Convictions Sarah Guo: KI-Forscher fühlen sich „entmachtet“, während humanoide Roboter schneller auf den Markt kommen als erwartet
Invest Like the Best Podcast, September 2026: Venture-Investor-Podcast über die Psychologie des KI-Forschungsrennens, eine überraschende Robotik-Wette und warum sie massiv auf Open-Source-Modelle und Biotech-KI setzt
Sarah Guo, Gründerin der auf Künstliche Intelligenz fokussierten Venture-Capital-Firma Conviction, hat in einem umfassenden Podcast-Auftritt ihre Sicht auf die KI-Investitionslandschaft dargelegt. Dabei ging es ihr weniger darum, welches Labor gewinnt, als vielmehr darum, was der Sieg mit den Menschen macht, die diese Technologie entwickeln. Ihre auffälligste Beobachtung betrifft nicht die Modellfähigkeit, sondern die Moral in den führenden Laboren. Dort habe eine wachsende Zahl von Forschern stillschweigend den Schluss gezogen, dass ihre individuellen Beiträge keine Rolle mehr spielen.
Die psychologische Belastung durch KI im Rechenleistungs-Maßstab
Guo beschreibt das aktuelle Umfeld als „gewaltsam wettbewerbsorientiertes Terrain“, intensiver als zu jedem anderen Zeitpunkt in den letzten drei Jahren. Diese Intensität erzeuge echte Verunsicherung unter den schätzungsweise 250 Personen, die sie und ihr Partner Mike als die wahre Speerspitze der KI-Forschung und des Entrepreneurships ansehen. Das Beunruhigende sei eine Überzeugung, die sich erst in den letzten zwölf Monaten durchgesetzt hat: dass rekursive Selbstverbesserung bei KI-Forschungsmodellen die Branche ein bis zwei Jahre von „einer Art exponentieller Intelligenz“ entfernt sieht. Sie betont ausdrücklich die Skepsis, die hier angebracht ist, und verweist darauf, dass Andrej Karpathy selbstkritisch eingeräumt hat, er habe AGI seit rund einem Jahrzehnt für zwei Jahre entfernt gehalten.
Viel folgenschwerer für Investoren sei jedoch, wie sich diese Überzeugung auf das Verhalten der Forscher auswirkt, argumentiert Guo. Da Labore Mitarbeiterzahlen und Rechenleistungsbudgets auf Hunderte Milliarden Dollar aufstocken, verspüren einzelne Wissenschaftler zunehmend eines von zwei Dingen: Entweder wird das Modell das Problem ohnehin irgendwann selbst lösen, oder die einzige Variable, die zählt, ist die Skalierung der Rechenleistung. „Beides ist gewissermaßen entmachtend“, sagte sie und fügte hinzu, dass diese Dynamik echte Fragen zur Motivation innerhalb der Labore aufwirft, selbst während die Leistungsfähigkeit weiter steigt. Dies ist ein subtiler, aber wichtiger Datenpunkt für jeden, der das Talentrisiko in den führenden Laboren bewerten will, da Mitarbeiterbindung und Fokus letztlich davon abhängen, ob Top-Forscher noch glauben, dass ihre Arbeit den entscheidenden Unterschied macht.
Sunday Robotics: Ein Umsetzungstempo, das selbst die Investorin überraschte
Die konkreteste Neuigkeit im Gespräch betrifft Sunday Robotics, ein Unternehmen für humanoide Robotik, in das Guo und ihr Partner Pranav investierten, als die Gründer Tony Zhao und Cheng Chi noch als PhD-Studierende in Stanford waren und zuvor bei Toyota Research, DeepMind und Tesla gearbeitet hatten. Laut Guo plant das Unternehmen noch vor Jahresende, einen allgemeinen semi-humanoiden Roboter in den Betabetrieb in Privathaushalten zu bringen – ein Zeitplan, den bei der Gründung vor weniger als zwei Jahren „keiner von uns“ für möglich gehalten hätte. „Es haut mich um, dass man sich so schnell von ein paar Pappkartons in einem Stanford-Keller zu einem Full-Stack-System hocharbeiten kann“, sagte sie und verwies darauf, dass das Team eigene Hardware gefertigt und Hunderte Iterationen von Modell- und Datenerfassungszyklen für reale Aufgaben durchlaufen hat.
