Zugang ist noch keine Gegenmacht: Was meine Compute-Divide-Studie zeigt
- Benjamin Metzig
- vor 1 Tag
- 7 Min. Lesezeit
KI fühlt sich oft zugänglicher an als jede frühere Spitzentechnologie. Ein Browserfenster reicht, ein Abo reicht, manchmal reicht ein Smartphone. Texte schreiben, Bilder erzeugen, Code prüfen, Daten zusammenfassen: Was früher nach Großlabor klang, liegt heute in Alltagsoberflächen. Genau dieser Eindruck kann täuschen. Denn Zugang zur Oberfläche ist nicht dasselbe wie Macht über die Infrastruktur dahinter.
Meine neue Studie "The Compute Divide as an Access-Countercapacity Gap" setzt an dieser Stelle an. Sie fragt nicht nur, wer KI benutzen kann. Sie fragt, wer genug Rechenleistung, Cloud-Zugang, Modellzugriff, Dokumentation, technische Expertise, rechtliche Befugnisse und institutionelle Ressourcen hat, KI-Systeme unabhängig zu prüfen, zu reproduzieren, zu regulieren oder anzufechten.
Kernaussagen
Der Compute Divide ist nicht bloß eine GPU-Frage. Entscheidend ist die Lücke zwischen KI-Zugang und Gegenkapazität: Viele können KI nutzen, viel weniger können sie unabhängig prüfen oder gestalten.
KI-Infrastruktur besteht aus Chips, Cloud-Plattformen, Rechenzentren, Strom, Kühlung, Kapital, Expertise, Modellzugang, Dokumentation, Benchmarks und rechtlichen Prüfzugängen.
Die wichtigste Gegenwartsgefahr ist eine Preparedness-Lücke: Behörden, Wissenschaft, Zivilgesellschaft und kleinere Staaten sollen KI kontrollieren, haben aber oft nicht die Infrastruktur dafür.
Public Compute, offene Modelle, kleinere Modelle, Effizienzgewinne und Wettbewerbsrecht sind echte Gegenkräfte. Sie schließen aber nicht automatisch alle Lücken bei Audit, Reproduktion und demokratischer Anfechtung.
Die Studie fordert, KI-Politik stärker als Aufbau öffentlicher Gegenkapazität zu verstehen: Prüfzugänge, Audit-Rechte, öffentliche Rechenressourcen, Transparenzpflichten und weniger Lock-in.
Warum KI-Zugang die falsche Beruhigung sein kann
Der alte digitale Graben wurde lange als Zugangsproblem beschrieben: Wer hat einen Computer, wer hat Internet, wer hat digitale Kompetenzen? Diese Fragen bleiben wichtig. Der Compute Divide verschiebt den Blick jedoch tiefer. In einer KI-Gesellschaft reicht es nicht mehr, nur Zugang zu Werkzeugen zu haben. Entscheidend wird, wer die Systeme bauen, testen, reproduzieren, betreiben, regulieren und anfechten kann.
Die Studie ist unter dem DOI 10.5281/zenodo.20700430 angelegt. Ihr Kernbegriff ist "countercapacity", auf Deutsch am besten als Gegenkapazität zu verstehen. Gemeint ist die praktische Fähigkeit, einem KI-System nicht nur ausgeliefert gegenüberzustehen: mit Rechenressourcen, Modellzugang, Dokumentation, technischem Personal, rechtlichen Rechten, Prüfplätzen und institutioneller Autorität.
Das klingt abstrakt, wird aber sehr konkret. Eine Behörde kann ein KI-System beschaffen, ohne es technisch tief prüfen zu können. Eine Universität kann ein Modell über eine API untersuchen, ohne Training, Daten oder Rechenaufwand zu reproduzieren. Eine Kommune kann vom Bau eines Rechenzentrums betroffen sein, ohne Einfluss auf die globalen KI-Dienste zu haben, die dort laufen. Ein Staat kann KI breit einsetzen, aber bei Cloud, Chips und Modellzugang von externen Anbietern abhängen.
Download der Originalpublikation hier:
Compute ist mehr als Rechenleistung
Das Wort "Compute" klingt technisch, fast harmlos. Man denkt an Prozessoren, GPUs, Server. Die Studie nutzt den Begriff bewusst breiter. Compute meint die gesamte Infrastruktur, die fortgeschrittene KI möglich macht: spezialisierte Chips, Hochgeschwindigkeitsspeicher, Netzwerke, Cloud-Plattformen, Rechenzentren, Strom, Kühlung, Kapital, Ingenieurwissen, Modellzugang, Evaluationsumgebungen und Standards.
