💻 computer science

The Inference Bottleneck: A Formal Model of Vertical Foreclosure in AI Markets

Dieses Papier entwickelt ein formales spieltheoretisches Modell zur vertikalen Foreclosure in KI-Inferenzmärkten, das Diskriminierungsmechanismen wie QoS-Ungleichbehandlung und Routing-Bias analysiert, eine Risikobewertung für führende Anbieter vornimmt und ein Regulierungsrahmenwerk namens „Neutral Inference" zur Sicherung des Wettbewerbs vorschlägt.

Ursprüngliche Autoren: Gaston Besanson

Veröffentlicht 2026-04-21

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Gaston Besanson

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die große Geschichte: Der Wasserhahn und die Gärtner

Stell dir vor, die Welt der Künstlichen Intelligenz (KI) ist ein riesiger Garten. In diesem Garten gibt es viele Gärtner (die Entwickler von Apps wie Chatbots, Coding-Tools oder Suchmaschinen), die Blumen züchten wollen. Aber alle Gärtner brauchen Wasser, um ihre Pflanzen zu gießen.

In diesem Garten gibt es nur vier große Wasserwerke (Google, OpenAI, Microsoft, Anthropic). Diese Wasserwerke besitzen die einzigen Rohre, aus denen das Wasser (die KI-Rechenleistung, im Fachjargon „Inferenz") fließt.

Das Problem: Diese Wasserwerke sind nicht nur Lieferanten. Sie sind auch selbst Gärtner! Sie haben ihre eigenen Blumenbeete (ihre eigenen Apps wie Google Gemini oder Microsoft Copilot) und wollen, dass deren Pflanzen am schönsten wachsen.

Das Problem: Der „Durst-Druck" (Vertical Foreclosure)

Früher dachte man, das Problem wäre, wenn ein Wasserwerk den anderen Gärtner den Wasserhahn ganz zudreht oder das Wasser extrem teuer macht. Aber das Paper zeigt etwas Tückischeres: Die Qualität des Wassers.

Stell dir vor, das Wasserwerk Google gibt seinen eigenen Blumen das Wasser aus einem feinen, kühlen Sprühnebel (schnell, zuverlässig, mit extra Nährstoffen). Den anderen Gärtnern (den Konkurrenten) gibt es das Wasser aber aus einem verstopften Schlauch, der tröpfelt, manchmal warm ist und weniger Druck hat.

Die Blumen der Konkurrenten werden zwar nicht ganz vertrocknen, aber sie wachsen langsamer, werden kleiner und sehen weniger attraktiv aus. Die Kunden (die Menschen, die die Apps nutzen) merken das nicht sofort, aber sie gehen lieber zu den schönen Blumen des Wasserwerks.

Das nennt man „Vertikale Verdrängung". Es ist kein offener Krieg, sondern ein heimlicher Sabotageakt durch schlechtere Servicequalität.

Die drei Tricks der Wasserwerke

Das Paper identifiziert drei Hauptmethoden, wie diese Wasserwerke ihre eigenen Blumen bevorzugen, ohne den Preis zu erhöhen:

Der „Tröpfel-Schlauch" (Qualitäts-Diskriminierung):
Das Wasserwerk macht den Schlauch für alle anderen absichtlich etwas enger. Die Antwortzeit ist langsamer, die Verbindung bricht öfter ab, oder man darf nicht so viele Wörter auf einmal senden. Für den eigenen Dienst ist der Schlauch aber weit und schnell.
- Analogie: Ein Restaurantbesitzer, der sich selbst das frischeste, heißeste Essen gibt, aber seinen Gästen das Essen erst nach 20 Minuten serviert, wenn es kalt ist.
Der „Wegweiser" (Routing-Bias):
Viele Wasserwerke haben auch eine Art „Empfehlungs-App" (z. B. Microsoft Copilot). Wenn du fragst: „Welches Tool soll ich nutzen?", schickt der Wegweiser dich nicht zum besten Gärtner, sondern immer zu den eigenen Blumen, auch wenn die anderen besser wären.
- Analogie: Ein Taxifahrer, der dich nicht zum besten Hotel bringt, sondern immer zu seinem eigenen Hotel, weil er dort die Provision bekommt, auch wenn das andere Hotel näher ist.
Der „VIP-Keller" (Tiered Access):
Das ist der neueste Trick (erwähnt im Paper für April 2026). Das Wasserwerk hat eine „Super-Wasserqualität" (die allerneueste, stärkste KI), die es aber nur einer kleinen Gruppe von Freunden (Partnern) gibt. Die normalen Gärtner dürfen nur das alte, schwächere Wasser nutzen.
- Analogie: Ein Club, der eine geheime, super-leistungsstarke Tanzfläche hat, aber nur für die Mitglieder des Inhabers. Alle anderen müssen auf der normalen, überfüllten Tanzfläche bleiben.

