Die Kommerzialisierung der künstlichen Intelligenz ist immer noch ein unklares Kapitel für die Technologiegiganten

Aufgrund des stark gestiegenen internen KI-Bedarfs hat ein Unternehmen im ersten Halbjahr dieses Jahres alle erreichbaren inländischen Anbieter auf dem Markt kontaktiert.

Nach umfassender Berücksichtigung von Leistung und Preis wurde schließlich ein Vertrag mit einem Anbieter unterzeichnet. Unerwarteterweise suchte der Anbieter am selben Nachmittag nach der Unterzeichnung des Vertrags das Unternehmen auf, um die Begrenzung der nutzungsbasierten Zahlung aufzuheben und auf eine reine Token-Verbrauchsabrechnung umzustellen. Letztendlich drückte er einen Kernpunkt aus:

„Wir können es umsetzen, aber Sie müssen mehr bezahlen.“

Nach der Anpassung des Anbieters würden die Beschaffungskosten um das Fünffache steigen. Der KI-Verantwortliche dieses Unternehmens erklärte: „Eine kurzfristige Vertragsänderung während der geschäftlichen Zusammenarbeit ist ein absolutes Tabu. Unsere internen Prozesse erlauben so etwas in keiner Weise – wir mussten diesen Anbieter sperren und einen anderen auswählen.“

Die kurzfristige Vertragsänderung des Anbieters zeigt, dass die inländische KI in kommerziellen Anwendungsbereichen noch dabei ist, das Bezahlmodell zu erproben und zu optimieren. Anbieter müssen verschiedene Kostenfaktoren berücksichtigen, wie die Verteilung der Rechenkapazitätskosten, die ökologischen Lücken zwischen verschiedenen Produkten und ihre eigenen geschäftlichen Gewohnheiten. Bei traditionellem IT und SaaS liegen die Grenzkosten nahezu bei Null, während bei großen Modellen und KI – ob es sich um produktivitätssteigerndes Codieren oder Desktop-Agenten handelt – die dahinterstehenden Kosten nicht-linear ansteigen.

Anthropic hat mit dem Codieren ein Geschäftsmodell für den B2B-Bereich weitgehend umgesetzt und vorläufige Erfolge erzielt.

Das Monetarisierungsmodell für hochwertige Aufgaben, das durch Unternehmensabonnements und API-Aufrufe entsteht, wird derzeit von großen inländischen KI-Unternehmen übernommen. Seit Mai haben KI-Cloud-Anbieter wie Baidu, Alibaba, Tencent, Huawei und ByteDance auf ihren jeweiligen Konferenzen ihre Absicht geäußert, sich auf die Ergebnislieferung und hochwertige Anwendungsbereiche zu konzentrieren. Doch dieser Weg ist nicht so glänzend wie die visuelle Darstellung auf den Hauptveranstaltungen.

Große Modellanbieter: Tanzen mit den Kosten im Rücken

Seit 2023 hat die KI eine Entwicklung von Chatbots über die Copilot-Unterstützung bis hin zu Agenten und Cloud-Agenten durchlaufen.

Die Aufgaben, die Modelle bewältigen können, werden immer komplexer: Mehrstufiges Schlussfolgern, Werkzeugaufrufe und langwierige Abläufe führen dazu, dass der Token-Verbrauch pro Aufruf exponentiell ansteigt. Da KI mehr Aufgaben erledigen kann, ist die Nachfrage explosionsartig gestiegen – kurz gesagt, der Rechenkapazitätsverbrauch pro Nutzer steigt und die Nutzungsskala wächst stetig.

Dass der Token-Verbrauch um das Zehntausendfache ansteigt, bedeutet nicht, dass Unternehmen eine entsprechende Nachfrage in dieser Größenordnung haben. Die Fähigkeiten der Modelle haben sich weit entwickelt, und die Modellanbieter, die mit festen physischen Rechenkapazitätskosten belastet sind, drängen darauf, ihre Fähigkeiten klar zu bepreisen, um Bargeld zu generieren.

Daten von TechInsights zeigen, dass die weltweiten Lieferungen von GPUs für Rechenzentren im gleichen Zeitraum nur um etwa das 2,5-fache gestiegen sind. Die Erweiterung der Produktionskapazitäten für HBM-Hochgeschwindigkeitsspeicher und fortschrittliche CoWoS-Verpackung wurde erst im vergangenen Jahr schrittweise abgeschlossen. Die Expansion von kapitalintensiven Anlagen wie Waferfabriken, Verpackungslinien und Speicherproduktionsstätten verläuft linear.

