Zwei Spitzentechnologien nähern sich demselben Zeitfenster. Die eine reift durch Fehlerkorrektur, die andere durch Grösse. Was auf den ersten Blick wie ein Zufall der Kalender aussieht, entpuppt sich bei genauerem Hinsehen als ökonomische Notwendigkeit.
Wer die Roadmaps von IBM, Quantinuum, IQM und Google Quantum AI nebeneinanderlegt, stösst auf ein bemerkenswert enges Zeitfenster: IBM plant den vollständigen Fehlerkorrektur-Durchbruch mit dem System «Starling» bis 2029, Quantinuum und IQM nennen 2030 als Zieljahr für universelles, fehlertolerantes Quantencomputing, D-Wave und C12 verorten sich mit 2032 respektive 2033 am konservativeren Ende. Der Median dieser Ankündigungen liegt exakt in jenem Fenster von fünf bis sieben Jahren, über das derzeit alle sprechen.
Auf der KI-Seite verläuft die Reifung anders — nicht linear über Hardware-Generationen, sondern in Sprüngen der Modellfähigkeit. Dennoch zeichnet sich unter Branchenbeobachtern ein ähnlicher Zeithorizont ab, in dem die grossen Anbieter von inkrementellen Verbesserungen zu einer Konsolidierungsphase übergehen dürften — dem Punkt, an dem der Grenznutzen weiterer reiner Skalierung spürbar abflacht.
Diese zeitliche Nähe ist kein Zufall. Sie ist das Resultat einer gemeinsamen physikalischen Wand, an die beide Technologien unabhängig voneinander stossen — und genau diese Wand macht aus zwei parallelen Entwicklungspfaden eine Konvergenz.
Die Wand, an die beide stossen: Energie, nicht Intelligenz
Der Denkfehler, dem viele Marktbeobachter unterliegen, lautet: KI und Quantencomputing seien zwei Wettbewerber um denselben Titel «nächste dominante Rechentechnologie». Das ist eine falsche Rahmung. Es handelt sich nicht um Konkurrenten, sondern um zwei Antworten auf dasselbe Problem, das beide unabhängig voneinander erreicht hat.
Die Rechenleistung, die für KI-Training in den kommenden vier bis fünf Jahren benötigt wird, dürfte sich Branchenschätzungen zufolge um das Tausendfache erhöhen. Klassische Halbleiterarchitekturen stossen dabei an thermische, energetische und physikalische Skalierungsgrenzen — nicht an ein Ideenproblem, sondern an ein Elektronenproblem. Gleichzeitig verlässt Quantenhardware gerade erst die Phase, in der Physiker John Preskill sie 2018 treffend als «NISQ» (Noisy Intermediate-Scale Quantum) bezeichnete: viele Qubits, aber zu viel Rauschen für belastbare Resultate. Der entscheidende Wendepunkt kam im Dezember 2024, als Googles «Willow»-Chip erstmals demonstrierte, dass zusätzliche Qubits die logische Fehlerrate senken statt erhöhen — die Umkehrung eines 30 Jahre alten Skalierungsproblems.
Zwei Technologien, ein gemeinsamer Engpass: klassisches Computing kann die Rechenleistungsexplosion der KI physikalisch nicht mehr allein tragen. Quantencomputing tritt nicht als Ersatz an, sondern als spezialisierter Co-Prozessor für genau jene Aufgabenklassen — Optimierung, Simulation, Stichprobenverfahren —, an denen klassische und selbst KI-gestützte Systeme strukturell scheitern.
Konkurrenz oder Symbiose? Ein Realitätscheck
Zur eigentlichen Frage: Gibt es eine Konkurrenzsituation zwischen den beiden Technologien? Die ehrliche Antwort ist differenziert.
Es gibt Konkurrenz — um Kapital, Talent und Aufmerksamkeit. Beide Technologiefelder buhlen um dieselben Investorenklassen, dieselben Spitzenforschenden aus Physik und Informatik, dieselbe politische Priorisierung in nationalen Technologiestrategien. Wer als Unternehmen heute Budgets für «Deep Tech» freigibt, muss entscheiden, wohin das nächste Innovationsbudget fliesst.
Es gibt keine Konkurrenz — auf der Ebene der Funktion. KI ist exzellent im Mustererkennen, Generieren und Approximieren aus grossen Datenmengen. Quantencomputing ist perspektivisch exzellent im exakten Durchrechnen kombinatorisch explosiver Zustandsräume — Molekülsimulationen, Portfolio-Optimierung, kryptografische Verfahren. Die Anwendungsfälle mit dem grössten Konvergenzpotenzial liegen bereits heute in der Pharma-Forschung, wo hybride Quanten-KI-Verfahren zur Simulation von Protein-Wirkstoff-Interaktionen erprobt werden, mit ersten produktiven Einsätzen ab 2028 bis 2030.
Die eigentliche Konkurrenz findet nicht zwischen den Technologien statt, sondern zwischen den Unternehmen, die sie zuerst kombinieren, und jenen, die weiterhin so tun, als müssten sie sich für eine der beiden entscheiden.
Der Schnittpunkt: Warum sich die Kurven wirklich überschneiden
Zurück zur Ausgangsfrage: Ist die zeitliche Nähe geplant oder zufällig? Sie ist beides — und das ist die interessantere Antwort.