Was sagt das Papier über die großen Firmen?

Das Papier hat eine „Gefahrenkarte" für April 2026 erstellt:

Google & OpenAI: Sie haben die höchsten Anreize, die anderen Gärtner zu „durstigen" machen. Sie kontrollieren fast alles (Suchmaschine, Betriebssysteme, Apps) und haben sehr viele eigene Blumen. Das Papier sagt: Hier ist das Risiko am größten.
Microsoft: Sie haben die Möglichkeit (die Rohre), aber sie tun es (noch) nicht so stark. Warum? Weil sie unter Druck stehen. Sie haben begonnen, auch Wasser von anderen (wie Anthropic) zu nutzen. Der Wettbewerb zwingt sie, fair zu bleiben.
Anthropic: Eine gemischte Geschichte. Für normale Nutzer sind sie fair. Aber im Bereich „Programmieren" (Coding) bauen sie eigene Tools, die auf ihrer eigenen Technologie laufen. Hier könnten sie bald anfangen, die Konkurrenz zu benachteiligen.

Die Lösung: Der „Neutrale Wasserhahn"

Das Papier schlägt keine Lösung vor, bei der die Wasserwerke verkauft werden müssen (das wäre wie, den Garten komplett neu zu verteilen). Stattdessen schlägt es Verhaltensregeln vor, die sie als „Neutrale Infrastruktur" bezeichnen:

Gleicher Druck: Alle müssen das Wasser mit demselben Druck und der gleichen Temperatur bekommen. Keine verstopften Schläuche für die Konkurrenz.
Ehrliche Wegweiser: Wenn eine App jemanden weiterleitet, muss klar sein, warum. Man darf nicht nur die eigenen Produkte empfehlen, wenn andere besser sind.
Fairer Preis: Keine versteckten Strafen für diejenigen, die bei mehreren Wasserwerken gleichzeitig Wasser holen.
Transparenz beim VIP-Keller: Wenn es eine „Super-Wasserqualität" gibt, muss klar sein, warum sie nur wenigen gegeben wird (z. B. wegen Sicherheit). Und es muss einen Plan geben, wann sie für alle verfügbar wird.

Warum ist das wichtig?

Wenn wir nichts tun, werden die großen Wasserwerke so mächtig, dass keine neuen Gärtner mehr wachsen können. Der Garten wird langweilig, die Innovation stirbt, und wir bekommen nur noch die Blumen, die die Wasserwerke selbst wollen.

Das Papier berechnet, dass durch diese fairen Regeln die Weltwirtschaft jedes Jahr Dutzende Milliarden Dollar gewinnen könnte, weil mehr Innovation möglich wäre und die Nutzer bessere Dienste bekämen.

Zusammengefasst: Es geht nicht darum, die KI-Firmen zu verbieten. Es geht darum, sicherzustellen, dass sie nicht gleichzeitig Schiedsrichter und Spieler sind. Sie müssen das Wasser für alle gleich gut fließen lassen, damit der Garten für alle blüht.

1. Problemstellung

Das Papier adressiert ein zentrales Problem der Wettbewerbspolitik im Zeitalter der generativen Künstlichen Intelligenz (KI): den vertikalen Ausschluss (Vertical Foreclosure) in Inferenzmärkten.

Kontext: Während der Wettbewerbsvorteil früher in der einmaligen Modell-Training lag, verlagert er sich nun auf kontinuierliche Inferenz, Verteilung und Routing. Große Anbieter (wie Google, OpenAI, Microsoft, Anthropic) kontrollieren die „kognitive Infrastruktur" (skalierbare Inferenz-APIs).
Das Dilemma: Vertikal integrierte Firmen, die sowohl die Infrastruktur (Upstream) als auch konkurrierende Anwendungen (Downstream) anbieten, haben einen Anreiz, Wettbewerber nicht durch Preissenkungen, sondern durch nicht-preisliche Diskriminierung zu behindern.
Lücke in der Literatur: Bisherige Modelle fokussierten oft auf Preisdiskriminierung oder einfache Selbstbevorzugung. Dieses Papier entwickelt ein formales Modell, das spezifische Mechanismen der KI-Infrastruktur abbildet:
1. QoS-Diskriminierung: Verschlechterung der Dienstqualität (Latenz, Durchsatz, Kontextlimits) für Drittanbieter.
2. Routing-Bias: Voreingenommenheit bei der Weiterleitung von Anfragen in Assistenten-Schichten.
3. Tier-basierter Zugang: Exklusiver Zugang zu fortschrittlichen Modellklassen (z. B. „Project Glasswing"), die für die breite Masse gesperrt sind.