Damit steht der Compute Divide nahe an der Frage digitaler Souveränität. Wissenschaftswelle hat im Beitrag über eigene Infrastruktur statt nur eigene Apps beschrieben, warum Staaten und Institutionen nicht souverän werden, wenn sie nur Oberflächen kontrollieren. Bei KI gilt das noch schärfer: Wer nur die Anwendung sieht, sieht nicht, wo Rechenkapazität, Modellzugang, Cloud-Verträge und Prüfrechte liegen.
Der Forschungsstand stützt diese Verschiebung. Die Arbeit von Besiroglu et al. zum Compute Divide in Machine Learning beschreibt, wie ungleicher Zugang zu Rechenressourcen akademische Beiträge und unabhängige Scrutiny gefährden kann. Die neue Studie erweitert diese Perspektive: Nicht nur Produktion zählt, sondern auch Reproduktion, Evaluation, Regulierung und Anfechtung.
Diese Erweiterung ist der entscheidende Punkt. Ein Land, eine Universität oder eine Behörde muss nicht zwingend jedes Frontier-Modell selbst trainieren können. Aber sie braucht genug Gegenkapazität, um zentrale Behauptungen zu prüfen, Abhängigkeiten zu erkennen, Beschaffung zu verhandeln, Risiken zu bewerten und Betroffenen Wege zum Widerspruch zu geben.
Die Infrastruktur ist konzentrierter als die Oberfläche wirkt
An der Oberfläche sieht KI plural aus. Es gibt viele Apps, viele Anbieter, viele Modelle, viele offene Experimente. Unterhalb dieser Oberfläche verdichten sich jedoch mehrere Schichten. Der Stanford AI Index 2026 bündelt Daten zu Industrieanteil, Rechenkapazität, Modellproduktion und Rechenzentrumsgeografie. Die Studie nutzt solche Daten nicht, um eine einfache Monopolgeschichte zu erzählen, sondern um den Infrastrukturstapel sichtbar zu machen.
Ein Teil dieses Stapels liegt bei Chips und Lieferketten. Ein anderer bei Cloud-Plattformen. Die OECD-Analyse zu Wettbewerb in KI-Infrastruktur zeigt, warum Cloud, spezialisierte Hardware, Plattformintegration und Partnerschaften keine Nebenschauplätze sind. Wer Rechenkapazität nur über wenige Plattformen bekommt, kann zwar schneller starten, gerät aber auch in Vertrags-, Daten- und Wechselkosten.
Hier schließt der Compute Divide direkt an Lock-in-Fragen an. Der Wissenschaftswelle-Text über Open Standards gegen Lock-in zeigt im digitalen Alltag, wie technische Regeln Abhängigkeit erzeugen oder begrenzen. Bei KI-Infrastruktur wird diese Frage schwerer: Es geht nicht nur um Dateiformate oder Schnittstellen, sondern um Cloud-Gutschriften, Modell-APIs, Trainingsumgebungen, Datenmigration, Sicherheitstools und Compliance-Angebote.
Cloud ist dabei ambivalent. Sie kann Zugänge öffnen, weil nicht jede Organisation eigene Hardware kaufen muss. Sie kann zugleich Abhängigkeiten vertiefen, weil technische Integration, Datenlage und Anbieterökosysteme den Wechsel erschweren. Genau deshalb reicht die Frage "Wer kann KI nutzen?" nicht mehr aus.
Rechenzentren machen KI lokal
KI wird gern als wolkige Technologie beschrieben. Tatsächlich steht sie in Hallen, hängt an Stromnetzen, braucht Kühlung, Flächen, Wasser in manchen Konfigurationen, Genehmigungen und lokale Akzeptanz. Die IEA-Studie Energy and AI und Daten aus nationalen Fällen zeigen, dass Rechenzentren zu einer Energie- und Planungsfrage werden.
Das bedeutet nicht, dass jedes Rechenzentrum schlecht ist. Rechenzentren können Arbeitsplätze, Abwärmenutzung, bessere Infrastruktur und digitale Dienste ermöglichen. Aber sie verschieben Kosten und Nutzen räumlich. Die Anwendung wird global genutzt, der Stromanschluss steht lokal. Die Wertschöpfung liegt oft bei Plattformen, die Netzausbaufrage bei Regionen, Kommunen und Energieversorgern.
