Die aktuelle KI-Blase begann im November 2022, als OpenAI Chad GBZ veröffentlichte. OpenAI hat sich buchstäblich über Nacht von einer unbekannten Organisation zu einem der meistdiskutierten Unternehmen der Welt entwickelt. Sie wurden außerdem von Microsoft und anderen großen Investoren unterstützt. Der KI-Markt war für OpenAI ein sicherer Sieg. Sie hatten Millionen von Nutzern, bevor Konkurrenten überhaupt ein Produkt auf den Markt bringen konnten, und besaßen einen enormen Vorsprung in Sachen Bekanntheitsgrad. Doch es sieht so aus, als hätte OpenAI seinen Vorsprung weitgehend verspielt . Chat GPT ist mit über 900 Millionen wöchentlich aktiven Nutzern das beliebteste KI-Tool der Welt. Die überwiegende Mehrheit dieser Nutzer zahlt jedoch nichts, und OpenAI verbrennt monatlich Milliarden von Dollar . Im März 2026 wurde berichtet, dass OpenAI einen Jahresumsatz von 25 Milliarden US-Dollar erzielte . Das ist im Vergleich zu Sam Almans hochtrabenden Behauptungen geradezu winzig. Im März 2023, sechs Monate nach der Veröffentlichung von Chat GBT, brachte ein Konkurrenzunternehmen namens Anthropic seinen eigenen KI-Chatbot namens Claude auf den Markt. Anstatt sich auf den Konsumentenmarkt zu konzentrieren, vermarktete Anthropic Claude an Unternehmenskunden, insbesondere ihr Claude-Codeprodukt, das sich bei Softwareentwicklern großer Beliebtheit erfreut. Am 20. Mai 2026 behauptete das Wall Street Journal, Zugang zu Finanzdokumenten erhalten zu haben, die Anthropic seinen Investoren gegeben hatte. Das Unternehmen rechnet im laufenden Quartal mit einem Umsatz von 10,9 Milliarden US-Dollar und einem leichten operativen Gewinn. Das entspräche einem jährlichen Umsatz von mehr als 40 Milliarden Dollar , womit Anthropic deutlich größer als OpenAI wäre. Allerdings gibt es einige erhebliche Zweifel an der Rentabilität der Ansprüche von Anthropic sowie an der Nachhaltigkeit der Einnahmen. In diesem Video analysieren wir die explosionsartige Umsatzsteigerung von Anthropic in den letzten Monaten und was uns dies über die KI-Blase verraten kann. Auf diesem Kanal sprechen wir viel über Unternehmen, die Milliarden von Dollar verlieren. Aber es muss nicht so sein . Dank unseres heutigen Sponsors Printify können Sie Ihr eigenes Unternehmen mit null Dollar Vorabinvestition und sehr geringem Risiko gründen. Printify ist eine Print-on- Demand-Plattform, die individuelle T-Shirts, Hoodies, Tassen und über 1300 weitere Produkte herstellen kann. Sie laden ein Design hoch oder generieren eines mit den integrierten KI- Tools und listen es auf Etsy, Tik Tok Shop, Shopify oder wo auch immer Sie verkaufen möchten. Wenn ein Kunde kauft, übernimmt Printify den Druck, die Verpackung und den Versand. Es gibt keine Warenbestände zu kaufen, kein Lager zu mieten und keine Mindestbestellmengen. Sie zahlen nur, wenn tatsächlich etwas verkauft wird. Die Stärke dieses Modells liegt darin, dass es Ihnen ermöglicht, präzise zu sein. Jeder virale Trend, jeder Insiderwitz, jeder Nischenberuf ist ein potenzielles Produkt. Und weil Sie keine Waren im Voraus kaufen, können Sie 50 Ideen testen und sehen, welche funktionieren, ohne einen Cent zu riskieren. Wenn ein Meme am Dienstag viral geht, können Sie bis Mittwoch ein passendes T-Shirt anbieten. Wenn es floppt, ist nichts verloren. So funktioniert es tatsächlich für die Leute. Emily Sutton, eine ehemalige Lehrerin und Mutter von zwei Kindern, begann als Nebenprojekt mit Printify auf Etsy zu experimentieren . Ihr erster Verkauf war ein Sweatshirt, das speziell für Sprachtherapeuten entworfen wurde – eine winzige, hochspezialisierte Nische, in der zufällig ihre Schwägerin tätig war . Zwei Jahre später erzielte ihr Geschäft einen Jahresumsatz von 580.000 Dollar, und sie hatte ihren Job gekündigt, um sich hauptberuflich darum zu kümmern. Lass uns noch heute damit beginnen, dein zukünftiges Geschäft und Einkommen mit Printify aufzubauen. Melde dich über den Link in der Beschreibung kostenlos an und verwende den Code WSM für 15% Rabatt auf deine erste Bestellung. Dieses Angebot gilt nur für die ersten 100 Personen. Also handelt