Warum LLMs auf einem Plateau sind und was das für Softwareentwicklung bedeutet

Thomas 18 Juli 2026

Dieser Artikel passt hier eigentlich gar nicht rein, weil es nicht direkt um agiles Arbeiten geht. Das Thema ist aber wichtig genug, dass ich es trotzdem hier aufschreibe, denn es betrifft jeden, der Software entwickelt oder entwickeln lässt.

TL;DR

Meine These: Wir sind bei der Entwicklung großer Sprachmodelle auf einem Plateau angekommen. Damit meine ich nicht, dass die Technologie wieder verschwindet. Ich meine, dass der wirtschaftliche Nutzen von LLMs für ernsthafte Softwareentwicklung deutlich kleiner ausfällt und deutlich langsamer eintritt, als das investierte Kapital unterstellt. Der Zuwachs an Fähigkeit seit Ende 2024 kam vor allem aus besseren Werkzeugen und aus einer Art des Nachdenkens (Reasoning-Modelle), die mit mehr Rechenzeit erkauft wird, und kaum noch aus grundlegend klügeren Modellen. Der Preis pro Anfrage ist heute subventioniert und muss sich den echten Kosten annähern. Die messbaren Produktivitätsgewinne zeigen sich auf der Ebene einzelner Aufgaben, aber nicht auf der Ebene ganzer Unternehmen. Und der Kapitalmarkt beginnt gerade, genau das einzupreisen. Wenn Unternehmen die realen, moderaten Effizienzgewinne einmal gehoben haben, sinkt der Investitionsdruck, und mit ihm das Tempo der Weiterentwicklung.

Wer den Rest des Textes liest, bekommt die Herleitung, mit Quellen für die harten Zahlen. Wer mir am Ende nicht folgt, soll mir bitte sagen, an welcher Stelle die Kette bricht.

Zwei Lager

In der Debatte um LLMs gibt es grob zwei Positionen. Das eine Lager sagt, in wenigen Jahren brauche man kaum noch fertige Software, weil man sich das, was man gerade benötigt, einfach vom Modell schreiben lässt. Modelle und die Werkzeuge um sie herum würden immer besser, das Tempo bleibe hoch. Das andere Lager sagt, die Modelle selbst würden kaum noch klüger. Was besser werde, seien die Werkzeuge ("Harness") und die Art, wie ein Modell sie benutzt, aber nicht die eigentliche Denkleistung. Ich gehöre zum zweiten Lager, und dieser Text erklärt, warum das aus meiner Sicht logisch folgt.

Was sich seit 2022 wirklich verbessert hat

Zwischen dem Erscheinen von ChatGPT Ende 2022 und Ende 2024 sind die Modelle klar klüger geworden. Das bestreite ich nicht. Danach ändert sich das Muster. Der spürbare Fortschritt kommt seitdem weniger aus dem Modell selbst und mehr aus dem, was um das Modell herum passiert. Ein Assistent, der Dateien lesen, Code ausführen und Werkzeuge bedienen kann, wirkt deutlich fähiger, ohne dass das darunterliegende Modell fundamental mehr verstehen würde. Diese Umgebung ist der eigentliche Hebel der letzten Zeit.

Der häufigste Einwand lautet, dass die neuen Reasoning-Modelle doch ein echter Sprung seien. Das stimmt zur Hälfte, und die andere Hälfte ist für meine These entscheidend. Reasoning-Modelle sind teils echter Modellfortschritt, weil das Nachdenken über Zwischenschritte ins Training eingebaut wird. Teils sind sie aber schlicht mehr Rechenzeit zur Laufzeit, was Fachleute als Test-Time-Compute bezeichnen. Das Modell denkt länger, indem es mehr Anfragen an sich selbst stellt. Diese zusätzliche Denkzeit ist nicht kostenlos, sie wird in Tokens bezahlt. Bessere Antworten durch mehr Nachdenken heißt also fast immer teurere Antworten. Das ist wichtig, weil es den vermeintlichen Fähigkeitssprung direkt mit der Kostenfrage verbindet.

