Zusammenfassung
In unserem ersten umfassenden AIGC-Bericht „AIGC: Ein Produktivitätswerkzeug für die Web3-Ära“ haben wir im vergangenen Jahr bereits die transformative Kraft dieser Technologie und ihre branchenübergreifenden Auswirkungen beleuchtet. Seit ChatGPT weltweit für Furore sorgt, stellt sich vielen die Frage: Wie sieht der kommerzielle Weg für AIGC aus? Wie lässt sich mit AIGC Geld verdienen? Wir haben zahlreiche AIGC-Teams im In- und Ausland befragt und beobachten zudem, wie Microsoft Anfang Januar seine vertiefte Partnerschaft mit OpenAI bekanntgab: Die Integration von KI-Technologien in bestehende Produkte sowie die Bereitstellung des Azure OpenAI Cloud-Dienstes für Entwickler, um eigene KI-Anwendungen zu erstellen. Der Durchbruch von AIGC steht damit unmittelbar bevor. Dieser Artikel konzentriert sich daher gezielt auf das kommerzielle Potenzial von AIGC.
KI wird greifbar: Wie AIGC Geschäftsmodelle transformiert. Fortschritte in der natürlichen Sprachverarbeitung (NLP) und verbesserte AIGC-Algorithmen senken die Einstiegshürden für KI weiter. Dadurch schreitet die Kommerzialisierung von AIGC schneller und effektiver voran als erwartet. Startups wie Jasper erzielen bereits Umsätze. Das zeigt: KI generiert zunehmend eigenständige, klar definierte Geschäftsmodelle. Sie wird nicht mehr nur als Teil gebündelter Hardware- oder Systemlösungen vermarktet. Für Laien ist sie außerdem keine unerreichbare Spitzentechnologie mehr.
B2B bleibt das dominante AIGC-Geschäftsmodell. Auch wenn AIGC Endnutzern (B2C) den Zugang zu KI-generierten Inhalten erleichtert, liegt der Kern des Geschäfts nach wie vor im B2B-Bereich. Die Nachfrage und Zahlungsbereitschaft von Geschäftskunden sind hier stabiler. Dafür gibt es zwei Hauptgründe: Erstens steigert AIGC in Unternehmen die Effizienz und senkt Kosten – etwa durch automatisierte Informationsrecherche und die anschließende Generierung von Nachrichten oder Produktbewertungen basierend auf vorgegebenen Templates. Zweitens schließt AIGC Lücken, die mit bisherigen Methoden nur schwer oder gar nicht zu füllen waren.
Für Endnutzer setzt sich AIGC vor allem via SaaS-Abonnements durch. Da KI-Modelle und Rechenleistung einen praktisch nutzbaren Schwellenwert überschritten haben, gewinnt die Stärkung einzelner Nutzer durch AIGC an Bedeutung – meist im Abo-Modell (SaaS). AIGC fungiert hier in erster Linie als Effizienzwerkzeug: Es steigert die Produktivität bei der Informationsbeschaffung, Formatierung und in Arbeitsabläufen. Zweitens dient es als Kreativwerkzeug: Ähnlich wie Videobearbeitungssoftware senkt AIGC die Hürden für kreative Tätigkeiten erheblich. Ein Beispiel für ein Effizienzwerkzeug ist NotionAI, das KI-Modelle nahtlos in bestehende Arbeitsprozesse integriert.
Die breite Anwendung von AIGC eröffnet einen riesigen Markt für Rechenleistung. Laut einer Studie von OpenAI steigt der Rechenaufwand für das Training von KI-Modellen exponentiell – und das schneller, als die Hardware gemäß dem Mooreschen Gesetz Fortschritte macht. Der immense Rechenbedarf moderner KI-Modelle schlägt sich erheblich in den Kosten nieder: Allein das Training von GPT-3 verschlang über 4 Millionen US-Dollar. Zwar sind KI-Modelle oft Open-Source, doch Datensätze und Trainingsergebnisse sind wertvolles internes Kapital eines Teams. Das bedeutet: Jedes KI-Produkt muss seine eigenen Trainingskosten stemmen. Mit der zunehmenden kommerziellen Nutzung von AIGC, sowohl im B2B- als auch im B2C-Bereich, werden sowohl der Aufbau von Rechenzentren als auch Cloud-Dienste profitieren. Zudem könnten heimische Chips für Rechenleistung neue Marktchancen erhalten, da der Export von NVIDIA-A100- und H100-GPUs eingeschränkt ist.
Der Wert von AIGC für Communities. In Gesprächen mit verschiedenen Start-up-Teams zeigte sich ein klares Brancheninteresse: die Verbindung von AIGC mit Web3.0 und die Integration von AIGC in Communities. AIGC senkt die Hürde für kreative Nutzeraktivitäten, stärkt so die Interaktion innerhalb von Communities und reduziert gleichzeitig die Inhaltskosten für Plattformbetreiber. Die Diskussionen und Vorlieben der Community-Mitglieder liefern wertvolles Feedback für die AIGC-Modelle und ermöglichen eine gezielte Optimierung, um die Produktqualität zu steigern. NFTs sichern die Urheberrechte an Werken und schaffen eine Verbindung zwischen Nutzern und Communities. Die Erforschung einer Kombination aus AIGC und NFT-Communities könnte daher vielversprechende neue Geschäftsmodelle hervorbringen.