2. Methodik

Das Papier verwendet einen formalen spieltheoretischen Ansatz mit einer stilisierten Kalibrierung.

Modellaufbau:
- Ein zweistufiges Marktmodell: Ein Upstream-Anbieter $U$ (Infrastruktur) liefert API-Zugang an $N$ Downstream-Wettbewerber und betreibt gleichzeitig eine eigene integrierte Anwendung.
- Nachfrage: Logit-Nachfragefunktion, basierend auf der wahrgenommenen Qualität $Q_i$ und dem Preis $p_i$ .
- Qualitätsaggregation: Die finale Qualität einer Anwendung setzt sich zusammen aus der Inferenz-Qualität ( $q_i$ , gesteuert durch $U$ ) und dem Anwendungsaufwand ( $e_i$ ) des Entwicklers: $Q_i = \alpha \cdot q_i + (1-\alpha) \cdot e_i$ .
- Kostenstruktur: Quadratische Infrastrukturkosten mit einem Term für Skaleneffekte ( $\phi$ ), der sicherstellt, dass es kostengünstig ist, hohe Qualität auch für Wettbewerber zu liefern, wenn die Infrastruktur bereits für das eigene Produkt gebaut wurde.
Erweiterungen:
- Dynamik: Ein „Open Early, Closed Late"-Szenario, bei dem Anbieter zunächst Zugang gewähren, um Ökosysteme aufzubauen, und später die Qualität für Wettbewerber senken, sobald Switching-Kosten hoch sind.
- Tier-Gating: Einführung von Parametern für die Lücke zwischen Basis- und Frontier-Modellen ( $\tau$ ) und den Ausschlussgrad von Partnern ( $\kappa$ ).
Kalibrierung:
- Die numerischen Ergebnisse basieren auf Daten von April 2026.
- Wichtig: Die Autoren betonen, dass dies keine strukturelle Ökonometrie ist. Die Parameter werden als „vergleichende Risikokartierung" (comparative risk mapping) unter stated assumptions interpretiert, nicht als tiefgreifende geschätzte Parameter.
- Unterscheidung zwischen beobachtbaren, abgeleiteten und urteilsbasierten Parametern.

3. Schlüsselbeiträge

Das Papier leistet vier wesentliche Beiträge im Vergleich zu seiner politischen Begleitarbeit (Besanson & Celani, 2026):

Formales Modell des nicht-preislichen Ausschlusses: Herleitung der Bedingungen, unter denen ein Anbieter profitabel die QoS für Wettbewerber senkt. Es wird gezeigt, dass dies nicht nur von der Wichtigkeit der Inferenzqualität ( $\alpha$ ) abhängt, sondern von einem komplexen Zusammenspiel aus Downstream-Margen, API-Preisen und Eintrittselastizität.
Modellierung von Tier-basiertem Zugang: Unterscheidung zwischen herkömmlicher QoS-Diskriminierung (innerhalb einer Modellklasse) und Tier-Gating (Zugang zu einer höheren Modellklasse). Dies erzeugt dauerhaftere Renten und erfordert eine andere regulatorische Antwort.
Transparente Kalibrierungsmethodik: Explizite Darstellung, wie Parameter aus öffentlichen Daten abgeleitet werden, mit Sensitivitätsanalysen, um die Robustheit der Schlussfolgerungen zu zeigen.
Brücke von Modell zu Beobachtbaren: Übersetzung latenter Modellparameter (wie $\alpha, \lambda, \tau$ ) in messbare regulatorische Indikatoren (z. B. Latenzunterschiede, Benchmarks, Partner-Listen), um die Theorie für die Durchsetzungspraxis nutzbar zu machen.

