Zur Zukunft einer Technologie

Nick Srnicek:
Silicon Empires. The Fight for the Future of AI
United Kingdom
Cambridge 2025: Polity
200 S., 17,99 EIR
ISBN 978-1-5095-5048-7

Die neuesten technischen Entwicklungen im Bereich der Künstlichen Intelligenz (KI) sind aktuell vielfach Gegenstand von Diskussionen. Die Veröffentlichung von ChatGPT im November 2022 ermöglichte Millionen von User:innen die Interaktion mit großen Sprachmodellen durch ein einfaches, interaktives Chat-Interface.^[1] Spätestens seit diesem Release konkurrieren die großen Big Tech-Unternehmen medienwirksam um Technologie- und Marktvorsprünge. Doch wer profitiert tatsächlich vom gegenwärtigen Erfolg der LLMs? Und auf welchem Wege?

Diese Frage ist nicht so trivial, wie sie zunächst anmuten mag. Es mehren sich Studien und Berichte, die zeigen, dass trotz einer zunehmenden Adaption von generativen KI-Systemen keine signifikanten Gewinne verzeichnet werden oder diese sehr ungleich verteilt sind.^[2] Das zeigt sich besonders auf Ebene der Anwendungsunternehmen, also den potenziellen Käufern der Technik. Denn: In der globalen Diskussion über eine angeblich anstehende Produktivitätsrevolution im Bereich generativer Systeme herrschen gegebenenfalls falsche Erwartungen in Bezug auf die Produktivitätsgewinne vor. Zudem gerät die Binnenkonkurrenz zwischen den Big Tech – oder besser Big AI^[3] – Providern aus dem Blick.

In seinem Buch Silicon Empires. The Fight for the Future of AI fragt der am King’s College London lehrende politische Ökonom Nick Srnicek nach den „ways in which large firms and major states are seeking to control the development of this technology, capture the value it produces, and wield the power it contains“ (S. 2). Mit diesem Fokus auf die Kontroll- und Governance-Strategien der globalen Leadfirms des digitalen Kapitalismus bleibt Srnicek sich thematisch treu. Bereits in seinem breit diskutierten Buch Platform Capitalism^[4] hatte er die Profitgenerierungsstrategien der Unternehmen untersucht.

Die Frage nach den Unternehmensprofiten wird insbesondere deswegen virulent, weil die Systeme aufgrund ihrer hohen Rechenleistung sowie der Kosten für Hardware, Training und Lohn extrem teuer sind (S. 17 f.). Vollkommen zu Recht weist Srnicek auf die Tatsache hin, dass – trotz der enormen finanziellen Ressourcen, die den KI-Unternehmen zur Verfügung stehen – kein Unternehmen „mit KI“ tatsächlich Geld verdient (S. 21 f.). Hier wird die Frage nach der Diffusion der Technik evident. Denn langfristige Gewinne können nur gesichert werden, indem die Technik von Unternehmen kommerziell genutzt wird und/oder sie sich anderweitig als dominanter Marktakteur etablieren kann.

Generative KI-Systeme werden dabei als kommende general-purpose technologies (GPT) verstanden, die sich aufgrund ihrer „broad applicability across an economy, their synergies with a series of complementary innovations, and their scope for further innovation and development“ (S. 32) auszeichnen. Aus unternehmerischer Perspektive ist das Problem von GPTs, dass man mit ihrer Verbreitung nicht zwingend auch direkt Gewinn erzielt (z. B. Elektrizität, Glühbirne, Eisenbahn).^[5] Diese Herausforderung besteht auch für KI-Unternehmen. So kann ein Unternehmen die KI-Nutzung in unterschiedlichen Industriezweigen nicht vollkommen kontrollieren und ist bei der Verbreitung abhängig von komplementären Innovationen (S. 33). Ein System für das Personalmanagement und ein predictive maintenance tool zur Vorhersage von Reparaturbedarfen einer Maschine beispielsweise sind aufeinander angewiesen, müssen aber jeweils andere Voraussetzungen erfüllen. Das knüpft die Verbreitung eines tools an Bedingungen und macht sie teurer. So bleibt bislang offen, wie ein KI-Unternehmen tatsächlich langfristig Gewinne erzielen kann (S. 33 f.).