Das AIGC-Investment-Framework: Software, Hardware und Datensätze. Generative Algorithmen, Natural Language Processing (NLP) und Rechenleistung sind die Grundvoraussetzung für funktionierendes AIGC. Hochwertige Datensätze entscheiden jedoch über Qualität und Geschäftsmodell. Auf Softwareebene sind vor allem Technologien für die natürliche Sprachverarbeitung (NLP) relevant, etwa von Google, Microsoft, iFLYTEK oder TOL. Zu den Anbietern von generativen AIGC-Algorithmen, Modellen und Datensätzen zählen NVIDIA, Meta, Baidu, BlueFocus, Visual China Group und Kunlun Tech. Im Bereich Rechenleistung sind Unternehmen wie ZTE, Montage Technology, New Bright, TF Telecom, Baosight Software und InnoLight aktiv.
Risikohinweis: Technologische Entwicklungen könnten hinter den Erwartungen zurückbleiben; regulatorische Risiken sind zu beachten.
Microsoft und OpenAI vertiefen ihre Partnerschaft, was die Kommerzialisierung von KI-generierten Inhalten (AIGC) weiter beschleunigt. Am 23. Januar gab Microsoft bekannt, die Zusammenarbeit mit OpenAI weiter auszubauen und in den kommenden Jahren zusätzliche Milliardeninvestitionen zu tätigen, um KI-Technologien einem breiten Publikum zugänglich zu machen. Microsoft treibt die Kommerzialisierung von OpenAIs Technologien zügig voran, indem es KI-Tools wie ChatGPT und DALL-E in seine Softwareprodukte – etwa Bing und Office – integriert. Dies soll Nutzern effizientere Interaktionsmöglichkeiten bieten. Besonders hervorzuheben ist zudem der neue KI-Cloud-Service Azure OpenAI. Er ermöglicht es Entwicklern, auf Basis der OpenAI-Modelle eigene Anwendungen zu erstellen und so die kommerzielle Nutzung von KI-Technologien weiter zu beschleunigen.
Dieser Schritt zeigt deutlich, dass OpenAI als führendes Unternehmen der AIGC-Branche nun den Weg der Kommerzialisierung beschreitet: Einerseits dient es selbst als Modell-Infrastruktur, um Suchmaschinen und Bürosoftware zu verbessern und so Effizienz und Nutzerbindung zu steigern. Andererseits nutzt es die Recheninfrastruktur seiner Partner, um die Grundlage für künftige Hardware-Erweiterungen zu schaffen.
In unserem früheren ausführlichen Bericht „AIGC: Werkzeuge für Produktivität im Web3-Zeitalter“ haben wir die technologischen Veränderungen und Anwendungsszenarien von AIGC beleuchtet. Mit der zunehmenden Markteinführung von Produkten und der Erweiterung der Anwendungsfelder rückt jedoch immer stärker die Frage nach tragfähigen Geschäftsmodellen in den Fokus – insbesondere die entscheidende Frage: Wie generiert AIGC Einnahmen? Basierend auf Branchengesprächen gehen wir davon aus, dass 2023 das Jahr der beschleunigten Kommerzialisierung von AIGC sein wird und dass sich AIGC zunehmend in den Alltag und Arbeitsalltag der breiten Öffentlichkeit integrieren wird.
1. Geschäftsmodell-Wandel durch AIGC – Die „Sichtbarmachung“ von KI
„Die Sichtbarmachung von KI“ ist unser tiefster Eindruck aus jüngsten Branchengesprächen. Zwar existiert KI bereits seit vielen Jahren, doch ihre Anwendung in zahlreichen Bereichen glich eher einem spezialisierten „Facharzt“, der für ein enges Fachgebiet trainiert wurde. AIGC hingegen, basierend auf großen Sprachmodellen (LLMs), ähnelt heute eher einem vielseitigen Hochschulabsolventen: Zwar sind seine Fähigkeiten in bestimmten Spezialgebieten anfangs noch begrenzt, doch besitzt er ein deutlich höheres Potenzial für Skalierung und Erweiterung. Wir gehen daher davon aus, dass nach der Veröffentlichung des GPT-4-Modells im Jahr 2023 der Trend „AIGC+“ weltweit an Bedeutung gewinnen wird. Große Modelle und zugehörige Datensätze werden zur eigentlichen „IT-Infrastruktur“ der nächsten technologischen Ära – sowohl für vertikale Anwendungen als auch für universelle Zwecke von großer Relevanz. Ein anschauliches Beispiel hierfür ist die Zusammenarbeit zwischen OpenAI und Microsoft: Der Trend zur zunehmenden Sichtbarmachung allgemeiner KI wird sich weiter verstärken.