Die Preise sind subventioniert

Heute wirken LLMs billig. Das ist zu einem guten Teil eine Marktphase und nicht der Preis, der sich langfristig einstellen muss. Die Anbieter kämpfen um Nutzer und Marktanteile und geben die Token unter den Vollkosten ab. Dieses Muster kennt man aus dem Cloud-Geschäft: erst war alles günstig, bis alle drin waren, dann zogen die Preise an. Dasselbe sieht man im Fahrdienstgeschäft, wo die Preise nach der subventionierten Anfangsphase deutlich angezogen haben.

Ein häufiger Einwand ist, dass die Kosten pro Token seit Jahren sinken statt steigen, und das stimmt. Effizientere Modelle und bessere Hardware drücken die Kosten je Anfrage laufend. Mein Punkt ist ein anderer. Der heute gezahlte Preis liegt unter den echten Kosten, nicht über ihnen, und er muss sich ihnen über die Zeit annähern. Und selbst dort, wo die Kosten je Token fallen, frisst das teure Nachdenken der Reasoning-Modelle einen Teil davon wieder auf, weil es ein Vielfaches an Tokens verbraucht. Beides zusammen spricht gegen die Vorstellung, dass alles gleichzeitig schlauer und praktisch umsonst wird.

Der Nutzen zeigt sich nicht dort, wo er zählt

Der stärkste Einwand gegen meine Position lautet, die Effizienzgewinne seien riesig, ganze Tätigkeiten würden bald überflüssig. Wenn das so wäre, müsste man es nach etwa vier Jahren breiter LLM-Nutzung inzwischen deutlich sehen. Man sieht es auf der Ebene einzelner Aufgaben, und auf der Ebene ganzer Unternehmen sieht man es nicht. Diese Lücke ist der Kern meiner These.

Auf der Ebene einzelner Aufgaben sind die Gewinne real. Je nach Studie werden Einzelaufgaben um Werte im Bereich von grob zwanzig bis über fünfzig Prozent schneller erledigt. Goldman Sachs selbst nennt für einzelne, klar messbare Aufgaben einen Median von rund dreißig Prozent. Auf der Ebene ganzer Unternehmen und der Volkswirtschaft verschwindet dieser Effekt fast vollständig. Dieselbe Analyse von Goldman Sachs findet keinen belastbaren Zusammenhang zwischen Produktivität und LLM-Nutzung auf gesamtwirtschaftlicher Ebene, und der Chefökonom fasst den Beitrag der gewaltigen Investitionen zum US-Wachstum 2025 mit "basically zero" zusammen.

Noch deutlicher wird es beim Blick in die Unternehmen. Eine MIT-Auswertung von 2025 kommt zu dem Ergebnis, dass rund fünfundneunzig Prozent der Enterprise-Projekte mit generativen Modellen keinen messbaren Ergebnisbeitrag liefern. In einer PwC-Umfrage 2026 sagt gut die Hälfte der Vorstände, sie hätten aus ihren Investitionen bislang nichts herausbekommen.

Besonders sauber zeigt die Lücke eine kontrollierte Studie von METR aus dem Jahr 2025. Erfahrene Entwickler, die an ihren eigenen, gereiften Projekten arbeiteten, waren mit LLM-Werkzeugen im Schnitt neunzehn Prozent langsamer, glaubten aber selbst, sie seien zwanzig Prozent schneller gewesen. Die Studie ist klein, betrifft eine bestimmte Werkzeuggeneration, und METR selbst ordnet sie inzwischen als Momentaufnahme ein. Aber die Richtung passt genau zu den großen Zahlen. Das gefühlte Tempo und das gemessene Ergebnis fallen auseinander, und im Alltag großer Codebasen kann Hilfe sogar bremsen.

Vibe Coding ist nicht Softwareentwicklung

Die entscheidende Unterscheidung, die in der Debatte fast immer fehlt, ist die zwischen zwei völlig verschiedenen Tätigkeiten, die nur zufällig beide Code hervorbringen. Wer sie vermischt, kommt zwangsläufig zu falschen Schlüssen über den Markt.