schnell. Heute stammt der überwiegende Teil des Umsatzes von Anthropics von Unternehmenskunden. Der größte Teil dieser Unternehmensausgaben entfällt auf das Cloud-Code-Produkt, das Softwareentwicklern beim Schreiben von Code hilft. KI ist unglaublich rechenintensiv. Sowohl das Trainieren großer Sprachmodelle als auch das Durchführen von Inferenzberechnungen auf diesen Modellen erfordern enorme Rechenzentrumsressourcen. Die Durchführung von Inferenzberechnungen auf Basis von KI-Code ist besonders rechenintensiv. Die KI muss oft Hunderttausende von Zeilen Ihres bestehenden Quellcodes durchlesen, jedes Mal, wenn Sie sie auffordern, etwas zu tun . Neben Cloud Code ist Cursor eines der beliebtesten KI-Codierungswerkzeuge . Cursor ist eine KI-native, integrierte Entwicklungsplattform, die KI-Modelle von Drittanbietern, einschließlich Claude, über die API einbindet. Anthropic generiert also Hunderte von Millionen, wenn nicht gar Milliarden von Dollar durch Cursor- API-Aufrufe. Laut dem Wall Street Journal erwirtschaftete Anthropic im ersten Quartal 2026 einen Umsatz von etwas über 5 Milliarden US-Dollar. Sie gaben rund 3,5 Milliarden Dollar für Rechenkosten aus. Dies umfasst sowohl die Kosten für das Training neuer KI-Modelle als auch die Kosten für die Durchführung von Inferenzberechnungen mit bestehenden Modellen. Sie gaben fast eine Milliarde Dollar für Vertrieb, Marketing und Partnerschaften aus und etwa 500 Millionen Dollar für sonstige Betriebskosten. Die beiden letztgenannten Kategorien umfassen den Baranteil der Mitarbeitergehälter, schließen jedoch aktienbasierte Vergütungen aus, die wahrscheinlich einen erheblichen Anteil ausmachen. Anthropic verzeichnete im ersten Quartal einen Cash-Verlust von rund 500 Millionen Dollar. Das zweite Quartal 2026 ist noch nicht beendet, aber basierend auf den aktuellen Trends rechnet Anthropic mit einem Umsatzanstieg auf 10,9 Milliarden US-Dollar. Die Rechenkosten steigen zwar auch, aber langsamer. Im ersten Quartal 2026 gab Anthropic 71 Cent von jedem Dollar Umsatz für Rechenleistung aus, im zweiten Quartal rechnet das Unternehmen mit Ausgaben von 56 Cent. Im zweiten Quartal rechnet Enthropic mit einem bereinigten Gewinn von rund 500 Millionen Dollar. Sie zahlen wahrscheinlich mehr als 500 Millionen Dollar an aktienbasierter Vergütung, sodass sie wahrscheinlich immer noch Verluste machen, wenn man die Differenz betrachtet . Sollten sich diese Prognosen jedoch bewahrheiten, wird Anthropic die bereinigte Rentabilität lange vor den Erwartungen der meisten Analysten erreicht haben. Anthropic wurde deshalb profitabel, weil die Einnahmen rasant stiegen, während die Rechenkosten nur in geringerem Maße zunahmen. Dafür gibt es einige mögliche Erklärungen. Auch wenn wir es nicht mit Sicherheit wissen, gibt es starke Anzeichen dafür, dass Anthropic seine Trainingskosten in den letzten Monaten drastisch reduziert hat. Anfang April behauptete Anthropic, ein neues KI-Modell namens Mythos entwickelt zu haben. Sie behaupteten, es sei ihr bisher leistungsstärkstes Modell. Die Ausbildungskosten dürften Millionen von Dollar betragen haben, wobei ein Großteil, wenn nicht sogar der größte Teil dieser Ausbildungskosten, im ersten Quartal anfiel. Anthropic hat Mythos nicht öffentlich zugänglich gemacht. Sie behaupten, Mythos sei in der Lage, Sicherheitslücken in vielen Softwareprogrammen zu finden, und dass es, wenn es der Öffentlichkeit zugänglich gemacht würde, von Cyberkriminellen missbraucht werden könnte . Die auf anthropischer Sicherheit basierende Begründung hielt jedoch einer grundlegenden Überprüfung nicht stand. Anthropic behauptete, Mythos habe drei Sicherheitslücken in Open-Source-Software identifiziert. Unabhängige Cybersicherheitsfirmen konnten genau diese Sicherheitslücken schnell mithilfe von Open- Source-KI-Modellen identifizieren, die bereits seit Jahren verfügbar sind. Mythos ist das größte und fortschrittlichste KI-Modell, das Anthropic bisher entwickelt hat. Daher dürfte es sich um die rechenintensivste Plattform für die Durchführung von Inferenzprozessen handeln. Anthropisch ist bereits