KI hat das Potenzial, Geschäftsmodelle grundlegend zu verändern – etwa durch die Automatisierung verschiedener Aufgaben, die Steigerung der Effizienz und die Ermöglichung neuer Betriebsformen. Im Folgenden zeigen wir einige Wege auf, wie KI Geschäftsmodelle transformiert:
Automatisierung: KI übernimmt vielfältige Aufgaben – von der Dateneingabe über den Kundenservice bis hin zum Supply-Chain-Management. Das senkt den Personalaufwand, steigert die Effizienz und führt so zu geringeren Kosten und höheren Gewinnen.
Bessere Entscheidungen: Durch die Analyse großer Datenmengen liefert KI wertvolle Erkenntnisse, die Unternehmen fundierte Entscheidungen ermöglichen. Sie hilft beispielsweise bei der Preisoptimierung, der Identifizierung neuer Geschäftschancen und der Vorhersage von Kundenverhalten.
Personalisierung: Mit KI lassen sich Produkte und Dienstleistungen maßgeschneidert auf einzelne Kunden zuschneiden. So können Unternehmen ihre Marketingmaßnahmen präziser ausrichten und die Kundenzufriedenheit erhöhen.
Neue Geschäftsmodelle: KI eröffnet völlig neue Geschäftsfelder. Ein Beispiel sind KI-gestützte Chatbots, die einen 24/7-Kundenservice ermöglichen – auch außerhalb der regulären Geschäftszeiten.
Bislang konzentrierte sich der KI-Einsatz vor allem auf Sicherheit und Netzwerküberwachung. 2020 erreichte der Markt für KI-Sicherheitslösungen bereits ein Volumen von 45,3 Milliarden Yuan und zählte zu den am schnellsten wachsenden und umsatzstärksten Anwendungsbereichen. Bis 2025 soll dieses Volumen auf 90 Milliarden Yuan steigen. Allerdings werden Lösungen in diesem Segment meist als Komplettpakete aus Hardware und Systemen angeboten.
Dank Fortschritten in der natürlichen Sprachverarbeitung (NLP) und verbesserten Algorithmen für generative KI-Inhalte (AIGC) wird der Zugang zu KI immer einfacher. AIGC lässt sich besonders schnell und effektiv kommerzialisieren. Startups wie Jasper erzielen bereits beachtliche Umsätze. Das zeigt: KI entwickelt zunehmend tragfähige Geschäftsmodelle. Jasper, 2021 gegründet, erwirtschaftete im Gründungsjahr bereits 45 Millionen US-Dollar Umsatz und gewann 70.000 Nutzer. Für 2022 wird ein Umsatz von voraussichtlich 75 Millionen US-Dollar prognostiziert. Laut der offiziellen Website von Jasper basiert die Abrechnung auf einem SaaS-ähnlichen Service mit drei Tarifen: „Basic“, „Pro“ und „Custom“. Auch führende chinesische AIGC-Unternehmen verzeichneten 2022 ein rasches Wachstum bei Nutzerzahlen und Inhaltsproduktion. Daher ist es durchaus möglich, dass sie ab 2023 Umsätze und Gewinne erzielen. Ob sich jedoch ein nachhaltiges SaaS-Abonnementmodell etablieren lässt, bleibt abzuwarten.
Ein weiteres Beispiel ist Jasper: Die Plattform vereint nicht nur verschiedene Modellalgorithmen wie GPT-3, NeoX und T5, sondern entwickelt auch maßgeschneiderte Lernmodelle, die auf konkrete Geschäftsanforderungen zugeschnitten sind. Diese Modelle helfen bei der Erstellung von Benutzeroberflächen und der Optimierung von Arbeitsabläufen, wodurch KI im Alltag einfacher anwendbar wird. Durch die Integration mehrerer Modelle können Nutzer zudem die optimale Kombination für ihren spezifischen Anwendungsfall oder ihre Branche auswählen. Dieser Ansatz verringert die Abhängigkeit von einer einzigen Quelle und verbessert die Qualität der Ergebnisse. Auf der Jasper-Plattform stehen Hunderte branchenspezifischer Vorlagen zur Verfügung, etwa für Produktvorstellungs-E-Mails. Dieses Design hilft Nutzern, präzise Ergebnisse zu erzielen und steigert so die Attraktivität des Tools. Nicht zuletzt deshalb hat Jasper innerhalb von nur zwei Jahren Großkunden wie IBM und Airbnb für sich gewinnen können.
Mit dem technologischen Fortschritt ist KI heute nicht mehr an spezifische Hardware oder Systeme gebunden und wird auch nicht mehr als geschlossenes Gesamtpaket vermarktet. Für die breite Öffentlichkeit ist sie keine unerreichbare Spitzentechnologie mehr, sondern ein Werkzeug, das jeder einfach nutzen kann, um effizienter zu arbeiten. Das zeigt, dass die Geschäftsmodelle rund um KI zunehmend transparenter werden.
