Gartner: Unternehmens-KI läuft erstmal ohne Quanten

Das Marktforschungsunternehmen Gartner sieht keinen Beleg für einen echten Quantenvorteil bei produktiven KI-Anwendungen und rät Unternehmen, Budgets für Quantencomputing und KI strikt zu trennen.

Wer glaubt, Quantencomputer würden in absehbarer Zeit klassische GPUs und TPUs beim Training oder Betrieb von KI-Modellen ablösen, dürfte enttäuscht werden. Das Marktforschungsunternehmen Gartner geht davon aus, dass bis mindestens 2028 keine produktive KI-Anwendung in nennenswertem Umfang auf Quantenhardware laufen wird. Klassische, beschleunigte KI-Systeme sollen laut der aktuellen Prognose in sämtlichen relevanten Produktions-Benchmarks weiterhin die Nase vorn haben.

Chirag Dekate, Vizepräsident und Analyst bei Gartner, wird deutlich: „Echtes Quantencomputing ist für keine produktive KI-Anwendung einsatzbereit und wird es aller Voraussicht nach auch für den Rest dieses Jahrzehnts nicht sein.“ Zudem gebe es, so Dekate, kein einziges peer-reviewtes Ergebnis, das einen tatsächlichen Quantenvorteil bei einer produktiven KI-Workload nachweise. Wenn Anbieter mit „Quanten-KI“ werben, handele es sich in der Praxis fast immer um hybride oder quanteninspirierte Verfahren, nicht um genuine Quantenberechnung im Unternehmensmaßstab.

Vier Baustellen bis zur Praxistauglichkeit

Damit Quantenhardware überhaupt messbare Vorteile bei Leistung oder Kosten für KI-Workloads liefern könnte, müssten laut Gartner gleich vier Bereiche gleichzeitig reifen: die Hardware selbst, die Fehlerkorrektur, die Middleware sowie die eingesetzten Algorithmen. Fehlt einer dieser Bausteine, bleibt fehlertolerantes Quantencomputing nach Einschätzung der Analysten Forschungsthema statt Produktionswerkzeug.

Drei Begriffe, die oft durcheinandergeworfen werden

Gartner unterscheidet in seiner Analyse drei Kategorien, die in der öffentlichen Debatte häufig vermischt werden:

Klassische KI: Deep-Learning-Modelle, Transformer und Reinforcement Learning, die vollständig auf CPUs, GPUs oder TPUs laufen und schon heute nachweisbaren Geschäftsnutzen liefern.

Quanteninspirierte KI: Klassische Algorithmen, die Konzepte aus der Quantenmechanik übernehmen, etwa Annealing, Tensornetzwerke oder Amplitudenkodierung, aber komplett auf konventioneller Hardware laufen. Diese Verfahren bringen laut Gartner bereits heute Nutzen bei Optimierung, Simulation und Sampling, ganz ohne Quantenhardware.

Hybride Quanten-Klassik-Verfahren: Experimentelle Workflows, bei denen kleine Quantenschaltkreise mit klassischen KI- oder HPC-Systemen zusammenspielen. Diese Ansätze dienen laut Gartner der Forschung und herstellergestützten Pilotprojekten, nicht dem Produktivbetrieb.

Gartner warnt vor Budget-Ablenkung

Die Analysten beobachten, dass der Marketingdruck rund um angebliche Quanten-KI-Konvergenz zunimmt. Vorstände, die fürchten, den „Quantentrend“ zu verpassen, liefen Gefahr, KI-Budget in Forschung und Entwicklung umzuleiten, die vor 2030 keinen Ertrag bringen könne. Entsprechend die Prognose: Fehlertolerantes Quantencomputing bleibt für KI-Zwecke bis mindestens 2030 im Forschungsstadium, schlicht weil die Zahl verfügbarer logischer Qubits nicht ausreicht, um wirtschaftlich sinnvolle Ende-zu-Ende-KI-Algorithmen zu betreiben.

Getrennte Budgets, getrennte Zeithorizonte

Der Rat von Gartner an CIOs: Quanten-Forschungsbudget und Budget für produktive KI-Infrastruktur sollten strikt getrennt bleiben. Beide Bereiche hätten grundverschiedene Zeithorizonte, eine unterschiedliche Kostenstruktur und unterschiedliche Governance-Anforderungen. Generative KI liefere messbaren Mehrwert (etwa bei Durchlaufzeit, Genauigkeit oder Automatisierungsgrad) innerhalb von 12 bis 18 Monaten. Quanten-KI dagegen habe bislang bei keiner einzigen produktiven Anwendung einen messbaren Wert erzeugt, und das werde sich absehbar auch nicht ändern.

Dekate bringt es so auf den Punkt: „Die Vermischung beider Budgets verwässert die Erfolgskontrolle für beide Bereiche und erlaubt es, dass reine Quanten-Optionalität wichtige, produktive KI-Fähigkeiten verdrängt.“ Weiter führt er aus: „CIOs setzen generative KI, agentenbasierte KI, Cybersicherheit und Cloud beständig unter die Top-Ausgabenkategorien. Quantencomputing taucht auf den Listen der wichtigsten Investitionsprioritäten nicht auf.“ Wer dennoch in Quantenprojekte investiere, tue dies laut Dekate mit deutlich geringeren Budgets als bei generativer KI und verlange dabei in der Regel keinen kurzfristigen Return on Investment.

Gartners Praxisempfehlungen

Für Unternehmen, die dennoch mit Quantenangeboten arbeiten wollen, hat Gartner drei konkrete Empfehlungen:

Auf quanteninspirierte Verfahren statt echter Quantenhardware setzen: Klassische, quanteninspirierte Algorithmen ließen sich direkt in die bestehende GPU-Infrastruktur integrieren. Bei Optimierung, generativer KI, linearer Algebra, Graphenanalyse und Reinforcement Learning brächten diese Ansätze ähnliche Vorteile wie echtes Quantencomputing, ohne dessen Kosten, Komplexität und Unreife.

Klare Abbruchkriterien für Piloten definieren: Jedes Quanten-Pilotprojekt sollte von Anfang an mit definierten Erfolgskennzahlen, einem klassischen Vergleichs-Benchmark und festen Abbruchbedingungen starten. So lasse sich verhindern, dass offene Experimente unbegrenzt Budget verschlingen, ohne messbaren Nutzen zu liefern. Reine Anbieter-Showeffekte sollten Unternehmen konsequent ablehnen.

Die richtigen Fortschrittsindikatoren verfolgen: Entscheidend sei nicht die Zahl physischer Qubits, sondern die Verfügbarkeit logischer Qubits mit praktikablen Fehlerraten. Fortschritte bei Fehlerkorrektur, KI-gestützter Kalibrierung und Quantensteuerung seien für den Unternehmenswert relevanter als Schlagzeilen über immer größere Quantenprozessoren.

Fazit

Gartners Botschaft an IT-Entscheider ist unmissverständlich: Wer heute produktive KI-Vorteile erwarten will, findet sie auf klassischer, GPU-beschleunigter Infrastruktur, nicht auf Quantenhardware. Wer sich dennoch mit Quantencomputing beschäftigt, sollte dies als eigenständiges, langfristiges Forschungsfeld begreifen

(red)