Srnicek entwirft im zweiten Kapitel eine überzeugende Heuristik von vier Strategien der Wertschöpfung, mit denen KI-Unternehmen auf diese Herausforderung reagieren: 1) Die Infrastrukturstrategie, die jede KI-Nutzung fördert, die auf der Cloud-Infrastruktur des entsprechenden Unternehmens gehostet wird. Das Unternehmen erzielt Gewinne durch die Bereitstellung der Infrastrukturen. 2) Die Frontier-Strategie, in der ein Unternehmen die Entwicklung eines ganz bestimmten Modells vorantreibt, um es als technisch alternativlos zu präsentieren. 3) Die Konglomerat-Strategie, in der eine Vielzahl unterschiedlicher Modelle entwickelt und für unterschiedliche Industrien nutzbar gemacht werden. 4) Die offene Strategie, in der die unterschiedlichen Innovationseffekte genutzt werden sollen, die aus der offenen Bereitstellung eines Modells womöglich entstehen. Ein Beispiel ist die strategische Einbindung von Open-Source-Communities, die indirekt Teile der Programmierungsarbeit übernehmen (S. 36–40).

Vollkommen zu Recht stellt Srnicek fest, dass die meisten Unternehmen einen Mix unterschiedlicher Strategien verfolgen (S. 40). Obwohl auch Alibaba, Microsoft und Google ähnlich agieren, ist Amazon Srniceks Beispiel für ein Unternehmen, das von seiner Cloud-Infrastruktur profitieren will. Folgerichtig wird hier die Nutzung vieler Modelle angestrebt, indem in Start-ups investiert wird, strategische Partnerschaften mit Modell-Plattformen wie Hugging Face eingegangen und bestimmte Entwickler gefördert werden, um Lock-in-Effekte zu erzielen (S. 46).

OpenAI, das wohl bekannteste genuine KI-Unternehmen, steht beispielhaft für die Frontier-Strategie, die von Forschungsvorsprüngen und Vernetzung im KI-Ökosystem profitieren will. Dabei konzentriert sich das Unternehmen weniger auf industriespezifische Anwendungen, sondern auf die generelle Weiterentwicklung der Grundlagentechnologie (z. B. Training der Modelle). Die Hoffnung ist, so das beste KI-Modell auf den Markt bringen zu können. Diese Strategie birgt jedoch die Gefahr, spezifische Entwicklungen zu übersehen.

Für die Konglomerat-Strategie steht Google. Im Gegensatz zu den ersten beiden Strategien versucht Google, in unterschiedliche Industrien zu investieren, um dort die Nutzung spezifischer Technologien voranzutreiben (S. 55). Das erfordert nicht nur führende KI-Forschung, sondern auch Wissen über die entsprechenden Industrien. In der Konsequenz bedeutet das aber Investitionen in vertikal tätige KI-Unternehmen (S. 59), wie kleinere Start-ups, sowie die Dissemination von spezifischen Modellen, die bereits auf Problemstellungen einzelner Industrien angepasst sind (S. 60).

Meta, das sein Llama-Modell bekanntlich frei zugänglich gemacht hat, steht für die offene Strategie, wobei „offen“ sich auf die strategische Nutzung von Open-Source-Gemeinschaften und den grundsätzlichen Zugang zum eigenen Modell bezieht. Viele notwendige Details über das Training und die Gewichtung des Modells sind tatsächlich nicht bekannt. Es ist somit nicht im engen Sinne Open Source.^[6] Die konkrete Idee dieser Strategie ist, dass sich beispielsweise Meta ins Zentrum eines Entwicklungs-Ökosystems begibt und die dortigen Innovationen abgreift. Das spart eigene Entwicklungsressourcen, öffnet den Innovationsprozess und erzeugt Druck auf die Konkurrenz.

Das dritte und vierte Kapitel stellen die zukünftigen geopolitischen Entwicklungen ins Zentrum. Kapitel drei trägt den Titel „Interregnum“. Diese mittlerweile etwas abgeschmackte Gramsci-Anleihe bezieht Srnicek auf die aktuellen Entwicklungen im Rahmen des Handelskrieges zwischen China und den USA. Das ist empirisch einleuchtend, da dort die großen Tech-Konzerne verortet sind, die auch globalpolitisch den größten Einfluss haben. Im Handelskonflikt zwischen China und den USA sieht Srnicek mit Gramsci einen „Hegemoniewechsel“ von einer neoliberalen hin zu einer geopolitischen Ordnung (S. 74). Srnicek diagnostiziert eine Transformation in den Koalitionen der Eliten, die er am Verhältnis von Staat und Tech-Unternehmen darlegt. War dieses in den letzten Dekaden von gemeinsamen Interessen geprägt, so wird diese Harmonie in jüngerer Zeit brüchig, wie der Autor sowohl für die USA als auch für China zeigt.

