Full-Stack AI
Full-Stack AI bezeichnet Unternehmen, die alle Ebenen der künstlichen Intelligenz selbst kontrollieren: von den Chips über die Rechenzentren bis zur fertigen App für Kunden. Der Begriff beschreibt also nicht eine Technik, sondern eine Geschäftsstrategie.
Damit ein Programm wie ChatGPT antworten kann, müssen viele Ebenen zusammenspielen. Ganz unten stehen spezielle Rechenchips, darüber große Rechenzentren, dann die Software, die daraus ein lernendes System macht. Ganz oben sitzt die App, die ein Nutzer schließlich bedient. Normalerweise teilen sich verschiedene Firmen diese Ebenen untereinander auf. Full-Stack AI heißt: Ein einziges Unternehmen deckt möglichst viele dieser Ebenen selbst ab. Der Ausdruck stammt aus der Softwarewelt, wo „Stack“ den Stapel aller beteiligten Technikschichten meint.
Was Kontrolle über den ganzen Stapel wert ist
Wer nur eine Ebene besetzt, ist von allen anderen abhängig. Ein Start-up, das nur eine App baut, mietet Rechenleistung bei einem Cloud-Anbieter und nutzt fremde KI-Modelle. Steigen dort die Preise, sinkt sofort der eigene Gewinn. Ändert der Modellanbieter seine Regeln, kann das ganze Produkt über Nacht unbrauchbar werden.
Wer dagegen mehrere Ebenen besitzt, verdient an jeder davon. Ein Kunde zahlt für die App, und das Geld bleibt im Haus, statt an Zulieferer weiterzuwandern. Außerdem lassen sich die Ebenen aufeinander abstimmen. Wenn dieselbe Firma Chip und Software entwirft, kann sie beides so bauen, dass es besonders gut zusammenpasst. Genau damit begründet Apple seit Jahren seine eigenen Prozessoren.
Es gibt aber auch ein Gegenargument. Jede zusätzliche Ebene kostet enorm viel Kapital und Fachpersonal. Eine eigene Chipfertigung aufzubauen ist ein Milliardenprojekt über viele Jahre. Kleinere Firmen fahren deshalb oft besser, wenn sie eine Sache richtig gut machen und den Rest einkaufen.
Die Ebenen des Stapels von unten nach oben
Die unterste Ebene sind die Chips, meist Grafikprozessoren, kurz GPUs. Das sind Recheneinheiten, die sehr viele einfache Rechenschritte gleichzeitig erledigen können. Genau das braucht KI. Darüber liegt die Infrastruktur: Rechenzentren mit Strom, Kühlung und schnellen Netzwerken zwischen den Maschinen.
Die nächste Ebene ist das Modell selbst. Ein Modell ist ein Programm, das aus riesigen Datenmengen Muster gelernt hat und daraus Antworten erzeugt. Es entsteht im Training, einem einmaligen Lernvorgang, der Wochen dauern kann. Auf der obersten Ebene sitzt die Anwendung, also der Chatbot, die Suchfunktion oder das Assistenzsystem im Auto.
Ein Full-Stack-Anbieter besetzt idealerweise alle vier Ebenen. In der Praxis gelingt das kaum jemandem vollständig. Die meisten Firmen decken zwei oder drei Ebenen ab und kaufen den Rest zu. Der Begriff beschreibt daher eher eine Richtung als einen erreichten Zustand.
Welche Konzerne dem Ideal am nächsten kommen
Google gilt als das beste Beispiel. Der Konzern entwickelt eigene KI-Chips, betreibt eigene Rechenzentren, baut die Modelle der Gemini-Reihe und liefert sie in Suche, Android und Gmail an Endkunden aus. Nvidia arbeitet von der anderen Seite her: bekannt als Chiphersteller, verkauft die Firma inzwischen auch komplette Serverschränke und Software dazu.
In Börsennachrichten taucht der Begriff auf, wenn es um Abhängigkeiten geht. Analysten fragen dann, wie viel Gewinn eine Firma an ihre Zulieferer abgeben muss. Ein häufiger Denkfehler ist, Full-Stack AI für ein Qualitätssiegel zu halten. Es sagt nichts darüber aus, wie gut ein Produkt ist, sondern nur, wem die Technik dahinter gehört.
Für dich als Nutzer ist der Unterschied selten sichtbar. Er zeigt sich indirekt: über Preise, über die Frage, wo deine Daten verarbeitet werden, und darüber, wie schnell neue Funktionen erscheinen. Wer den ganzen Stapel kontrolliert, kann Änderungen ohne Absprache mit Partnern durchziehen.
