Nobody gets this right — warum die Kritik „KI-Modelle sind keine World Models" strukturell falsch ist
Es gibt eine Behauptung, die aktuell auf jedem KI-kritischen Twitter-Feed, in jedem Feuilleton und in jedem „warte-noch-ab"-Meeting im deutschen Mittelstand auftaucht: KI-Modelle sind keine World Models, die Welt ist ja nicht aus Worten gemacht, das ganze aktuelle KI-Zeug ist nur ein Zwischenschritt bis die richtigen World Models kommen. Klingt smart. Klingt kritisch. Klingt so, als wüsste der, der es sagt, worum es geht.
Dave Shapiro — einer der US-Analysten, der seit Jahren über Modell-Architekturen und Cognitive Architectures schreibt — hat vor Kurzem einen Rant dazu gemacht mit dem Titel „Nobody gets this right". Er zerlegt diese Behauptung Argument für Argument. Und wenn du als Inhaber gerade zauderst, ob du in KI investieren sollst oder auf die „echte" nächste Generation warten sollst, ist das genau der Take, der dir die Entscheidung erleichtert.
Die Ausgangsfrage — was sind World Models überhaupt
Shapiros Ausgangspunkt ist die Beobachtung, dass die Frage „Sind Sprachmodelle World Models" eigentlich eine Frage nach Grad ist, nicht nach Ja-oder-Nein. Es gibt Studien, die zeigen, dass Sprachmodelle bereits vor der Multimodalität eine ungefähre mentale Karte hatten, wo Dinge im Raum sind. Nicht perfekt, aber vorhanden.
Also ist die richtige Frage nicht „ist es ein World Model, ja oder nein", sondern „wie viel World Model ist da drin und wie schnell wird es mehr".
Die populäre Formulierung lautet: die Welt ist nicht aus Worten gemacht. Shapiros Konter darauf ist erhellend — die Welt ist aus Mathematik gemacht. Und Sprachmodelle werden gerade richtig gut in Mathematik. Wenn eine KI eine intuitive Erfassung von Geometrie und Physik hat, dann hat sie ein World Model. Das ist keine philosophische Spitzfindigkeit — das ist die Standard-Antwort jedes Physikers, wenn du ihn fragst, was die Welt im Kern ist.
Die Tier-Analogie, die niemand macht
Bevor er in die technische Zerlegung geht, baut Shapiro eine Beobachtung ein, die sitzt. Es gibt biologische Systeme, die überragende physische World Models haben. Vögel haben präzise Proprio-Wahrnehmung. Deine Katze und dein Hund haben unglaubliche visuo-motorische Intelligenz. Affen bewegen sich durch drei Dimensionen mit einer Eleganz, die kein Roboter bisher schafft.
Und trotzdem sind sie nicht generell intelligent in einem Sinn, der uns wirtschaftlich oder wissenschaftlich weiterhilft.
Anders gesagt: exzellente sensorisch-motorische Weltmodellierung ist nicht dasselbe wie nützliche Intelligenz. Die eigentlich wertschöpfende Intelligenz sitzt in abstrakter Mathematik — dort, wo Physik und Biophysik und Ingenieurwesen wirklich passieren. Und die aktuellen Modelle sind genau in diesem abstrakten Feld auf einem Level, das sich Menschen vor zwei Jahren nicht vorstellen konnten.
Die 5 Standard-Behauptungen zerlegt
Jetzt kommt der Kern-Rant. Shapiro nimmt einen typischen Tweet, der die „Welt ist nicht aus Worten"-Position zusammenfasst, und geht die einzelnen Behauptungen durch.
Behauptung 1: Große Sprachmodelle sagen nur das nächste Wort voraus, sie sind auf Text trainiert. Shapiro: Das war Stand ChatGPT-3.5 vor über zwei Jahren. Aktuelle Modelle sind Omni-Modelle — das O in GPT-4o stand exakt dafür. Sie werden auf Text, Audio, Video und Bilder trainiert. Der Begriff LLM ist strukturell veraltet.
Behauptung 2: Die Welt ist aus kontinuierlichen Sensordaten gemacht, und die meisten davon sind unvorhersagbar. Shapiro: Erste Hälfte nur teilweise wahr. Zweite Hälfte schlicht falsch. Wenn die physische Welt unvorhersagbar wäre, könnten Fledermäuse keine Insekten im Flug fangen und Delfine keine Kunststücke aus dem Wasser springen. Physik ist per Definition vorhersagbar, sonst gäbe es keine Physik.
Behauptung 3: Du kannst nicht jeden Pixel in einem Video vorhersagen so wie du das nächste Token vorhersagst. Shapiro: Faktisch falsch. Alles wird tokenisiert. Du kannst Pixel oder Frames sehr ähnlich vorhersagen wie ein Token in einem Satz. Und die aktuellen generativen Video-Modelle beweisen es.
Behauptung 4: Richtige World Models arbeiten in komprimierten abstrakten Räumen, so wie es Yann LeCuns JEPA-Ansatz macht. Shapiros Konter ist subtil: Die Repräsentation ist egal. Vorhersage ist Vorhersage. Und wenn du die Welt zuverlässig vorhersagen kannst, dann hast du per Definition eine abstrakte Repräsentation — denn genau so funktioniert Wissenschaft. Eine wissenschaftliche Theorie IST eine abstrakte Repräsentation, die messbare Vorhersagen macht.