Die Investitionsthesis selbst bietet einen aufschlussreichen Einblick in die Art und Weise, wie Conviction Deep-Tech-Robotik-Investitionen bewertet: Statt vorauszusetzen, dass der Sektor ein „Internet der Robotikdaten“ benötigt, das noch gar nicht existiert, entwickelten Zhao und Chi einen technischen Ansatz, um nützliche Daten kostengünstig und effizient zu erheben und diese anschliessend in Modell-Lernen zu übertragen. Guo gab an, nach einem einzigen Treffen zugesagt zu haben – eine ungewöhnlich schnelle Entscheidung für eine Firma, die ihre Überzeugungen sonst tagelang oder wochenlang auf die Probe stellt, bevor sie Kapital bindet.
Open-Source-Modelle: „Der Geist ist aus der Flasche“
Zu der strittigen Frage von Open-Source-KI-Modellen, von denen viele aus China stammen und an der technologischen Spitze mithalten, vertritt Guo eine klare und politisch relevante Position: Deren Nutzung innerhalb der USA einzuschränken, würde böswillige Akteure nicht aufhalten, aber „gesetzestreue US-Unternehmen“ benachteiligen. Sie argumentiert, dass die Verbreitung von Fähigkeiten durch offene Modelle sowohl unvermeidlich als auch wünschenswert sei, da proprietäre Spitzenmodelle für einen großen Teil der realen Anwendungsfälle nach wie vor zu teuer, zu langsam oder zu sensibel seien. Ihre Empfehlung lautet nicht Verbot, sondern rigorose Tests, insbesondere im Hinblick auf Befürchtungen, dass chinesische Open-Source-Modelle Hintertüren enthalten könnten. „Das Gebot der Stunde wären sehr streng ausgelegte Sicherheitstests“, sagte sie und argumentierte, dass es bei Weitem nicht genügend tatsächliche Forschung gebe, um das aktuelle Ausmaß an Alarmismus zu rechtfertigen. Sie geht davon aus, dass Sam Altmans Vision von „Intelligenz, die zu billig zum Zählen ist“ maßgeblich von Open-Source-Infrastrukturen anstatt allein von proprietären Spitzenmodellen getragen wird, da einzelne Unternehmen und Nutzer Anwendungsfälle erfinden werden, die kein Forscher in einem Laboren voraussehen kann.
Rechenleistungs-Unabhängigkeit als nächstes strategisches Schlachtfeld
Guo bringt ein Argument zur nationalen Wettbewerbsfähigkeit ein, das bei infrastrukturorientierten Investoren Anklang finden dürfte: Sie ist der Ansicht, dass die USA Gefahr laufen, ihre „Unabhängigkeit bei Rechenleistung“ zu verlieren – ähnlich wie sie bereits mit der Energieunabhängigkeit zu kämpfen hatten –, da kritische Schritte der Halbleiter-Lieferkette nach wie vor in instabilen oder unzugänglichen Regionen konzentriert sind. Sie zitiert ein Gespräch mit einem Infrastrukturverantwortlichen eines großen Hyperscalers, der ihr sagte, „dass vor 2030 nichts passieren wird, was für uns in ausreichendem Maßstab den Ausschlag gibt“ – ein Verweis auf physische Engpässe bei Erdgas- und Stromverfügbarkeit, die den Bau von Rechenzentren unabhängig von der verfügbaren Liquidität einschränken. Guo rahmt dies ausdrücklich als regulatorisches und gesellschaftliches Koordinationsproblem statt als Technologie- oder Kapitalproblem ein und verweist auf Genehmigungskämpfe um Rechenzentren und Kernkraftwerke als den begrenzenden Faktor. Sie nennt Jacob Helbergs Lieferketteninitiative Pacia als Beispiel für die Art von Investitionen, die entlang jedes Glieds der Kette erforderlich sind, und erklärt, dass Conviction bereits Kapital in den Bereichen Rechenzentrumsarbeitskräfte, Kernenergie und alternative Chip-Architekturen als teilweise Absicherung eingesetzt hat, während sie reine Rechenzentrumsfinanzierungen bislang ablehnt, da diese außerhalb des technologieorientierten Mandats der Firma liegen.