2. B2B bleibt das vorherrschende Geschäftsmodell für AIGC
Auch wenn AIGC es Endnutzern ermöglicht, KI-generierte Inhalte mit geringem technischem Aufwand zu nutzen, bleibt B2B das dominante Geschäftsmodell. Bei Privatkunden fehlt es oft an einer langfristigen, nachhaltigen Nachfrage; viele nutzen KI nur aus kurzfristiger Neugier oder als einmaliges Experiment. Geschäftskunden hingegen zeigen stabilere und langfristigere Anforderungen sowie eine höhere Zahlungsbereitschaft. Dies lässt sich im Wesentlichen auf zwei Gründe zurückführen:
Kostensenkung
AIGC übernimmt Aufgaben, die bisher von Menschen erledigt wurden – etwa die redaktionelle Bearbeitung von Webinhalten oder Grafikdesign. Können Unternehmen ihre Personalkosten von beispielsweise einer Million Yuan so um mehr als 50 Prozent senken, ist der Anreiz groß, menschliche Arbeitskraft durch Maschinen zu ersetzen. Dieser Prozess ist bereits im Gange, insbesondere in spezialisierten Branchen wie Sport, Finanzen und Automobil.
Bereits 2018 setzte Reuters mit „Lynx Insight Service“ ein KI-gestütztes Nachrichtentool ein. Ziel war es, maschinell gut lösbare Aufgaben wie Data Mining und Trendanalyse an die KI zu delegieren, während menschliche Redakteure ihre Stärken ausspielen – etwa beim Formulieren von Fragen, der Priorisierung von Themen und dem Verständnis für Kontexte. Das erinnert an unseren eigenen Versuch, ChatGPT für Forschungsberichte zu nutzen. Künftig wird der Mensch vor allem die Richtung vorgeben und Fragen stellen, während die KI Informationen sammelt, verarbeitet, zusammenfasst und synthetisiert.
Noch verbreiteter ist derzeit eine andere Methode: KI extrahiert schnell Informationen und Daten und fügt sie in vorgefertigte Textbausteine ein, um automatisch Inhalte zu generieren. Diese Technik kommt beispielsweise bei den Kurznachrichten von „Wind“ (WIND) oder bei Fahrzeugparameter-Vergleichen in Automobilmedien zum Einsatz.
Neben Texten erzeugt AIGC auch Bilder – etwa als Illustrationen oder Titelbilder für Pressemitteilungen und Social-Media-Beiträge. Im Vergleich zur Auswahl aus Bilddatenbanken passen KI-generierte Bilder besser zum Artikelinhalt und sparen Kosten sowie Zeit für Grafikdesigner. Allerdings ist die Nachfrage nach Texten nach wie vor größer als nach Bildern, sowohl aufgrund des höheren Reifegrads der Technologie als auch des größeren Marktpotenzials.
Schließen der Nachfragelücke im B2B-Bereich
Viele B2B-Anwendungen sind projektbasiert und daher schwer umzusetzen – wir sprechen hier von einer „Nachfragelücke“. Ein Beispiel ist der Aufbau einer IP-Matrix: Um ein großes Intellectual Property (IP) mit einem breiten Spektrum an Begleitprodukten wie Filmen, Serien, Spielen, Anime und Sammlerfiguren auszustatten, müssen zahlreiche Urheber das IP umfassend ausarbeiten. Dieser Prozess ist langwierig, kostspielig und arbeitsintensiv. Auf der Angebotsseite können Inhaltsanbieter aufgrund des hohen Aufwands keine großen Mengen an Originalinhalten liefern; auf der Nachfrageseite sind Kunden nicht bereit, für noch nicht existierende Inhalte zu bezahlen. Künftig wird AIGC (Artificial Intelligence Generated Content) es Urhebern ermöglichen, mit nur wenigen Skizzen und mithilfe von Modellen große Inhaltsmengen zu generieren. Dank Diffusionsmodellen erhält diese Art der Inhaltsproduktion – eine Mischung aus transparenten, steuerbaren Parametern („White Box“) und automatisierten, weniger durchschaubaren Prozessen („Black Box“) – sogar den Charakter einer zweiten kreativen Schöpfung („Second Creation“). Gelingt es, diese Nachfragelücke mit AIGC zu schließen, werden große B2B-Projekte deutlich leichter realisierbar.
Nehmen wir den Anime-Markt als Beispiel: Die Branche befindet sich bereits in einer Expansionsphase, und ihre Wertschöpfungskette ist weitgehend ausgereift. 2020 überschritt der Gesamtmarkt in China die Marke von 100 Milliarden Yuan; die Zahl der sogenannten „animeaffinen Nutzer“ wird bis 2023 voraussichtlich 500 Millionen erreichen. Die neu entstandene Matrix an Ablegerprodukten rund um Anime-IPs – darunter Trendspielzeug („Chao Wan“), virtuelle Idole, Bekleidung und physische Unterhaltungsangebote – birgt enormes Marktpotenzial und steht derzeit im Fokus der Entwicklungsbemühungen.
