren kostet Milliarden. Hinzu kommen Hochleistungschips, Glasfaserverbindungen, Kühlsysteme, Energieversorgung und zunehmend sogar eigene Kraftwerke.

Damit sich diese Investitionen rechnen, müssen die Unternehmen ihre Infrastruktur über viele Jahre hinweg auslasten.

Genau hier setzt Pallenbergs Kritik an.

Wenn künftig immer mehr Unternehmen auf lokale KI-Systeme oder frei verfügbare Open-Source-Modelle umsteigen, könnten die erwarteten Cloud-Umsätze deutlich geringer ausfallen als heute angenommen.

In diesem Fall würden sich die gigantischen Investitionen wesentlich langsamer amortisieren.

Open Source verändert die Spielregeln

Noch vor zwei Jahren schien der Markt klar verteilt.

OpenAI, Google und Anthropic galten als nahezu uneinholbar.

Heute sieht das Bild deutlich differenzierter aus.

Mit Modellen wie Llama, Qwen, DeepSeek oder GLM existieren leistungsfähige Open-Source-Systeme, die viele Aufgaben bereits auf einem sehr hohen Niveau erledigen.

Für zahlreiche Unternehmen stellt sich deshalb zunehmend eine wirtschaftliche Frage:

Warum dauerhaft hohe API-Gebühren bezahlen, wenn vergleichbare Modelle lokal betrieben werden können?

Natürlich erreichen nicht alle offenen Modelle das Leistungsniveau der besten kommerziellen Systeme.

Doch für viele praktische Anwendungen genügt inzwischen „gut genug“.

Und genau das könnte die Geschäftsmodelle der großen Anbieter unter Druck setzen.

China holt schneller auf als erwartet

Besonders aufmerksam verfolgt Pallenberg die Entwicklung chinesischer KI-Unternehmen.

Während westliche Anbieter auf proprietäre Modelle setzen, veröffentlicht China zunehmend leistungsfähige Open-Source-Alternativen.

Dadurch entsteht ein völlig anderer Wettbewerb.

Je leistungsfähiger frei verfügbare Modelle werden, desto schwieriger wird es für kommerzielle Anbieter, dauerhaft hohe Preise durchzusetzen.

Ob sich dieser Trend fortsetzt, bleibt abzuwarten.

Unbestreitbar ist jedoch, dass chinesische Unternehmen inzwischen wesentlich schneller aufholen, als viele Experten noch vor zwei Jahren erwartet hätten.

Könnte Apple zum Gamechanger werden?

Ein weiterer Baustein seiner Analyse betrifft Apple.

Während Microsoft, Amazon und Google enorme Cloud-Infrastrukturen aufbauen, verfolgt Apple traditionell einen anderen Weg.

Mit seinen Unified-Memory-Architekturen kombiniert Apple außergewöhnlich hohe Speicherbandbreiten mit vergleichsweise geringem Energieverbrauch.

Sollten zukünftige Mac-Systeme tatsächlich Arbeitsspeichergrößen im Bereich eines Terabytes oder darüber hinaus unterstützen, könnten dort sehr große Sprachmodelle lokal betrieben werden.

Für Unternehmen mit sensiblen Daten wäre dies durchaus attraktiv.

Allerdings ersetzt ein einzelner Hochleistungsrechner kein Rechenzentrum.

Cloud-Anbieter bieten Skalierung, Hochverfügbarkeit, weltweite Infrastruktur und den gleichzeitigen Betrieb für Millionen Nutzer.

Lokales KI-Hosting dürfte daher eher eine Ergänzung als ein vollständiger Ersatz für Hyperscaler werden.

Ist das bereits eine KI-Blase?

Der Begriff „Blase“ wird derzeit häufig verwendet.

Historisch betrachtet gab es ähnliche Entwicklungen bereits mehrfach.

Beim Eisenbahnbau im 19. Jahrhundert, während der Dotcom-Zeit oder beim Ausbau der Glasfasernetze wurden enorme Summen investiert.

Viele Unternehmen verschwanden später wieder vom Markt.

Die Infrastruktur blieb jedoch bestehen und bildete die Grundlage für neue Geschäftsmodelle.

Auch heute könnte es ähnlich verlaufen.

Selbst wenn einzelne Investitionen wirtschaftlich scheitern sollten, bleiben leistungsfähige Rechenzentren, Glasfasernetze und Chipfabriken erhalten.

Die eigentliche Frage lautet daher weniger, ob die Infrastruktur benötigt wird.

Entscheidend ist vielmehr, wer die enormen Investitionen letztlich bezahlt und ob sich die erwarteten Renditen tatsächlich realisieren lassen.

Wo Pallenbergs Analyse an Grenzen stößt

So nachvollziehbar viele seiner Beobachtungen sind, so vorsichtig sollte man mit einigen Schlussfolgerungen umgehen.

Nicht jeder Cloud-Umsatz entsteht ausschließlich aus Beteiligungen.

Die großen Hyperscaler verfügen über Millionen Unternehmenskunden, die ihre Infrastruktur unabhängig von KI nutzen.

Ebenso lässt sich derzeit noch nicht sicher sagen, ob Open-Source-Modelle langfristig tatsächlich den Markt dominieren werden.

Auch der Bedarf an Rechenleistung könnte trotz effizienterer Modelle weiter steigen.

Multimodale Systeme, autonome Agenten oder wissenschaftliche Simulationen benötigen enorme Ressourcen.

Effizienzgewinne bedeuten deshalb nicht zwangsläufig sinkende Nachfrage.

Viele seiner Aussagen beschreiben daher plausible Zukunftsszenarien, keine gesicherten Entwicklungen.

Europa ist der Einsatz

Der vielleicht bemerkenswerteste Teil seiner Analyse betrifft jedoch nicht die Technologie selbst.

Sondern Europa.

Pallenberg formuliert zugespitzt:

„Europa sitzt nicht mit am Tisch. Europa ist der Einsatz.“

Hinter diesem Satz verbirgt sich eine unbequeme Realität.