Eine Kehrtwende bei KI im Biotech-Sektor
Die wohl messbarste Veränderung in Guos Denken betrifft die Fähigkeit der Künstlichen Intelligenz, nachhaltigen Wert in der Pharmaindustrie zu schaffen – ein Bereich, den sie nach eigenen Angaben mehr als fünf Jahre lang skeptisch beobachtet hat, bevor sie ihre Haltung revidierte. Der vorherige Konsens sei gewesen, so formulierte sie es, dass „man in der Biotech-Branche oder bei Pharmadienstleistungen nur dann Geld verdient, wenn man ein Medikament entwickelt“ – eine Struktur, die Plattform-Biotech-Unternehmen dafür belohnt, große Anteile an Medikamentenkandidaten zu halten, anstatt Software zu verkaufen. Convictions erste Beteiligung an Chai Discovery, die heute mit mehreren der zehn größten Pharmakonzerne zusammenarbeitet, um Teile des F&E-Prozesses zu beschleunigen, markierte ihren Bruch mit diesem Konsens. Sie betont vorsichtig, dass die Branche ihren prägenden Moment noch nicht hatte – ein neues Medikament oder eine neue Indikation, deren Verlauf durch KI nachweislich verändert wurde –, rechnet jedoch damit, dass ein solcher Meilenstein eine weitaus größere Kapitalwelle in diesen Bereich auslösen wird. „Ich denke, wir sollten eine massive Beschleunigung bei Heilungen erleben“, sagte sie, räumte jedoch ein, dass regulatorische Zeitpläne und Sicherheitstests in der physischen Welt weiterhin Bremsfaktoren bleiben, die auch durch noch so hohe Modellkapazitäten nicht verkürzt werden können.
Investmentprozess: Schnelle Instinkte, langsame Verifizierung
Guo beschreibt ihre eigene Entscheidungsfindung als instinktiv bei Menschen und skeptisch gegenüber ungewohnter Wissenschaft. Sie bewertet neue Gelegenheiten fast umgehend auf einer Skala von eins bis zehn basierend auf Gründer und Idee und verbringt dann die folgenden Tage oder Wochen damit, die Lücken in ihrem eigenen Verständnis zu finden, bevor sie Kapital zusagt. Sie betont ausdrücklich, dass der blosse Stammbaum keine ausreichende Grundlage für eine groß angelegte Forschungswette ist, und kritisiert Branchenkollegen, die das Urteil an den Ruf eines Gründers delegieren, ohne eine eigenständige Sicht auf die zugrundeliegende technische These zu haben: „Das Geschäft, die technische Theorie und das Geschäftsmodell ergeben für mich keinen Sinn“, erinnerte sie sich daran, einem gut beleumundeten Investorenfreund gesagt zu haben, „und ich stelle fest, dass Leute groß angelegte Forschungswetten ohne jede Intuition dafür eingehen.“ Bemerkenswert ist, dass Guo trotz einer kleinen Firma mit fünf Partnern eigenen Angaben zufolge nur vier bis sechs neue Unternehmen pro Woche sichtet – ein bewusst gewählter Kontrast zu den Hunderten, die sie zu Beginn ihrer Karriere bei Greylock prüfte. Sie betrachtet Selektivität selbst als Wettbewerbsvorteil in einem Markt, der mit Kapital überschwemmt ist, das KI-Labels jagt.
Fundraising ohne aufpolierte Story
Guo gibt zudem einen ungewöhnlich offenen Einblick in das Fundraising für den ersten Fonds von Conviction. Sie räumt ein, dass sie das konventionelle Private-Equity-Playbook ablehnte, eine hochgradig differenzierte, voneinander vorbereitete Geschichte für Kommanditisten (LPs) zu konstruieren. Stattdessen sagte sie potenziellen LPs, sie beabsichtige, den spezifischen Vorsprung der Firma nach der Kapitalbeschaffung durch Experimente herauszufinden – ein Pitch, der sie, wie sie einräumt, die Unterstützung einiger Institutionen kostete, die greifbare, vollständig ausgearbeitete Thesen bevorzugen. „Ich habe den Leuten im Grunde einen Zwei-Teiler über meinen Hintergrund und meine Investitionshistorie gegeben“, sagte sie und setzte stattdessen darauf, dass ihre Erfolgsbilanz beim Erkennen und Unterstützen außergewöhnlicher Menschen mit der Zeit an Gewicht gewinnen würde. Vier Jahre später, nachdem die Firma in mindestens einer großen LP-Umfrage unter den ein oder zwei begehrtesten Venture-Partnern gelistet sein soll, lautet ihre Lektion für Gründer und Fondsmanager gleichermaßen, dass Umsetzung ein aufpoliertes Narrativ ersetzen kann, vorausgesetzt, die zugrundeliegende Urteilskraft stimmt.