Auf der einen Seite steht das, was oft Vibe Coding genannt wird. Jemand, der nicht wirklich programmieren kann, beschreibt in normaler Sprache, was er will, und das Modell liefert etwas, das läuft. Typisch ist ein kleines Werkzeug für den eigenen Bedarf, etwa damit man für eine simple Aufgabe kein Präsentationsprogramm öffnen muss. Das Ergebnis muss nur jetzt und nur für diese eine Person funktionieren. Niemand muss den Code verstehen, niemand muss ihn in ein größeres System einpassen, niemand pflegt ihn über Jahre, und niemand haftet, wenn er in einem halben Jahr nicht mehr funktioniert. Der Nutzen ist real, aber er ist privat und klein. Für die Gesamtbetrachtung ist er fast bedeutungslos. Sobald die Anfragen echtes Geld kosten, rechnet sich ein großer Teil dieser Bastellösungen ohnehin nicht mehr, und die Leute öffnen wieder das Präsentationsprogramm.

Auf der anderen Seite steht das, wofür Unternehmen wie SAP oder Uber tatsächlich Geld ausgeben. Diese Software muss über Jahre verlässlich laufen, von vielen Menschen weiterentwickelt werden, sich in andere Systeme einfügen, abgesichert sein und im Fehlerfall jemanden haben, der geradesteht. Hier besteht die Arbeit nur zu einem kleinen Teil aus dem Schreiben neuer Code-Zeilen. Der weitaus größere Teil ist Verstehen bestehender Zusammenhänge, Prüfen, Integrieren, Absichern, Warten und Abstimmen zwischen Menschen. Diese Teile kann ein Modell nicht übernehmen, weil sie Verantwortung und ein Verständnis des Ganzen verlangen, das über die einzelne Aufgabe hinausreicht. Ein Modell beschleunigt die isolierte Aufgabe. Es beseitigt nicht den Engpass, und der Engpass ist bei ernsthafter Software fast nie das Tippen.

Damit lösen sich die widersprüchlichen Zahlen auf. Die großen Speedups stammen aus der ersten Welt, aus abgegrenzten Einzelaufgaben. Die ausbleibende Wirkung auf Unternehmens- und Volkswirtschaftsebene stammt aus der zweiten Welt, in der das große Geld steckt. Wer aus einem Vibe-Coding-Erlebnis schließt, Softwareentwicklung sei bald gelöst, hat schlicht die beiden Welten verwechselt. Große Software braucht über Jahre echte Menschen, die sie führen und verantworten.

Daraus folgt eine nüchterne Schätzung. Für ernsthafte Softwareentwicklung halte ich ein Einsparpotenzial in der Größenordnung von zehn bis zwanzig Prozent für realistisch, nicht die neunzig Prozent, die manchmal behauptet werden. Wer die hohe Zahl nennt, rechnet meist einen Task-Speedup hoch, der sich im Gesamtprozess nicht wiederfindet. Bemerkenswert ist, dass selbst überzeugte Vertreter der Disruptionsthese für den geordneten Fall am Ende von rund zehn Prozent Verbesserung sprechen und von steigenden Preisen, sobald der Markt verteilt ist. Damit landen sie bei genau den Werten, die ich hier verwende, ohne sie zu messen.

Was der Kapitalmarkt gerade sagt

Es gibt einen aktuellen Fall, an dem sich meine These überprüfen lässt, weil dort das Geschäft offen als der eigentliche Markt verkauft wurde. Im Jahr 2026 wurde xAI mit SpaceX verschmolzen und das gemeinsame Unternehmen an die Börse gebracht. In den Unterlagen zum Börsengang wurde ein Gesamtmarkt von rund achtundzwanzig Billionen Dollar aufgespannt, von dem über neunzig Prozent (26,5 von 28,5 Billionen) den Sprachmodellen über xAI zugeschrieben wurden. Der Raumfahrtanteil wurde bewusst klein gehalten. Die Erzählung war also das Modellgeschäft, nicht Raketen.