berechnet. Im Laufe des späten Jahres 2025 und des frühen Jahres 2026 wurden die Gebührenobergrenzen für Claude-Premium- Abonnenten schrittweise verschärft. Eine Veröffentlichung von Mythos könnte dieses Problem verschärfen. Stattdessen veröffentlichten sie Claude Opus 4.7, das kleiner, weniger leistungsfähig und weniger rechenintensiv ist. Angesichts der rasant steigenden Nachfrage nach Cloud-Code und der bereits bestehenden Rechenengpässe bei trophic ist es naheliegend anzunehmen, dass sie im zweiten Quartal einen Teil, wenn nicht sogar ihre gesamte Trainingsrechenkapazität, für Inferenzprozesse umverteilt haben . Dies könnte erklären, warum die Rechenkosten von 71 % des Umsatzes auf 56 % sinken. Das bedeutet nicht zwangsläufig, dass Anthropic effizienter darin geworden ist, seine Rechenleistung in Einnahmen umzuwandeln. Obwohl Anthropic in den letzten Monaten mit Einschränkungen bei den Rechenkapazitäten zu kämpfen hatte, hat das Unternehmen weiterhin neue Premium-Cloud- Abonnenten aufgenommen. Deshalb waren sie gezwungen, die Ratenbegrenzungen zu verschärfen. Dies steigert zwar kurzfristig die Gewinne, bietet den Kunden aber ein schlechteres Erlebnis, die ihre Abonnements möglicherweise kündigen, wenn die Preisobergrenzen zu drakonisch werden. Im Mai 2026 unterzeichnete Anthropic einen Vertrag mit SpaceX. Vergessen Sie nicht, dass SpaceX Eigentümer von XAI ist, dem wiederum zwei riesige Rechenzentren namens Colossus 1 und Colossus 2 gehören. Anthropic mietet nun Colossus 1 komplett und einen Teil von Colossus 2 von SpaceX. Im Zusammenhang mit dem Rechenleistungsabkommen mit SpaceX kündigte Anthropic an, die Gebührenbegrenzungen für bestehende Kunden zu lockern. Diese neue Rechenanlage wird Anthropic nicht unbedingt viele neue Einnahmen bescheren, da ein Teil, wenn nicht sogar der größte Teil, an bestehende Kunden gehen wird. SpaceX veröffentlichte kürzlich S1-Dokumente, die einige Details über seinen Vertrag mit Anthropic enthüllen. Ab Juli werden sie SpaceX 1,25 Milliarden Dollar pro Monat bzw. fast 4 Milliarden Dollar pro Quartal zahlen. Für die Monate Mai und Juni zahlt Anthropic eine reduzierte Gebühr. Wir wissen nicht, wie hoch diese reduzierte Gebühr ist. Die Tatsache, dass Anthropic eine reduzierte Gebühr zahlt, senkt die Rechenkosten im zweiten Quartal künstlich. Sobald sie im Juli den vollen Preis zahlen müssen, wird mehr als ein Drittel der Einnahmen von Anthropic an SpaceX fließen, und ab diesem Zeitpunkt wird das Unternehmen voraussichtlich wieder Verluste machen. Die Umsätze von Anthropic haben die von Open AI übertroffen, weil Anthropic sich auf Unternehmen konzentriert, während Open AI sich hauptsächlich auf Endverbraucher fokussiert. Nur sehr wenige Verbraucher sind bereit, echtes Geld für KI auszugeben, aber viele Unternehmen sind bereit, große Summen für kreierten Code auszugeben, weil sie glauben, dass dies ihre Softwareentwickler produktiver macht. Aber entspricht das wirklich der Realität? In den 1980er Jahren gründeten IBM und Microsoft ein Joint Venture, um ein neues Betriebssystem für Personalcomputer zu entwickeln. Obwohl es sich um ein Joint Venture handelte, lag die Gesamtverantwortung bei den Führungskräften von IBM. IBM-Führungskräfte beurteilten die Leistung von Softwareentwicklern anhand der Anzahl der von ihnen geschriebenen Codezeilen. Dies war zu jener Zeit eine relativ gängige Methode zur Messung der Produktivität, da sie eine der wenigen Möglichkeiten für große Unternehmen darstellte, die Leistung einzelner Entwickler zu quantifizieren. Die im Joint Venture tätigen Microsoft-Mitarbeiter würden den Code umstrukturieren. Sie würden bestehende Teile des Codes so umschreiben, dass er weniger Zeilen hätte. Dadurch wurde das Betriebssystem einfacher und effizienter. Als die IBM-Führungskräfte davon erfuhren , wiesen sie die Microsoft- Mitarbeiter an, damit aufzuhören. Aus ihrer Sicht verringerte die Refaktorisierung die Größe des Betriebssystems, was sie als Rückschritt ansahen. Schließlich stieg Microsoft aus dem Joint Venture aus und IBM veröffentlichte das Betriebssystem auf eigene Faust. Das IBM- Betriebssystem war langsam, fehlerhaft und scheiterte letztendlich. Bill Gates wird bekanntlich mit folgendem Zitat zitiert: „Die Produktivität von Software anhand der Codezeilen zu messen, ist so, als würde man den Fortschritt eines Flugzeugs anhand seines Gewichts messen.