Zwei parallele Trends prägen die jüngsten Entwicklungen im Bereich der generativen künstlichen Intelligenz (KI): KI-Modelle werden immer kostengünstiger, aber auch immer leistungsfähiger. Infolgedessen nimmt die Anwendung von KI in allen Branchen rasant zu, sagt Alexander Duval, Leiter des Bereichs Europe Tech Hardware & Semiconductors bei Goldman Sachs Research.
Roboterarme montieren Solarmodule an einer Produktionslinie.
Ende Juli 2025 fand in London das zweitägige europäische KI- und Halbleitersymposium von Goldman Sachs statt, zu dem sich rund 500 Teilnehmer zusammengefunden hatten. Alexander Duval fasste im Anschluss an die Konferenz die wesentlichen Ergebnisse zusammen. In seinen Gesprächen war er auf ein breiteres Spektrum an Anwendungsfällen für KI gestoßen als im Vorjahr. So setzen mittlerweile so unterschiedliche Branchen wie das Gesundheitswesen, der Einzelhandel, die Fertigung und das Bildungswesen künstliche Intelligenz ein, um Kosten zu senken und die Produktivität zu steigern. Zwar gibt es noch eine Reihe von Engpässen, denen aber, wie die Teilnehmer des Symposiums hervorhoben, technologische Fortschritte gegenüberstehen, die zur Überwindung dieser Engpässe beitragen können. Dabei spielt eine Reihe europäischer Unternehmen eine Schlüsselrolle.
Wie war die Stimmung auf dem Symposium? Wie sehen die Menschen heute die Zukunft von generativer KI?
Alexander Duval: Die Stimmung auf dem Symposium war positiv. Die Teilnehmer berichteten von einem erheblichen Anstieg bei der Einführung generativer KI. So konnte beispielsweise ein Hyperscaler in den letzten zwölf Monaten eine Verfünffachung der Tokennutzung verzeichnen.
Wir haben Diskussionen über ein breiteres Spektrum von Anwendungsfällen für generative KI als im Vorjahr gesehen und den Eindruck gewonnen, dass sie nicht nur bei Big-Tech-Unternehmen ein starkes Wachstum verzeichnet, sondern nun auch in der Lage ist, greifbarere Vorteile für Unternehmen in der Realwirtschaft zu erzielen.
Können Sie uns einige dieser Anwendungsfälle nennen?
Alexander Duval: Im Gesundheitswesen nutzen Chirurgen KI, um komplexe Probleme mit Hilfe von KI, die auf Videodaten aus 25 Jahren trainiert wurde, wesentlich effizienter zu lösen. Im industriellen Sektor berichtete ein Unternehmen, dass es Tausende von autonomen Roboteragenten einsetzt, die mit KI ausgestattet sind und rund um die Uhr in seinen Einrichtungen arbeiten, was zu deutlichen Kostenvorteilen führt.
Im Einzelhandel werden mittlerweile Roboter mit generativer KI eingesetzt, die Bestandsaufnahmen und prädiktive Analysen durchführen, um Lagerengpässe zu vermeiden und den Absatz von Produkten zu fördern. Diese Roboter erzielen innerhalb von drei bis vier Monaten eine drei- bis vierfache Kapitalrendite. Ein Unternehmen gab an, dass es mit KI pro Monat eine Woche an menschlicher Arbeitsleistung automatisieren konnte.
Wie verändert sich das Kostenmodell für den Einsatz und Betrieb generativer KI-Systeme?
Alexander Duval: Das Kostenmodell unterliegt derzeit einem tiefgreifenden Wandel, zu dem auch die Entwicklung kostengünstigerer Large Language Models (LLMs) gehört. Einige häufig verwendete Modelle sind beispielsweise sowohl für das Training als auch für die Inferenz (Schlussfolgerungen) um ein Vielfaches günstiger geworden als frühere Versionen.
Und wie sieht es mit den Fähigkeiten generativer KI aus?
Alexander Duval: Die Fähigkeiten generativer KI verbessern sich rasant. Dieser Fortschritt wird durch jüngste Meilensteine unterstrichen, wie beispielsweise LLMs, die bei einer Mathematikolympiade eine Goldmedaille gewonnen haben.
Multimodale Systeme – KI-Einheiten, die Informationen aus verschiedenen Datentypen wie Videos oder Sprache verarbeiten, verstehen und generieren können – wurden bereits erfolgreich in verschiedenen Bereichen implementiert. Am auffälligsten ist dies bei der Robotik, wo die Einführung in margensensiblen Branchen wie Fertigung, Logistik, Einzelhandel und Gesundheitswesen an Dynamik gewonnen hat.
