KI-Jahr 2025: Vier Erkenntnisse und ein Ausblick auf 2026

Rückblick vom Januar 2026: unsichtbare Agenten, knappe Rechenleistung, Open Source als Baukasten und Teams aus spezialisierten Modellen
Aktualisiert:
Abstract
- #Künstliche Intelligenz
- #KI-Trends 2025 und 2026
- #KI-Agenten
- #Rechenleistung
- #Open Source KI
- #LLM
- #Human in the Loop
Warum die erwartete Agenten-Welle 2025 kaum auffiel und welche Schlüsse die Branche zu Beginn des Jahres 2026 daraus zog
Wer sich 2025 regelmäßig mit künstlicher Intelligenz beschäftigte, kannte das Gefühl: Jeden Tag neue Schlagzeilen, große Ankündigungen und kühne Vorhersagen. Die Informationsflut glich dem Versuch, aus einem Feuerwehrschlauch zu trinken. Wer nur die Überschriften las, konnte kaum unterscheiden, was eine Pressemitteilung war und was die Arbeit in Unternehmen tatsächlich veränderte.
Welche Entwicklungen des Jahres waren also wirklich wichtig, und was ließ sich daraus für 2026 ableiten? Vier Erkenntnisse stachen heraus, und einige davon liefen der öffentlichen Wahrnehmung eher zuwider. Die Erklärungen setzen kein Vorwissen voraus.
Dieser Beitrag stammt aus dem Januar 2026 und beschreibt die Lage zum Jahreswechsel. Die Einschätzungen zu 2026 sind Erwartungen aus dieser Zeit, keine nachträgliche Bilanz. Welche Trends für das Jahr 2026 im Einzelnen diskutiert wurden, zeigt der Beitrag Künstliche Intelligenz 2026: Vom Chatbot zum digitalen Kollegen. Den längerfristigen Blick auf Chips, Cloud, Regulierung und Quantenrechner in der Softwareentwicklung wirft Die Zukunft der Softwarebranche: Von KI bis Quantum Computing.
Die Agenten kamen, aber kaum jemand nannte sie so
Was ein KI-Agent ist
Ein Begriff war 2025 allgegenwärtig: KI-Agenten. Gemeint ist ein Programm, das ein Sprachmodell nicht nur antworten lässt, sondern es selbstständig planen, Werkzeuge nutzen und eine Aufgabe in mehreren Schritten erledigen lässt. Ein einfacher Chatbot reagiert auf eine Frage. Ein Agent zerlegt einen Auftrag in Teilschritte, ruft dafür etwa eine Websuche oder eine Datei auf und prüft, ob das Ergebnis zum Ziel passt.
Ein Beispiel aus dem Alltag: Bat man ChatGPT, ein Thema zu recherchieren, durchsuchte das System eigenständig das Internet, sammelte Informationen aus mehreren Quellen und fasste sie zusammen. Das wirkte unspektakulär. Dahinter stand aber genau dieses Muster aus Planen, Handeln und Zusammenführen.
Warum die erwartete Welle unsichtbar blieb
Ende 2024 sagten viele Fachleute voraus, dass 2025 das Jahr der Agenten werde. Auf den ersten Blick blieb der große Umbruch aus. Wo waren die versprochenen digitalen Helfer, die selbstständig Reisen buchen und Projekte steuern?
Die Antwort lautete: Die Agenten waren da, sie fielen nur nicht auf. Erfolgreiche Technik verschwindet im Hintergrund, sobald sie zuverlässig funktioniert.
Ein Vergleich macht das deutlich. Als die ersten Smartphone-Apps mit GPS-Navigation erschienen, war das eine kleine Sensation. Wenige Jahre später öffneten die meisten Menschen eine Karten-App, ohne einen Gedanken an die Technik dahinter zu verschwenden. Ähnlich verhielt es sich 2025 mit Agenten: Die Websuche in ChatGPT, die ausführlichen Recherchefunktionen der großen Anbieter oder automatische Übersetzungen arbeiteten agentisch. Kaum jemand nannte sie noch so. Für die meisten Nutzer war es einfach „die KI“.
Diese Normalisierung war ein Zeichen von Reife. Für Anbieter hatte sie aber eine Kehrseite: Der Wettbewerb verlagerte sich auf die Frage, wer den Zugang zu diesen Diensten kontrolliert, gewissermaßen die Haustür, durch die Nutzer zu ihren Agenten gelangen.
Der Wettbewerb um die Haustür
Dieser Wettbewerb lief 2025 an mehreren Stellen. Im Browser traten neue, KI-gestützte Programme an, etwa Comet von Perplexity (Juli 2025) und ChatGPT Atlas von OpenAI (Oktober 2025; im August 2026 wieder eingestellt). Sie sollten zum neuen Einstiegspunkt ins Internet werden. Auf dem Smartphone verankerte Google sein Modell Gemini immer tiefer in Android, während Apple die bereits 2024 angekündigte, grundlegend erweiterte Siri auf das Folgejahr verschoben hatte.
Wer diese Zugangspunkte kontrolliert, bestimmt mit, welche Dienste ein Agent bevorzugt, welche Daten er sieht und wohin Umsätze fließen. Für Unternehmen und private Nutzer folgte daraus eine nüchterne Empfehlung: genau hinsehen, welcher Plattform man seine digitale Haustür anvertraut, und Abhängigkeiten von einem einzelnen Anbieter bewusst abwägen.
Die physische Grenze: Rechenleistung wurde zum Engpass
Ein Problem, das Nutzer nur indirekt bemerkten
Viele Nutzer hatten 2025 erlebt, dass KI-Dienste zeitweise langsamer wurden oder neue Funktionen zunächst nur für einen Teil der Kundschaft freigeschaltet wurden. Dahinter stand die vielleicht wichtigste, aber am wenigsten sichtbare Entwicklung des Jahres: Die Nachfrage nach KI-Hardware überstieg die verfügbaren Kapazitäten deutlich.
Ein Vergleich hilft beim Verständnis. Angenommen, eine Bäckerei wird mit ihren Brötchen plötzlich so beliebt, dass sich die Nachfrage vervielfacht. Neue Öfen lassen sich nicht über Nacht aufstellen: Die Lieferzeiten sind lang, der Platz ist begrenzt, und Fachpersonal ist knapp. In einer ähnlichen Lage befanden sich die KI-Unternehmen.
Die spezialisierten Chips, die für das Training und den Betrieb großer Modelle nötig sind, sind aufwendig in der Herstellung, und nur wenige Unternehmen weltweit können sie fertigen. Nvidias Hochleistungschips der Blackwell-Generation waren gefragter denn je, die Lieferketten hielten nicht Schritt. Hinzu kamen Engpässe bei Rechenzentrumsfläche und Stromanschlüssen. Was als vorübergehender Mangel begonnen hatte, entwickelte sich zu einer dauerhaften Einschränkung für die ganze Branche.
Effizienz statt reinem Größenwachstum
Diese Lage löste ein Umdenken aus. Unternehmen richteten ihre Strategie zunehmend nicht mehr danach aus, was ihre Modelle theoretisch leisten könnten, sondern danach, wie viel Rechenleistung sie realistisch bekommen würden.
Für 2026 zeichnete sich daraus eine klare Konsequenz ab: Der Schwerpunkt würde sich von immer größeren Modellen hin zu mehr Effizienz verschieben. Erwartet wurde eine Art Zweiteilung des Marktes.
Auf der einen Seite stünden die sogenannten Frontier-Modelle, also die jeweils leistungsstärksten und rechenintensivsten Systeme, die auf den teuersten Chips laufen. Sie blieben den großen Technologieunternehmen vorbehalten, die sich diese Hardware leisten können.
Auf der anderen Seite wuchs der Markt für schlanke, sparsame Modelle. Mit Verfahren wie der Quantisierung, bei der die Zahlenwerte eines Modells mit geringerer Genauigkeit gespeichert werden, lassen sich Modelle so verkleinern, dass sie auf einem Laptop oder Smartphone laufen. Für viele Aufgaben im Büroalltag, etwa das Zusammenfassen von Protokollen oder das Sortieren eingehender E-Mails, reichten solche Modelle aus. Sie sind deutlich günstiger im Betrieb und lassen sich auch ohne Cloud nutzen, was beim Datenschutz hilft. Wie sich Sprachmodelle lokal im Unternehmen betreiben lassen, beschreibt die Themenseite zu GPT4All und privat ausgeführten Sprachmodellen.
Open Source: gute Bauteile, aber keine fertige Maschine
Die offenen Modelle holten auf
Eine erfreuliche Entwicklung des Jahres 2025: Offene Modelle machten große Fortschritte. Familien wie DeepSeek, Qwen von Alibaba, Llama von Meta oder die Modelle von Mistral verringerten den Abstand zu den geschlossenen Systemen von OpenAI, Google oder Anthropic deutlich. Viele der besten Einzelbausteine, also Modelle, Werkzeuge und Frameworks, stammten inzwischen aus der Open-Source-Gemeinschaft.
Trotzdem blieb ein Problem, das oft übersehen wurde. Es war weniger ein technisches als ein Problem der Verpackung.
Baukasten oder fertiges Produkt
Ein Bild aus dem Möbelhaus verdeutlicht den Unterschied. Ein Hersteller von Selbstbaumöbeln liefert alle Teile in einem Karton mit verständlicher Anleitung, das entspricht den geschlossenen KI-Produkten. Die Open-Source-Welt gleicht eher dem Baumarkt: Dort finden sich vielleicht sogar bessere Einzelteile, aber man muss selbst wissen, was zusammenpasst, und der Aufbau verlangt deutlich mehr Fachwissen.
Ein Beispiel aus dem Jahr 2025 zeigte das anschaulich: Mit dem im August 2025 vorgestellten Bildmodell in Googles Gemini-App, bekannt als „Nano Banana“, ließ sich ein Foto etwa des eigenen Haustiers in Sekunden in eine realistisch wirkende Sammelfigur verwandeln. Bemerkenswert war daran nicht nur das Modell selbst, sondern die unsichtbare Software dahinter: die Kameraanbindung, die Sicherheitsfilter und die Schleifen der Bilderzeugung. All das griff so reibungslos ineinander, dass auch Menschen ohne Vorkenntnisse eine komplexe Aufgabe mühelos erledigen konnten.
Zwei Welten wie bei den Betriebssystemen
Daraus ergab sich eine wahrscheinliche Aufteilung, die man von Betriebssystemen kennt. Linux bildet das unsichtbare Fundament unzähliger Server, Smartphones und Fernseher, ohne dass die meisten Menschen bewusst damit arbeiten. Im sichtbaren Endkundenmarkt dominieren dagegen geschlossene, eng abgestimmte Systeme wie Windows und macOS.
Bei der KI deutete vieles auf ein ähnliches Muster hin: Offene Komponenten würden das Rückgrat vieler Anwendungen bilden, während die meisten Endnutzer fertige Produkte mit sorgfältig gestaltetem Bedienerlebnis bevorzugen. Wie weit der Vergleich zwischen Sprachmodellen und Betriebssystemen trägt, beleuchtet der Beitrag über Sprachmodelle als neue Betriebssysteme.
Spezialistenteams statt eines Alleskönners
Abschied vom Omni-Modell
Lange galt in der Branche das Ideal des Omni-Modells: ein einziges, riesiges System, das Text, Bild, Audio, Video und Code gleichermaßen beherrscht. 2025 wich diese Vision einem pragmatischeren Ansatz.
Die Erkenntnis lautete: Oft ist es effizienter und liefert bessere Ergebnisse, mehrere spezialisierte Modelle zusammenarbeiten zu lassen, statt ein einziges Universalgenie zu bauen.
Wie eine modulare Architektur funktioniert
Ein Krankenhaus dient als Vergleich. Dort gibt es keinen einzelnen Arzt, der von der Herzchirurgie bis zur Augenheilkunde alles beherrscht. Stattdessen arbeiten Fachärztinnen und Fachärzte zusammen, koordiniert über Überweisungen und eine gemeinsame Patientenakte.
Nach diesem Prinzip arbeitet eine modulare KI-Architektur. Statt ein riesiges Modell für jede Aufgabe zu trainieren, verbindet eine zentrale Steuerungsschicht, die sogenannte Orchestrierung, mehrere Spezialisten. Für eine bestimmte Aufgabe stellt sie ein passendes Team zusammen, etwa ein Modell für Bilderkennung, eines für Textanalyse und eines für Audio. Angenommen, eine Versicherung will eingehende Schadensmeldungen bearbeiten: Ein Modell liest das Foto vom beschädigten Auto aus, ein zweites wertet den Begleittext aus, ein drittes gleicht beides mit den Vertragsdaten ab.
Hinzu kamen sogenannte Adapter wie LoRA (Low-Rank Adaptation). Das sind kleine Zusatzbausteine, die ein Basismodell für eine bestimmte Aufgabe anpassen, ohne dass das ganze Modell neu trainiert werden muss. Man kann sie sich wie Aufsätze für einen Staubsauger vorstellen: Das Gerät bleibt dasselbe, aber mit dem passenden Aufsatz reinigt es mal Polster, mal enge Ecken.