“ Eine oberflächliche Kennzahl wie die Anzahl der Codezeilen wird der Komplexität der Softwareentwicklung nicht gerecht und kann zu Fehlentscheidungen im Management führen. Um das Jahr 2000 erkannten die meisten Softwareunternehmen, dass die Anzahl der geschriebenen Codezeilen kein verlässlicher Indikator für Produktivität ist. Was IBM in den späten 1980er Jahren tat, wurde als primitive Praxis aus einer längst vergangenen Zeit angesehen. Während KI als innovative und zukunftsweisende Technologie dargestellt wird, hat sie ironischerweise dazu geführt, dass sich die Kultur des Silicon Valley zurückentwickelt hat und nun nicht mehr sehr anders aussieht als das, was IBM vor 40 Jahren tat. Michael Truel ist CEO von Cursor, einem der beliebtesten KI-Codierungswerkzeuge. Im Januar 2026 rühmte sich Truel damit, dass sein Team Cursor zur Entwicklung eines neuen Webbrowsers verwendet habe. Cursor arbeitete eine ganze Woche lang autonom, um es zu erstellen. Der Browser besteht aus mehr als 3 Millionen Codezeilen. Bei so vielen Codezeilen muss es wirklich gut sein. Tatsächlich rühmt sich Truel damit, dass dieser Vibecoded-Browser einigermaßen funktioniert. Cursor hat den Quellcode des Browsers auf GitHub veröffentlicht und ermöglicht so unabhängigen Entwicklern die Analyse und das Testen. Es stellte sich bald heraus, dass große Teile des angeblich mit Vibecoding entwickelten Browsers tatsächlich aus bestehenden Open-Source- Projekten stammten. Der Browser konnte die meisten Webseiten nicht laden, und wenn er eine Webseite laden konnte , dauerte es mehr als eine Minute, bis sie geladen war. Truels Behauptung, es funktioniere irgendwie, ist eine sehr wohlwollende Beschreibung. Cursors Experiment mit dem Vibecoded-Browser war ein totaler Fehlschlag. Da es die meisten Webseiten nicht laden kann, würde kein vernünftiger Mensch es als funktionierenden Browser bezeichnen. Truel versucht, von den mangelnden Fähigkeiten seines Browsers abzulenken, indem er auf die 3 Millionen Codezeilen hinweist, was jedoch eine weitgehend irrelevante Zahl ist. In den letzten Monaten ist ein neues Phänomen namens Token Maxing aufgetaucht. Viele Technologieunternehmen glauben, dass KI ihre Softwareentwickler produktiver macht. Je mehr KI- Token ein Softwareentwickler verbraucht, desto produktiver wird er sein. Viele Softwareentwickler nutzen heutzutage KI- Codierungsagenten, um nutzlose Aufgaben zu erledigen und so ihren gemeldeten Token-Verbrauch zu erhöhen . Ein Blogger namens Pragmatic Engineer sprach mit einigen Mitarbeitern großer Technologieunternehmen über ihre Erfahrungen mit Token-Maximierung. Das erste Beispiel stammt von Microsoft. Microsoft gibt an, dass der Einsatz von KI nicht mehr optional ist, sondern nun in die Leistungsbeurteilungen einbezogen wird. Das Unternehmen hat in letzter Zeit mehrere Entlassungsrunden durchgeführt . Es besteht die implizite Drohung, dass Softwareentwickler, die nicht genügend KI einsetzen, entlassen werden. Ein anonymer Microsoft-Mitarbeiter teilte dem pragmatischen Ingenieur mit, dass er zu unproduktivem Token-Maximieren gegriffen habe. Er wird ein KI-Tool verwenden, um bereits dokumentierten Code zu analysieren, nur um noch mehr Token zu verbrennen . Er wird KI nutzen, um Prototypen von Funktionen zu erstellen, an denen er selbst nicht arbeiten will. Er wird KI einsetzen, um Dinge zu erledigen, selbst wenn er weiß, dass er es von Hand schneller erledigen könnte. Salesforce verpflichtet seine Softwareentwickler, wöchentlich Token im Wert von mindestens 170 US-Dollar über Cloud Code und Cursor zu verbrauchen. Das sind fast 9.000 Dollar pro Jahr, und das ist das Minimum. Die meisten Angestellten versuchen, diesen Wert zu übertreffen, weil sie glauben, dass dies bei ihren Vorgesetzten besser ankommt. Viele Salesforce-Ingenieure greifen auf