Bei der Gestaltung und Produktion von Trendspielzeug, virtuellen Idolen und Bekleidung sind die Auswahl geeigneter Designer und deren kreative Arbeit unverzichtbar. Mit AIGC-Unterstützung lässt sich dieser Prozess erheblich beschleunigen. Bisher war es üblich, mehrere Designer mit einem ersten Entwurf zu beauftragen, den der IP-Inhaber dann prüfte und diskutierte – ein Verfahren mit hohen Kommunikationskosten und erheblichen Vorabkosten für Konzeptentwürfe. Mit AIGC können Designer zunächst ein auf ihren individuellen Stil zugeschnittenes Generierungsmodell trainieren und dann schnell mehrere Entwürfe gemäß den Vorgaben des IP-Inhabers erstellen. So lässt sich der passende Designer schneller identifizieren und die Kommunikationskosten senken. In späteren Phasen des Design- und Produktionsprozesses kann AIGC zudem effizient weitere Inhalte im gleichen Stil oder im Einklang mit dem IP generieren – was sowohl die Effizienz steigert als auch die Kosten senkt.
Trotz der zunehmenden Verbreitung von AIGC durch technologische Fortschritte sind wir nach wie vor überzeugt, dass der B2B-Bereich derzeit die wichtigste Geschäftsmodellrichtung darstellt. Der entscheidende Grund: AIGC bewirkt in Unternehmen tatsächlich messbare Effizienzsteigerungen und kann jene ursprünglich schwer zu erfüllenden Anforderungen abdecken – was die Zahlungsbereitschaft der Kunden besonders hoch macht.
3. KI-generierte Inhalte für Endverbraucher (B2C), vorwiegend über SaaS-Abonnements
Da sich KI-Modelle und Rechenleistung stetig verbessern und bereits eine kritische Schwelle überschritten haben, eröffnet AIGC auch Privatnutzern beachtliche Möglichkeiten. Bei extrem niedrigen Grenzkosten können AIGC-Anwendungen die Effizienz der Informationsverarbeitung und die Qualität der Inhaltserstellung für Einzelpersonen erheblich steigern. Zudem könnten diese Technologien sogar Rückwirkungen auf die Entwicklung der Produktionsverhältnisse haben.
Der kommerzielle Wert von AIGC-Anwendungen für Endnutzer lässt sich daher aus zwei Blickwinkeln betrachten: Erstens als Effizienzwerkzeug, vergleichbar mit klassischen Notiz- oder Kalender-Apps: AIGC-Anwendungen können die Produktivität einzelner Nutzer steigern – von der Informationsrecherche über die Strukturierung bis hin zu allen Arbeitsabläufen. Zudem lassen sich KI-Modelle nahtlos als Infrastruktur in bestehende Prozesse integrieren. Zweitens als Kreativwerkzeug, ähnlich wie Schnitt- oder Bildbearbeitungssoftware: In einer Zeit, in der nutzergenerierte Inhalte (UGC) immer populärer werden, senkt AIGC die Einstiegshürden für eine breite Masse erheblich und steigert so den IP-Wert individueller Medienprojekte.
Aus Unternehmenssicht werden Abonnements für SaaS-Dienste, die auf AIGC-Infrastruktur aufbauen, mittel- bis langfristig deutlich an Bedeutung gewinnen. Unternehmen wie Midjourney gehen hier bereits mit gutem Beispiel voran. Warum sind Nutzer bereit, dafür zu zahlen? Die Gründe lassen sich wie folgt zusammenfassen:
Sie bieten einen effizienteren Weg, an Informationen zu gelangen.
AIGC wird Suchmaschinen als nächste Informationsquelle ablösen. Seit dem Launch von ChatGPT wird viel darüber diskutiert: „Wird ChatGPT Google ersetzen?“ Herkömmliche Suchmaschinen liefern Nutzern über eine Stichwortsuche und Relevanz-Rankings eine Liste potenziell nützlicher Links. ChatGPT hingegen gibt auf Basis riesiger Textdatensätze direkt Antworten auf Nutzerfragen. Fragt man etwa nach einem Überblick über die Glasfaserkabelbranche, liefert ChatGPT sofort eine plausible Antwort, die auf seinen Trainingsdaten basiert – und kann auch auf Nachfragen reagieren. Bei einer klassischen Suchmaschine muss der Nutzer dagegen selbst mit Keywords suchen und die Informationen zusammenfügen. In der Praxis sind die über ChatGPT erhaltenen Informationen qualitativ oft höherwertig und schneller verfügbar als über traditionelle Suchmaschinen. Eine Einschränkung bildet allerdings der zugrundeliegende Datensatz (ChatGPT weiß beispielsweise nichts über Ereignisse nach 2020). Dennoch kann ChatGPT in den meisten Anwendungsfällen bereits heute herkömmliche Suchmaschinen ersetzen. Obwohl sich das Tool noch in der Demo-Phase befindet, signalisieren Nutzer in sozialen Medien bereits ihre Bereitschaft, für eine effizientere Informationsbeschaffung zu bezahlen.