Europa verfügt bislang weder über eigene Hyperscaler noch über weltweit führende Foundation-Modelle.

Europäische Unternehmen nutzen überwiegend amerikanische Cloud-Plattformen.

Viele Investitionen fließen über internationale Fonds wiederum in genau jene US-Konzerne, die den KI-Markt dominieren.

Sollte sich das Geschäftsmodell dieser Unternehmen langfristig als weniger profitabel erweisen als erwartet, hätte Europa kaum Einfluss auf diese Entwicklung.

Gleichzeitig wächst die technologische Abhängigkeit.

Nicht nur bei Software.

Auch bei Cloud-Infrastruktur, KI-Plattformen und zunehmend sogar bei Halbleitern.

Diese strategische Dimension wird in der öffentlichen Diskussion häufig unterschätzt.

Dabei entscheidet sich hier möglicherweise die eigentliche Zukunftsfrage.

Nicht, welches Sprachmodell heute den Benchmark gewinnt.

Sondern wer künftig die digitale Infrastruktur kontrolliert, auf der Wirtschaft, Verwaltung und Wissenschaft aufbauen.

Fazit

Sascha Pallenbergs Analysen sind bewusst pointiert formuliert und laden zur Diskussion ein. Nicht jede seiner Prognosen wird sich zwangsläufig bewahrheiten. Begriffe wie „KI-Blase“ oder „Peak überschritten“ bleiben Einschätzungen, keine belegten Tatsachen.

Dennoch lenkt er den Blick auf Fragen, die in der Euphorie um Künstliche Intelligenz oft untergehen.

Wie nachhaltig sind Investitionen von mehreren hundert Milliarden Dollar pro Jahr?

Wie belastbar sind Geschäftsmodelle, wenn leistungsfähige Open-Source-Alternativen immer stärker werden?

Welche Folgen hat die zunehmende technologische Abhängigkeit Europas von wenigen globalen Plattformen?

Vielleicht besteht die eigentliche Stärke seiner Analysen gar nicht darin, endgültige Antworten zu liefern.

Sondern darin, genau diese Fragen überhaupt zu stellen.

Denn die Geschichte großer Technologiebooms zeigt: Nicht jede Revolution endet mit den Gewinnern, die zu Beginn am stärksten erscheinen. Manchmal verändert sich das Spielfeld schneller als die Strategien der Marktführer. Und manchmal entscheidet sich der eigentliche Wettbewerb nicht allein über die beste Technologie sondern darüber, wer die wirtschaftlichen und geopolitischen Rahmenbedingungen langfristig kontrolliert.

Quellen

• Sascha Pallenberg: Kreislauf-Invest – Wie Big Techs KI-Umsätze sich im Kreis drehen (MeTacheles): https://www.metacheles.de/kreislauf-invest-wie-big-techs-ki-umsaetze-sich-im-kreis-drehen/
• LinkedIn-Beitrag von Sascha Pallenberg zur Fortsetzung der Analyse (Juli 2026): https://www.linkedin.com/feed/update/urn:li:activity:7484881041476911105/
• Geschäftsberichte und Investor-Relations-Unterlagen von Microsoft, Alphabet, Amazon, Meta und Nvidia (2025/2026)
• Bank für Internationalen Zahlungsausgleich (BIS): Veröffentlichungen zu KI-Investitionen und Produktivitätsrisiken
• Citi Research: Analyse zu Token-Verbrauch und Entwicklung des KI-Marktes (2026)

Der Beitrag Die Billionenwette der KI erschien zuerst auf Kunst & KI.

Die Begeisterung für generative Künstliche Intelligenz folgt einem einfachen Narrativ: Milliarden rein, Produktivität raus. Eine technologische Revolution, die sich nur noch rechnen muss.

Das Problem: Genau das tut sie in den meisten Fällen nicht.

Unternehmen investieren derzeit in einem Tempo, das eher an einen Goldrausch erinnert als an rationale Kapitalallokation. Laut IDC sollten die globalen Ausgaben für KI bis 2025 auf 644 Milliarden US-Dollar steigen. Gleichzeitig zeigt sich hinter den Kulissen ein anderes Bild: Projekte ohne messbaren Effekt, Budgets ohne klare Zielgröße, Strategien ohne belastbare Ergebnisse.

Eine vielbeachtete Untersuchung des MIT aus dem Sommer 2025 bringt es auf einen unbequemen Punkt: 95 Prozent der generativen KI-Pilotprojekte leisten keinen nachweisbaren Beitrag zur Gewinn- und Verlustrechnung. Fünf Prozent erzeugen echten wirtschaftlichen Wert. Der Rest produziert vor allem eines: Kosten.

Das ist kein Ausrutscher. Es ist ein Muster.

Denn die aktuelle KI-Euphorie basiert auf einer Rechnung, die so in keiner Bilanz steht. Sie überschätzt systematisch den kurzfristigen Nutzen, unterschätzt langfristige Risiken – und blendet einen entscheidenden Faktor vollständig aus: Ein erheblicher Teil der tatsächlichen Wertschöpfung entsteht dort, wo Unternehmen weder investieren noch kontrollieren. Und ein erheblicher Teil der Kosten fällt dort an, wo sie niemand verbucht.

Mit anderen Worten: Der KI-Boom funktioniert – aber nicht so, wie er erzählt wird.

Er funktioniert, weil Produktivität im Schatten entsteht, während Investitionen sichtbar bleiben.
Er funktioniert, weil Risiken in die Zukunft verschoben werden.
Und er funktioniert, weil ein Teil der Rechnung von Menschen bezahlt wird, die in keiner Kalkulation auftauchen.

Investitionen explodieren, Ergebnisse bleiben aus

Der sogenannte Return on Investment (ROI) – also das Verhältnis von Gewinn zu eingesetztem Kapital – ist eigentlich die zentrale Kennzahl jeder Investition. Im Fall von KI wird er erstaunlich oft gar nicht sauber berechnet.

