Google DeepMind hat einen Bericht veröffentlicht (publication 239142), der AGI auf menschlichem Niveau nicht als Zielstrich behandelt, sondern als Verteilerkasten. Seine Zusammenfassung nennt vier mögliche Routen von AGI zu künstlicher Superintelligenz – ASI, definiert als System «intelligenter und kognitiv fähiger als grosse Organisationen von Menschen» – und konzentriert sich dann in seiner zweiten Hälfte auf den Teil, der jeden interessieren sollte, der Infrastruktur betreibt: die Reibungen und Engpässe entlang jeder Route.

Lies es als Topologie, nicht als Prophezeiung. Die vier Pfade, die es aufzählt, sind: die bereits vorhandenen Modelle skalieren; ein Durchbruch zu einer neuen Methode; rekursive Selbstverbesserung, bei der ein System seinen eigenen Nachfolger entwirft; und ASI, die aus grossflächigen Multi-Agent-Kollektiven entsteht. Der ehrlichste Schachzug des Berichts ist, die Geschichte einer einzigen Sprungveränderung abzulehnen – er argumentiert, dass die wahrscheinlichere Form eine Serie transformativer Schocks über viele Felder der Wissenschaft und des Ingenieurwesens ist, wobei die Theorie nur den fernen Endpunkt fixiert («Universal AI», notiert er, ist bereits formal gut verstanden). Alles dazwischen ist eine Frage der Reihenfolge und Abhängigkeiten.

Warum ist das jetzt ein aktuelles Ziel, nicht vor fünf Jahren? Die Herkunftslinie ist kurz und verfolgbar. Der 2017er Transformer (Vaswani et al., sechs Encoder-Decoder-Schichten, gebaut für Englisch–Deutsch-Übersetzung) etablierte den Operator; GPT-3 skalierte ihn 2020 auf 175 Milliarden Parameter; DeepMinds eigenes AlphaFold 2 bewies, dass die gleiche Attention-Maschinerie ein fünfzig Jahre altes Strukturbiologie-Problem lösen konnte. Jede Route in diesem Bericht ist eine Wette darauf, eine dieser Kurven fortzusetzen. Deshalb ist genau die Engpass-Rahmung der nützliche Teil – die Kurven sind nicht durch Ideen begrenzt, sie sind begrenzt durch intakte Kühlung, intakte Bandbreite und die Menschen, die sich erinnern, wie die Pipeline verdrahtet war.

←HEUTE: Ein funktionierendes Büro ist bereits von drei oder vier gehosteten Modellen abhängig, die es nicht besitzt, hostet oder vollständig versteht. →3012: Die Büros, die noch stehen, sind die, die ihren echten Abhängigkeitsgraph zeichneten, bevor ein einzelner Knoten dunkel wurde. Fulcrum: Superintelligenz ist ein Topologie-Risiko, bevor es ein Fähigkeits-Risiko ist – die Gefahr kommt durch die Kanten, die du nie diagrammiert hast, nicht durch den Knoten, den du beobachtet hast.

Auf dem Schreibtisch eines Architekten oder Ingenieurs ist das nicht abstrakt. Deine Renderfarm, deine Clash-Detection, deine Ausschreibungs-Takeoffs, dein KI-gestütztes Entwerfen – jedes lehnt leise auf einer API, die du nicht prüfen kannst. Das Gegenmuster ist bereits veröffentlicht: ein 2026er arXiv-Paper über «deterministische Vermittlung» (arXiv:2605.13245) liess ein Sprachmodell lokale, vordefinierte Werkzeuge orchestrieren, statt bei jedem Lauf frischen Code zu generieren. Über vier Plattformen und vier Wiederholungen hinweg lieferte ihr typisiertes Werkzeug jedes Mal identische Zahlen, während kommerzielle Foundation Models entweder zwischen Läufen abdrifteten oder ganz fehlschlugen – und eine Analyse, die Wochen dauerte, reduzierte sich auf Minuten. Die tragende Einsicht ist, dass Deployment-Topologie keine Vorliebe ist: proprietäre Formate zwangen die Werkzeuge, lokal, neben den Daten zu bleiben. Das ist die widerstandsfähige Form.

Atelier: Ein Büro, das dieses Quartal mit KI lebt, sollte aufhören zu fragen, «welches Modell ist das beste», und anfangen zu fragen, «was stirbt, wenn dieser Endpunkt einen Tag lang dunkel ist». Diese Woche: wähle den einzelnen meistgenutzten KI-Schritt in deiner Produktionskette und fixiere die exakte Modellversion plus lokales, deterministisches Fallback dafür in deinem BEP – eine benannte Primary, eine benannte Substitute, aufgeschrieben, wo das ganze Team es sehen kann.

Hack: Finde das einzelne Werkzeug, ohne das deine ganze Pipeline stirbt. Zeichne deinen Office-Stack als gerichteten Graph – jeder Knoten ein Werkzeug, jede Kante ein «hängt ab von» – dann lass einen Löser die Artikulationspunkte benennen, die du verpasst hast. In Graphen-Begriffen ist ein Artikulationspunkt ein Knoten, dessen Entfernung den Graph teilt; in Office-Begriffen ist es die Lizenz, das Plug-in oder die API, die drei andere mit sich reisst.

import networkx as nx
G = nx.Graph()
G.add_edges_from([("grasshopper","archicad"),("archicad","tender"),
                  ("hosted_llm","drafting"),("drafting","tender")])
print(sorted(nx.articulation_points(G)))  # -> die Ausfallpunkte

Wende es auf deinen echten Stack an, nicht auf das aufgeräumte Architektur-Diagramm. Die Übung, den dritten Ausfallpunkt zu finden, den du nicht wusstest, dass du ihn hattest, ist der ganze Sinn – das ist der Knoten, für den du Redundanz kaufen solltest.

Für jeden, der Systeme verwaltet, ist der Ausfallmodus niemals ein Mangel an Rechenleistung. Es ist eine stille Abhängigkeit, die jeder annahm, dass jemand anders sie besass. DeepMinds Bericht und das lange Profil von The Guardian über ihren hauseigenen Ethiker Iason Gabriel – seit 2017 im Unternehmen, der immer noch fragt, was das Ding eigentlich ist – landen beide auf der gleichen unbequemen Wahrheit: das interessante Risiko ist strukturell, und es lässt sich im Voraus lesen. Kartiere deinen Graph, bevor du ihn brauchst; der Knoten, um den du dir Sorgen machen solltest, ist der, den du vergessen hast zu zeichnen.

Quelle: deepmind.google