KI-Assistent ist ein Scheinproblem

Diesen Juni wurden Zhipu AI und Minimax nacheinander in den Hang Seng Tech Index aufgenommen, und JPMorgan Chase bewertete die beiden Unternehmen in einem Bericht auf völlig gegensätzliche Weise[1]:

Einerseits hob es das Kursziel für Zhipu AI auf 1400 HKD an und bestätigte die Bewertung „Übergewichten“, andererseits stufte es Minimax auf „Neutral“ herab und kürzte das Kursziel direkt von 1100 auf 400 HKD.

Zhipu AI und Minimax gingen fast zeitgleich an die Hongkonger Börse und werden häufig gemeinsam diskutiert. Nach dem Börsengang lagen ihre Marktkapitalisierungen zunächst auf Augenhöhe, trennten sich aber im April dieses Jahres deutlich voneinander.

Die Marktkapitalisierung von Zhipu AI stieg sprunghaft an und überstieg zeitweilig eine Billion HKD; inzwischen ist sie auf über 700 Milliarden HKD zurückgefallen, was etwa der Hälfte des Marktwerts von Alibaba entspricht. Minimax rutschte dagegen kontinuierlich auf etwas über 100 Milliarden HKD ab und kehrte damit fast zum Niveau des Börsengangs zurück.

Man fürchtet nicht, dass der Bruder leidet, sondern dass er sich einen Luxuswagen kauft. Die grundlegenden Geschäftsbedingungen beider Unternehmen haben sich nicht grundlegend verändert, aber die Preislogik des Kapitalmarkts hat sich offensichtlich dramatisch gewandelt.

Welches Modell nutzt du?

Der Auslöser für die völlig gegensätzlichen Bewertungen von JPMorgan Chase an Zhipu AI und Minimax war die konträre Marktreaktion auf die Preiserhöhungen der beiden Unternehmen.

Diesen Juni kündigte Minimax eine Preiserhöhung an: Das Flaggschiff-Modell M3 wurde etwa doppelt so teuer wie das Vorgängermodell M2.7, was zahlreiche Nutzer verärgerte. Eine Woche später kündigte Minimax eine dauerhafte Preissenkung von 50 % an und kehrte damit zu einem Niveau zurück, das dem von M2.7 nahekommt.

Die Preiserhöhung von Zhipu AI wurde dagegen vom Markt akzeptiert. Seit Anfang dieses Jahres sind die API-Preise von Zhipu AI fast verdoppelt worden. Nach der Veröffentlichung von GLM-5.2 strich Zhipu AI zudem die API-Rabatte für frühere Versionen – dennoch ist die Nutzung des Modells stetig gestiegen.

JPMorgan Chase zog daraufhin das Fazit: Die Modellleistung hängt stark mit der Preisgestaltung zusammen; wer die Preise senkt, befindet sich in einer schwächeren Position.

Obwohl die beiden Unternehmen oft verglichen werden, verfolgen sie völlig unterschiedliche Geschäftskonzepte.

Minimax konzentriert sich auf KI-native Anwendungen für den Endverbrauchermarkt (C-Ende) mit Produkten wie Minimax Agent, Hailuo AI, Talkie und weiteren Apps. Zhipu AI setzt dagegen auf den Unternehmensmarkt (B-Ende) und erzielt Einnahmen durch unternehmensweite Großmodelle/Agenten sowie offene Plattformen/APIs.

Man kann sagen, dass die beiden Unternehmen zwei grundlegende Richtungen der KI-Branche repräsentieren: Eine verdient Geld von Endverbrauchern, die andere von Unternehmenskunden.

Die völlig unterschiedlichen Einschätzungen des Marktes für die beiden Unternehmen implizieren eine weitere Annahme: Nutzer im C-Ende sind nicht so wertvoll, wie oft angenommen.

Der Weg des Massenmarkts führt in die Sackgasse

Während des chinesischen Neujahrsfestes dieses Jahres übertraf der Wettbewerb um KI-Produkte sogar die Diskussion um die Verteidigung der 4000-Punkte-Marke an der Börse. Alibaba investierte 3 Milliarden CNY in Bargeld für sein Qwen-Modell, Tencent verteilte massenhaft Hongbao-Rabatte für seinen Yuanbao-Assistenten in Gruppenchats, und Doubao von ByteDance wurde während des Frühlingsfestgala prominent beworben.

Doubao ging als der klare Gewinner hervor, aber die Kosten dieses Sieges werden nun sichtbar.

Nach offiziellen Angaben von ByteDances Volcano Engine überschritt die tägliche Anzahl an Token-Aufrufen des Doubao-Großmodells im März 2026 120 Billionen. Zum Vergleich: Im Mai 2024 lag der tägliche Verbrauch noch bei 120 Milliarden – ein Anstieg um das Tausendfache innerhalb von nur zwei Jahren.

Der tatsächliche Einnahmenzuwachs in diesem Zeitraum ist unbekannt, aber er liegt mit Sicherheit weit unter dem Tausendfachen.