Die entscheidende Zahl steht im selben Dokument. xAI setzte 2025 rund 3,2 Milliarden Dollar um und schrieb dabei einen operativen Verlust von etwa 6,4 Milliarden, der vollständig aus dem Gewinn von Starlink gedeckt werden musste. Ein als Zukunftsmarkt verkauftes Geschäft, das doppelt so viel verbrennt, wie es einnimmt, und von der Rakete quersubventioniert wird. Dass die Aktie dann innerhalb eines Monats unter den Ausgabepreis fiel, passt ins Bild, auch wenn dabei ein sehr kleiner frei handelbarer Anteil und die allgemeine Marktstimmung mitspielten. Der am reinsten über Sprachmodelle vermarktete Börsengang dieser Größe stützte sich auf einen astronomischen Markt, verbrannte dabei Geld, und der Markt zahlte den Preis nicht mit. Das passt zu der Vermutung, dass der versprochene Markt kleiner ist als die Erzählung.

Warum das ein Plateau ergibt

Jetzt lässt sich die Kette schließen. Die Modelle selbst werden kaum noch grundlegend klüger, der Fortschritt kommt aus Werkzeugen und aus zusätzlicher Rechenzeit. Diese Rechenzeit ist heute subventioniert und wird sich verteuern. Der reale Nutzen für ernsthafte Software liegt eher bei zehn bis zwanzig Prozent und schlägt gesamtwirtschaftlich kaum durch, weil das große Geld in Systemen steckt, die Menschen brauchen. Der Kapitalmarkt beginnt, genau das einzupreisen.

Ein berechtigter Einwand lautet, dass die großen Anbieter wie Google, Microsoft, Meta oder Nvidia ihre Modellentwicklung aus laufendem Konzerngewinn finanzieren und nicht auf Risikokapital angewiesen sind. Die Forschung hört also nicht auf, nur weil die Euphorie abkühlt. Das stimmt, ändert aber wenig. Auch diese Budgets richten sich nach dem erwarteten Ertrag, und wenn sich der Markt als deutlich kleiner erweist als versprochen, sinkt auch dort die Bereitschaft, jede neue Modellgeneration mit immer größeren und teureren Trainingsläufen zu erkaufen. Die Frage ist nicht, ob es weitergeht, sondern in welchem Tempo. Und dieses Tempo überschätzt die erste Position.

Wenn Unternehmen das moderate Potenzial einmal realisiert haben, gibt es keinen Grund mehr für immer neue, riesige Investitionsrunden in der Hoffnung auf einen viel größeren Markt. Sinkt aber der Zufluss an Kapital, sinkt auch das Budget für die Weiterentwicklung von Modellen und Werkzeugen. Damit verlangsamt sich das Tempo, das die erste Position als selbstverständlich annimmt. LLMs verschwinden nicht, sie werden ein nützliches Werkzeug mit begrenztem, gut abschätzbarem Nutzen. Das ist es, was ich mit Plateau meine.

Was diese These widerlegen würde

Damit der Text ehrlich bleibt, nenne ich den Punkt, an dem er kippt. Mein Kostenargument bricht, wenn frei verfügbare Modelle so gut und so effizient werden, dass sie leistungsfähig auf normaler Hardware vor Ort laufen. Dann wären die Anfragen faktisch fast umsonst, und teures Nachdenken bliebe billig. Diese Entwicklung schließe ich nicht aus, und die besten offenen Modelle sind bereits erstaunlich stark. Wichtig ist aber, dass dieser Einwand nur die Kostenseite trifft. Selbst wenn die Anfragen umsonst wären, bliebe der zweite Teil meiner These bestehen. Große Software braucht über Jahre echte Menschen, die sie sinnvoll führen und verantworten. Der billige Zugang macht das Werkzeug zugänglicher, aber er macht aus zehn bis zwanzig Prozent keine neunzig.

Fazit

Ich behaupte nicht, dass LLMs eine Modeerscheinung sind. Ich behaupte, dass der Abstand zwischen dem versprochenen und dem tatsächlichen Nutzen für ernsthafte Arbeit groß ist und dass dieser Abstand die weitere Entwicklung bremsen wird. Die Belege dafür liegen inzwischen vor, in Produktivitätsstudien, in gesamtwirtschaftlichen Zahlen und in der Reaktion des Kapitalmarkts. Wer anderer Meinung ist, muss zeigen, an welcher Stelle die Kette reißt. Genau darauf bin ich gespannt.