KI zurück, um nutzlose Softwarefunktionen zu erstellen, von denen sie wissen, dass sie niemals implementiert werden. Es sollte vielleicht nicht überraschen, dass Meta, dasselbe Unternehmen, das 80 Milliarden Dollar für das gescheiterte Metaverse verschwendet hat, nun zu einem der größten Befürworter des Token-Maximierens geworden ist. Meta verfolgt, wie viele KI- Token jeder seiner Softwareentwickler verbraucht. Kürzlich wurde bekannt, dass ein Mitarbeiter von Meta eine interne Rangliste namens Claudonomics erstellt hat, in der die Mitarbeiter darum wetteifern, wer die meisten Token verbrennt. Interessant ist, dass die Rangliste Claudonomics heißt. Meta hat Milliarden, wenn nicht gar Dutzende Milliarden Dollar ausgegeben, um seine eigene Lama-Familie von KI-Modellen zu entwickeln. Aber Llama ist so schlecht, dass es nicht einmal von Metas eigenen Mitarbeitern benutzt wird. Der ranghöchste Meta-Mitarbeiter in der Claudonomics- Rangliste verbrauchte innerhalb eines Monats 328 Milliarden Token . Die Rangliste zeigte an, welche KI-Modelle dieser Mitarbeiter verwendet hat, enthielt aber keine Aufschlüsselung darüber, wie viele Token er von jedem Modell verbraucht hat. Das günstigste Modell, das sie verwendeten, war die Gemini 3.1 Taschenlampe, die für 328 Milliarden Token 112.000 Dollar gekostet hätte. Das teuerste Modell war die Claude Opus 4.6, die 1,9 Millionen Dollar gekostet hätte. Das ist eine enorme Spanne. Mindestens aber gab dieser Mitarbeiter in einem einzigen Monat über 100.000 Dollar für KI- Token aus. In den 1980er Jahren, als IBM die Leistung anhand der Anzahl der Codezeilen beurteilte, führte dies dazu, dass die Softwareingenieure minderwertige Software entwickelten, die umständlich und ineffizient war. Aber zumindest hat es direkt nichts gekostet. Das jüngste Phänomen des Token-Maximierens ist anders, weil jedes Mal, wenn ein Softwareentwickler ein KI-Codierungstool verwendet, dieses für sein Unternehmen entwickelt wird und sich die Kosten summieren. Uber gab kürzlich zu, sein gesamtes KI-Budget für 2026 in den ersten vier Monaten des Jahres aufgebraucht zu haben. Da der Großteil des Geldes für Cloud-Code ausgegeben wird, investieren Unternehmen jetzt viel Geld in KI. Erhalten sie also eine Rendite auf ihre Investitionen? Im Juli 2025 veröffentlichte die gemeinnützige KI- Forschungsorganisation METR eine randomisierte Kontrollstudie, in der der Produktivitätseffekt von KI-Codierungswerkzeugen gemessen wurde. Sie rekrutierten 16 erfahrene Open- Source-Entwickler und ließen sie 246 reale Aufgaben aus ihren eigenen Repositories bearbeiten, Codebasen, die sie seit Jahren pflegten. Jede Aufgabe wurde per Zufall entweder der Gruppe „KI erlaubt“ oder der Gruppe „KI nicht erlaubt“ zugeordnet. Als KI zugelassen wurde, verwendeten Entwickler Cursor Pro mit Claude 3.5 und 3.7 Sonnet. Vor der Studie prognostizierten die Entwickler, dass KI-Tools es ihnen ermöglichen würden, Aufgaben 24 % schneller zu erledigen. Das tatsächliche Ergebnis war genau das Gegenteil. Beim Einsatz von KI dauerten die Aufgaben 19 % länger, nicht 19 % schneller, sondern 19 % langsamer. Nachdem die Teilnehmer das Experiment abgeschlossen hatten, aber bevor ihnen ihre Ergebnisse gezeigt wurden, fragte METR sie erneut, ob sie glaubten, mit KI schneller oder langsamer zu sein . Die Teilnehmer glauben weiterhin, dass sie mit KI schneller waren. Sie hatten das Gefühl, schneller zu sein, wenn sie KI einsetzten, obwohl sie tatsächlich länger brauchten. Bei der Verwendung von Tools wie Cursor oder Cloud Code fühlt es sich schnell an, weil die KI schnell viel Code ausspuckt, aber man verbringt enorm viel Zeit damit, die Ausgabe zu überprüfen, subtile Fehler zu beheben, erneut nachzufragen und die Architektur zu analysieren, die die KI falsch erkannt hat. METR führte ab August 2025 eine zweite Studie durch. Alle 16 ursprünglichen Teilnehmer wurden erneut eingeladen. Nur 10 wurden zurückgegeben. Außerdem rekrutierten sie 47 neue Entwickler aus einem breiteren Spektrum von Open- Source-Projekten. Die 10 zurückkehrenden Entwickler waren mit KI etwa 18 % schneller . Die 47 neuen Entwickler waren etwa 4 % schneller, aber beide Konfidenzintervalle schlossen die Null ein. Obwohl sie mit KI schneller waren, war der Unterschied statistisch nicht signifikant. Dennoch verschoben sich die Punktprognosen zugunsten von AI. Wodurch lässt sich dieser Wandel erklären? Es ist durchaus möglich, dass sich die KI-Codierungswerkzeuge bis 2025 verbessert haben . Es gibt aber noch eine andere mögliche Erklärung. Von den ursprünglich 16 Teilnehmern kehrten nur 10 zurück . Das liegt zum Teil an der Bezahlung. MER senkte die Vergütung von 150 US-Dollar pro Stunde in der ersten Studie auf 50 US-Dollar pro Stunde in der zweiten Studie. Aber ein Teil davon ist etwas anderes. MER berichtet, dass sowohl bei den zurückkehrenden als auch bei den neu eingestellten Entwicklern eine beträchtliche Anzahl derjenigen, die die Teilnahme oder die Einreichung bestimmter Aufgaben ablehnten, den Grund dafür war, dass sie nicht mehr ohne KI programmieren wollten. Ein zurückkehrender Entwickler sagte: „Ich bin hin- und hergerissen. Ich würde gerne aktualisierte Daten zu dieser Frage beisteuern, aber er mag es auch sehr, KI einzusetzen.“ Ein neuer Teilnehmer erklärte, warum er bestimmte Aufgaben nicht zur Randomisierung einreichen würde. Zitat: Ich habe festgestellt, dass meine Stichprobenauswahl tatsächlich stark voreingenommen ist . Ich vermeide Probleme wie: „KI kann Aufgaben in nur 2 Stunden erledigen, aber ich muss 20 Stunden dafür aufwenden.“ Es würde mich sehr schmerzen, wenn die Aufgabe als KI- unzulässig entschieden würde. und ein weiteres Zitat: „Mir wird der Kopf explodieren, wenn ich zu viel auf die altmodische Art und Weise mache, denn das ist, als ob man versuchen würde, eine Stadt zu Fuß zu durchqueren, obwohl man plötzlich viel lieber ein Uber nimmt.“ Es handelt sich um erfahrene professionelle Ingenieure mit durchschnittlich 10 Jahren Erfahrung im Open-Source-Bereich . Viele arbeiten in Unternehmen, die KI-Tools mittlerweile vorschreiben. Sie haben tatsächlich Freude an der Nutzung von KI, unter anderem weil sie sich dadurch schneller fühlen, auch wenn sie, zumindest Anfang 2025, dadurch langsamer wurden. Da sie von diesen Hilfsmitteln abhängig werden, stellt sich nahe die Frage, ob ihre Fähigkeiten ohne diese Hilfsmittel nachlassen. Wenn sie das tun, dann werden sie irgendwann mit KI besser abschneiden als ohne, aber nicht weil die KI sie im Vergleich zu ihrer ursprünglichen Ausgangslage produktiver gemacht hat, sondern weil ihre Ausgangslage ohne Unterstützung gesunken ist. Dies ist lediglich eine Hypothese. Doch ausgerechnet Anthropic hat kürzlich eine Studie durchgeführt, die diese Hypothese stützt. Im Januar 2026 veröffentlichten sie die Ergebnisse einer Studie darüber, wie sich der Einsatz von KI auf die Lerngeschwindigkeit von Nachwuchs-Softwareentwicklern auswirkt. Sie rekrutierten 52 Nachwuchs-Softwareentwickler, die jeweils etwa ein Jahr Erfahrung in der Programmierung mit Python hatten. Sie gaben ihnen eine relativ einfache Aufgabe, die die Trio Python-Bibliothek betraf. Die Hälfte der Teilnehmer durfte KI- Tools nutzen, die andere Hälfte nicht. Anschließend absolvierten sie ein Quiz, das ihr Wissen über die Trio- Bibliothek testete. Die KI-Gruppe erledigte die Aufgabe im Durchschnitt in 23 Minuten, während die Gruppe ohne KI 25 Minuten benötigte. Die KI brachte also einen geringfügigen, statistisch nicht signifikanten Geschwindigkeitszuwachs. Die Gruppe ohne KI erzielte im Quiz 65 %, während die KI-Gruppe nur 50 % erreichte. Dieser Unterschied ist statistisch signifikant. Ein großes Lob an Anthropic für die Integrität, die Ergebnisse dieser Studie zu veröffentlichen, denn sie zeichnen ein ziemlich vernichtendes Bild von KI. Python ist eine der am häufigsten verwendeten Programmiersprachen und es stehen riesige Mengen an Trainingsdaten zur Verfügung. KI- Codierungswerkzeuge funktionieren in der Regel mit Python deutlich besser als mit weniger verbreiteten Programmiersprachen. Darüber hinaus ist es nahezu allgemein anerkannt, dass KI-Tools bei einfacheren Aufgaben besser geeignet sind als bei