Der Kyndryl Readiness Report 2025 zeigt: Unternehmen haben ihre KI-Ausgaben innerhalb eines Jahres um 33 Prozent erhöht. Gleichzeitig berichten 46 Prozent, keinen positiven ROI zu sehen. 62 Prozent stecken weiterhin in der Experimentierphase fest.

Auch Prognosen fallen ernüchternd aus. Das Analysehaus Gartner erwartete, dass mindestens 30 Prozent aller GenAI-Projekte bis Ende 2025 nach der Pilotphase eingestellt werden.

Deutschland bildet keine Ausnahme. Eine Studie von Deloitte verortet deutsche Unternehmen mit einer durchschnittlichen Rendite von 27 Prozent innerhalb von ein bis zwei Jahren im Mittelfeld.

Björn Bringmann, Managing Director des Deloitte AI Institute, sagt:
„Das volle Potenzial künstlicher Intelligenz wird derzeit nicht ausgeschöpft – unter anderem, weil klare Verantwortlichkeiten, gezielte Investitionen und systematische Qualifizierung fehlen.“

Noch deutlicher wird die Lage beim Institut der deutschen Wirtschaft: 81 Prozent der Unternehmen messen ihren KI-ROI nicht systematisch. Mehr als die Hälfte weiß nicht einmal, welche Anwendungsfälle für sie relevant wären.

Wer nicht misst, kann nicht scheitern. Aber er kann auch nicht erfolgreich sein.

Er kann nur ausgeben.

Der Widerspruch der Studien

Auf den ersten Blick passt das alles nicht zusammen. Während das MIT von massiven Fehlinvestitionen spricht, zeichnet eine Studie von IBM ein deutlich optimistischeres Bild.

Demnach berichten 62 Prozent der deutschen und 66 Prozent der europäischen Unternehmen von Produktivitätsgewinnen durch KI. Knapp die Hälfte erwartet, ihre Investitionen innerhalb eines Jahres wieder einzuspielen.

Der Widerspruch ist nur scheinbar einer.

IBM und Deloitte befragen Führungskräfte nach ihren Einschätzungen. Das sind Stimmungsbilder – keine überprüften Geschäftszahlen. Das MIT misst dagegen auf Projektebene, ob tatsächlich ein messbarer Effekt in der Gewinn- und Verlustrechnung entsteht.

Mit anderen Worten: Hier prallen Erwartung und Realität aufeinander.

Ein Befund aus der MIT-Untersuchung erklärt, warum diese beiden Welten so weit auseinanderliegen: Während nur rund 40 Prozent der Unternehmen offizielle KI-Tools bereitstellen, nutzen etwa 90 Prozent der Mitarbeiter täglich private Anwendungen wie ChatGPT oder Claude.

Ein Studienteilnehmer formuliert es so:
„Unsere Mitarbeiter nutzen ChatGPT privat jeden Tag für die Arbeit. Offiziell existiert das nicht, aber in der Praxis ist es effektiver als unsere lizenzierten Tools.“

Die Schatten-Produktivität

Das ist mehr als eine Anekdote. Es ist ein strukturelles Problem.

Die Produktivitätsgewinne durch KI existieren. Aber sie entstehen oft außerhalb der offiziellen Systeme. Mitarbeiter automatisieren Aufgaben, formulieren Texte, analysieren Daten – mit privaten Accounts, ohne dass diese Effizienzgewinne irgendwo erfasst werden.

Die Organisation zahlt für eigene Lösungen. Der tatsächliche Nutzen entsteht daneben.

Das Ergebnis ist eine paradoxe Situation:
Die Kosten sind sichtbar. Der Nutzen nicht.

Oder zugespitzt:
Unternehmen finanzieren eine Produktivitätsrevolution, die sie weder messen noch kontrollieren.

Diese „Schatten-KI“ ist kein Randphänomen. Sie ist derzeit der Normalfall.

Der Mythos vom Eigenbau

Als Reaktion darauf versuchen viele Unternehmen, die Kontrolle zurückzugewinnen – indem sie eigene KI-Lösungen entwickeln.

Doch auch hier zeigt sich: Die Rechnung geht selten auf.

Die MIT-Studie kommt zu dem Ergebnis, dass eingekaufte Lösungen in rund zwei Dritteln der Fälle funktionieren, während Eigenentwicklungen deutlich häufiger scheitern.

Aditya Challapally, Hauptautor der Untersuchung, sagt:
„In fast allen Unternehmen wurde versucht, eigene Tools zu bauen. Aber die Daten zeigen, dass zugekaufte Lösungen zuverlässiger funktionieren.“

Die Schlussfolgerung scheint klar: kaufen statt bauen.

Doch auch das ist eine Verkürzung.

Denn wer kauft, kauft nicht nur Technologie – sondern auch Abhängigkeit. Datenflüsse, Preismodelle, Weiterentwicklung: All das liegt bei externen Anbietern.

Das bestätigt indirekt auch die IBM-Studie. Zwei Drittel der Unternehmen nennen Sicherheits- und Vertrauensprobleme als größte Herausforderung.

Rolf Löwisch, Head of AI bei IBM DACH, formuliert es so:
„Der wahre Wert von KI liegt in der strategischen Transformation von Unternehmen.“

Die entscheidende Frage bleibt: Wer steuert diese Transformation – das Unternehmen selbst oder der Anbieter?

Die unsichtbaren Kosten

Die vielleicht größte Leerstelle in der gesamten Debatte liegt jedoch außerhalb der Unternehmensbilanzen.

Jedes große KI-Modell – ob von OpenAI, Google oder Meta – basiert auf massiver menschlicher Arbeit.

Millionen sogenannter Datenarbeiter sortieren Inhalte, bewerten Antworten und filtern problematische Daten heraus. Sie sehen Gewalt, Missbrauch und Extremismus – damit Maschinen diese Inhalte später nicht reproduzieren.

