Modellmüdigkeit breitet sich aus: KI-Labore takten im Wochenrhythmus

In nur einer Woche Anfang September 2026 veröffentlichten vier der weltweit größten KI-Labore neue Modelle. Anthropic brachte Claude Fable 5.1 und Claude Mythos 5.1 heraus. Meta stellte Muse Spark 1.3 vor. Google präsentierte Gemini 3.8 Flash. OpenAI folgte mit GPT-6 Astra, einem Modell, das nach Angaben des Unternehmens auf Cybersicherheit und Computerbedienung ausgerichtet ist und das Ergebnis 'jahrelanger Forschung und großer Wetten' sei. In derselben Woche fügte die Mohamed bin Zayed University of Artificial Intelligence in Abu Dhabi ihre eigene Open-Source-Modellfamilie K2 Horizon hinzu, und der Chiphersteller Nvidia erklärte sich bereit, die Open-Source-Plattform Hugging Face für 12,9 Milliarden Dollar zu übernehmen. Das Ergebnis, so Führungskräfte und Forscher gegenüber CNBC, sei ein Phänomen, das sie 'Modellmüdigkeit' nennen: eine schleichende Erschöpfung, die sowohl die Ingenieure erfasst, die diese Systeme bauen, als auch die Unternehmen, die zwischen ihnen wählen müssen.

Warum die Labore das Tempo nicht drosseln

Diese Häufung von Veröffentlichungen sei kein Zufall, sagt Ahmed Abbasi, Professor an der Mendoza School of Business der Notre-Dame-Universität, der seit 25 Jahren zu KI forscht. Die großen Entwickler 'spielen alle das Spiel um den größten Anteil am Kundenbudget', sagt er, und wetteifern darum, Kunden und Entwicklern ständig zu zeigen, dass sie mindestens so schnell innovieren wie ihre Konkurrenten. Anthropic und OpenAI, die von privaten Investoren beide mit fast einer Billion Dollar bewertet werden, treiben das Tempo besonders stark voran, da sie auf einen künftigen Börsengang zusteuern. OpenAI-Chef Sam Altman sagte CNBC, 'wir alle wechseln zu schnelleren Taktraten', und führte einen Teil der Beschleunigung darauf zurück, dass die Teams aus dem Sommerurlaub zurückgekehrt seien.

Die finanziellen Interessen erklären die Dringlichkeit. Gartner prognostiziert, dass die weltweiten KI-Ausgaben 2026 auf 2,59 Billionen Dollar steigen werden, ein Plus von 47 Prozent gegenüber 2025, wovon mehr als eine Billion Dollar in Dienstleistungen, Software, Sicherheit, Modelle und andere Werkzeuge fließt und nicht nur in reine Infrastruktur. Jede Modellfamilie, die bei einer Veröffentlichung zurückfällt, riskiert, einen Teil dieses Budgets an einen Konkurrenten zu verlieren, der bereit ist, schneller auszuliefern — auch wenn, wie Noah Faro, Technologiechef des KI-Finanz-Start-ups Farsight, anmerkte, die meisten Veröffentlichungen dieser Woche 'Punktversionen' waren, also Upgrades bestehender Modelle statt völlig neuer Entwicklungen. Faro zufolge waren die letzten Veröffentlichungen, die wirklich etwas veränderten, Anthropics Fable 5 im Juni und Kimi K3 von Moonshot AI im Juli.

Ich habe das Gefühl, dass Modellmüdigkeit real ist. Verstehen Sie mich nicht falsch, ich bin äußerst begeistert von all der Innovation, die gerade passiert, aber ich glaube wirklich, dass wir uns in einem Umfeld befinden, das so überhitzt ist, dass man Lärm machen muss, um wahrgenommen zu werden.

Ein Laufband, das Ingenieure und Käufer gleichermaßen zermürbt

Das Tempo zeigt sich deutlich in den Zahlen. Einer Analyse von Crypto Briefing zufolge hat sich der mediane Abstand zwischen großen Spitzenmodell-Veröffentlichungen in der gesamten Branche von 37,5 Tagen im Jahr 2023 auf nur noch 11 Tage im bisherigen Jahr 2026 verkürzt. OpenAIs eigenes Tempo erzählt eine ähnliche Geschichte: Der mediane Abstand zwischen den Modellveröffentlichungen des Unternehmens sank von 170,5 Tagen im Jahr 2023 auf 49 Tage in diesem Jahr. Chinesische Labore verschärfen den Druck zusätzlich — das Modell Kimi K3 von Moonshot AI mit 2,8 Billionen Parametern hat bei etwa einem Sechstel der Bereitstellungskosten eine Leistung erreicht, die geschlossenen, proprietären Systemen ebenbürtig ist, und chinesische Modelle machten im Frühjahr 2026, vor Nvidias Übernahme der Plattform, 41 Prozent der Downloads auf Hugging Face aus.

Gartner-Analysten benannten das zugrunde liegende Problem bereits im Juni 2026: 'Fähigkeitskonvergenz', die Tendenz neuer Spitzenmodelle, bei Standard-Benchmarks nur eng beieinander zu liegen, wodurch der Vorteil, als Erster zu veröffentlichen, fast augenblicklich verschwindet. Auch der menschliche Preis ist inzwischen sichtbar geworden. Im Juli 2026 unterzeichneten mehr als 1.000 Beschäftigte großer KI-Labore eine Petition, in der sie ein maßvolleres Entwicklungstempo forderten, und verwiesen dabei auf die Sättigung der Benchmarks sowie die verkürzte Zeit für Dokumentation und Sicherheitstests.

• Medianer Abstand zwischen großen Spitzenmodell-Veröffentlichungen: 37,5 Tage 2023, 11 Tage im bisherigen Jahr 2026
• OpenAIs eigenes Veröffentlichungstempo: 170,5 Tage Abstand 2023, 49 Tage 2026
• Von Gartner prognostizierte weltweite KI-Ausgaben 2026: 2,59 Billionen Dollar, plus 47 Prozent gegenüber 2025
• Anteil chinesischer Open-Weight-Modelle an Hugging-Face-Downloads, Frühjahr 2026: 41 Prozent
• Beschäftigte von KI-Laboren, die im Juli 2026 eine Petition für ein langsameres Veröffentlichungstempo unterzeichneten: mehr als 1.000

Diese Abnutzung trifft die IT-Teams der Unternehmen direkt. 'Es ist wirklich schwierig, jedes einzelne der gerade erscheinenden Modelle zu bewerten', sagte Suresh Vasudevan, Geschäftsführer des Unternehmens-KI-Start-ups Clockwork Systems. Wolle sein Unternehmen zehn Kandidatenmodelle für eine Aufgabe testen, wähle es oft einfach fünf aus und lasse den Rest weg — nicht, weil die anderen schlechter seien, sondern weil schlicht keine Zeit mehr bleibe, alle zu prüfen. 'Jede Veröffentlichung ist so gut, dass es schwerfällt, einen echten Qualitätssprung zu erkennen', fügte Vasudevan hinzu.

Was das für ein Unternehmen bedeutet, das ein Modell auswählen muss

Für ein deutsches Unternehmen, das entscheiden muss, auf welches KI-Modell es setzt — meist eines eines US-amerikanischen Labors —, verwandelt Modellmüdigkeit eine technische Entscheidung in ein bewegliches Ziel. Wer die Produkt-Roadmap an das Modell eines einzigen Anbieters bindet, riskiert Monate später eine teure Neuentwicklung, wenn ein Konkurrent etwas deutlich Besseres liefert oder der Anbieter selbst die genutzte Version einstellt. Die Antwort, die sich bei Unternehmenskäufern durchsetzt und sich sowohl in Vasudevans Aussage als auch in Gartners Befund zur Fähigkeitskonvergenz widerspiegelt, besteht darin, das zugrunde liegende Modell nicht länger als dauerhaften Vermögenswert zu behandeln: Immer mehr Unternehmen bauen eine Abstraktionsschicht auf — einen Router oder eine Orchestrierungsebene, die Modelle wechseln kann, ohne den Anwendungscode neu zu schreiben —, damit ein schnelleres oder günstigeres Modell vierteljährlich übernommen werden kann, statt eine vollständige Neuarchitektur auszulösen. Für ein deutsches Unternehmen kommt hinzu, dass die Abhängigkeit von einem US-Anbieter zusätzliche vertragliche und regulatorische Fragen aufwirft, etwa mit Blick auf Datenschutz und Exportkontrollen; Wechselkosten und Anbieterbindung ebenso ernst zu nehmen wie die Benchmark-Ergebnisse dieser Woche wird damit zu einer zentralen Voraussetzung der Modellwahl.