Vom unterstützenden zum ersetzenden Werkzeug
Bei der Inhaltserstellung kann AIGC von einer unterstützenden zu einer ersetzenden Funktion übergehen. Es gibt bereits zahlreiche Effizienztools, die den sprachlichen Ausdruck verbessern und die Kommunikation effektiver gestalten – so passt Grammarly etwa den Ton und die Formulierung von Texten an und bietet gängige Ausdrucksmuster sowie Normen. AIGC geht jedoch noch einen Schritt weiter: Es generiert eigenständig Inhalte basierend auf vorgegebenen Formaten, Tonlagen und Anwendungsszenarien und übernimmt damit Aufgaben, die bisher Menschen vorbehalten waren. Ein Beispiel hierfür ist Jasper, dessen Kernprodukt die KI-gestützte Texterstellung ist. Mit dieser Funktion lassen sich Instagram-Titel formulieren, Drehbücher für TikTok-Videos schreiben oder Marketingtexte für Werbung und E-Mails generieren.
In bestehende Arbeitsabläufe integrieren
AIGC wird sich nahtlos in bestehende Arbeitsabläufe einfügen. Große KI-Modelle bilden die Infrastruktur und lassen sich je nach konkretem Anwendungsfall und Bedarf für spezifische Lösungen nutzen oder direkt in etablierte Prozesse integrieren. Ein Paradebeispiel ist Notion AI: Die Plattform Notion ist ein plattformübergreifendes Dokumenten-Tool mit Funktionen für Zusammenarbeit, Notizen, Tabellen und Kanban-Boards. 2021 schloss Notion eine Serie-C-Finanzierungsrunde über 250 Millionen US-Dollar unter Führung von Coatue und Sequoia Capital ab; die Bewertung lag danach bei 10,3 Milliarden US-Dollar. Bis 2022 hatte Notion bereits 30 Millionen Nutzer, darunter 4 Millionen zahlende Kunden. Kürzlich stellte das Unternehmen die Testversion von Notion AI vor, die vollständig in den bestehenden Notion-Workflow eingebettet ist. Nutzer erhalten nun bei der Materialorganisation, Terminplanung oder kreativen Arbeit direkt innerhalb der Anwendung KI-gestützte Hilfestellung, um ihre Effizienz zu steigern. Selbst Tools wie MidJourney, Wujie Map („Unbegrenzte Landkarte“) und ChatGPT sind aus unserer Sicht noch keine vollwertigen Arbeitswerkzeuge – ohne Integration in die täglichen Abläufe der Nutzer wirkt AIGC oft wie ein „Spielzeug“. Wird diese Funktionalität jedoch direkt in bestehende Workflows eingebettet, ändert sich die Situation grundlegend.
Erweiterung der kreativen Möglichkeiten
Die Entwicklung benutzerfreundlicher Kreativwerkzeuge hat immer mehr Einzelpersonen zu Content-Erstellern gemacht und so den Aufschwung von nutzergenerierten Inhalten (UGC) befeuert. Als Werkzeug zur Inhaltsproduktion senkt AIGC die Einstiegshürde für die Erstellung von Bildern, Videos und anderen Medien weiter. Während früher etwa automatische Sprachausgaben aus Text generiert wurden, kann AIGC heute aus einem einzigen Satz sowohl den Text als auch das dazugehörige Bild oder sogar Video erzeugen: MidJourney erschafft auf Basis einer textlichen Beschreibung automatisch ein Kunstwerk. Auf AIGC basierende virtuelle Personen können aus einem Text eigenständig ganze Programme generieren. Diese Anwendungen ermöglichen es Nutzern, mit minimalem Lernaufwand in kürzester Zeit deutlich mehr Inhalte zu produzieren.
4. Das Geschäft mit Rechenleistung hinter AIGC
Doch wie viel Rechenleistung steckt tatsächlich hinter AIGC?
Der Rechenaufwand für das Training von KI-Modellen wächst exponentiell und übertrifft damit die Entwicklung der Hardware, wie sie das Mooresche Gesetz beschreibt. Bereits 2018 legte OpenAI eine Studie vor, die den Rechenbedarf für große Sprachmodelle und dessen Wachstumsdynamik zu quantifizieren versuchte. Das Ergebnis: Von 2012 bis 2018 verdoppelte sich der für das KI-Training benötigte Rechenaufwand etwa alle drei bis vier Monate – ein deutlich schnelleres, exponentielles Wachstum als nach dem Mooreschen Gesetz, das eine Verdoppelung nur alle 18 Monate vorsieht. Konkret stieg der Rechenaufwand in diesem Zeitraum um das 300.000-Fache, während das Mooresche Gesetz lediglich eine siebenfache Steigerung der Hardwareleistung prognostiziert hätte.
