100 Millionen KI-Agenten und die Physik, die niemand erwähnt

Ersetzungs-Timeline 18 Monate. Infrastruktur-Timeline 7 Jahre. Beide Aussagen stammen von denselben CEOs, nur auf verschiedenen Calls. Eine davon basiert auf Engineering, die andere auf Marketing. Die Physik zeigt, welche welche ist.

Key Takeaways (TL;DR)

• Leistungsbilanz vor Prognose: Bevor du eine KI-Ersetzungsbehauptung glaubst, rechne: Anzahl Agenten mal Watt pro Agent. Wenn die Erzeugung nicht reicht, ist die Behauptung falsch.
• Infrastruktur prüfen, nicht Pressemitteilungen: Beobachte Netzanschluss-Warteschlangen, Turbinenbestellbücher und Wassergenehmigungen statt Podcast-Auftritte.
• Jevons-Effekt einkalkulieren: Billigere KI erzeugt mehr Nachfrage, nicht weniger Arbeit. Effizienzgewinne werden durch Wachstum aufgefressen.
• Incentives hinterfragen: CEOs profitieren direkt von der Angst, die ihre Prognosen auslösen. Das Narrativ ist die Bewertung.

Basiert auf “100 Million AI Agents vs Physics” von Atom. Das Original findest du hier: https://www.youtube.com/watch?v=sQGZXrzykpU

Ein KI-Agent ist kein Download, sondern eine Wattzahl

Die rund 100 Millionen White-Collar-Arbeiter in den USA sollen laut Dario Amodei, Sam Altman und Mark Zuckerberg in 12 bis 18 Monaten durch KI-Agenten ersetzt werden. Nicht unterstützt, sondern ersetzt: Always-on-Systeme, die persistente, kontextreiche Aufgaben den ganzen Tag übernehmen.

Atom ist Verfahrenstechnik-Ingenieur mit Erfahrung im Energiesektor (Gasturbinen, Wärmetauscher, Kühlkreisläufe) und hat in Nachhaltigkeit und Energiezugang promoviert. Für ihn ist eine Behauptung über 100 Millionen Arbeitsplätze keine Jobprognose, sondern eine Behauptung über Kraftwerke, Kühlsysteme und Netzanschlüsse.

Jeder dieser Agenten braucht etwa 700 Watt GPU-Leistung. 100 Millionen davon ergeben 70 GW, allein für die Chips. Das installierte Erzeugungskapazität des gesamten Vereinigten Königreichs liegt bei 76 GW. Die Ersetzung der US-White-Collar-Jobs bräuchte also fast ein ganzes Großbritannien an neuer Stromerzeugung, bevor auch nur ein Server gekühlt wird.

Die Leistungsbilanz als Schnelltest

Der Kern des Arguments ist ein Werkzeug, das jeder selbst anwenden kann. Wenn jemand behauptet, KI werde X Millionen Arbeitsplätze bis Datum Y ersetzen, gibt es vier Fragen:

1. Wie viele Watt braucht diese Zukunft?
2. Wie viele Watt existieren heute?
3. Kann die Differenz im angegebenen Zeitraum erzeugt werden?
4. Kann sie gekühlt werden?

Scheitert eine dieser vier Fragen, ist die Behauptung physikalisch unmöglich. Keine Frage von Modellqualität, Benchmarks oder Prompt-Engineering. Thermodynamik.

Wand 1: Erzeugung und Lieferung

70 GW nur für die Chips. Mit einem Kühlungs-Overhead von 30 bis 50 Prozent landet man bei 90 bis 105 GW Dauerleistung. Für die Rechnung: 100 GW, runde Zahl.

Die gesamte US-Rechenzentrumsflotte zieht im Schnitt etwa 20 GW. Das sind rund 4,5 Prozent des gesamten US-Stromverbrauchs. 100 Millionen Agenten bedeuten das Drei- bis Fünffache dieser bestehenden Flotte, noch bevor ein einziges neues Krankenhaus, eine Schule oder eine Wohnsiedlung angeschlossen wird.

Das Department of Energy und Berkeley Labs prognostizieren für 2028 zwischen 325 und 580 Terawattstunden für Rechenzentren. Selbst am oberen Ende dieser Spanne (66 GW Durchschnitt) liegt das unter den 70 GW, die allein die Agenten bräuchten.

Wo soll die Leistung herkommen? Gasturbinen, die schnellste konventionelle Option, haben Lieferzeiten von 5 bis 7 Jahren. Nur die Turbine, ohne Genehmigung, Standort oder Netzanschluss. Der Preis pro Kilowatt ist in sechs Monaten um rund 50 Prozent gestiegen, von 2.000 auf 3.000 US-Dollar. Kernkraft: 10 bis 15 Jahre für Neubauten. Erneuerbare: schneller gebaut, aber abhängig von Speicher und Übertragung.