Wissenschaftswelle hat am Beispiel Rechenzentrum-Abwärme gezeigt, dass Serverwärme zur Stadtwärme werden kann, wenn Planung, Netze und Nutzung zusammenpassen. Genau diese lokale Perspektive gehört in KI-Governance. Wer über KI spricht, muss auch über Stromnetze, Standorte, Kühlung, Wasser, Steuerregeln und kommunale Mitsprache sprechen.
Der Compute Divide ist deshalb keine reine Frage der Forschungsförderung. Er hat eine kommunale Seite. Orte, die Infrastruktur tragen, müssen verstehen und verhandeln können, welche Art von digitaler Produktion sie beherbergen, welche Lasten entstehen und welche öffentlichen Gegenleistungen plausibel sind.
Transparenz ist nicht dasselbe wie Prüfbarkeit
Viele KI-Debatten enden bei Transparenz: Anbieter sollen mehr offenlegen, Modelle besser dokumentieren, Risiken beschreiben. Das ist notwendig. Die Studie argumentiert aber, dass Transparenz allein nicht genügt. Ein Bericht kann informieren, ohne unabhängige Überprüfung zu ermöglichen. Ein Model Card kann hilfreich sein, ohne Training, Daten, Rechenaufwand oder Einsatzkontext reproduzierbar zu machen.
Der Foundation Model Transparency Index 2025 ist in der Studie deshalb ein wichtiger Bezugspunkt. Er macht sichtbar, dass Foundation-Model-Entwickler sehr unterschiedlich und oft lückenhaft über Trainingsdaten, Compute, Nutzung und Wirkung berichten. Das belegt nicht automatisch demokratisches Scheitern. Es zeigt aber, wo öffentliche Gegenkapazität schwach wird: Wenn Außenstehende nur sehen können, was Entwickler freiwillig oder reguliert sichtbar machen.
Wissenschaftswelle hat bei Model Cards und Datenblättern bereits gezeigt, warum Dokumentation Vertrauen nicht ersetzt, sondern erst prüfbar macht. Der Compute-Divide-Bericht zieht daraus eine härtere Konsequenz: Wer prüfen soll, braucht nicht nur Informationen, sondern auch Zugangsrechte, technische Umgebungen, Personal und Ressourcen.
Das gilt auch für Audits. Ein KI-Audit ist kein Zaubersiegel. Der Beitrag über KI-Audits beschreibt, warum Kontrolle nach dem Prüfbericht weitergehen muss. Die Studie fügt hinzu: Ohne Compute, Modellzugang und gesicherte Prüfbedingungen kann Auditierbarkeit zu einer kontrollierten Sichtbarkeit werden.
Vier Szenarien für eine ungleiche KI-Gesellschaft
Die Studie arbeitet mit einer zweiachsigen Szenariomatrix. Die erste Achse fragt, ob KI-Infrastruktur stark konzentriert bleibt oder breiter verteilt wird. Die zweite fragt, ob öffentliche Gegenkapazität schwach oder stark ist.
Das riskanteste Szenario heißt private epistemische Abhängigkeit. KI-Infrastruktur bleibt konzentriert, während Behörden, Wissenschaft, Zivilgesellschaft, kleinere Firmen und weniger ressourcenstarke Staaten nur schwache Prüf- und Verhandlungskapazität haben. Viele nutzen KI. Wenige kontrollieren Bedingungen, Datenzugang, Dokumentation und Evaluation.
Ein besseres, aber realistisches Szenario ist anfechtbare Konzentration. Infrastruktur bleibt teilweise konzentriert, aber öffentliche Akteure erhalten echte Gegenkapazität: sichere Prüfzugänge, technische Teams, Audit-Rechte, öffentliche Rechenressourcen, starke Beschaffungsregeln und Wettbewerbskontrolle. Konzentration verschwindet nicht, wird aber anfechtbarer.
Ein drittes Szenario ist diffuse Fähigkeit mit schwachen Schutzmechanismen. Offene Modelle, kleinere Modelle und Effizienzgewinne senken Barrieren. Das verbessert Zugang und lokale Anpassung. Wenn aber Evaluation, Sicherheit und Beschaffung nicht mitwachsen, verteilt sich Fähigkeit schneller als Verantwortung.