Für gängige Großmodelle wie GPT-3, NLG oder Gopher wird der Rechenaufwand üblicherweise in „PetaFLOPS-Tagen“ gemessen. Diese Einheit entspricht der Leistung eines Systems mit einer Rechenkapazität von einem PetaFLOP (einer Billiarde Gleitkommaoperationen pro Sekunde), das einen vollen Tag ununterbrochen arbeitet. Zum Vergleich: NVIDIAS Flaggschiff-GPU RTX 3090 erreicht unter Standardlast etwa 35 TFLOPs, also 35 Billionen Berechnungen pro Sekunde. Ein PetaFLOPS-Tag entspricht somit der maximalen Leistung dieser GPU über einen Zeitraum von 29 Tagen. Selbst auf den derzeit schnellsten Supercomputern würde ein solcher Trainingslauf unter Idealbedingungen mehr als eine Woche in Anspruch nehmen.
AIGC: Hinter der künftigen Breitenanwendung verbirgt sich ein riesiger Markt für Rechenleistung. Der immense Rechenbedarf von KI-Modellen treibt die Kosten in die Höhe. Das Modell GPT-3 etwa verfügt über bis zu 175 Milliarden Parameter. Für sein Training waren insgesamt 3.650 PFLOPS-Tage an Rechenleistung nötig. Laut einer Berechnung von Lambda würden die Kosten für das Training von GPT-3 unter idealen Bedingungen – mit einer NVIDIA V100-GPU (28 TFLOPS) und einer Mindestlaufzeit von drei Jahren in der Cloud – auf 4,6 Millionen US-Dollar zu stehen kommen. Die nächste Generation, GPT-4, wird noch mehr Parameter aufweisen.
Zwar werden KI-Modelle oft als Open Source veröffentlicht, doch Datensätze und Trainingsergebnisse sind das interne Kapital eines Teams. Das bedeutet: Jedes KI-Produkt muss seine eigenen Trainingskosten stemmen. Derzeit setzen die meisten Startups auf Cloud-Infrastruktur, denn der Aufbau eigener Rechencluster ist extrem kostspielig. Eine einzelne High-End-GPU wie die NVIDIA A100 schlägt bereits mit etwa 60.000 bis 90.000 Yuan zu Buche. Für einen Cluster aus 1.000 A100-GPUs plus der notwendigen CPUs, Festplatten, Speicher und Stromversorgung für den Rechenzentrumsbetrieb summieren sich die Hardwarekosten schnell auf fast 100 Millionen Yuan. Mit der zunehmenden kommerziellen Verbreitung von AIGC – sowohl im B2B- als auch im B2C-Bereich – werden sowohl der Bau eigener Rechencluster als auch Cloud-Dienste profitieren. Zudem könnten chinesische Chiphersteller von den Exportbeschränkungen für NVIDIA-A100- und H100-Chips profitieren und neue Marktchancen ergreifen.
5. Die AIGC-Community – die Goldgrube der Zukunft
In unseren jüngsten Gesprächen mit verschiedenen Startup-Teams zeichnet sich ein klarer Branchentrend ab: die Verknüpfung von AIGC mit Web3.0 und die Integration von KI-generierten Inhalten in Communities. Konkret manifestiert sich dieser Trend in drei wesentlichen Punkten: Erstens kann AIGC die Interaktion und kulturelle Entwicklung innerhalb von Communities fördern. Zweitens können Communities wertvolles Feedback für die Weiterentwicklung von KI-Modellen liefern. Und drittens ergeben sich aus der Kombination von AIGC und NFT völlig neue Geschäftsmodelle.
Eine niedrige Einstiegshürde ermöglicht es einer breiteren Nutzerschaft, sich an der Community zu beteiligen. Im Vergleich zu UGC-Plattformen kann AIGC die Hürden und Kosten für die Nutzerbeteiligung an der Inhaltserstellung weiter senken. Dies fördert nicht nur die Interaktion und das Wachstum der Community, sondern reduziert gleichzeitig die Inhaltskosten der Plattform. Ein gutes Beispiel ist „Baozou Manhua“ („Rasende Comics“): Durch den Einsatz eines Comic-Tools wurde die Ausdruckshürde für Nutzer gesenkt, was zu einer Fülle populärer Witze führte und die gesamte „Baozou-IP“-Community bereicherte. Die kreativen Möglichkeiten, die AIGC den Nutzern bietet, übertreffen die traditioneller Content-Communities bei weitem und könnten völlig neue Geschäftsmodelle für Plattformen hervorbringen.