Die US-Netzanschluss-Warteschlange umfasst 2,6 Terawatt an Projekten, die auf Genehmigung warten. Die mediane Dauer von Antrag bis Einspeisung liegt bei 5 Jahren und steigt.

Und die Behind-the-Meter-Lösung? XAI in Memphis betreibt 1,5 GW private Gasturbinen netzunabhängig. Microsoft macht Ähnliches in West Virginia. Aber die Gesamtkapazität solcher Anlagen liegt Mitte 2026 bei rund 2 GW. Das Szenario braucht 100.

„The gas turbines that they need to power all of this is a 5 to 7-year wait. The grid connection that they need for this power, it’s a queue that doesn’t clear until the 2030s.”

Wand 2: Kühlung und Thermodynamik

Selbst wenn morgen 100 GW Strom verfügbar wären: Jedes Watt, das in einen GPU fließt, kommt als Wärme wieder heraus. Erster Hauptsatz der Thermodynamik, keine Verhandlungssache. 100 GW Rechenleistung erzeugen 100 GW Abwärme.

Typische Rechenzentrumskühlungen arbeiten mit einem COP (Coefficient of Performance) von 3 bis 4: Für drei bis vier entfernte Watt Wärme braucht man ein Watt Strom. Das ergibt weitere 33 GW allein für die Kühlung, insgesamt 133 GW.

Dieser COP gilt unter Standardbedingungen. In Arizona bei 45 °C Außentemperatur fällt er um 30 bis 40 Prozent. Der Kühlungs-Overhead wächst auf fast 50 GW, weil ein Feedback-Loop entsteht: Mehr Kühlleistung erzeugt mehr Abwärme, die wiederum gekühlt werden muss.

Die Branche arbeitet an Direct-to-Chip Liquid Cooling. Das verschiebt die Wärme effizienter, eliminiert sie aber nicht. Abgeführt werden muss sie trotzdem: über Kühltürme, Flüsse oder Verdunstung.

Forscher der UC Riverside und des Caltech schätzen den Mehrbedarf auf 700 Millionen bis 1,5 Milliarden Gallonen Wasser pro Tag bis 2030. Das obere Ende entspricht dem täglichen Wasserverbrauch von New York City.

Die Rechnung geht an dich

In Virginia hat die State Corporation Commission eine Strompreiserhöhung von Dominion Energy genehmigt: rund 16 US-Dollar pro Monat auf der Privatkundenrechnung, ab 2026. Das ist keine gewählte Steuer, sondern Infrastrukturkosten für KI-Unternehmen, die direkt an den Verbraucher weitergereicht werden. Virginias Rechenzentrumsboom treibt auch die Strompreise in West Virginia nach oben.

Rund 120 Milliarden US-Dollar an SPV-Schulden (Special Purpose Vehicles) finanzieren den Ausbau. Diese Schulden werden in Tranchen geschnitten und in Fonds verkauft, darunter Pensionsfonds und 401(k)-Konten. Oracle sieht sich aktuell einer Wertpapier-Sammelklage über eine 18-Milliarden-Dollar-Anleihe gegenüber, die an KI-Infrastruktur gebunden ist. Wenn die KI-Nachfrage hinter dem Hype zurückbleibt, werden Teile dieser Infrastruktur zu Stranded Assets. Die Korrektur trifft dann Rentenrenditen.

Zwei ökonomische Denkfehler hinter dem Narrativ

Selbst wenn alle physikalischen Grenzen morgen verschwänden, bleibt das ökonomische Modell falsch.

Lump of Labor Fallacy. Die Annahme, es gebe eine feste Menge Arbeit. Maschinen nehmen ein Stück, Menschen behalten den Rest. In 200 Jahren hat sich dieses Modell kein einziges Mal bestätigt. ATMs machten Filialen billiger, billigere Filialen führten zu mehr Filialen, die Zahl der Bankangestellten stieg zwei Jahrzehnte lang. Der Rückgang kam erst ab 2007, durch Online-Banking, nicht durch ATMs.