Zufällig ist sie insofern, als Quantenhardware-Fortschritt (Fehlerkorrekturschwellen, Qubit-Kohärenzzeiten) einer physikalischen Entwicklungslogik folgt, die von KI-Fortschritt (Trainingsdaten, Architekturinnovation, Recheninfrastruktur) grundsätzlich unabhängig ist. Niemand hat die beiden Roadmaps am Reissbrett synchronisiert.
Nicht zufällig ist sie, weil beide Kurven auf dieselbe ökonomische Nachfrage reagieren: die nach mehr nutzbarer Rechenleistung pro eingesetztem Franken und pro eingesetzter Kilowattstunde. Diese Nachfrage ist die eigentliche Taktgeberin. Sie zieht Kapital, Talent und regulatorische Aufmerksamkeit gleichermassen in beide Felder — und genau deshalb reifen sie in überlappenden statt in versetzten Zeitfenstern.
McKinsey beschreibt das Verhältnis treffend als sich gegenseitig verstärkend: Quantencomputing beschleunigt künftig bestimmte KI-Trainings- und Optimierungsschritte, während KI schon heute eingesetzt wird, um Quantenhardware zu kalibrieren, Fehlerkorrekturcodes zu optimieren und Materialforschung für bessere Qubits zu beschleunigen. Es ist kein Staffellauf, bei dem eine Technologie die andere ablöst. Es ist ein Zweispänner, bei dem beide Pferde denselben Wagen ziehen — nur derzeit noch in leicht unterschiedlichem Tempo.
Was das für Entscheidungsträger heute bedeutet
Für Verwaltungsräte und Geschäftsleitungen, die diese Entwicklung nicht als akademische Neugier, sondern als strategische Weichenstellung lesen, ergeben sich drei konkrete Handlungsfelder:
Erstens: KI-Investitionen jetzt, mit Weitblick
Die KI-Reifung ist bereits operativ nutzbar — hier entscheidet Umsetzungsgeschwindigkeit, nicht Wartehaltung. Wer heute keine belastbare KI-Governance und keine befähigten Teams hat, verliert nicht gegen die Zukunft, sondern gegen den Wettbewerb von übermorgen.
Zweitens: Quantencomputing beobachten, nicht ignorieren
Ein Fünf-bis-Sieben-Jahres-Horizont fühlt sich lang an, ist es aber nicht, wenn es um kryptografische Resilienz geht. Die US-Standardisierungsbehörde NIST empfiehlt bereits heute die Migration auf quantensichere Verschlüsselung bis 2030 — eine Frist, die für viele Organisationen näher liegt, als ihre IT-Roadmaps das derzeit abbilden.
Drittens: Talent- und Wissensarchitektur früh aufbauen
Die Fachkräfte, die beide Sprachen sprechen — Quantenmechanik und maschinelles Lernen —, sind heute rar und werden in den nächsten Jahren zum knappsten Gut der gesamten Deep-Tech-Branche. Wer sein Unternehmen jetzt positioniert, sichert sich nicht Technologie, sondern Zugang zu Menschen, die diese Technologie später beherrschen werden.
Fazit
Die Konvergenz von Quantencomputing und Künstlicher Intelligenz ist kein Wettrennen mit einem Sieger. Es ist die Verschmelzung zweier Antworten auf dieselbe physikalische Grenze klassischer Rechenleistung. Wer in den nächsten Jahren entscheidet, ob er auf eine der beiden Karten setzt, stellt die falsche Frage. Die richtige Frage lautet: Wie bauen wir die organisatorische Fähigkeit auf, beide Technologien zu verstehen, bevor sie zur Selbstverständlichkeit werden?
Genau darin liegt, mit Verlaub, der eigentliche Beratungsauftrag der kommenden Dekade — nicht in der Prognose des exakten Jahres der Konvergenz, sondern in der Vorbereitung darauf, unabhängig davon, wann genau sie eintritt.
Quellen
- 01IBM Quantum Development Roadmap — ibm.com/roadmaps/quantum
- 02Quantinuum, Accelerated Roadmap to Fault-Tolerant Quantum Computing by 2030 — quantinuum.com/press-releases
- 03C12 Roadmap 2033 — thequantuminsider.com, April 2026
- 04Forbes Technology Council, The Quantum-AI Convergence — forbes.com/councils, Dezember 2025
- 05Quantum AI Report, State of the Art 2026 — quantumaireport.info
- 06Google Research, Willow-Chip-Publikation, Nature, Dezember 2024
- 07Quantum-AI-Konvergenz in der Pharmaforschung — Medium/Aftab, Januar 2026
- 08McKinsey, Quantum-AI Relationship Analysis (zitiert in bqpsim.com, Februar 2026)
- 09NIST, Empfehlung zur Post-Quantum-Migration bis 2030
Dieser Artikel spiegelt eine Einschätzung von Mandelz Consulting wider, gestützt auf öffentlich verfügbare Roadmaps und Marktanalysen per August 2026. Technologische Zeithorizonte in diesem Feld verschieben sich erfahrungsgemäss — eine Neubewertung alle 12 bis 18 Monate ist empfohlen.
Wie positioniert sich Ihr Unternehmen zwischen KI-Reife und Quanten-Horizont?
Vertrauliches Erstgespräch buchen →