Ein Investor ist der Ansicht, dass die Kapitalausgaben großer Technologieunternehmen weiter steigen werden, um sich die Versorgung mit Rechenkapazität zu sichern. Unendliche Investitionen sind nicht nachhaltig. Gerade in diesem Moment hat Anthropic als Erster kommerziellen Nutzen im B2B-Bereich erzielt, was KI-Anbietern die Möglichkeit eröffnet, den Nebel zu durchdringen.

Anthropic hat einen klaren Weg gefunden, der Kunden direkte Ergebnisse liefert – das Codieren. Nach der Unterzeichnung eines großangelegten Mietvertrags für Rechenkapazitätscluster mit SpaceX im Mai erlebte das Unternehmen einen Boom, und sein Jahresumsatz überschritt 45 Milliarden US-Dollar.

Die Freisetzung der Rechenkapazität hat das kommerzielle Potenzial von Anthropic entfaltet und den kommerziellen Raum der KI im B2B-Bereich bewiesen. Dieses Potenzial bedeutet nicht, dass kurzfristig ein ausgeglichenes Ergebnis erreicht wird – es hängt vielmehr davon ab, ob die KI-Ausgaben von Unternehmen zu quantifizierbaren Erträgen führen. Die KI als variable Größe führt dazu, dass die Kosten je nach Nutzung schwanken, und die Nutzung ist aufgrund der unterschiedlichen Anwendungsbereiche schwer festzulegen.

Angesichts neuer Geschäftsfelder und unklarer Geschäftsmodelle haben viele Anbieter spezielle FDE-Teams gegründet, um unter dem Vorwand der Unterstützung bei der KI-Implementierung in Unternehmen eng mit Referenzkunden zusammenzuarbeiten. Beispielsweise hat Microsoft 2,5 Milliarden US-Dollar in die Microsoft Frontier Company investiert, ein Projekt für fortschrittliche Implementierungsingenieurwesen, das 6.000 Ingenieure, technische Berater und Vertriebsmitarbeiter zusammenfasst und diese direkt in die Unternehmen der Kunden entsendet, um Dienstleistungen zu erbringen.

In der traditionellen SaaS-Ära gaben Anbieter Preislisten und entsprechende Jahresgebühren an, und die Kunden konnten den Vertrag unterzeichnen und die Lösung selbst implementieren. Im KI-Zeitalter variieren die Ausgaben jedoch stark je nach Branche, Unternehmensgröße und Art der Implementierung. Kunden können den Grund dafür nicht klar benennen, und die Anbieter, die mit Kosten belastet sind, wissen nicht, was ein bestimmter Anwendungsbereich wert ist – deshalb entsenden sie Mitarbeiter, um den gesamten Prozess zu begleiten.

Tan Dai von Volcano Engine hat einst einen Erklärungsrahmen vorgeschlagen: „Der Preis pro Token steigt, aber der geschaffene Wert steigt schneller.“ Die Logik ist zwar korrekt, doch die Frage, wer den schnelleren Wertzuwachs nachweist, bleibt offen – besonders wenn die Verkäufer unter Kostendruck stehen und die Käufer keine Maßstäbe zur Bewertung der Ergebnisse haben, wird dieses Problem noch schwieriger.

Möglicherweise unter Berücksichtigung dieser Umstände hat Tan Dai eine Zugangsschwelle festgelegt: „Wenn das Umsatzziel keine Größenordnung von 1 Milliarde Yuan erreicht, sollten Sie besser keine Agenten entwickeln – es reicht, eine einzelne Fähigkeit zu erstellen.“ Oberflächlich gesehen filtert der Anbieter für die Kunden, doch dies zeigt, dass weder Modellanbieter noch Unternehmenskunden die Kosten klar berechnen können – sie müssen sich zunächst auf die praktischen Ergebnisse konzentrieren.

Die Verwirrung darüber, „was etwas wert ist“, zeigt sich im tatsächlichen Betrieb großer Unternehmen noch direkter und realistischer.