Jevons-Paradoxon. William Stanley Jevons entdeckte 1865, dass effizientere Dampfmaschinen den Gesamtkohleverbrauch erhöhten, nicht senkten. Effizienz machte Dampfkraft billiger, billigere Dampfkraft erschloss neue Anwendungen, neue Anwendungen verbrauchten mehr Kohle. Genau das passiert mit KI: Wenn Finanzanalyse fünf Mal billiger wird, laufen zehn Mal mehr Analysen. Eine Untersuchung von DeepSeeks Reasoning-Modell zeigte, dass es pro Prompt mehrfach mehr Energie verbrauchte als ein Konkurrenzmodell, obwohl es billiger war. Der niedrigere Preis trieb einfach mehr Nutzung und mehr Gesamtverbrauch.

Anthropics eigene Daten widersprechen der CEO-These

Anthropic veröffentlichte im März 2026 Forschungsdaten, die das stärkste Gegenargument liefern. Die theoretische KI-Fähigkeit für Computer- und Mathematik-Jobs liegt bei 94 Prozent der Aufgaben. Die tatsächliche Nutzung in professionellen Umgebungen, gemessen an realen Cloud-Daten, liegt bei 33 Prozent. Für alle anderen Berufskategorien darunter.

Anthropics eigene Forscher Masanov und Mari untersuchten die Arbeitsmarktdaten der am stärksten KI-exponierten Berufe. Das Ergebnis nach über zwei Jahren: KI hat die Arbeitslosigkeit in diesen Berufen nicht erhöht. Der Effekt war „indistinguishable from zero”. Dario Amodeis eigenes Forschungsteam widerspricht seiner CEO-Erzählung im selben Jahr.

MITs Project NANDA fand, dass 95 Prozent der Enterprise-GenAI-Deployments keinen messbaren ROI zeigen. 30 bis 40 Milliarden US-Dollar investiert, 5 Prozent erreichen Produktion.

Das einzige reale Signal: Die Einstellung von 22- bis 25-Jährigen hat sich in den am stärksten KI-exponierten Berufen verlangsamt. Tech-Einstiegsstellen sind 2025 um 30 bis 50 Prozent zurückgegangen. Rund 55.000 US-Entlassungen wurden KI zugeschrieben. Das ist real und verdient Aufmerksamkeit. Aber „Einstiegspositionen sind schwieriger geworden” ist eine fundamental andere Behauptung als „alle White-Collar-Jobs verschwinden in 18 Monaten”.

Das Narrativ als Produkt

Die Frage, warum smarte CEOs mit Armeen von Ingenieuren eine physikalisch unmögliche Timeline kommunizieren, hat vier Antworten:

1. Angst finanziert den Capex. Je bedrohlicher KI klingt, desto mehr Kapital fließt. Eine Milliarde für Anthropic, Dutzende Milliarden für die Hyperscaler. Niemand schreibt solche Schecks für ein Tool, das „ganz hilfreich” ist.
2. KI deckt geplante Entlassungen. „KI kann den Job jetzt” ist eine bessere Schlagzeile als „Wir haben im Pandemie-Boom zu viele Leute eingestellt und entlassen jetzt zum Margenschutz.”
3. Angst drückt Gehälter. Wer glaubt, sein gesamtes Berufsfeld verschwinde, verhandelt nicht über eine Gehaltserhöhung. Die Drohung der Ersetzung ist billiger als die Ersetzung selbst.
4. Angst hebt den Multiple. KI-Bewertungen basieren auf der Erwartung transformativer Verdrängung. Je mehr Jobs KI angeblich eliminiert, desto größer der Total Addressable Market, desto höher der Multiple, desto reicher die Gründer.

3 Schritte, um KI-Ersetzungsbehauptungen selbst zu prüfen

1. Wattzahl berechnen: Nimm die behauptete Anzahl ersetzter Arbeitsplätze, multipliziere mit 700 Watt pro Agent, rechne 30 bis 50 Prozent Kühlungs-Overhead drauf. Vergleiche das Ergebnis mit der aktuellen US-Rechenzentrumskapazität von 20 GW.
2. Infrastruktur-Timelines prüfen: Gasturbinen-Lieferzeiten (aktuell 5 bis 7 Jahre), Netzanschluss-Warteschlange (Median 5 Jahre), Wasser-Genehmigungen. Wenn die Behauptungs-Timeline kürzer ist als die kürzeste dieser Zeiten, ist sie physikalisch nicht haltbar.
3. Incentive-Check: Wem nützt die Behauptung finanziell? Steigt durch die Angst die Bewertung, der Kapitalzufluss, die Verhandlungsmacht gegenüber Mitarbeitern? Wenn ja, liegt das Motiv für die Übertreibung offen.

KI verändert, wie gearbeitet wird. Das bestreitet niemand. Aber die 18-Monats-Ersetzungsstory löst sich in dem Moment auf, in dem man fragt, woher der Strom kommt und wann er eintrifft.