komplexeren. In dieser Studie bearbeiteten Nachwuchsentwickler eine relativ kurze und einfache Aufgabe mit Python. Dies ist das optimale Szenario für KI. Dennoch brachte die KI nur eine geringfügige, statistisch nicht signifikante Beschleunigung. Die Teilnehmer, die KI nutzten, lernten hingegen nicht so viel über die Trio-Bibliothek. Der Einsatz von KI-Tools hemmt also Ihr Wachstum als Entwickler erheblich und bietet nahezu keinen Nutzen. Viele Menschen glauben, dass KI Softwareentwicklern einen enormen Produktivitätsvorteil verschafft, obwohl es dafür keine harten Beweise gibt. Diese Wahrnehmung ist das Ergebnis wiederholter Behauptungen von Führungskräften aus der Technologiebranche und Risikokapitalgebern. Schauen wir uns eine aktuelle Stellungnahme von NVIDIA-CEO Jensen Wong an. Nehmen wir an, Sie haben einen Softwareentwickler oder KI-Forscher und zahlen ihm 500.000 Dollar im Jahr. Das machen wir ständig . Ja . Okay. Das passiert ständig . Ähm, diesen Ingenieur, der 500.000 Dollar verdient, werde ich am Ende des Jahres fragen: Wie viele Token haben Sie ausgegeben ? Wenn diese Person 5.000 Dollar sagt, raste ich komplett aus – oder irgendetwas anderes. Ja . Rechts. Wenn dieser 500.000-Dollar-Ingenieur nicht mindestens Token im Wert von 250.000 Dollar verbraucht hat, wäre ich zutiefst beunruhigt. Okay? Und das ist nicht anders als bei einem unserer Chipdesigner, der sagt: „Wisst ihr was? Ich werde einfach Papier und Bleistift benutzen. Ich glaube nicht, dass ich CAD-Tools brauche.“ This is Hang verwendet eine sehr manipulative rhetorische Technik. Er hat keine Beweise dafür, dass das Ausschöpfen des Token-Anteils eine Rendite auf die Investition bringt. Anstatt diese Behauptung direkt zu verteidigen, stützt er sich auf eine größere, unausgesprochene Prämisse, nämlich dass KI die Produktivität im Ingenieurwesen dramatisch steigert. Er hält diese Prämisse für zu selbstverständlich, als dass sie keinen Beweis bräuchte, und stellt eine völlig unbegründete Analogie zu CAD-Werkzeugen her. Der Zuhörer wird nicht mehr gefragt, ob sich die Investition von 250.000 Dollar in Tokens lohnt, sondern ob er bereit ist, derjenige zu sein, der ausharrt und weiterhin mit Stift und Papier arbeitet. Kürzlich verglich ein Partner der Risikokapitalgesellschaft Sequoia die künstliche Intelligenz mit der Einführung des Automobils. Selbst wenn man nicht glaubt, dass es sich um AGI handelt, denke ich, dass wir alle sehen können, dass die Autos angekommen sind. In den letzten Jahren gab es viele schnellere Anwendungen, die die Produktivität um 10 oder 40 % steigerten, aber die Arbeitsweise nicht grundlegend veränderten . Jetzt sehen wir Autos und Anwendungen, die Ihre Produktivität um das 10- oder 40-fache steigern und die Art und Weise, wie Sie arbeiten, die Natur Ihrer Arbeit und die Natur Ihrer Organisation grundlegend verändern. Die Autos sind angekommen. Er stellt hochtrabende Behauptungen auf, ohne dafür keinerlei Beweise vorzulegen. KI- Tools steigern Ihre Produktivität um das 10- bis 40-fache . Welche KI-Tools? Wie misst man Produktivität? Das sind nur erfundene Zahlen. Beachten Sie den Unterschied in der Bildkomposition zwischen Automobil und Pferdekutsche. Das ist sehr ähnlich wie bei Jensen Huang, der auf Stift und Papier zurückgreift. Die KI-CEOs und Risikokapitalgeber wollen, dass Sie Angst haben. Sie müssen die KI-Tools nutzen, die sie verkaufen. Andernfalls bleibst du der Verlierer in der Pferdekutsche, während deine Altersgenossen dich in Automobilen überholen. Das wohl eklatanteste Beispiel ist der anthropische CEO Daario Amade. Im Februar 2026 trat er in einem Podcast auf, in dem er versuchte, den vermeintlichen Produktivitätsvorteil von KI trotz der zunehmenden gegenteiligen Beweise zu verteidigen. Es gab eine Studie von Meter, die Sie sicher letztes Jahr gesehen haben, in der erfahrene Entwickler versuchten, Pull Requests in ihnen vertrauten Repositories zu schließen, und diese Entwickler berichteten von einer Verbesserung. Sie berichteten, dass sie sich durch die Verwendung dieser Modelle produktiver fühlten, aber wenn man sich