Diese Veränderung ist geopolitisch, da sie auch das Abhängigkeitsverhältnis zwischen China und den USA betrifft. Srnicek nennt vier Gründe für diesen Wandel: Erstens ist die globale Ökonomie von einer ganz grundsätzlichen Stagnation der Produktivität und Wachstumsraten gekennzeichnet. Zweitens ist der Wettbewerb zwischen US-amerikanischen und chinesischen Firmen stärker geworden, wobei gerade US-Firmen geringere Gewinne in China erzielen und eigentums- und patentrechtliche Konflikte zugenommen haben. Drittens baut China seit der Finanzkrise 2008 gezielt Überkapazitäten auf, die dann in Expansionsprojekte fließen, die die chinesische Wettbewerbsfähigkeit auf globalen Märkten stärken. Viertens investieren chinesische Firmen auch häufiger in „higher-value sectors“, die traditionell von US-amerikanischen Firmen dominiert sind (S. 91 ff.).

Die empirischen Erläuterungen sind durchaus einleuchtend, insgesamt ist aber fragwürdig, wieso Srnicek seine spannende Differenzierung der Capture-Strategien für eine sehr grobe Darstellung von Klassenkoalitionen zwischen „state economic interests, state security interests, and platform capitalist interests“ aufgibt (S. 94). Die zuvor herausgearbeitete Heterogenität der Tech-Konzerne löst er auf, indem er von einem neuen „Tech-industriellen Komplex“ der USA (S. 95) spricht, der vor allem Resultat der Neuverhandlung nationaler und ökonomischer Sicherheitsprioritäten ist. Der Wettbewerb zwischen den Unternehmen fällt dabei weniger ins Gewicht. Dem Komplex stellt der Autor dann eine Kritik der ungeordneten (disorderly) Expansion des Kapitals auf chinesischer Seite gegenüber (S. 113). Es sind nun vor allem die geopolitischen Konflikte zwischen den staatlichen Akteuren relevant, nicht aber die unterschiedlichen Unternehmensstrategien, die sich auch zwischen China und den USA verorten lassen. Srniceks Perspektive vernachlässigt KI-Wertschöpfungsdynamiken, hantiert mit vagen Begriffen und knüpft auch zu wenig an neuere Forschungsdiskussionen zu cross-national-Innovationsregimen an.^[7] Auf der Strecke bleibt dabei die Gleichzeitigkeit der unterschiedlichen, durchaus widersprüchlichen Entwicklungen.

Im vierten Kapitel widmet sich Srnicek dann wieder stärker der Welt der generativen KI. Er fragt, inwiefern führende Forschung in general-purpose technologies eine führende Marktposition und ökonomische Profitabilität bedeutet. Dabei unterscheidet er zwischen Innovations- und Diffusionsstrategien. Innovationsstrategien streben Innovation durch gezielte Forschungsförderung an, Diffusionsstrategien zielen auf die Adaption der Technologie in unterschiedlichen Sektoren (S. 128). Die USA folgen einer Innovationsstrategie, die auch den erheblichen nationalen materiellen (z. B. Rohstoffe) und immateriellen (z. B. Bildungssystem) Ressourcen entspricht (S. 129), während China stärker auf Optimierung und Effizienzgewinne im Angesicht geringerer Ressourcen setzen muss (S. 134).