Behauptung 5: Nur echte World Models können ohne Halluzinieren in der physischen Welt operieren, Roboter mit mehrstufigen Aktionen zum Beispiel. Shapiro: Vision Language Action Modelle existieren bereits. Nicht identisch mit reinen Sprachmodellen, aber im Kern dieselbe Tokenisierungs-Logik.
Der Kategorienfehler
Wo Shapiro besonders scharf wird, ist beim Argument „Ohne World Models kannst du keine Medizingeräte steuern oder Kraftwerke betreiben". Er nennt das einen Kategorienfehler.
Denn wenn du in einem Chemiewerk oder Kraftwerk arbeitest, entscheidet ein KI-Modell niemals allein. Es gibt Layer über Layer von Sicherheits-Checks, Tests, Verifizierungs-Prozesse. Ein Sprachmodell wäre dort vielleicht dafür zuständig, Code zu schreiben oder eine Entscheidung vorzubereiten, aber nicht dafür, allein die Turbine hochzufahren.
Diese Dinge zusammen in einen Topf zu werfen ist rhetorisch unaufrichtig — als würde man sagen „siehst du, ChatGPT kann auch kein Auto fahren, also ist es unsinnig".
Cognitive Architectures sind alt — nicht neu
Der Punkt, der bei Shapiro am stärksten sitzt: die Idee, eine Vielzahl verschiedener Datenströme und Modelle in einer Architektur zu vereinen, ist keine JEPA-Neuerfindung. Das nennt sich Cognitive Architectures und geht zurück bis in die 1970er.
NASA hat das zuerst gebraucht für autonome Raketen. Weil Raketen zu schnell fliegen, als dass Menschen reagieren könnten. Also braucht man ein System, das autonom Hunderte von Sensor-Signalen integriert und eine Entscheidung trifft. Genau darauf basiert Shapiros eigenes ACE Framework, das er vor Jahren aufgebaut hat.
Die Behauptung, dass moderne KI-Skeptiker etwas Neues entdeckt haben, wenn sie sagen „man muss verschiedene Signale integrieren", ist historisch schlicht daneben. Und Shapiros Prognose: 2027 oder 2028 wird das, was er einen echten Omni-Modell nennt, konvergieren — Sprache, Mathematik, Code, abstrakte Repräsentation auf einer Seite, sensorisch-motorische Rückkopplung auf der anderen.
Was das für dich als Inhaber heißt
Drei Konsequenzen, ganz konkret:
Erstens: Wenn du gerade zauderst, ob du in KI investieren sollst, weil du irgendwo gelesen hast „aktuelle Modelle sind ja gar nicht die richtigen", dann ist das größtenteils Argumentations-Marketing von Leuten, die auf ihre eigene Architektur wetten. Die Modelle, die du heute in dein Unternehmen bringen kannst — GPT-Klasse, Claude-Klasse, Gemini-Klasse — haben bereits mehr abstrakte Weltmodellierung eingebaut, als du in den nächsten drei Jahren ausreizen wirst.
Zweitens: Wenn du bei einem konkreten Use-Case wie Angeboten oder Reporting an einer Grenze anstößt, liegt das fast nie am fehlenden World Model, sondern am fehlenden Kontext, den du dem Modell mitgibst. Der Hebel liegt bei dir, nicht bei der nächsten Modell-Generation. Genau dieses Prinzip ist im Artikel Warum die meisten Inhaber KI falsch denken durchgespielt.
Drittens: Die Konvergenz auf Omni-Modelle in den nächsten zwei bis drei Jahren wird die aktuellen Systeme nicht ersetzen, sondern erweitern. Dein Setup verpufft nicht — es wird stärker.
Der größte Denkfehler
Der größte Denkfehler, den ich am häufigsten höre: „Ich warte auf die richtigen Modelle, die aktuellen sind ja nur ein Zwischenschritt."
Falsch. Die aktuellen Modelle sind das Fundament, auf dem alles Weitere aufbaut. Wer sie heute produktiv einsetzt, baut Prozess-Wissen auf, das mit jedem Modell-Update stärker wird. Wer wartet, verliert genau diese Aufbau-Zeit. In fünf Jahren ist die Kluft zwischen den Firmen, die JETZT anfangen, und denen, die warten, so groß, dass Aufholen strukturell unmöglich wird.
Häufige Fragen
Ist Yann LeCuns JEPA-Ansatz denn völlig irrelevant?
Nein — nur nicht die Revolution, als die er verkauft wird. JEPA ist eine spezifische Architektur, die in manchen Kontexten Vorteile hat. Aber dass „nur JEPA World Models kann" ist marketing, nicht Wissenschaft. Sprachmodelle sind längst multimodal und lernen abstrakte Repräsentationen.
Was bedeutet das für meine Investitions-Entscheidung heute?
Wenn du auf die „nächste Generation" wartest, wartest du auf einen Zug, der bereits durch den Bahnhof fährt. Fang mit den Modellen an, die JETZT verfügbar sind — sie sind für 90 Prozent deiner Anwendungsfälle mehr als ausreichend.
Wie unterscheide ich echte Kritik von Marketing-Rhetorik?
Frag: „Basiert diese Kritik auf einer aktuellen Modell-Generation oder auf einem 2023er-Wissensstand?" Die meisten „KI-kann-nicht"-Argumente beziehen sich auf GPT-3.5-Ära-Modelle. Alles, was aktuell verfügbar ist, hat diese Kritik bereits eingeholt.
Wie gehe ich weiter?
Wenn du strategisch angehen willst, welche Prozesse bei dir zuerst automatisiert gehören, ist ein KI-Potenzial-Check der schnellste Weg — fünfzehn Minuten, keine Verkaufs-Show.