tatsächlich ihre Leistung und den Anteil der tatsächlich wieder einfließenden Ergebnisse ansieht, ergibt sich ein Rückgang von 20%. Infolge dieser Modelle waren sie weniger produktiv . Und so versuche ich, das qualitative Gefühl, das die Leute mit diesen Modellen haben, mit der Frage auf einer Makroebene in Einklang zu bringen: Wo findet diese Renaissance der Software statt? Und zweitens: Warum sehen wir bei diesen unabhängigen Bewertungen nicht die produktiven Vorteile, die wir bei Anthropic erwarten würden? Das ist doch ganz klar, oder? Wir stehen unter enormem kommerziellen Druck und machen es uns selbst noch schwerer, weil wir all diese Sicherheitsmaßnahmen haben, die wir – glaube ich – mehr tun als andere Unternehmen. Der Druck, wirtschaftlich zu überleben und gleichzeitig unsere Werte zu bewahren, ist einfach unglaublich, nicht wahr? Wir versuchen, diesen 10-fachen Umsatzanstieg beizubehalten . Für Blödsinn hat man absolut keine Zeit. Es gibt keine Zeit, sich produktiv zu fühlen, wenn man es nicht ist. Diese Tools machen uns viel produktiver. Mein Modell der Situation ist, dass es einen Vorteil gibt, der allmählich wächst. Ich würde sagen, die aktuellen Codierungsmodelle bieten eine Geschwindigkeitssteigerung von vielleicht 15, vielleicht 20 %. Das ist meine Ansicht. Der Podcast-Moderator bezog sich auf die erste METR-Studie, die wir bereits zuvor besprochen hatten. Man beachte, dass Daario keinerlei Beweise für seine Behauptung liefert, dass der Claude-Code die Produktivität anthropischer Ingenieure um 15 bis 20 % steigert. Das ist nur sein Bauchgefühl, eine erfundene Zahl . Dies geschieht trotz der Tatsache, dass sein eigenes Unternehmen nur wenige Wochen zuvor eine Studie veröffentlicht hatte, die eine statistisch nicht signifikante Beschleunigung unter deutlich günstigeren Bedingungen als denen, denen menschliche Ingenieure wahrscheinlich ausgesetzt sind, aufzeigte . Wenn man eine Lüge oft genug wiederholt , glauben die Leute sie irgendwann , besonders wenn die Lüge von Leuten verbreitet wird, die laut den Medien visionäre Techno-Könige sind. Fortune-500-Unternehmen setzen KI aus Angst ein. Große Summen in KI zu investieren, ist der Weg des geringsten Widerstands. Wenn KI keinen Produktivitätsgewinn bringt, hat man im schlimmsten Fall nur Geld verschwendet. Wenn KI aber tatsächlich einen großen Nutzen bringt und man sie nicht einsetzt, riskiert man, von seinen Konkurrenten überholt zu werden. Die künstliche Intelligenz scheint in der Unternehmenswelt eine Art paranoide Psychose ausgelöst zu haben. Kürzlich gab James Quincy, der langjährige CEO von Coca-Cola, seinen Rücktritt bekannt. Der Grund für seinen Rücktritt ist, dass er KI nicht gut genug versteht. Das Unternehmen braucht einen jüngeren CEO, der diese revolutionäre Technologie besser versteht . Das ist absolut bizarr. Die einzige Relevanz von KI für Coca-Cola besteht darin, dass sie KI mittlerweile zur Erstellung vieler ihrer Werbespots einsetzen. Diese KI- Werbespots werden von der breiten Öffentlichkeit fast einhellig abgelehnt. Der größte Nutznießer ist natürlich Anthropic, das nun den Löwenanteil der Einnahmen aus der Token- Maximierung erhält. Wie wir bereits erläutert haben, wird ihr Gewinn im zweiten Quartal mit ziemlicher Sicherheit nicht nachhaltig sein, da ihre Rechenkosten in der zweiten Jahreshälfte voraussichtlich massiv steigen werden. Aber es gibt ein größeres Problem. Das Maximieren des Token-Werts ist offensichtlich eine massive Geldverschwendung, die nicht ewig anhalten wird. In Zukunft werden die Menschen auf Metas Claonomics genauso zurückblicken, wie wir auf IBMs Zählen von Codezeilen in den 1980er Jahren zurückblicken. Diese Token-Maximierungs- Psychose kann und wird nicht ewig andauern. Wenn die Ära des Token-Maximierens zu Ende geht, werden wir schnell einen Einbruch der Umsätze von KI- Unternehmen erleben, insbesondere von Anthropologen. Okay, Leute, das war's für dieses Video. Was hältst du vom Token-Maxing? Teilt uns eure Meinung im Kommentarbereich unten mit. Wie immer vielen Dank fürs Zuschauen und wir sehen uns beim nächsten Mal.