Das wünschenswerteste Szenario ist ein pluraler Gegenkapazitäts-Ökosystem. Public Compute, offene und kleinere Modelle, Universitäten, Sicherheitsinstitute, Zivilgesellschaft, Standards, Wettbewerbsrecht und regionale Infrastruktur greifen ineinander. Kein einzelner öffentlicher Akteur muss die größten privaten Cluster kopieren. Aber das Gesamtsystem kann prüfen, verhandeln, reproduzieren und widersprechen.
Die Preparedness-Lücke ist die greifbarste Gefahr
Die Studie priorisiert mehrere Risiken. Am greifbarsten ist die regulatorische Preparedness-Lücke. Sie entsteht, wenn Regulierung, Beschaffung und öffentliche Erwartung schneller wachsen als die Fähigkeit von Institutionen, Systeme technisch zu prüfen. Ein Gesetz kann Pflichten schaffen. Es schafft nicht automatisch Ingenieurinnen, sichere Testumgebungen, Zugriff auf Modelle, Rechenzeit oder unabhängige Auditteams.
Auch global ist diese Lücke relevant. Der World Bank Digital Progress and Trends Report 2025 zeigt digitale Infrastrukturunterschiede, die für KI noch einmal schärfer werden können. Die Studie vermeidet dabei eine Defiziterzählung. Nicht jedes Land muss ein Frontier-Lab bauen. Aber Länder und Regionen brauchen genug Gegenkapazität, um KI-Systeme anzupassen, zu bewerten, zu verhandeln und zu regulieren.
Das ist ein anderes Verständnis von digitaler Souveränität. Souverän ist nicht nur, wer selbst alles produziert. Souverän ist auch, wer Abhängigkeiten kennt, Alternativen aufbauen kann, Prüfzugänge besitzt, Beschaffung klug verhandelt, offene Modelle verantwortungsvoll nutzt und internationale Regeln mitgestaltet.
Was aus der Studie folgt
Die politische Konsequenz lautet nicht schlicht: Der Staat muss mehr GPUs kaufen. Öffentliche Rechenkapazität ist wichtig, aber Gegenkapazität ist mehr als Hardware. Sie braucht Menschen, Institutionen, Rechte, Verfahren, Standards, sichere Umgebungen, langfristige Finanzierung und die Fähigkeit, Ergebnisse öffentlich wirksam zu machen.
Die Studie unterscheidet drei Ebenen. Erstens Zugangshilfe: Forschende, Startups, Behörden und Zivilgesellschaft brauchen Grundzugänge für Experimente und Anpassung. Zweitens Evaluations-Gegenkapazität: öffentliche Akteure müssen Hochrisikosysteme testen, reproduzieren und auditieren können. Drittens strategische Infrastruktur: In manchen Bereichen können öffentliche oder regionale Rechenressourcen nötig sein, um strukturelle Abhängigkeit zu reduzieren.
Die mittlere Ebene ist oft die wichtigste. Es ist unrealistisch, dass jede Universität, Behörde oder kleinere Volkswirtschaft private Frontier-Infrastruktur kopiert. Aber es ist realistisch und notwendig, Prüfkapazität aufzubauen: genug Rechenzeit, Modellzugang, Dokumentation, geschützte Audits, Beschaffungswissen und technische Teams, um zentrale Ansprüche nicht einfach glauben zu müssen.
Der Compute Divide benennt damit eine unbequeme Wahrheit der KI-Gesellschaft: Zugang kann sich demokratisch anfühlen, während Kontrolle konzentriert bleibt. Der Browser zeigt die Oberfläche. Die Macht liegt tiefer: in Rechenzentren, Verträgen, Chips, Energie, Benchmarks, Dokumentation, Prüfplätzen und Institutionen, die stark genug sind, Fragen nicht nur zu stellen, sondern Antworten zu überprüfen.
Autorenprofil
Benjamin Metzig ist Gründer, Autor und redaktionell Verantwortlicher von Wissenschaftswelle.de. Wissenschaftswelle ist ein persönlich geführtes redaktionelles Wissensprojekt, das komplexe Themen aus unterschiedlichen Fachbereichen sorgfältig recherchiert, strukturiert und verständlich aufbereitet. Moderne Recherche-, Analyse- und KI-Werkzeuge dienen dabei als Unterstützung, während Auswahl, Einordnung, Ton, Quellenbewertung und Veröffentlichung redaktionell bei Benjamin Metzig verantwortet bleiben. Mehr zum Profil: Autorenprofil von Benjamin Metzig.
Kommentare