Die Weltbank schätzt, dass weltweit zwischen 154 und 435 Millionen Menschen in Online-Gig-Arbeit tätig sind. Viele verdienen dabei zwischen 1,50 und 2 US-Dollar pro Stunde.

Die kenianische Aktivistin Nerima Wako-Ojiwa beschreibt diese Realität so:
„Ehrlich gesagt fühlt es sich an wie moderne Sklaverei. Es ist billige Arbeit.“

Und weiter:
„Viele Unternehmen tun hier Dinge, die sie in ihren eigenen Ländern niemals tun würden.“

Das Fairwork-Projekt der University of Oxford hat Plattformarbeit in diesem Bereich untersucht – mit ernüchterndem Ergebnis: Kaum eine Plattform erfüllt grundlegende Standards bei Bezahlung, Sicherheit und Mitbestimmung.

Eine Studie der Organisation Equidem dokumentiert zudem zahlreiche Fälle psychischer Belastung – verursacht durch die tägliche Konfrontation mit extremen Inhalten.

Adio Dinika vom Distributed AI Research Institute sagt:
„Wenn Probleme öffentlich werden, trifft es meist die Zwischenhändler – nicht die Unternehmen, die am meisten profitieren.“

Die Lieferkette bleibt bewusst intransparent.

Und genau deshalb tauchen diese Kosten in keiner ROI-Berechnung auf.

Eine verzerrte Gesamtrechnung

Die aktuelle Debatte über den wirtschaftlichen Nutzen von KI ist unvollständig.

Sie unterschätzt systematisch drei Dinge:

Erstens die Schatten-Produktivität, die außerhalb offizieller Systeme entsteht.
Zweitens die langfristigen Risiken – Abhängigkeiten, Sicherheitsfragen, regulatorische Unsicherheiten.
Drittens die ausgelagerten Kosten – in Form prekärer Arbeit und psychischer Belastung.

Das Ergebnis ist eine verzerrte Rechnung.

Was als Effizienzgewinn erscheint, ist in Teilen eine Verschiebung:
von Kontrolle nach außen,
von Kosten in andere Regionen,
von Verantwortung in intransparente Strukturen.

Fazit

Solange sich daran nichts ändert, ist die KI-Revolution kein Fortschritt.

Sondern ein Verschieben von Grenzen – ökonomisch, politisch und moralisch.

Und wie bei jeder Verschiebung bleibt am Ende nur eine Frage:

Wer gewinnt – und wer hat keine Stimme?

Die Antwort entscheidet, ob KI Wert schafft – oder nur Kosten besser versteckt.

Die Rechnung der KI-Euphorie geht auf.

Nur nicht für alle.

Quellen und Links

• MIT NANDA – The GenAI Divide: State of AI in Business 2025
• Kyndryl – Readiness Report 2025
• Deloitte – https://www2.deloitte.com/
• IBM – https://www.ibm.com/reports
• Institut der deutschen Wirtschaft – https://www.iwkoeln.de/
• Gartner – https://www.gartner.com/
• Weltbank – https://www.worldbank.org/
• Oxford Universität – https://fair.work/
• Equidem – https://equidem.org/
• CBS News / 60 Minutes – Bericht zu KI-Arbeitern in Kenia
• Rest of World – https://restofworld.org/
• Brookings Institution – https://www.brookings.edu/

Der Beitrag Die teure KI-Illusion erschien zuerst auf Kunst & KI.

Millionen unsichtbarer Hände: Datenarbeit für die KI

Die schönen neuen KI-Welten, in denen Texte, Bilder und Videos auf Knopfdruck entstehen, haben eine unsichtbare Grundlage: Millionen von Menschen, die weltweit als Datenarbeiter beschäftigt sind. Laut Schätzungen der Weltbank gibt es zwischen 150 und 430 Millionen Menschen, die zumindest gelegentlich sogenannte „Mikroarbeit“ erledigen – also kurze digitale Aufgaben. Viele davon arbeiten direkt oder indirekt am Training von KI-Systemen.

Eine realistische Zahl für jene, die regelmäßig an KI-Annotationen beteiligt sind, liegt wahrscheinlich im zweistelligen Millionenbereich – etwa 10 bis 20 Millionen Menschen weltweit. Sie sitzen in Indien, auf den Philippinen, in Venezuela oder in Kenia. Plattformen wie Appen, Clickworker, Scale AI oder Amazon Mechanical Turk vermitteln diese Jobs.

Ein bekannt gewordenes Beispiel ist Sama in Nairobi, Kenia: Hunderte Menschen klassifizierten für weniger als 2 Dollar pro Stunde Texte mit extrem verstörenden Inhalten, um ChatGPT „toxische“ Sprache abzutrainieren. Arbeiter bekamen extrem belastende Texte zu sehen: Gewaltfantasien, Kinderpornografie-Beschreibungen und Folterszenarien. Ihre Aufgabe war es, Inhalte in Kategorien einzuordnen wie „Sexueller Missbrauch“, „Hassrede“ oder „Selbstverletzung“. Für viele war es ein Job ohne Sicherheit, ohne psychologische Betreuung, mit extrem belastenden Auswirkungen. Manche sprachen von „Traumatisierung am Fließband“. Das klingt pervers: Um die Künstliche „Intelligenz“ überhaupt nutzbar zu machen, werden massenhaft unterbezahlte Arbeiter:innen traumatisiert?

Wie KI wirklich trainiert wird

Die Entwicklung von KI ist nicht magisch, sondern ein aufwändiger und arbeitsintensiver Prozess:

1. Datensammlung: Milliarden Texte, Bilder und Videos werden aus dem Internet gesaugt oder gezielt eingekauft.
2. Annotation durch Menschen: Crowdworker markieren, ob Inhalte beleidigend, informativ, korrekt oder irrelevant sind.
3. Vortrainierung: Das Modell lernt statistische Muster auf gewaltigen Datenmengen.
4. Feintuning: Mit Methoden wie „Reinforcement Learning from Human Feedback“ (RLHF) bewerten Menschen Antworten des Modells und geben Korrekturen vor.
5. Evaluation: Auch hier sind wieder Menschen im Einsatz, die prüfen, wie „gut“ das System arbeitet.

