KI-Winter

Definition

Als KI-Winter werden historische Phasen bezeichnet, in denen Forschungsförderung, kommerzielle Erwartungen und öffentliche Aufmerksamkeit für Künstliche Intelligenz drastisch zurückgingen. Der Begriff entstand in den 1980er Jahren in Analogie zum Nuklearen Winter und wird typischerweise nach übertriebenen Versprechen, ausbleibender Marktreife und dem Wegfall staatlicher Fördergelder verwendet. Forschende und Anbieter wechselten in solchen Phasen oft auf andere Begriffe wie Statistical Learning, Pattern Recognition oder Machine Learning, um weiterhin Förderung zu erhalten.

KI-Winter sind kein technologisches Naturereignis, sondern Folgen institutioneller Dynamik: überhöhte Erwartungen, Förderzyklen, Kapitalflüsse und mediale Wahrnehmung. Sie folgen einer wiederkehrenden Struktur, die heute als Gartner Hype Cycle bekannt ist, ohne dass der Mechanismus auf KI beschränkt wäre.

Geschichte

Die KI-Forschung kennt zwei grosse und mehrere kleinere Winter.

• Erster Winter (etwa 1974 bis 1980): Auslöser war der Lighthill-Report von 1973, der die britische KI-Forschung als enttäuschend einstufte. Britische Förderung wurde stark gekürzt. Parallel reduzierte DARPA in den USA Programme. Symbolische KI mit Logik und Suche stiess an Kombinatorik-Grenzen. Frühe Perzeptronen waren nach Minsky und Paperts Buch Perceptrons (1969) als limitiert verstanden worden.
• Zweiter Winter (etwa 1987 bis 1993): Der Markt für Expertensysteme und Lisp-Maschinen kollabierte. Symbolics ging in Konkurs, Cyc und ähnliche Wissensbasis-Projekte erreichten die Praxisreife nicht. Japans Fifth Generation Computer Project (1982 bis 1992) blieb hinter Erwartungen zurück. KI wurde in Förderanträgen zur Belastung, viele Forschende rebrandeten ihre Arbeit.
• Mini-Winter: Nach dem Dotcom-Bust 2001 erlebten KI-nahe Tech-Startups Jahre der Zurückhaltung. Auch nach dem ersten Deep-Learning-Hype 2014 bis 2017 gab es in einzelnen Teilbereichen (Chatbots, autonomes Fahren) Ernüchterungen, ohne dass dies einen Vollwinter auslöste.

Die heutige Phase ab 2012 (AlexNet), 2017 (Transformer) und 2020 bis 2022 (GPT-3, ChatGPT) wird als Frühjahr oder Sommer beschrieben. Die Frage, ob ein dritter Winter kommt, ist offen.

Mechanismus

KI-Winter folgen einer wiederkehrenden Dynamik:

• Hype-Phase: spektakuläre Resultate, hohe Erwartungen, breite Investitionen, ehrgeizige Roadmaps.
• Ernüchterungs-Phase: Engineering-Realität bremst Erwartungen, Edge-Cases häufen sich, ROI bleibt aus.
• Kürzungs-Phase: Geldgeber ziehen sich zurück, Programme werden gestrichen, Karrieren brechen ab.
• Versteckte Konsolidierung: Forschende arbeiten unter neuen Begriffen weiter, technische Fortschritte akkumulieren leiser.
• Nächste Welle: ein technologischer Durchbruch oder ein neuer Anwendungstreiber führt zur Rückkehr.

Wesentliche Treiber sind Misalignment zwischen Marketing und Engineering, fehlende ROI-Nachweise und institutionelle Risikoaversion bei Geldgebern. Konkrete Auslöser variieren: Lighthill-Report, Expertensystem-Crash, Dotcom-Bust, regulatorische Eingriffe.

Praxis und Anwendung

Für aktuelle Praxis sind die Lehren der Winter konkret:

• Versprechen disziplinieren: Anbieter sollten Capabilities und Grenzen klar dokumentieren, etwa in Model Cards und System Cards.
• ROI-Messung: Enterprise-Käufer verlangen messbare Produktivitätsgewinne, nicht Demo-Magie.
• Evaluierungen verbreitern: Benchmarks ausweiten, Out-of-Distribution-Tests einführen, externe Audits ermöglichen.
• Governance frühzeitig integrieren: Regulierung wie der EU AI Act schafft Stabilität, statt sie zu untergraben, wenn Anbieter proaktiv konform handeln.
• Diversifikation: Wer ausschliesslich auf ein Modell, einen Anbieter oder eine Capability setzt, ist anfällig.

Beobachter wie Gary Marcus, Yann LeCun und Stuart Russell warnen unabhängig voneinander vor Überversprechen, wenn auch mit unterschiedlichen Schwerpunkten. Die Diskussion ist offen, der historische Befund mahnt zur Realitätsprüfung.

Häufige Fehler

• Hype mit Substanz verwechseln: Demos und Benchmarks sind Indikatoren, nicht Beweise.
• Förderzyklen ignorieren: wer abhängig von einem Geldgeber ist, riskiert abrupte Kürzungen.
• Lehren der Winter nicht institutionalisieren: Lessons-Learned aus 1974 und 1987 sind in der jungen Industrie wenig präsent.
• Begriff KI als Markenrisiko unterschätzen: Marketing rebrandet bereits heute Teile als Agentic AI, Reasoning Systems, Cognitive Architecture, um Hype-Risiken zu verteilen.
• Capability mit Adoption gleichsetzen: Fortschritt in Benchmarks ist nicht automatisch Adoption in Unternehmen.

Abgrenzung

• AI Hype Cycle: allgemeines Marktphasen-Modell. KI-Winter sind die Tal-Phasen.
• Dotcom-Bust: breites Tech-Phänomen, nicht KI-spezifisch.
• Funding-Engpässe: kurzfristige Kürzungen ohne strukturelle Branchen-Rezession.
• Korrektur statt Winter: Marktkorrekturen einzelner Subsegmente sind nicht zwingend Vollwinter.
• Aktuelle Phase: mehrheitlich als Sommer beschrieben, mit offener Debatte zur Persistenz.