Damals verfolgten die großen chinesischen Tech-Unternehmen noch die Strategie, die „Einstiegspunkte“ der Nutzer zu besetzen. Traditionelle Internetprodukte können auf zwei extrem wichtige Weise Einnahmen aus C-Ende-Nutzern generieren.

Erstens: Starke Grenzkosteneffekte. Nach Erreichen eines Schwellenwerts kostet die Bereitstellung des Dienstes für einen weiteren Nutzer fast nichts. Beispielsweise können Inhalte nach der Erstellung wiederholt verteilt werden – sobald die Nutzerzahl groß genug ist, verteilen die Datenströme die Kosten automatisch.

Zweitens: Vielfältige Monetarisierungsmöglichkeiten. Es ist nicht schlimm, wenn Nutzer kein Geld ausgeben: Solange sie lange im Produkt interagieren, gibt es zahlreiche Wege wie Werbung oder E-Commerce, um Einnahmen zu erzielen.

Großmodelle verursachen jedoch für jeden einzelnen Nutzer entsprechende Kosten – eine große Nutzerzahl wird zu einem enormen Kostendruck. Da Monetarisierungswege wie Werbung fehlen, sind kostenlose Nutzer reine Kostenbelastungen.

Im März 2025 wurde das Bildgenerierungsmodell von ChatGPT populär: 130 Millionen Nutzer erstellten innerhalb einer Woche 700 Millionen Bilder, was Sam Altman dazu veranlasste, auf X (ehemals Twitter) über die Rechenkosten zu klagen. Bis zum ersten Quartal dieses Jahres verlor OpenAI 1,22 USD für jeden eingenommenen Dollar[6], genau weil die Nutzerzahl zu groß ist.

Aktuell überschreitet die wöchentliche aktive Nutzerzahl von ChatGPT 900 Millionen, die Zahl der Abonnenten liegt bei über 50 Millionen. Nach diesen Daten beträgt die Zahlungsbereitschaft nur 5 % – weniger als bei iQiyi und sogar niedriger als bei Zhihu.

Laut Statistiken von RevenueCat trägt ein zahlender Nutzer von KI-Apps zwar 41 % mehr zum Umsatz bei als ein Nutzer von Nicht-KI-Apps – aber die Abwanderungsrate ist um 30 % höher[7]. Anfang dieses Jahres erklärte Sam Altman, dass er plane, Werbung in den kostenlosen und Go-Versionen von ChatGPT zu testen, weil die meisten Menschen nicht bereit sind, Geld auszugeben.

Inmitten der Schwierigkeiten der Großmodell-Unternehmen bewies Anthropic erfolgreich: Wenn ein leistungsstarkes Modell mit Szenarien von hohem wirtschaftlichem Wert kombiniert wird, können auch wenige Nutzer enorme Einnahmen generieren:

Die tägliche aktive Nutzerzahl der Claude-Produkte liegt bei weniger als 5 % der von ChatGPT – aber der jährliche Umsatz von Anthropic überstieg im April den von OpenAI, genau weil der Markt für Programmierwerkzeuge einen extrem hohen Wert hat.

Diesen Februar sammelte Anthropic 30 Milliarden USD ein, im Mai weitere 65 Milliarden USD. Innerhalb von weniger als vier Monaten stieg die Unternehmensbewertung von 380 auf 965 Milliarden USD. Das Unternehmen hat die Preislogik des Kapitalmarkts für KI-Unternehmen im Alleingang verändert und der gesamten Branche einen klaren Weg gewiesen.

Nur die Arbeit bringt Erfolg

Als der Kampf um 4,5 Milliarden CNY an Neujahrs-Rabatten endete, passierten zwei Dinge gleichzeitig.

Erstens: OpenClaw erschien auf der Bildfläche und wurde sofort von vielen Arbeitnehmern begeistert aufgenommen und nachgeahmt.

Zweitens: Anthropic wuchs rasant – der jährliche Umsatz von Claude Code überschritt innerhalb von sechs Monaten 1 Milliarde USD[8], und Anthropic wurde zum Maßstab für KI-Programmierung.

Beide Ereignisse weisen auf Produktivitätsszenarien hin. Der Schlüssel zur KI-Monetarisierung liegt nicht darin, Nutzern bei der Bestellung von Getränken zu helfen, sondern sie bei ihrer Arbeit zu unterstützen. Die Monetarisierungspfade der Modelle konzentrieren sich bereits auf „Produktivitätsszenarien“ wie Arbeitsabläufe, Unternehmens-API-Nutzung und KI-Programmierung.

Ein unpassendes aber verständliches Beispiel:

Beim Verkauf von Überwachungskameras ist ein KI-Assistent für den C-Ende-Markt wie der Verkauf an Parkplätze – die Kamera ist ein Vermögenswert mit zeitlich begrenzter Wertminderung, und man verdient nur hart erarbeitetes Geld. Programmierung und API-Dienste für den B-Ende-Markt sind wie der Verkauf an Verkehrsbehörden – die Kamera wird zu einem Werkzeug zur Erfassung von Verstößen und zur Generierung von Bußgeldern. Solange die Einnahmen aus Bußgeldern die Investitionskosten decken, ist es in jedem Fall profitabel.

