Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch13. Mai 2026 · Q006561

The economics of superstar AI researchers

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Beitrag führt große Gehaltsunterschiede in der KI-Forschung teilweise auf den „Superstar-Effekt“ zurück: Kleine Qualitätsvorsprünge können viel wert sein, wenn ihre Wirkung sehr viele Nutzer erreicht und sich nicht einfach durch mehr Forschende ersetzen lässt. Die Gehaltswerte sind grobe Schätzungen, und der Autor betont, dass Forschungsqualität schwer zu messen ist; hohe Vergütung beweist daher keinen gleich großen Qualitätsabstand.

Mittel

Anson Ho erklärt in seinem Beitrag, warum Spitzenkräfte in KI-Laboren sehr viel mehr verdienen könnten als andere Forschende, ohne notwendigerweise um denselben Faktor besser zu sein. Er führt den ökonomischen „Superstar-Effekt“ an: Kleine Qualitätsunterschiede können große Einkommensabstände erzeugen, wenn eine Leistung sehr viele Menschen erreicht und zusätzliche, weniger herausragende Arbeitskräfte den Qualitätsvorsprung nicht ausgleichen können. KI-Forschung erfülle nach seiner Einschätzung beide Bedingungen: Modelle können weltweit genutzt werden, während Rechenkapazität die Zahl großer Experimente begrenzt und gute Urteile darüber, welche Versuche sich lohnen, schwer zu ersetzen sind.

Der Beitrag ergänzt, dass der Wettbewerb zwischen Laboren hohe Gehälter weiter antreiben könne. Außerdem hätten Spitzenforschende möglicherweise wertvolles, nicht veröffentlichtes Wissen und übernähmen Führungsaufgaben. Die Gehaltsangaben und Vergleiche sind grobe Schätzungen aus unterschiedlichen Quellen. Ho betont, dass Forschungsqualität schwer messbar ist und bestehende Tests große, koordinationsintensive Projekte nur begrenzt abbilden. Deshalb belegen hohe Gehälter für sich genommen keine entsprechend großen Qualitätsunterschiede. Die Erwartung, der Effekt werde durch stärkere KI-Nutzung und KI-Agenten künftig zunehmen, ist eine Einschätzung des Autors.

Ausführlich lesen

Der Beitrag von Anson Ho behandelt die großen Einkommensunterschiede unter KI-Forschenden. Er stellt als grobe Größenordnungen dar, dass Spitzenkräfte in führenden KI-Laboren mehr als zehnmal so viel wie viele ihrer Kollegen und möglicherweise über hundertmal so viel wie durchschnittliche Postdoktoranden verdienen. Die zugrunde liegenden Vergütungswerte sind Schätzungen aus unterschiedlichen Quellen: unter anderem NSF-Daten für Postdocs, eine Taulbee-Erhebung für Professuren, Levels.fyi für Forschende bei OpenAI und Medienberichte für Spitzengehälter. Der Autor betont, dass diese Zahlen nur Näherungen sind.

Ho hält die Erklärung, Spitzenverdienende seien schlicht um ein Vielfaches bessere Forschende, für unvollständig. Er führt stattdessen den ökonomischen „Superstar-Effekt“ an: Schon kleine Qualitätsunterschiede können große Einkommensabstände erzeugen, wenn zwei Bedingungen erfüllt sind. Erstens kann die Leistung einer Person einen sehr großen Markt erreichen. Zweitens lässt sich ein Qualitätsvorsprung nicht einfach durch mehr Arbeitskräfte mit geringerer individueller Qualität ausgleichen. Als Beispiele nennt der Beitrag den knappen Vorsprung Usain Bolts im 100-Meter-Finale von 2012 und die großen Unterschiede bei geschätzten Spotify-Einnahmen sehr bekannten Musikerinnen und Musikern. Außerdem verweist er auf Unterschiede bei der Lohnstreuung zwischen Berufen mit großer Reichweite, etwa Schauspiel, und Tätigkeiten, bei denen Leistungen meist einzeln erbracht werden. Die Abbildungen und Einkommensvergleiche beruhen laut Beitrag auf Schätzungen beziehungsweise auf den genannten Erhebungsdaten.

Der Autor überträgt das Modell auf die KI-Forschung: Ein einzelner Forschungsbeitrag könne in einem Modell landen, das von sehr vielen ChatGPT-Nutzern verwendet wird. Gleichzeitig seien Spitzenlabore durch Rechenkapazität begrenzt und könnten nur eine begrenzte Zahl großer Experimente durchführen. Mehr Forschende könnten daher nicht immer den Wert einer Person ersetzen, die besonders gut einschätzt, welche Experimente erfolgversprechend sind. Der Beitrag argumentiert, dass dadurch bereits ein relativ kleiner Qualitätsvorsprung hohe Vergütung rechtfertigen könne.

Zusätzlich könnten Wettrennen zwischen Laboren die Zahlungsbereitschaft erhöhen: Wenn ein möglicher Erfolg sehr wertvoll erscheint, könnten Unternehmen auch für kleine Vorteile hohe Summen bieten. Ho nennt berichtete Abwerbeangebote von Meta als Beispiel und hält es für möglich, dass solche Ausgaben den gesellschaftlichen Nutzen übersteigen. Er weist aber auf weitere Faktoren hin: Spitzenforschende können nicht veröffentlichte Erkenntnisse aus kostspieligen Experimenten mitbringen und Teams leiten. Diese Beiträge seien vom reinen Superstar-Effekt zu unterscheiden.

Der Beitrag räumt erhebliche Messprobleme ein. Forschungsqualität lasse sich schwer beziffern; vorhandene Tests wie METR RE-bench erfassten laut Autor eher kleine, klar umrissene Aufgaben als große Projekte mit viel Code, unklaren Erfolgskriterien und Teamkoordination. Auch gebe es mehrere relevante Kompetenzdimensionen und Unsicherheit darüber, wie viele Spitzenkräfte verfügbar sind. Ho folgert, dass hohe Gehälter daher nicht unmittelbar auf entsprechend große Qualitätsunterschiede schließen lassen. Er erwartet, dass der Superstar-Effekt mit zunehmender KI-Nutzung und stärkerem Einsatz von KI-Agenten in Forschungsabläufen wichtiger werden könnte. Das sind Einschätzungen des Autors, keine im Beitrag abschließend quantifizierten Prognosen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Urteile beziehen sich auf Lunas kurze und mittlere Zusammenfassung; beide geben den Bericht sachlich korrekt wieder, lassen aber einzelne Punkte aus. Die Einordnungen wurden unabhängig von Lunas Stufen vergeben.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Autor sieht: Wenn der Superstar-Effekt den Großteil des Gehaltsabstands erklärt, ist der Qualitätsabstand kleiner als der Gehaltsabstand, was die Einschätzung der Intelligenzexplosion berührt
  • Die Kurzfassung lässt den Wettbewerbsdruck zwischen Laboren, das nicht veröffentlichte Wissen der Spitzenforschenden und ihre Führungsrollen aus

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 60 %Hintergrund, keine Belege
    • JEV 37 %nur am Rande erwähnt
    • amos 29 %nur am Rande erwähnt
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege
Vertrauen in Modelle
Agenten und vernetzte Systeme
Modelle teilen und schützen
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 70 %Hintergrund, keine Belege
    • JEV 28 %einzelne zitierbare Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 50 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 33 %gleiches Oberthema, hilft nicht
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 59 %gleiches Oberthema, hilft nicht
    • drex 54 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →