Optisches Rechnen zeigt, wie viel gezielte Spezialisierung verspricht. Für Unternehmen zählt der Aufwand bis zum brauchbaren Ergebnis.
Ein KI-generiertes Werbemotiv spart einer Agentur erst dann Arbeit, wenn es verwendbar ist. Muss das Team misslungene Entwürfe aussortieren und neu erzeugen, sagt die Geschwindigkeit eines einzelnen Durchlaufs wenig über die tatsächlichen Kosten aus. Genau daran sollte sich auch neue KI-Hardware messen lassen: am Aufwand bis zum brauchbaren Ergebnis.
Die Aussicht, künstliche Intelligenz mit Licht zu berechnen, ist deshalb spannend. Sie eröffnet die Möglichkeit, bestimmte Rechenaufgaben mit weniger Energie zu erledigen. Für Gründer und Mittelständler ergibt sich daraus eine konkrete Frage: Passt eine solche Spezialisierung zum eigenen Produkt und zu dessen nächsten Entwicklungsschritten?
Licht rechnet, doch die Daten müssen hinein
Beim optischen Rechnen übernimmt die Ausbreitung von Licht einen Teil der Berechnung. In der Studie von Ilker Oguz und seinen Mitautoren zur optischen Bilderzeugung verändern speziell ausgelegte transparente Schichten das Licht so, dass ein Rauschanteil im Bild vorhergesagt wird. Durch wiederholtes Entfernen dieses Rauschens entsteht schrittweise ein Bild. Dieses Verfahren gehört zu den sogenannten Diffusionsmodellen.
Der physikalische Rechenschritt ist allerdings nur ein Teil des Systems. Oguz benennt bei Y Combinator die praktischen Hürden des optischen Rechnens, beginnend bei 19:27: Daten müssen zwischen elektronischer und optischer Darstellung umgewandelt werden; auch Steuerung und präzise Einstellung benötigen Energie. Ein sparsamer optischer Rechenkern garantiert deshalb noch keinen sparsamen Gesamtbetrieb.
Für die Beschaffung folgt daraus: Lasst euch zeigen, wo eine Leistungsmessung beginnt und endet. Gehören Speicher, Datenübertragung und die Verarbeitung des Ergebnisses dazu? Gerade wenn ein Anbieter einen einzelnen Rechenschritt hervorhebt, sollte der eigene Vergleich den vollständigen Ablauf abbilden.
Wiederholung macht Spezialisierung interessant
Den interessanten Ansatz erläutert Oguz anhand der optischen Bilderzeugung ab 22:23: Wiederkehrende Berechnungen werden gezielt an die Eigenschaften der Hardware angepasst. Die Energiebetrachtung seiner Forschungsarbeit setzt dabei passive, fest eingestellte optische Schichten voraus. Die trainierten Parameter müssen innerhalb der jeweiligen Schrittfolgen nicht ständig geändert werden.
Daraus lässt sich eine unternehmerische Arbeitshypothese ableiten: Eine häufig wiederholte, klar abgegrenzte Aufgabe ist ein sinnvoller Ausgangspunkt für einen Versuch mit spezialisierter Technik. Wer dagegen sein Modell und seine Anforderungen laufend verändert, muss den Aufwand jeder Anpassung mitbewerten. Diese Unterscheidung gehört bereits in die Auswahl der KI-Anwendungsfälle und ihrer Prioritäten.
Angenommen, ein deutsches Softwareunternehmen entwickelt einen Dienst zur Bilderzeugung. Es könnte zunächst prüfen, welcher Verarbeitungsschritt besonders viel Rechenzeit beansprucht und wie lange dessen Anforderungen voraussichtlich stabil bleiben. Erst dann wäre zu untersuchen, ob eine spezialisierte Lösung diesen Schritt übernehmen kann. Die Forschungsdemonstration allein beantwortet weder die Frage nach der erforderlichen Bildqualität noch nach der Einbindung in das Produkt.
Ein brauchbares Ergebnis ist die richtige Recheneinheit
Für einen belastbaren Vergleich braucht das Team einen gemeinsamen Maßstab. Bei Werbemotiven könnte das ein Bild sein, das die vereinbarten Gestaltungsvorgaben erfüllt und die Qualitätsprüfung besteht. Vor dem Versuch muss feststehen, welche Fehler zur Ablehnung führen. Sonst lässt sich ein günstigeres Verfahren leicht dadurch schönrechnen, dass seine Ergebnisse großzügiger bewertet werden.