Diese Perspektive ist eine wichtige Erweiterung, in der die Verschränkung der einzelnen Unternehmensstrategien allerdings noch klarer herausgearbeitet werden sollte. Wie genau Staaten im Rahmen ihrer nationalen Innovationssysteme (z. B. Handelspolitik, staatliche Förderungen, Bereitstellung von Infrastrukturen) Unternehmensstrategien beeinflussen, wird nicht diskutiert.^[8] Srnicek beschreibt hier hauptsächlich einen Machtkampf zwischen Nationalstaaten (S. 140). Er skizziert dabei drei Ebenen, auf denen dieser Kampf ausgetragen wird. Erstens soll eine Abhängigkeit von digitalen Infrastrukturen erreicht werden, weshalb „weaponized interdependence“ (S. 141, Hervorheb. im Original) eine gezielte Strategie von Regierungen ist. Diese Strategie wird zweitens flankiert von der Sicherung des enormen Ressourcenbedarfs dieser Technologie entlang globaler Lieferketten (z. B. für Semiconductors), aber auch durch lokale Energiemärkte (z. B. für Datenzentren). Drittens nennt der Autor die gezielte Einschränkung rivalisierender ausländischer Wettbewerber. Er deutet an, dass diese Strategien heterogene Folgen und vielschichtige Implikationen haben, die miteinander konfligieren können. So gibt es etwa bei den US-amerikanischen KI-Firmen Wettbewerbskonflikte zwischen den Hyperscalern, die auf infrastruktureller Ebene global expandieren, und den Start-up-Firmen, die sich auf die Modellentwicklung spezialisieren (S. 150 ff.).

Gegenwärtig ist die Gemengelage zwar noch diffus, sie könnte aber laut Srnicek die Entwicklung zweier globaler Technologie-Stacks zur Folge haben (S. 154). Doch, so schließt der Autor, die „near-term future appears to be a world of overlapping networks – digital, production, financial, logistical, and so on – that are unlikely to all align with one particular great power“ (S. 158). Mit dieser Diagnose endet das Buch etwas abrupt und ohne noch einmal einen konzeptionellen Bogen zum Beginn zu schlagen.

Srnicek hat ein sehr lesenswertes und informatives Buch vorgelegt, das eine spannende Zusammenfassung aktueller Debatten über KI-Technologien, deren Wertschöpfungsketten und die damit verbundenen Unternehmensstrategien bietet. Es richtet sich an ein breites Publikum, versucht aber auch Impulse für die politökonomische Diskussion zu geben. Die Dichte von illustrativen Beispielen und die Nachvollziehbarkeit der Darstellung technischer Details sind besonders hervorzuheben. Das Buch fungiert als willkommene Hilfestellung in einem unübersichtlichen Feld, das sich durch heterogene Akteure auszeichnet, die unterschiedliche Strategien entwickeln, um vom gegenwärtigen KI-Hype zu profitieren.

Zwei vertiefende Kritikpunkte sollen hier dennoch angerissen werden. Zum einen legt das Buch einen sehr starken Fokus auf US-amerikanische „Big AI“-Unternehmen, die zugleich als Folie für die Betrachtung chinesischer Unternehmen dienen. Aus dem Blick geraten dabei jedoch jene einflussreichen konventionellen Industrieunternehmen, die natürlich in großem Maße an der Anwendung generativer KI-Systeme interessiert sind. Diese Systeme werden Gewinne langfristig nicht auf dem Verbrauchermarkt generieren, sondern sie müssen für Unternehmen unterschiedlicher Industrie- und Dienstleistungszweige relevant werden, um profitabel zu sein. Weil die Systeme entsprechend der jeweiligen nationalen oder europäischen Regulationsvorschriften genutzt werden, käme auch deren Rolle stärker in den Blick.

Zudem fällt auf, dass Arbeit mit, an und für KI-Systeme in Srniceks Perspektive keine Erwähnung findet.^[9] Dabei hat in den letzten Jahren eine breite Forschungsliteratur aufgezeigt, wie viel Arbeit eigentlich „hinter den Systemen“ geleistet werden muss.^[10] Das betrifft zum einen jene Arbeit, die für das Training, Fine-Tuning und Korrekturen der Systeme anfällt. Für die Produktion der Modelle muss eine riesige Menge an Daten verarbeitet und kuratiert werden. Diese Form der Datenarbeit wird oft outgesourced und zieht eine eigene Wertschöpfungskette nach sich.^[11] Zum anderen braucht es eben gerade in industriespezifischen Anwendungskontexten Arbeit für die Einführung der Systeme, da diese mit organisationsinternen Daten trainiert werden müssen. Diese Formen der Datenarbeit sind noch sehr wenig erforscht. Srniceks Buch mit seiner Betonung der Abhängigkeit der Wertschöpfungsstrategien von der Diffusion der Technologie bietet hier grundsätzlich einen vielversprechenden Anknüpfungspunkt.^[12]