Karpathys KI-Trichter: 5.000 Menschen sehen, was die Labore können

Was passiert ist

Andrej Karpathy hat am 11. Oktober 2026 einen ausführlichen Beitrag auf X veröffentlicht, der nach dem französischen Portal Numerama stark verbreitet wurde. Er beschreibt darin eine wachsende Lücke zwischen dem, was die Öffentlichkeit von KI erwartet, und dem, was Anwender mit Zugang zu fortgeschrittenen Modellen erleben. Eine Produktvorstellung ist das nicht: Er stellt weder ein Modell noch einen Agenten vor, sondern eine Art Nutzungs-Trichter.

Vier Stufen im Trichter

Karpathy teilt den Zugang zu großen Sprachmodellen in vier Gruppen:

1. Rund sechs Milliarden Menschen, etwa 75 Prozent der Weltbevölkerung, hätten noch nie ein großes Sprachmodell benutzt.
2. Ein bis zwei Milliarden nutzen gelegentlich kostenlose Chatbot-Fassungen – laut Numerama eher als verbesserte Suchmaschine oder Schreibhilfe.
3. Rund 20 Millionen Menschen (0,2 Prozent), vor allem Entwicklerinnen und Entwickler sowie Mathematikerinnen und Mathematiker, arbeiten mit bezahlten Spitzenagenten und erleben das, was Karpathy als Agenten-Schwindel beschreibt.
4. Ganz oben stehen rund 5.000 Personen (0,00006 Prozent) mit Zugang zu internen Systemen der Labore. Das Portal BigGo Finance stellt diese Gruppe als kleiner dar als die rund 7.500 Menschen, die bisher den Mount Everest bestiegen haben.

Was aus der Spitze gemeldet wird

Für diese Spitze beschreibt Karpathy Arbeit in Schwärmen: Tausende Agenten arbeiteten über Wochen hinweg ohne menschliches Zutun zusammen, etwa an Zero-Days, an Angriff und Verteidigung in Maschinengeschwindigkeit, an großen Softwareprojekten sowie an wissenschaftlichen und mathematischen Fragen. Als Beleg nennt er 722 KI-generierte mathematische Manuskripte, deren Herleitungen selbst Spitzenforschende nur mühsam erfassen könnten, sowie den mehrere Monate alten Vorfall zwischen OpenAI und Hugging Face, dessen automatisch erzeugte Protokolle Menschen weiterhin wie eine Ausgrabung auswerten. Als aktuelle Spitzenwerkzeige benennt er OpenAI Codex und Claude Code. Neu ist auch, dass Karpathy seinen Tweet vom April wieder aufgreift und schreibt, die Kluft im geteilten Verständnis der Modellfähigkeiten weite sich weiter aus.

Warum das für KI-Entwickler zählt

Für die dritte Gruppe, also die Entwicklerschaft, ist seine Beobachtung entscheidend: Projekte, die früher Monate brauchten, entstehen heute mit einer Anweisung in kurzer Zeit – Apps bauen, klonen, übersetzen, aus Binärdateien dekompilieren. Karpathy sinngemäß übersetzt: „Vor weniger als einem Jahr habe ich noch vollständig von Hand programmiert.“

Drei Ursachen nennt er für die unterschiedlichen Erfahrungen: die Größe der gestellten Aufgaben, der Zugangslevel zu den Modellen und das Anwendungsfeld. Sprachmodelle glänzen dort, wo Ergebnisse prüfbar sind – Code und Mathematik –, weil sich dort belastbare Belohnungen für verstärkendes Lernen berechnen lassen. Zugleich sind Programmieraufträge wirtschaftlich wertvoll, sodassLabore ihre Ressourcen dorthin lenken. Als ähnliche Größenordnung führt das Portal Brief IA eine Aussage von OpenAI-Chef Sam Altman Anfang September beim G20-Innovationsministerium an: ein aktuelles KI-Codierwerkzeug erledige in 17 Minuten, was ein Start-up in drei Monaten gebaut habe.

Was noch unklar ist

Die Zahlen sind Karpathys eigene Schätzung, wie er selbst sagt. Sie sind von außen nicht überprüfbar, kein Labor und kein Sicherheitsforscher bestätigt sie, und welche konkreten internen Systeme er sieht, nennt er nicht. Die Quellen sind sich zudem über seine Rolle uneinig: Numerama und Brief IA führen ihn bei Anthropic, BigGo Finance beschreibt ihn als frühes OpenAI-Mitglied. Numerama weist außerdem darauf hin, dass er für eines der Labore arbeitet, über dessen Werkzeuge er schreibt – Einschätzungen von Sicherheitsbehörden, Regulierern und Öffentlichkeit könnten deshalb auseinanderlaufen.