Ein interner Mitarbeiter von Meituan enthüllte, dass das Unternehmen jährlich 2 bis 3 Milliarden Yuan für den Einkauf von KI-Daten ausgibt – während das gesamte jährliche Budget der Forschungs- und Entwicklungsabteilung nur 1 Milliarde Yuan beträgt. Die enormen Dateninvestitionen haben nicht die erwarteten Ergebnisse gebracht. Beispielsweise liegt die Genauigkeit der KI im zentralen Anwendungsbereich der Straßenerkennung nur zwischen 60 % und 70 %, und es ist noch ein langer Weg bis zur vollständigen Implementierung.

So schwierig die Implementierung auch ist – KI ist die Zukunft, und das Unternehmen wird seine Investitionsentscheidung nicht ändern. Der genannte Mitarbeiter erzählte „Guangzi Planet“, dass Wang Xing von Meituan einst in einem kleinen Kreis von Führungskräften in diesem Jahr sagte: „Wir wissen nicht, wann KI erfolgreich sein wird. Wenn wir sie aber nicht entwickeln, werden wir möglicherweise nicht länger als drei Jahre überleben.“

Anbieter können die Kosten nicht klar berechnen, Kunden können die Erträge nicht klar berechnen. Wenn beide Seiten die Rechnung nicht nachvollziehen können, wendet sich der Markt spontan der gegenwärtigen Realität zu und strebt relativ kontrollierbare Kosten an.

Tan Dai hat zuvor kritisiert, dass die im Umlauf befindlichen Umsatzdaten von Seedance falsch und zu hoch sind, was ihm großen Druck bereitet. Die Quelle dieses Drucks lässt sich an dem videogenerierenden Produkt Jimo auf Basis von Seedance erkennen.

Ein Kenner der Materie erzählte „Guangzi Planet“, dass Jimo mindestens die Hälfte der internen Rechenkapazitätsressourcen von ByteDance verbraucht hat. Nach einer Reihe von Maßnahmen wie stetigen Preiserhöhungen und der Kürzung kostenloser Vorteile konnten nur etwa 10 % der Kosten wieder hereingeholt werden. Die Rechenkapazität wird stark verbraucht, und die fehlende Kostendeckung beeinträchtigt die Nachhaltigkeit des Geschäfts. Möglicherweise haben einige Führungskräfte großer Konzerne erkannt, dass das Produkt zwar beliebt ist, aber keine Gewinne erzielt – und deshalb ihre Pläne zur intensiven Entwicklung von Modellen aufgegeben.

Ein Mitarbeiter von Baidu erzählte „Guangzi Planet“: „Robin (Li Yanhong) hat gesagt, dass Baidu keine Modelfähigkeiten entwickelt, sondern nur die Verteilung und Produktverpackung übernimmt.“ Ein typisches Beispiel ist das Referenzprodukt „Baidu Yijing“, das auf der Baidu Creat-Konferenz vorgestellt wurde. Das Team nutzt externe Modelfähigkeiten wie Keling und übernimmt nur die Produktverpackung. Trotzdem befindet sich die Kommerzialisierung von Yijing noch in einem frühen Stadium.

Die Kalkulation der Unternehmenskunden

Die Modellanbieter versuchen, durch stetige Erhöhung der Investitionen, die Einführung neuer Produkte und die Festlegung neuer Zahlungspunkte die Kommerzialisierung zu beschleunigen. Doch bei der praktischen Implementierung in spezifischen Anwendungsbereichen lässt sich die Rechnung nicht nachvollziehen.

Es ist nicht einfach für Unternehmen, ihre eigenen Kosten klar zu berechnen. Wenn bei der Implementierung von Geschäftsabläufen die Verantwortlichkeiten unklar sind, wenden sich die operativen Einheiten dem zu, was sie kontrollieren können – und suchen in diesem endlosen KI-Spiel nach Sicherheit bei den Investitionsrenditen.

Zuvor hat J&T Express ein System zur Qualitätsprüfung von Arbeitsaufträgen eingeführt, das die Rate der zweiten Beschwerden bei Arbeitsaufträgen im chinesischen Markt um 23 % senkte. Bei der Einführung in anderen Ländern verhielten sich die lokalen Teams jedoch vorsichtiger. Sie „befürchten, dass die Kosten für die Nutzung großer Modelle nicht hereingeholt werden können“ und ziehen es vor, erst dann schrittweise auszuweiten, wenn das Ertragsmodell klar ist. Da die Rechnungen für die globale Effizienz und die lokalen versunkenen Kosten voneinander abweichen, folgt die Führungsebene manchmal lieber ihrer eigenen Logik.