Ohne diese menschliche Vorarbeit wären heutige Sprach- oder Bildmodelle schlicht nicht funktionsfähig. Diese Tatsache verdeutlicht, die dem Begriff künstliche „Intelligenz“ innewohnende Täuschung.

Der ökologische Preis: Energie und Wasser

Neben der menschlichen Arbeitskraft ist es vor allem die Energiefrage, die nachdenklich stimmt.

• Das Training von GPT-3 soll etwa 1,3 Gigawattstunden Strom benötigt haben – genug, um über 100 US-Haushalte ein Jahr lang zu versorgen.
• GPT-4 dürfte noch weitaus mehr verbraucht haben, Schätzungen sprechen von mehreren Gigawattstunden.
• Datenzentren verschlingen zusätzlich enorme Mengen an Wasser: Microsoft gab 2023 bekannt, dass der Wasserverbrauch seiner Rechenzentren um 34 % gestiegen ist – unter anderem durch KI-Anwendungen.

Der CO₂-Ausstoß eines einzigen großen Modells kann leicht mehrere hundert Tonnen erreichen, vergleichbar mit hunderten Transatlantikflügen.

Der Slop-Kreislauf: Wie Content verdirbt

Wenn die Modelle einmal im Einsatz sind, beginnt der nächste problematische Prozess: der Slop-Kreislauf.

1. KI-Tools erzeugen massenhaft Content: Blogartikel, SEO-Texte, Produktbeschreibungen, Fake-Rezensionen.
2. Zunehmend kommen auch Deepfakes hinzu – manipulierte Bilder, Stimmen und Videos, die täuschend echt wirken.
3. Plattform-Algorithmen wie die von Google, TikTok oder Meta belohnen Masse und Reichweite, nicht Qualität. Sie verstärken also genau jenen billigen KI-Content, der Klicks bringt.
4. Hochwertige Inhalte von echten Autor:innen, Journalist:innen oder Künstler:innen geraten ins Hintertreffen, weil sie in der Flut untergehen oder vom Algorithmus schlechter ausgespielt werden.
5. Neue KI-Systeme greifen dann wieder auf diese Daten zurück – und trainieren zunehmend auf KI-generiertem Müll.

So entsteht ein Degenerationskreislauf: KI produziert Slop, dieser Slop wird von Plattformen verstärkt, verdrängt gute Inhalte und füttert am Ende wieder die nächste KI-Generation.

Die Folge:

• Autor:innen und Künstler:innen verlieren Reichweite und Einkommen, weil ihre Werke im Datenrauschen untergehen oder von KI-Plagiaten kopiert werden.
• Kulturelle Vielfalt und kritische Stimmen werden geschwächt.
• Das Internet verkommt von einem Raum menschlicher Kreativität zu einer Müllhalde automatisierter Beliebigkeit.

Finanzblase und Superintelligenz-Hype

Parallel dazu erleben wir eine Spekulationswelle an den Finanzmärkten. Nvidia ist 2025 das wertvollste börsennotierte Unternehmen der Welt, während Start-ups mit Milliarden bewertet werden, ohne tragfähiges Geschäftsmodell. Viele Ökonom:innen warnen vor einer KI-Blase, vergleichbar mit der Dotcom-Euphorie um 2000.

Dazu kommt die Erzählung von der baldigen AGI (Artificial General Intelligence) oder gar ASI (Artificial Superintelligence). Schon in den 1950er Jahren sagte der Informatiker I.J. Good voraus, dass bald eine „intelligence explosion“ eintreten werde, bei der Maschinen alle Probleme lösen. Seitdem wiederholt sich die Geschichte: In den 1970ern, 1980ern, 2000ern und heute – stets hieß es, die Superintelligenz stehe vor der Tür.

Doch bis heute sind wir weit davon entfernt. Kritische Stimmen machen das deutlich:

• Rodney Brooks (MIT): „Wir verwechseln Demos mit Intelligenz.“ KI sei weit von menschlicher Flexibilität entfernt.
• Gary Marcus (NYU): „Deep Learning allein reicht nicht. Ohne Kausalität und Commonsense bleibt AGI Illusion.“
• Emily Bender (University of Washington): Sprachmodelle sind „stochastische Papageien“ – sie verstehen nicht, was sie sagen.
• Abeba Birhane (ETH Zürich): AGI-Hype ist ein „koloniales Narrativ“, das Ausbeutung im Globalen Süden verschleiert.
• Yann LeCun (Meta AI): „Niemand weiß, wie man AGI baut. Wir sind nicht nah dran.“

Die Erzählung von der Superintelligenz dient oft weniger der Wissenschaft als dem Marketing und der Kapitalbeschaffung.

Fortschritt – oder Scheinfortschritt?

Die Frage ist daher: Können wir das wirklich Fortschritt nennen?

• Millionen Datenarbeiter schuften für Centbeträge und sehen traumatisierenden Content.
• Das Klima wird durch den Energiehunger der Modelle belastet.
• Das Internet droht im Slop zu ersticken.
• Finanzblasen und Mythen von Superintelligenz verschieben Aufmerksamkeit und Kapital.

Wenn Fortschritt bedeutet, die Lebensqualität zu erhöhen, Ungleichheit zu verringern und die Umwelt zu schützen, dann ist das, was wir derzeit erleben, eher Scheinfortschritt.