Roboter werden zunehmend in Umgebungen eingesetzt, die für Menschen unzugänglich sind, wie z.B. unterirdische oder gefährliche Umgebungen. Die allgemeinen Trends deuten darauf hin, dass die Robotik die menschliche Arbeit eher ergänzen als ersetzen wird und damit den kollaborativen Einsatz unterstützt.
Der Begriff „agentische KI“ kam während des Symposiums häufig zur Sprache. Was ist agentische KI, und warum gewinnt sie an Bedeutung?
Alexander Duval: Der Einsatz von KI-Agenten wird auch als agentenbasierte oder agentische KI bezeichnet. Diese arbeitet autonom und ergreift vor allem Maßnahmen, um bestimmte Ziele zu erreichen, anstatt nur Antworten zu liefern. Agentenbasierte KI hat sich von der Ausführung isolierter Aktionen zum Management kompletter Arbeitsabläufe entwickelt, einschließlich Aufgaben wie Code-Tests, und spiegelt damit die Rolle eines digitalen Mitarbeiters wider. KI-Agenten sind in der Regel stark darin, beobachtete Daten zu extrapolieren und auf neue Anwendungsfälle zu übertragen.
Trotz dieser Fortschritte sahen einige Redner Hindernisse für eine breitere Einführung von agentenbasierter KI. Erstens bedeuten Infrastrukturdefizite, dass Agenten derzeit möglicherweise keinen Zugang zu Unternehmensdaten jenseits des offenen Internets haben. Zweitens befinden sich viele Angebote noch in einem frühen Stadium, wobei einige große Akteure erst kürzlich agentenbasierte Produkte auf den Markt gebracht haben. Drittens wird es einige Zeit dauern, bis die Nutzer Vertrauen in die Ergebnisse von LLMs gewinnen.
Ein Teil des Versprechens generativer KI besteht darin, die Produktivität der Arbeitnehmerschaft zu verbessern. Ist dies bereits der Fall? Und wenn ja, könnten Sie uns einige Beispiele für Branchen nennen, die solche Gewinne erzielen?
Alexander Duval: Ja, laut den Teilnehmern sind diese Produktivitätssteigerungen in mehreren Branchen offensichtlich. Ein Redner hob hervor, dass KI die Softwareentwicklung bis hin zum Sechsfachen beschleunigt.
KI verbessert auch die Supportfunktionen von Unternehmen. Ein Technologieunternehmen berichtete, dass KI mittlerweile bis zu 50 Prozent der Arbeitslast in diesem Bereich übernimmt. Führende LLMs haben gezeigt, dass sie bei bestimmten Aufgaben sogar Top-Programmierer übertreffen können und bei einem Hyperscaler 25 Prozent der neuen Codezeilen ausmachen.
Auch die Unterhaltungsindustrie hat erhebliche Auswirkungen zu verzeichnen: Die Redner hoben hervor, dass ein Streamingunternehmen generative KI in seine Pipeline für visuelle Effekte integriert hat, wodurch die Produktion um das Zehnfache beschleunigt wurde.
Allerdings werden verschiedene Branchen Fortschritte in einem unterschiedlichen Tempo erzielen, was insbesondere mit der Notwendigkeit von Sicherheitsvorkehrungen zusammenhängt.
Was sind die größten Hindernisse, denen sich Industrien bei der Beschleunigung der Entwicklung und Nutzung generativer KI gegenübersehen?
Alexander Duval: Ein wesentlicher Engpass ist die Stromversorgung. Ein Redner wies darauf hin, dass bestimmte Rechenzentren so viel Strom verbrauchen könnten wie die Stadt New York, während ein anderer anmerkte, dass ein 500-Megawatt-Rechenzentrum einen Stromverbrauch habe, der dem von 500.000 Haushalten entspreche. Dies erfordert nicht nur neue Stromquellen, sondern auch effizientere Stromnetze und zunehmend thermisch effiziente Technologien in Rechenzentren.
Über die Stromversorgung hinaus sind Leitplanken für KI-generierte Inhalte unerlässlich. Dies erfordert menschliche Prüfer sowie technische Sicherheitsvorkehrungen wie Prompt Engineering, Outputfilterung und Sicherheitsklassifizierer, um Risiken zu minimieren. Darüber hinaus sind verlässliche Zitate, Quellenlinks und Mechanismen für Nutzerfeedback wichtig, um die Zuverlässigkeit von KI-Output zu gewährleisten und einen Kanal für kontinuierliche Verbesserungen zu etablieren.