Das Feedback der Community zu AIGC-Inhalten liefert wertvolle Trainingsdaten für KI-Modelle. Nehmen wir die Bildgenerierung als Beispiel: Derselbe Suchbegriff kann auf verschiedenen Plattformen zu völlig unterschiedlichen Ergebnissen führen – auf Plattform A vielleicht exzellent, auf Plattform B dagegen enttäuschend. Ein Hauptgrund dafür liegt in der Trainingsmethode der Modelle. Selbst bei identischer Architektur führen unterschiedliche Trainingsansätze zu erheblichen Leistungsunterschieden. Beim überwachten Lernen müssen Trainer dem AIGC-System Feedback geben, um die Algorithmusparameter schrittweise zu optimieren, bis die gewünschte Qualität erreicht ist. Ein zentraler Beweggrund für die kostenlose Veröffentlichung der ChatGPT-Demo war es, durch offene Interaktion möglichst viele Nutzerfeedback-Daten zu sammeln. Die Diskussionen und Präferenzen der Community zu bestimmten Inhalten liefern hochwertiges Feedback für AIGC-Modelle und ermöglichen so eine gezielte Optimierung der Produktqualität.
Wenn AIGC in Bereiche mit geistigem Eigentum (IP) vordringt, stößt das traditionelle Urheberrechtslizenzsystem an seine Grenzen – ein Problem, das bereits im Zeitalter nutzergenerierter Inhalte (UGC) bei fanbasierten „Second-Creation“-Aktivitäten auftrat. Die eindeutige Kennzeichnungsfunktion von NFTs ermöglicht hier vielfältigere Verbindungen zwischen Urhebern, Nachschöpfern und der Community. So haben sich beispielsweise um NFTs wie BAYC oder Cryptopunks exklusive Fan-Communities gebildet; die Verknüpfung von NFTs mit der Fanwirtschaft wird bereits aktiv erforscht. Aufgrund der inhärenten Zufälligkeit im AIGC-Prozess ist eine exakte Wiederholung eines Inhalts praktisch unmöglich. Jeder Durchlauf erzeugt einen einzigartigen „Seed“, vergleichbar einem digitalen Fingerabdruck. In Kombination mit NFTs lässt sich so der jeweilige Ersteller direkt mit dem generierten Inhalt verknüpfen und dieser wiederum mit dem zugrundeliegenden Original-IP assoziieren. Der experimentelle Spielraum hierfür ist enorm: Zahlreiche Teams im Silicon Valley und in Singapur sind auf diesem Gebiet bereits aktiv. Wir werden diese Entwicklungen in unseren zukünftigen Analysen weiter verfolgen.
6. Investitionsstrategie: AIGC-Software, -Hardware und Datensätze
Die Entwicklung von Inhalten hat sich von PGC über UGC zu AIGC gewandelt. AIGC ermöglicht es, die Grenzen der Inhaltsproduktivität zu überwinden und effizient hochwertige Inhalte zu erzeugen – eine Grundvoraussetzung für ein echtes Metaversum. Damit AIGC den Anforderungen des Metaversums gerecht wird und eigenständig hochwertige sowie präzise Inhalte generieren kann, sind weitere technologische Fortschritte nötig. Diese lassen sich in zwei Bereiche unterteilen: Software und Hardware. Auf der Softwareseite geht es vor allem um Technologien zur Verarbeitung natürlicher Sprache (NLP), AIGC-Generierungsalgorithmen und die benötigten Datensätze. Die Hardware umfasst Rechenleistung und Kommunikationsnetzwerke.
Potenzielle Katalysatoren:
1) Die Veröffentlichung des neuen GPT-4-Modells im zweiten Quartal.
2) Microsoft integriert KI-generierte Inhalte (AIGC) in seine Suchmaschine und Office-Anwendungen.
Aus thematischer Investmentperspektive gehen wir davon aus, dass AIGC im Jahr 2023 nach der konzeptionellen Einführung 2022 in eine Phase des industriellen Durchbruchs eintritt. Dies zeigt sich sowohl in der Veröffentlichung neuer Modelle als auch in der praktischen Anwendung von „AIGC+“ in verschiedenen Branchen. Einerseits wird AIGC etablierte Killer-Apps wie Kurzvideos und Gaming disruptiv verändern, was zu einer weiteren Steigerung des Inhaltsvolumens und einer erhöhten Nutzerbindung führen könnte. Gleichzeitig bietet es neue Werkzeuge für soziale Netzwerke und Werbung. Andererseits gewinnen UGC- und AIGC-Inhalte durch die offenen und gemeinschaftlichen Werte von Web3 weiter an Attraktivität und könnten eine Welle von Sekundärkreationen und offener kreativer Entfaltung auslösen.
Risikohinweis
Technologische Innovation bleibt hinter den Erwartungen zurück: Die technologische Entwicklung von AIGC verläuft langsamer als erwartet. Gleiches gilt für zugrundeliegende Hardwaretechnologien wie Supercomputing und Rechenleistung.
Regulierungsrisiko: KI-generierte Inhalte (AIGC) stecken noch in den Kinderschuhen. Daher ist ungewiss, ob künftig gesetzliche Rahmenbedingungen – etwa zum Urheberrecht an KI-Werken oder andere rechtliche Vorgaben – geschaffen werden.