Was wir tun könnten

Gibt es Wege, gegenzusteuern? Gibt es politische, wirtschaftliche und gesellschaftliche Hebel? Darüber sollten wir dringend nachdenken. Eine kurze Liste zentraler Ansätze:

• Transparenz: KI-Firmen müssen offenlegen, welche Daten sie nutzen und wie viel Energie sie verbrauchen.
• Faire Arbeit: Mindeststandards, gerechte Bezahlung, psychologische Betreuung für Crowdworker.
• Urheberrechte: Künstler:innen müssen ein Opt-out haben und für die Nutzung ihrer Werke entschädigt werden.
• Ökologische Regeln: Rechenzentren verpflichten, auf erneuerbare Energien und effiziente Kühlung zu setzen.
• Kennzeichnungspflicht: KI-generierte Inhalte müssen klar erkennbar sein.
• Gemeinwohl-KI: Öffentliche Investitionen in KI für Medizin, Bildung und Klimaforschung – statt reiner Profitorientierung.
• Wettbewerbspolitik: Maßnahmen gegen Monopole, Förderung offener Modelle.

Fazit

Technisch und oberflächlich wirkt KI beeindruckend. Aber Fortschritt misst sich nicht an Rechenleistung, sondern daran, ob sie das Leben der Menschen verbessert. Bisher sehen wir vor allem Kosten: menschliche, ökologische und kulturelle.

Echter Fortschritt entstünde erst, wenn KI fair, nachhaltig und gemeinwohlorientiert entwickelt wird. Nicht als Werkzeug für die Machtkonzentration weniger Konzerne, sondern als Technologie, die die Lebensqualität aller steigert.

Quellen- und Literaturliste

Dokumentarfilme / Medien

• Arte-Doku: KI: Der Tod des Internets (Regie: Mario Sixtus, 2024).
• Arte-Doku: KI – Die letzte Erfindung? (Arte, 2024).

Journalistische Quellen

• Perrigo, Billy: OpenAI Used Kenyan Workers on Less Than $2 Per Hour to Make ChatGPT Less Toxic. TIME Magazine, 18.01.2023.
  👉 time.com

• Perrigo, Billy: AI Gig Workers Face ‘Unfair Working Conditions,’ Study Says. TIME Magazine, 2023.
• The Guardian: ‘It’s destroyed me completely’: The human cost of training AI. 02.08.2023.
• VICE: OpenAI Used Kenyan Workers Making $2 an Hour to Filter Traumatic Content From ChatGPT. 2023.
• CBS News / 60 Minutes: The hidden costs of AI: Underpaid Kenyan workers and the toll of content moderation. 2023.
• Economist: The Hidden Workforce Behind AI. 10.04.2025.
• WeeTracker: OpenAI Paid Sama $12 an Hour Per Worker—Kenyans Only Got $2. 25.11.2024.

Wissenschaftliche Arbeiten

• Bender, Emily M.; Gebru, Timnit; McMillan-Major, Angelina; Mitchell, Margaret:
  On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? In: Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’21). Association for Computing Machinery, 2021. DOI: 10.1145/3442188.3445922
• Marcus, Gary: Deep Learning Is Hitting a Wall. Substack / garymarcus.substack.com, 2022.
• Crawford, Kate: Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press, 2021.
• Birhane, Abeba: Algorithmic Colonization of Africa. SCRIPTed, Vol. 17, No. 2, 2020. DOI: 10.2966/scrip.170220.389
• Brooks, Rodney: The Seven Deadly Sins of AI Predictions. MIT Technology Review, 2017.
• Chomsky, Noam; Roberts, Ian; Watumull, Jeffrey: The False Promise of ChatGPT. The New York Times, 08.03.2023.

Studien und Reports

• Weltbank: The Global Gig Economy. Washington, 2021.
• Fairwork Project: Fairwork Cloudwork Report. Oxford Internet Institute, 2023.
• International Labour Organization (ILO): World Employment and Social Outlook 2021 – The role of digital labour platforms in transforming the world of work. Genf, 2021.

Online-Dossiers

• Privacy International: Humans in the AI Loop – The Data Labelers Behind Some of the Most Powerful LLMs. 2023.
• AlgorithmWatch: AI and the Hidden Human Labour Behind It. 2022.

Der Beitrag Slop, Superintelligenz und Scheinfortschritt erschien zuerst auf Kunst & KI.

Kaum ein Thema hat in den letzten Jahren für so viel Aufmerksamkeit gesorgt wie die Künstliche Intelligenz (KI). Sprachmodelle wie ChatGPT, Bildgeneratoren oder Automatisierungssysteme werden als revolutionäre Technologien gefeiert, die unsere Arbeitswelt und Gesellschaft tiefgreifend verändern sollen. Doch die Euphorie wird zunehmend von kritischen Stimmen begleitet: Handelt es sich bei der KI-Welle tatsächlich um den Beginn einer neuen industriellen Revolution – oder um eine Blase, die bald platzen könnte?

Produktivitätseffekte: viel Hoffnung, wenig Realität

Studien, u. a. von der Österreichischen Akademie der Wissenschaften, zeigen: Die realwirtschaftlichen Effekte von KI sind bislang überschaubar. Unternehmen setzen KI derzeit vor allem in klar abgegrenzten Routinebereichen ein, etwa bei Standardanfragen im Kundenservice oder in der Datenanalyse. Dort lassen sich durchaus Einsparungen erzielen. Doch sobald es um komplexere Aufgaben geht, überwiegt der Aufwand der Qualitätssicherung: Halluzinationen, fehlerhafte Ergebnisse und rechtliche Unsicherheiten führen dazu, dass Menschen weiterhin intensiv kontrollieren und korrigieren müssen. Ein durchschlagender Produktivitätseffekt bleibt aus.

Energiehunger und Nachhaltigkeit

Ein weiteres Problem ist der enorme Energieverbrauch. Große Sprachmodelle benötigen für Training und Betrieb gewaltige Rechenressourcen. Prognosen gehen davon aus, dass Rechenzentren bis 2030 bis zu 8 % des weltweiten Stromverbrauchs verursachen könnten. Damit droht KI nicht nur, bestehende Nachhaltigkeitsziele zu konterkarieren, sondern verschärft auch die Abhängigkeit von hochspezialisierten Infrastrukturen.