Welcher Kunde eine höhere Zahlungsbereitschaft und Zahlungsfähigkeit hat, liegt auf der Hand.

Großmodelle leiden unter „Halluzinationen“, Chatbots sind schwer zu monetarisieren, und es gibt fast keine Wege, Datenströme in Einnahmen umzuwandeln. KI-Assistenten für Einkäufe, Fahrten oder Essensbestellungen bieten bisher keine revolutionären Verbesserungen der Nutzererfahrung – es ist sogar fraglich, ob sie die Effizienz steigern. Ihre kommerzielle Nutzung liegt noch in weiter Ferne.

Dagegen ist die Umgestaltung von Arbeitsabläufen im B-Ende-Markt durch Großmodelle geradezu revolutionär. Anwendungen wie die Programmierung zeichnen sich durch hoch strukturierte Arbeitsmethoden und Prozesse aus – genau der Bereich, in dem Großmodelle ihre Stärken ausspielen. Noch wichtiger ist, dass sich der Return on Investment klar berechnen lässt.

Laut Berechnungen von Menlo Ventures[9] beliefen sich die Ausgaben für generative KI in Unternehmen im Jahr 2025 auf 37 Milliarden USD, wovon 19 Milliarden USD in die Anwendungsebene flossen. Bei den abteilungsweiten KI-Ausgaben macht die Programmierung 55 % aus – das ist das größte Anwendungssegment.

Daher verlagern die großen Tech-Unternehmen nach dem Kampf um die Einstiegspunkte ihre Investitionen massiv in Produktivitätsszenarien.

Diesen März gab OpenAI das Projekt Sora auf und konzentrierte sich auf die Code-Entwicklung[10], um den Abstand zu Anthropic zu verkleinern. Google verfolgte lange den Ansatz nativer Multimodalität – mit dem Nachteil, dass seine KI-Programmierfähigkeiten weit zurücklagen. Als Claude erfolgreich wurde, begann auch Google, Ressourcen für die KI-Programmierung zu bündeln.

In China hat ByteDance eine professionelle kostenpflichtige Version von Doubao eingeführt, die auf Doubao 2.1 Pro setzt. Die Werbung ist direkt: Das Hauptmodell wurde in drei Bereichen – Codierung, Agenten und visuelles Sprachmodell – verbessert, allesamt auf berufliche Nutzung ausgerichtet.

Bei Tencent ist es ähnlich. Obwohl der WeChat-KI-Assistent Xiaowei groß angekündigt getestet wird, scheint er bisher eher eine Antwort an den Kapitalmarkt zu sein. Im vergangenen Quartal hat Tencent seine Ressourcen vor allem auf die Förderung von WorkBuddy, CodeBuddy und unternehmensweiten Agenten-Suiten konzentriert.

Laut offiziellen Angaben von Tencent wird CodeBuddy bereits von über 95 % der Ingenieure des Unternehmens genutzt, was die gesamte Codierzeit um 40 % verkürzt[11].

Tatsache ist: Damit Modelle Geld verdienen, muss man Unternehmenskunden dazu bringen, freiwillig Rechnungen zu bezahlen.

Ein beruhigendes Signal für den Markt

Elon Musk, der Meister des Geschäfts, hat in dem IPO-Dokument von SpaceX eine Rechnung aufgemacht:

Der gesamte zukünftige Markt für KI-Anwendungen wird auf 28,5 Billionen USD geschätzt (ohne China und Russland). Davon entfallen 2,4 Billionen auf Infrastruktur und 22,7 Billionen auf Unternehmensanwendungen. Selbst der mutige Musk schätzt den Markt für Abonnements und Werbung im C-Ende auf nur 1,36 Billionen USD – weniger als ein Bruchteil des Marktwerts im B-Ende.

Um Modelle zu trainieren und Cloud-Dienste bereitzustellen, wandeln Tech-Unternehmen fast ihren gesamten Cashflow in GPUs, Server und Rechenzentren um. Die Kapitalausgaben steigen explosionsartig an, während der Cashflow drastisch einbricht.

In China ist der Nettogewinn von ByteDance um 70 % gefallen, der freie Cashflow von Alibaba ist negativ geworden, und selbst Tencent, das für seine Stabilität bekannt ist, gibt immer mehr Geld für KI-Infrastruktur aus – alle Unternehmen bauen massiv KI-Anlagen auf.

Diesen Juni gab es Meldungen, dass ByteDance mit mehreren Banken über neue Kredite von insgesamt etwa 20 Milliarden USD verhandelt, um die Ressourcen für das Wettrüsten bei KI-Infrastruktur aufzustocken[12]. Das wäre der größte Offshore-Kredit in der Geschichte von ByteDance.

Die Billionen schweren Kapitalausgaben im vorgelagerten Bereich stehen unter enormem Abschreibungsdruck. Jeder braucht eine klare Antwort darauf, wo die Rendite herkommen soll.

Auf der Telefonkonferenz von Microsoft zum dritten Quartal des Geschäftsjahres 2026 stellten Analysten die ultimative Frage[13]: Alle sehen, dass die KI-Nachfrage stark ist – aber wer wird das alles bezahlen?

Die Konzentration