Außerdem ist es entscheidend, Transparenz und Übertragbarkeit zu schaffen, um die Entscheidungen der KI zu erklären und Mechanismen zur Vermeidung von Verzerrungen zu entwickeln.
Welche technologischen Fortschritte bei Halbleitern und anderer Hardware können dazu beitragen, einige der Herausforderungen der KI-Branche zu bewältigen?
Alexander Duval: Mehrere europäische Unternehmen spielen eine wichtige Rolle bei der Ermöglichung der technologischen Fortschritte bei Halbleitern und anderer Hardware, die für die Bewältigung der Herausforderungen der KI-Branche von entscheidender Bedeutung sind.
Zu diesen Fortschritten gehören modernste Lithographiewerkzeuge, die für die Verkürzung der Zykluszeiten und die Verbesserung der Ausbeute bei der Herstellung von Chips von entscheidender Bedeutung sind. Diese Fortschritte unterstützen die immer ehrgeizigeren Roadmaps von Kunden, die das KI-Training mit mehr Leistung und weniger Latenz untermauern möchten.
Ein weiterer bedeutender Fortschritt ist ein Verfahren namens Hybrid Bonding, mit dessen Hilfe Chips hergestellt werden können, die weniger Strom verbrauchen und weitaus weniger Wärme erzeugen.
Darüber hinaus spielen Halbleiter aus Materialien wie Silizium, Siliziumkarbid und Galliumnitrid eine immer wichtigere Rolle bei der Verbesserung der Energieeffizienz.
Wie sieht die nächste Phase der KI-Entwicklung und -Nutzung aus?
Alexander Duval: Die Diskussionsteilnehmer erwähnten, dass die nächste Phase Verbesserungen in Bereichen wie Reasoningmodelle (Schlussfolgerungsmodelle) oder in der Integration von Quantencomputern zur Generierung einer reichhaltigeren Datenpalette für Trainingsmodelle sowie in der Nutzung weiterer Hardwareinnovationen zur Steigerung der Trainings- und Inferenzfähigkeiten umfassen könnte.
Derzeit werden Schlussfolgerungsmodelle von einigen Teilnehmern als langsamer und rechenintensiver als herkömmliche Large-Language-Modelle angesehen. Ihre Wirksamkeit nimmt in einigen Bereichen tendenziell ab – beispielsweise in bestimmten Bereichen des Gesundheitswesens, in denen Mehrdeutigkeiten und Kontext eindeutige Antworten erschweren.
Quantencomputing ist ebenfalls eine vielversprechende Technologie. Sobald Quantencomputer Probleme bei der Fehlerkorrektur erfolgreich gelöst haben, könnten sie in der Lage sein, neue Daten aus der physischen Welt zu generieren, die dann in LLMs genutzt werden können und möglicherweise eine viel reichhaltigere Informationspalette für das Training bieten.
Schließlich wurden Hardwareinnovationen in Bereichen wie der Photonik – die Licht zur Datenübertragung nutzt – als vielversprechender Entwicklungsbereich genannt. Photonische Verbindungen sollen laut einigen Diskussionsbeiträgen den Energieverbrauch um bis zu 70 Prozent senken und die Zuverlässigkeit und Leistung von KI-Clustern verbessern.
Dieser Artikel wird ausschließlich zu Informationszwecken zur Verfügung gestellt. Die in diesem Artikel enthaltenen Informationen stellen keine Empfehlung einer Goldman Sachs-Einheit für den Empfänger dar, und Goldman Sachs erteilt weder durch diesen Artikel noch für den Empfänger eine Finanz-, Wirtschafts-, Rechts-, Anlage-, Buchhaltungs- oder Steuerberatung. Weder Goldman Sachs noch eines seiner verbundenen Unternehmen gibt eine ausdrückliche oder stillschweigende Zusicherung oder Garantie für die Richtigkeit oder Vollständigkeit der in diesem Artikel enthaltenen Aussagen oder Informationen, und jegliche Haftung (einschließlich in Bezug auf direkte, indirekte oder Folgeschäden) wird ausdrücklich abgelehnt.
Quelle: Der Beitrag wurde am 14. August 2025 unter dem Titel „How Industries Are Putting AI to Work“ auf www.goldmansachs.com im Bereich Insights/Articles veröffentlicht. Bitte beachten Sie, dass die darin getroffenen Aussagen keine Anlageempfehlungen darstellen.
Bitte beachten Sie unsere Hinweise zu Risiko, Haftungsausschluss und Impressum, die Sie hier finden.
Fotonachweise: Adobe Stock – Bild 1: ipopba, Bild 2: IM Imagery