Warum der Mensch in der Schleife bleibt
Ein wesentlicher Punkt dieser Architektur war die Rolle des Menschen. In realen, komplexen Anwendungen braucht es weiterhin menschliche Aufsicht und Steuerung. Der Fachbegriff dafür lautet „Human in the Loop“: Ein Mensch prüft an festgelegten Stellen, bevor das System weitermacht.
Das ist nötig, weil KI-Systeme trotz aller Fortschritte Fehler machen, die einem Menschen sofort auffallen würden. Eine durchdachte Orchestrierung erlaubt es, an kritischen Punkten Kontrollen einzubauen, ähnlich wie eine Chefärztin, die wichtige Entscheidungen freigibt, während die Routinearbeit im Team erledigt wird.
Was 2025 für das Jahr 2026 bedeutete
Die tatsächlichen Entwicklungen waren nuancierter, als die Schlagzeilen vermuten ließen. 2025 markierte einen Übergang: weg von einer Phase, in der vor allem rohe Rechenkraft zählte, hin zu einer Phase, in der die geschickte Kombination von Bausteinen den Ausschlag gab.
Die Agenten waren angekommen, nur so unauffällig, dass es kaum jemand bemerkte. Gleichzeitig stieß die KI an die physischen Grenzen der verfügbaren Rechenleistung. Diese Knappheit zwang zu mehr Effizienz und zu modularen Architekturen. Und während offene Projekte technisch aufholten, blieb die gut verpackte, einfach bedienbare Lösung vorerst eine Stärke der kommerziellen Anbieter.
Für 2026 stellte sich deshalb nicht mehr allein die Frage, wie leistungsfähig KI noch werden kann. Mindestens ebenso wichtig wurde, wie effizient, zugänglich und durchdacht sich die Bausteine kombinieren lassen. Unsere Einschätzung zum Jahreswechsel: Unternehmen, die ihre Anwendungsfälle klar beschreiben, passende Modelle auswählen und menschliche Kontrolle von Anfang an einplanen, waren besser aufgestellt als jene, die auf das eine, alles könnende Modell warteten.
Wer die Grundlagen dafür im Team aufbauen möchte, findet im Seminar Einführung in Künstliche Intelligenz einen Überblick über Begriffe, Einsatzfelder und Grenzen der Technik.
Häufige Fragen zum KI-Jahr 2025
Was unterschied KI-Agenten von gewöhnlichen Chatbots?
Ein gewöhnlicher Chatbot reagiert auf einzelne Anfragen und antwortet auf Grundlage seines Trainings. Ein KI-Agent kann dagegen eigenständig mehrstufige Aufgaben planen und ausführen. Er nutzt Werkzeuge wie Websuche, Dateizugriff oder Berechnungen und koordiniert sie, um ein Ziel zu erreichen. Vereinfacht gesagt: Ein Chatbot gleicht einem Nachschlagewerk, ein Agent eher einer Assistenz, die recherchiert, Termine vorbereitet und Aufgaben abarbeitet.
Warum waren KI-Chips so knapp, und was bedeutete das für Nutzer?
Die Herstellung von KI-Spezialchips ist aufwendig, und nur wenige Unternehmen weltweit beherrschen die nötige Technik. Gleichzeitig war die Nachfrage durch den KI-Boom stark gestiegen. Für Nutzer zeigte sich das in langsameren Antwortzeiten beliebter Dienste oder darin, dass neue Funktionen verzögert erschienen. Langfristig konnte die Knappheit aber auch dazu führen, dass effizientere Modelle entstehen, die mit weniger Rechenleistung auskommen.
Lohnte sich eher Open-Source-KI oder ein kommerzieller Anbieter?
Das hing von den Anforderungen und vom technischen Know-how ab. Für schnelle, unkomplizierte Ergebnisse waren kommerzielle Dienste wie ChatGPT, Claude oder Gemini oft die bessere Wahl, weil sie ohne technischen Aufwand nutzbar sind. Wer volle Kontrolle über seine Daten brauchte, eigene Anpassungen vornehmen wollte oder bei hohem Nutzungsvolumen Kosten sparen musste, fand in offenen Modellen eine Alternative. Viele Unternehmen kombinierten beides: kommerzielle Dienste für den schnellen Einstieg, offene Modelle für spezielle oder datensensible Anwendungen.