Rückschläge in Unternehmen

Zwar setzen viele Firmen auf KI, doch erste Rückschläge zeigen die Grenzen deutlich auf. So hatte der Zahlungsanbieter Klarna Hunderte Mitarbeiter durch KI ersetzt, rudert aber inzwischen zurück, da die Qualität der Ergebnisse nicht ausreichte. Auch in der Verwaltung führen neue KI-Systeme häufig nicht zu Entlastung, sondern zu Mehrarbeit durch zusätzliche Schnittstellen und Prüfungen. Die viel beschworene Effizienzsteigerung lässt bislang auf sich warten.

Parallelen zur Dotcom-Blase

Die Diskussionen erinnern stark an die Dotcom-Ära um die Jahrtausendwende: Damals wie heute existiert eine enorme Diskrepanz zwischen Unternehmensbewertungen und realwirtschaftlichen Erträgen. Milliarden fließen in KI-Startups, die zum Teil noch kein tragfähiges Geschäftsmodell vorweisen können. Die Gefahr einer Überhitzung des Marktes ist offensichtlich.

Um diese Parallelen greifbar zu machen, haben wir eine Infografik erstellt:

Auswertung der Infografik

• Unternehmensbewertungen: Sowohl in der Dotcom-Ära als auch heute im KI-Sektor extrem hoch – aktuell sogar noch ausgeprägter.
• Reale Umsätze und Produktivitätseffekte: In beiden Fällen vergleichsweise gering. Trotz Investitionen zeigen sich kaum messbare Fortschritte.
• Medienhype: Dotcom wie KI wurden und werden von einer starken öffentlichen Euphorie begleitet.
• Nachhaltige Geschäftsmodelle: Erst die Zeit wird zeigen, welche Player überleben. Während aus der Dotcom-Blase am Ende Google, Amazon & Co. hervorgingen, ist bei KI noch offen, welche Unternehmen den Sprung schaffen.

Die Infografik verdeutlicht: Die Parallelen sind frappierend – und sie mahnen zur Vorsicht.

Krypto-Parallelen

Auch zur Kryptowährungsblase lassen sich zahlreiche Parallelen ziehen. 2017 und 2021 stiegen die Bewertungen von Bitcoin und zahllosen Altcoins ins Unermessliche – oft ohne realwirtschaftlichen Nutzen. Ähnlich wie bei KI spielte die Angst, „den nächsten großen Trend zu verpassen“, eine zentrale Rolle. Während Krypto vor allem als spekulatives Finanzprodukt galt, ist KI stärker in Unternehmen und Verwaltung eingebettet. Doch das Muster der Übertreibung, Intransparenz und regulatorischen Unsicherheit ist nahezu identisch.

Um diese Dreier-Konstellation darzustellen, haben wir eine zweite Infografik ergänzt:

Gesellschaftliche Risiken und Machtkonzentration

Selbst wenn am Ende einige wenige Unternehmen die „KI-Revolution“ überleben und dominieren, bedeutet das nicht automatisch Fortschritt für die Gesellschaft. Im Gegenteil: Innovation ist nicht gleichzusetzen mit gesellschaftlichem Fortschritt.

• Privatsphäre: KI braucht enorme Datenmengen. Je zentralisierter die Datenmacht, desto größer das Risiko für Überwachung und Verlust der informationellen Selbstbestimmung.
• Einschränkung von Rechten: Von Urheberrechtsverletzungen durch ungefragte Nutzung kreativer Werke bis zu automatisierten Entscheidungen über Bewerbungen, Beförderungen oder Kündigungen.
• Monopolisierung: Nur wenige Unternehmen können sich die teuren Rechenressourcen und Infrastrukturen leisten. Das führt zu Oligopolen, die Standards diktieren.
• Ungleichheit: Gewinne konzentrieren sich bei den Plattformen und Investoren, während die breite Bevölkerung kaum profitiert. Auch global wächst die Kluft zwischen Norden und Süden.

Damit ist klar: Innovation bedeutet nicht automatisch Fortschritt für die Menschheit. Entscheidend ist, wie Technologien reguliert, verteilt und eingesetzt werden.

Von Science zu Systemics – Heinz von Foerster und die Rolle der Kybernetik

Heinz von Foerster hat schon früh darauf hingewiesen, dass moderne Wissenschaft immer stärker zu einer Erzählmaschine wird. Nicht mehr die Realität selbst stehe im Zentrum, sondern die Frage: „Wer erzählt die plausibelste Geschichte, von der alle sofort glauben: Das muss es gewesen sein?“

Von Foerster unterschied zwischen Science – dem Trennen, Analysieren, Isolieren – und Systemics – dem Integrieren, Vernetzen, Verknüpfen. Während Science die Welt zerlegt, sieht Systemics sie als dynamisches, selbstorganisierendes Ganzes. Kybernetik und Systemtheorie wurden zu Grundlagen, die uns bis heute begleiten: Rückkopplung, Selbstreferenz, Emergenz.

Genau hier liegt die Verbindung zur KI: Sprachmodelle und neuronale Netze sind keine „Wahrheitsmaschinen“, sondern Kohärenzmaschinen. Sie erzeugen Texte und Bilder, die plausibel wirken – unabhängig davon, ob sie faktisch korrekt sind. In diesem Sinn ist KI selbst Ausdruck von Systemics: Sie integriert, verbindet, produziert Narrative.

„Realität? – Wo ist die Realität, wo haben Sie die? Heute geht es nicht mehr um Wahrheit, sondern darum: Wer erfindet eine lustige, amüsante und interessante Geschichte, von der jeder sofort glaubt: Das muss es gewesen sein.“
– Heinz von Foerster

Das erklärt, warum KI so empfänglich für Hype und Blasen ist: Sie liefert keine Realität, sondern Geschichten. Gesellschaft, Medien und Märkte nehmen diese Geschichten auf, glauben daran – und verstärken sie. Kybernetik und Systemtheorie helfen, diesen Mechanismus zu verstehen: KI ist weniger ein Werkzeug der Wahrheit als ein Spiegel unserer Sehnsucht nach Sinn und Ordnung in einer komplexen Welt.

