Jensen Huang wartet nicht auf den akademischen Konsens. Der Nvidia-CEO hat erklärt, dass künstliche allgemeine Intelligenz – das lange verfolgte Heilige Gral der KI-Forschung – bereits Realität ist.

„Ich denke, es ist jetzt so weit. Ich denke, wir haben AGI erreicht“, sagte Huang in einer Folge des Lex-Fridman-Podcasts am 23. März. Von einem Mann, dessen Unternehmen die Rechen-Grundlage für nahezu jedes große KI-Labor der Welt liefert, verleiht diese Aussage besonderes Gewicht.

Neudefinition der Ziellinie

Am 27. August, im Rahmen der Q2-2026-Earnings-Call von Nvidia, bekräftigte Huang seine Aussage. „Für viele Aufgaben können wir sagen, dass wir AGI bereits erreicht haben“, sagte er gegenüber Analysten und Investoren.

Er ging noch weiter und bezeichnete traditionelle AGI-Benchmarks als „eher sinnlos“. Anstatt zu messen, ob KI menschliche Kognition flächendeckend erreichen oder übertreffen kann, argumentiert Huang, dass die entscheidende Kennzahl sein sollte, ob KI-Systeme das erzeugen können, was er „profitable Tokens“ nennt – im Wesentlichen produktiven wirtschaftlichen Output aus echter Arbeit.

Diese Rahmung ist bedeutsam, denn für AGI gab es nie eine festgelegte Definition. Seit der Begriff in den 2000er Jahren populär wurde, diskutieren Forscher, ob er Leistung auf menschlichem Niveau in allen kognitiven Bereichen, in wirtschaftlich wertvoller Arbeit oder etwas Engerem bedeutet. Huangs Position verschiebt die Messlatte faktisch von der Fähigkeit zur kommerziellen Nutzbarkeit und knüpft den Meilenstein an das, was Unternehmen heute einsetzen können, statt an Labor-Benchmarks.

400.000 KI-Agenten – und es werden mehr

Nvidia arbeitet an einem Arbeitskraftmodell, bei dem über 400.000 KI-Agenten alongside rund 40.000 menschlichen Mitarbeitern arbeiten. Das Unternehmen stellt sich vor, dass diese Agenten Aufgaben in den Bereichen Technik, Betrieb und Geschäftsfunktionen übernehmen.

Auf der Hardware-Seite hat Nvidia über GPU-Einsätze mit mehr als 1,5 Millionen Chips in einer einzigen Generation gesprochen, die das antreiben, was das Unternehmen „KI-Fabriken“ nennt – eigens errichtete Einrichtungen, die darauf ausgelegt sind, Intelligenz als industriellen Output zu produzieren.

Eine bequeme Meinungsverschiedenheit mit OpenAI

Huangs Definition von AGI bringt ihn in Widerspruch zu OpenAI. Das von Sam Altman geführte Unternehmen hält an einer formelleren Definition fest und beschreibt AGI als Systeme, die Menschen in der Mehrheit der wirtschaftlich wertvollen Aufgaben übertreffen.

Die Meinungsverschiedenheit ist nicht nur akademischer Natur. OpenAIs AGI-Definition ist in seine Unternehmensstruktur eingebettet, mit spezifischen Regelungen dazu, was geschieht, wenn AGI erreicht ist. Bemerkenswert ist, dass OpenAIs wegweisende Compute-Vereinbarung mit Microsoft nur für Prä-AGI-Systeme gilt, was bedeutet, dass eine formelle AGI-Erklärung direkte kommerzielle Konsequenzen für diese Partnerschaft hätte. Für OpenAI bedeutet eine AGI-Erklärung, vertragliche und organisatorische Veränderungen auszulösen. Für Nvidia bedeutet eine AGI-Erklärung, mehr Hardware an Unternehmen zu verkaufen, die im Wettlauf darum sind, darauf aufzubauen.

Huang würdigte OpenAIs Beiträge zu diesem Moment und würdigte die Rolle, die dessen Modelle bei der Demonstration dessen gespielt haben, was mit skaliertem Compute möglich ist.

Für Leser, die die Debatte verfolgen, wird der praktische Test von Huangs Behauptung in der unternehmerischen Adaption liegen: ob KI-Systeme, denen die Erzeugung „profitabler Tokens“ zugeschrieben wird, in messbare Produktivitätsgewinne im großen Maßstab übersetzt werden – und ob andere große KI-Labore eine Aufgaben-für-Aufgabe-Definition von AGI akzeptieren oder an umfassenderen festhalten.