4. Wichtige Ergebnisse

Theoretische Ergebnisse

Proposition 1 (QoS-Lücke): Im Gleichgewicht ist die QoS-Lücke $\Delta q^* = q_U^* - q_i^*$ $Δ q^{*} = q_{U}^{*} - q_{i}^{*}$ strikt positiv, wenn der Gewinn aus dem „Business-Stealing" (Kunden von Wettbewerbern abwerben durch eigene Qualitätssteigerung und Wettbewerber-Senkung) die entgangenen API-Einnahmen übersteigt.
- Die Lücke wächst mit der Bedeutung der Inferenzqualität ( $\alpha$ ) und den Downstream-Margen ( $m_U$ ).
- Sie schrumpft mit höheren API-Preisen ( $p$ ) und einer höheren Eintrittselastizität ( $\eta$ ).
- Diskriminierung verschwindet nicht bei einem einzelnen Schwellenwert für $\alpha$ , sondern an einer gemeinsamen Grenze im Parameterraum.
Wohlfahrtseffekte: Die Diskriminierung führt zu einem Wohlfahrtsverlust, der sich aus direktem Qualitätsverlust, reduzierten Innovationsanreizen für Wettbewerber (wegen geringerer erwarteter Renditen) und einem Deadweight-Loss durch verzerrende Nachfrageverlagerung zusammensetzt.
Tier-Gating (Proposition 5): Der Anreiz zur Diskriminierung steigt monoton mit der Größe der Fähigkeitslücke ( $\tau$ ) und dem Ausschlussgrad ( $\kappa$ ). Diese Renten sind weniger anfällig für Wettbewerbsdruck als reine QoS-Vorteile.

Empirische Kalibrierung (Stand April 2026)

Basierend auf den Daten werden folgende Risikoprofile identifiziert:

Google (Gemini): Höchste Diskriminierungsneigung. Hohe Integration ( $\lambda \approx 0.92$ ), starke Abhängigkeit der Downstream-Anwendungen von der Inferenzqualität ( $\alpha \approx 0.8$ ). Implizite QoS-Lücke: ca. 0,27.
OpenAI (GPT): Erhöhtes Risiko, das sich mit Google überschneidet. Hohe Margen durch Abos, starke Marktmacht. Implizite QoS-Lücke: ca. 0,20.
Microsoft (Copilot): Hohe strukturelle Kapazität für Foreclosure, aber freiwillig eingeschränkt. Durch die Integration von Konkurrenzmodellen (Anthropic) in Copilot und regulatorischen Druck hat Microsoft das Routing-Bias reduziert. Das Modell zeigt, dass Wettbewerb und Aufsicht das Verhalten dämpfen können.
Anthropic (Claude): Geteiltes Profil.
- Consumer: Geringes Risiko (API-Einnahmen dominieren, Anreiz zur Diskriminierung gering).
- Enterprise Coding-Agent: Erhöhtes Risiko, da Claude Code direkt mit Tools konkurriert, die auf derselben API basieren.
- Cybersecurity (Tier-Gating): Projekt „Glasswing" zeigt Tier-Gating ( $\tau \cdot \kappa > 0$ ). Dies wird als potenziell legitimer Sicherheitsvorbehalt eingestuft, solange Transparenz- und Freigabepflichten erfüllt sind.

5. Signifikanz und politische Implikationen

Das Papier schlägt einen vier-Säulen-Rahmen für „Neutrale Inferenz" (Neutral Inference) vor, der über reine Strukturtrennung hinausgeht:

QoS-Parität: Verbot materieller Verschlechterung der API-Leistung für Wettbewerber (mit Toleranzschwellen für Missbrauchsschutz).
Routing-Transparenz: Nachvollziehbarkeit, wie Anfragen an Tools weitergeleitet werden.
FRAND-artige Nichtdiskriminierung: Faire Bedingungen für ähnlich gelagerte Kunden.
Tier-Transparenz: Offenlegung von Zugangsbeschränkungen zu Frontier-Modellen und klare Freigabepfade.

Wohlfahrtsabschätzung:
Unter Annahme einer Neutral-Inferenz-Regulierung könnten die Netto-Wohlfahrtsgewinne im Bereich von 40 bis 55 Milliarden USD pro Jahr liegen (basierend auf einer Bandbreite von 35–95 Mrd. USD). Dies unterstreicht, dass conduct-based (verhaltensbasierte) Interventionen strukturellen Trennungen vorzuziehen sind, da sie Innovationsschübe erhalten, während sie Foreclosure verhindern.

Fazit:
Das Papier liefert die mikroökonomische Fundierung für die Regulierung von KI-Infrastruktur. Es zeigt, dass Foreclosure in KI-Märkten oft subtiler ist als reine Preisdiskriminierung und durch die Kontrolle von Qualität, Routing und Zugang zu Spitzenmodellen erfolgt. Die vorgeschlagenen Messgrößen und Designationskriterien bieten Regulierern ein Werkzeug, um diese Praktiken zu identifizieren und zu adressieren, ohne die Integration und Skaleneffekte der KI-Entwicklung zu zerstören.