Meta-Reflexion: Von Hütchenspielern zu Poeten

Die Muster des Hypes – Übertreibung, „die Angst, etwas zu verpassen“, Narrativbildung – erinnern nicht nur an ökonomische Blasen, sondern auch an die Mechanismen von Hütchenspielern und Strukturvertrieben. Heinz von Foerster hat dies zugespitzt: Aus Wissenschaftlern werden Erzähler, Poeten und Schauspieler, die Geschichten entwerfen, die wir für Realität halten wollen.

Damit schließt sich der Kreis: KI ist weniger ein neutrales Werkzeug, sondern Teil einer kulturellen und ökonomischen Bühne. Ob wir diese Bühne für Täuschung und Machtkonzentration nutzen – oder für neue Formen der Kreativität und Zusammenarbeit – liegt nicht in der Maschine selbst, sondern in den Händen der Gesellschaft.

Der Beitrag Künstliche Intelligenz – Innovation oder nächste Blase? erschien zuerst auf Kunst & KI.

Künstliche Intelligenz wird als Gamechanger der Musikbranche verkauft: Songs auf Knopfdruck, Stimmenklone in Studioqualität, smarte Tools, die angeblich kreative Prozesse revolutionieren. Doch hinter den großen Werbeversprechen steckt oft Ernüchterung – und nicht selten der Vorwurf von Täuschung und Abzocke.

Täuschung durch Marketing

Viele Plattformen locken mit großen Worten: „Jeder kann sofort eigene Musik erschaffen“ oder „professioneller Sound ohne Vorkenntnisse“. In der Realität wirken die Ergebnisse häufig monoton, leblos oder schlicht unbrauchbar für ernsthafte Produktionen. Was nach kreativer Freiheit klingt, entpuppt sich oft als Sammlung generischer Loops.

Besonders problematisch: Nutzerinnen und Nutzer berichten von Abo-Modellen, deren Kosten in keinem Verhältnis zur Qualität stehen. Hinter glänzenden Oberflächen verbirgt sich nicht selten ein Geschäftsmodell, das mehr auf Marketing als auf Substanz setzt.

Probleme beim Promten

Ein weiteres Ärgernis ist die mangelnde Steuerbarkeit durch Promts.

• Viele User schildern, dass ihre detaillierten Eingaben kaum Wirkung zeigen. Ein Beispiel: Wer „ruhige akustische Ballade ohne Schlagzeug“ eingibt, erhält nicht selten einen voll orchestrierten Track mit wuchtigen Drums.
• Andere berichten, dass Negativpromts wie „ohne Gesang“ oder „kein Synthesizer“ ignoriert werden.
• Häufig entsteht der Eindruck, dass die KI mehr zufällig generiert als wirklich auf die Vorgaben reagiert.

Das Ergebnis: Frust statt Kreativität – und die Erkenntnis, dass „Prompting“ bei Musik weitaus schwieriger ist als in der Bildgenerierung.

Stimmenklon & KI-Gesang: Emotion bleibt aus

Auch beim Stimmenklonen oder KI-Gesang zeigen sich deutliche Grenzen. Nutzerforen sind voll von Berichten, in denen Stimmen als „blechern“, „roboterhaft“ oder „gefühllos“ beschrieben werden.

Besonders deutlich wird dies bei längeren Projekten: Während die ersten Sekunden oft erstaunlich realistisch wirken, kippt die Illusion schnell ins Künstliche. Emotionale Nuancen wie ein leichtes Zittern, Atempausen oder der natürliche Ausdruck einer Sängerin fehlen meist völlig.

Kostenfallen und Abzocke

Viele Anwender fühlen sich von den Preisstrukturen in die Irre geführt:

• „Kostenlose“ Versionen erweisen sich als stark eingeschränkt – etwa auf wenige Sekunden Musik oder eine Handvoll Stimmsamples.
• Wer ein Projekt ernsthaft umsetzen möchte, landet schnell bei teuren Abos. Nutzer berichten von Kosten im dreistelligen Bereich pro Jahr – für Ergebnisse, die nicht annähernd den Preis rechtfertigen.
• In Online-Communities tauchen immer wieder Vorwürfe von „Abzocke“ auf, weil die Tools im Marketing überhöhte Erwartungen wecken, die in der Praxis nicht eingelöst werden.

Erfahrungsberichte aus der Community

Einige typische Stimmen aus Diskussionen in Musiker-Foren und Review-Plattformen:

• „Ich habe ein Abo abgeschlossen, weil die Demos so gut klangen. Aber meine eigenen Ergebnisse wirken flach und austauschbar.“
• „Negativpromts werden komplett ignoriert. Egal, was ich eingebe – ich bekomme immer denselben Pop-Sound mit Schlagzeug und Vocals.“
• „Für ein paar Minuten brauchbares Material zahle ich hier mehr als für echte Studiomusiker.“
• „Nach ein paar Wochen habe ich gekündigt – die Tools helfen vielleicht zum Experimentieren, aber ernsthafte Musik kann man so nicht machen.“

Diese Stimmen zeigen: Viele Nutzer fühlen sich getäuscht, wenn Marketing und Realität auseinanderklaffen.

Fazit: Zwischen Potenzial und Misstrauen

KI hat ohne Zweifel das Potenzial, Musikproduktion zu bereichern – als Inspirationsquelle, zum schnellen Skizzieren von Ideen oder als technisches Hilfsmittel. Doch im Moment überwiegt vielerorts der Eindruck von unausgereiften Tools, gebrochenen Versprechen und fragwürdigen Geschäftsmodellen.

Musikerinnen und Musiker sollten daher mit Skepsis an KI-Angebote herangehen: Versprechen kritisch hinterfragen, Kostenmodelle genau prüfen – und sich bewusst machen, dass KI derzeit eher ein Experimentierfeld ist als ein verlässlicher Partner im kreativen Prozess.

Der Beitrag Musik & KI – Innovation oder teure Illusion? erschien zuerst auf Kunst & KI.