Ein führendes inländisches KI-Unternehmen für Kurzdramen konzentriert sich ebenfalls auf die Kontrolle, um nicht die Geschäftsführung zu verlieren.

Dieses Unternehmen nutzt KI zur Erstellung von Kurzdramen und erreicht eine Effizienz von bis zu einem Drama pro Tag. KI deckt viele Schritte ab: Drehbuchverständnis, Storyboards, Charakterauswahl, Prüfung und Schnitt. Obwohl es fertige Produkte wie das „Xiaoyunque“-Agent von ByteDance auf dem Markt gibt, besteht das Unternehmen auf der Eigenentwicklung und dem Aufbau eigener Lösungen. Es versucht sogar, diese zu vermarkten und externen Kunden Dienstleistungen anzubieten.

„Abteilungen in abgelegenen Bereichen großer Unternehmen können dies nicht gut umsetzen, da sie nicht genug Engagement zeigen“, ist der Verantwortliche des Unternehmens überzeugt. Er meint, dass der gesamte Produktionsprozess mit KI abgedeckt werden kann – aber die Werkzeugkette muss in eigener Hand bleiben. „Wenn wir Agenten von anderen nutzen, hängt die Effizienz von ihnen ab, und sie können jederzeit entzogen werden.“

Tatsächlich haben große Unternehmen einen stärkeren Drang zur Kostenkontrolle als kleine Unternehmen.

Angesichts des anhaltenden und enormen Investitionslochs bei KI nutzt Meituan intern nur kleine Modelle mit 4B- und 35B-Parametern. Nur zum Testen und Validieren wird ein „teuerstes und bestes“ großes Modell verwendet. Ihre Logik ist einfach: „Wenn selbst das beste Modell die Aufgabe nicht bewältigen kann, schaffen es andere erst recht nicht.“

„Guangzi Planet“ hat erfahren, dass Meituan intern der Ansicht ist, die Investitionen zunächst zu kontrollieren, solange die Rendite noch unklar ist. Daraus hat das Unternehmen eine Reihe von praktischen Erfahrungen abgeleitet: Zuerst wird mit dem teuersten Modell die Obergrenze der Fähigkeiten ermittelt, dann werden tägliche Aufgaben mit kleinen Modellen ausgeführt – dadurch lassen sich die Token-Ausgaben in einen kontrollierbaren Bereich bringen.

Dies stimmt mit der Herangehensweise von Logistikunternehmen überein, die besonders sorgfältig mit ihren Ausgaben umgehen.

Bei der Datenmarkierung hat J&T Express ein eigenes, fein abgestimmtes Modell mit mehreren Milliarden Parametern entwickelt, das für lokale geschlossene Validierungen verwendet wird. Nur in Anwendungsbereichen, die die globale Steuerung betreffen oder direkt mit Kunden interagieren, werden externe große Modelle aufgerufen, um die Ergebnisse zu gewährleisten. Teure Modelle werden vorrangig dort eingesetzt, wo sie unbedingt benötigt werden – die restlichen Schritte übernimmt die technische Abteilung mit eigenen Ressourcen.

Interessanterweise wissen auch Branchen mit niedrigen Token-Ausgaben, wie beispielsweise das Online-Bildungswesen, dass sie ihre Ressourcen auf die wichtigsten Punkte konzentrieren müssen.

Onion Campus erzählte „Guangzi Planet“, dass Diagnose, Feedback und personalisierte Empfehlungen derzeit die am weitesten verbreiteten Anwendungsbereiche von KI sind. „Die Auswirkungen eines Fehlers sind beherrschbar und können rechtzeitig korrigiert werden.“ In risikoreichen Anwendungsbereichen werden Überprüfungsmechanismen eingeführt, um zu verhindern, dass das Modell alleine „ohne Sicherheitsnetz“ arbeitet.

In der Bildungsbranche ist die Fehlertoleranz sehr gering – ein einziges falsches Ergebnis kann dazu führen, dass Eltern die Rückerstattung der Gebühren verlangen. Der unausgesprochene Grund sind natürlich die Kosten. Der Aufwand, um von 80 auf 95 Punkte zu gelangen, führt zu einem exponentiellen Kostenanstieg. Statt ein teures 100-Punkte-Ergebnis anzustreben, ist es sinnvoller, die KI auf einem Niveau von 70 Punkten zu betreiben, bei dem