Die Kostenrechnung sollte sämtliche Versuche bis zum akzeptierten Ergebnis erfassen. Dazu gehören Rechenleistung, Nachbearbeitung, Überprüfung und gegebenenfalls erneute Durchläufe. Bei eigener Hardware kommen Anschaffung, Strom und Wartung hinzu; bei einem gemieteten Dienst dessen Gebühren. Entwicklungsarbeit für die Einbindung sollte über die erwartete Nutzungsdauer berücksichtigt werden.
Die entscheidende Kennzahl sind die Kosten je akzeptiertem Ergebnis. Ergänzend braucht es eine Zeitgrenze: Ein günstiges Ergebnis hilft wenig, wenn es erst nach dem zugesagten Liefertermin vorliegt. Deshalb sollte der Versuch auch typische Lastspitzen und schwierige Eingaben enthalten.
Dasselbe Prüfprinzip lohnt sich bei anspruchsvollen Aufgaben für KI-Agenten: Vor einer Erfolgsmeldung muss geklärt sein, woran sich eine korrekte Lösung erkennen lässt. Für den Hardwarevergleich bedeutet das, dieselben Aufgaben nach denselben Regeln zu bewerten. Erst dann lassen sich Unterschiede sinnvoll beziffern.
Der Wechsel bindet auch Entwicklungszeit
In einem jungen Unternehmen konkurriert ein Hardwareversuch mit Produktarbeit, Kundenbetreuung und Vertrieb um dieselben Fachkräfte. Deshalb braucht er ein begrenztes Budget und eine klare Abbruchbedingung. Ein sinnvoller Auftrag wäre beispielsweise: Prüft, ob der ausgewählte Verarbeitungsschritt bei gleicher Qualität günstiger wird und sich mit vertretbarem Aufwand betreiben lässt.
Auch die Veränderbarkeit verdient einen eigenen Prüfpunkt. Was passiert, wenn ein Kunde eine neue Bildauflösung verlangt oder das Team ein anderes Modell einsetzen möchte? Die Diskussion über KI-Selbstverbesserung und neue Lernverfahren macht diese Frage besonders interessant. Wer sich technisch festlegt, sollte wissen, welche Änderungen die gewählte Lösung mitträgt.
Für Hardwaregründer ergibt sich daraus eine greifbare Vertriebsaufgabe: Macht den Einstieg für ein kleines Entwicklungsteam überschaubar. Hilfreich wären ein dokumentierter Zugang, ein reproduzierbarer Vergleich mit Kundendaten und Unterstützung bei der Einbindung. Solche Angebote senken den Aufwand, den ein potenzieller Kunde vor einer Kaufentscheidung tragen muss.
Was Unternehmen daraus mitnehmen können
KI-Hardware verdient dann einen Praxistest, wenn eine häufige, ausreichend stabile Aufgabe einen messbaren Kostenblock verursacht. Startet mit diesem Ablauf, legt Qualitätsanforderungen fest und erfasst alle Kosten bis zum akzeptierten Ergebnis. Ein begrenzter Versuch schafft eine Entscheidungsgrundlage, ohne gleich die gesamte technische Architektur umzubauen.
Optisches Rechnen liefert dafür einen anregenden Forschungsansatz: Hardware und Rechenverfahren lassen sich gemeinsam auf eine Aufgabe zuschneiden. Ob daraus ein Vorteil für den eigenen Betrieb entsteht, muss der Vergleich zeigen. Ein überzeugendes Ergebnis ist erreicht, wenn das Team dieselbe Kundenanforderung zuverlässig und mit geringerem Gesamtaufwand erfüllt.
Die entscheidende Kennzahl sind die Kosten je akzeptiertem Ergebnis.
Wer sich technisch festlegt, sollte wissen, welche Änderungen die gewählte Lösung mitträgt.

Quellen
- Y Combinator: Alternativen zu Grafikprozessoren — Veröffentlicht am 2. Oktober 2026. Ilker Oguz zu den Hürden optischen Rechnens ab 19:27 und zur optischen Bilderzeugung ab 22:23.
- Ilker Oguz und Mitautoren: Optische Diffusionsmodelle zur Bilderzeugung — Forschungsarbeit von 2024. Beschreibt das optische Verfahren sowie die Annahmen der Energieberechnung, insbesondere passive optische Schichten.
- Mitschrift der Diskussion von Y Combinator über alternative Rechenverfahren — Automatisch erstellte Mitschrift als Zugang zu den Aussagen von Ilker Oguz; technische Kernaussagen mit seiner Forschungsarbeit abgeglichen.
Innohub TV
Diese Inhalte gibt es auch auf Innohub TV
Wir haben Clips aus Innohub TV ausgewählt, die dasselbe Thema fortführen.
