Die Grenzkosten der KI sinken, warum werden die Rechnungen der Unternehmen aber immer teurer?

Gesamte Lesezeit ca. 22 Minuten 

In der KI-Branche entwickelt sich derzeit eine eigene Preislogik: Die Fähigkeiten älterer Modelle werden rasch zu allgemein verfügbaren Massenware, während die Spitzenmodelle nach wie vor die hohen Wertschöpfungsbereiche besetzen. Michael Watkins erläutert detailliert, wie dieser Mechanismus die grundlegende Logik von Wettbewerbsvorteilen von Unternehmen neu gestaltet.

Kernpunkte zum schnellen Lesen

• Die Kosten für KI-Fähigkeiten auf Infrastrukturebene sinken exponentiell, aber Modelle mit branchenführender Explorationskapazität behalten aufgrund des hohen Rechenleistungsverbrauchs und des schnellen Leistungsaktualisierungsrhythmus dauerhaft hohe Preise bei.
• Kommerzialisierte allgemeine KI kann keine dauerhaften Wettbewerbsbarrieren aufbauen, die zentrale Aufgabe der Entscheidungsträger besteht darin, präzise zu unterscheiden: Welche Fähigkeiten werden bald zu branchenweiten Standardausstattungen, und welche können echte Wettbewerbsunterschiede im Geschäft bewirken.
• Die langfristigen Wettbewerbsvorteile von Unternehmen beruhen auf drei Säulen: Präzises Setzen auf Spitzenfähigkeiten, Stärkung komplementärer Vermögenswerte wie proprietäre Daten, Vertrauenssysteme und Vertriebskanäle sowie agiles Vorantreiben der dynamischen Umgestaltung von Organisation und Ressourcen in dem Zyklus der raschen Wertminderung großer Modelle.

Auf dem BlackRock US-Infrastrukturgipfel im März 2026 zeichnete Sam Altman, CEO von OpenAI, ein solches Bild: „In der Zukunft wird Intelligenz wie Strom und Wasser zu einer allgemeinen Versorgungsleistung werden, Kunden zahlen nach Verbrauch und können sie jederzeit abrufen.“

Angesichts der stetig steigenden Kurve der Rechenleistungskosten wirkt das Vertrauen auf die „Versorgungsfunktion“ bei der KI-Preislogik zweifellos beruhigend für Unternehmensführungskräfte. Versorgungsleistungen bedeuten von Natur aus niedrige Grenzkosten, und billige Intelligenz scheint zu versprechen, dass KI das Kostenproblem der Managementebene endgültig hinter sich lassen wird – so wie einst Internet-Breitband und Ferngespräche: Man muss nur frühzeitig investieren und auf die Verbreitung der Technik warten, dann löst sich das Kostenproblem von selbst.

Aber die Realität ist genau das Gegenteil. Die Entwicklung des Breitbandinternets hat diesen Irrtum bereits bestätigt: Obwohl die Kosten für die Übertragung eines Megabytes an Daten stark gesunken sind, sind die gesamten Netzausgaben von Unternehmen nie zurückgegangen. Als Breitband nicht mehr knapp war, stieg die Nachfrage der Unternehmen schnell von einfachen Text-E-Mails zu Ultra-HD-Videostreams.

Die Expansionsgeschwindigkeit des Rechenleistungsverbrauchs übersteigt stets das Ausmaß des Rückgangs des Stückpreises. Im Bereich der KI-Rechenleistung gilt diese Regel gleichermaßen, und der Aktualisierungsrhythmus ist sogar noch schneller.

Als OpenAI Ende 2021 die GPT-3-Schnittstelle erstmals öffnete, wurden für die Verarbeitung von 1 Million Token (ca. 750.000 englische Wörter) 60 US-Dollar berechnet; nur drei Jahre später sind die Kosten für die Verarbeitung gleicher Textmengen durch Modelle gleicher Leistung auf 6 Cent gefallen, was einem Rückgang um das Tausendfache entspricht.

Gleichzeitig sind die Ausgaben der Spitzenunternehmen für die Nutzung der neuesten Spitzenmodelle nie gesunken. Die allgemeine Verfügbarkeit von Intelligenz wird nicht synchron erreicht, sondern weist ein ausgeprägtes Merkmal des „verzögerten Preisrückgangs“ auf: Die Fähigkeiten der vorherigen Modellgeneration nähern sich rasch der Kostenfreiheit, während die aktuellen Spitzenfähigkeiten nach wie vor teuer sind. Dieses Gesetz der geschäftlichen Entwicklung wird sich in absehbarer Zukunft kaum ändern.

Der CTO von Uber gab zuvor bekannt, dass das KI-Budget des Unternehmens für das Jahr 2026 bereits nach vier Monaten vollständig aufgebraucht war – die Ursache liegt darin, dass 5000 Ingenieure vollständig Agentic-Programmierwerkzeuge nutzen, wobei die durchschnittlichen Rechenleistungskosten pro Person monatlich zwischen 500 und 2000 US-Dollar liegen.

Analyse der zwei entscheidenden Kurven

Die erste Kurve beschreibt die Preisentwicklung pro Einheit von KI-Fähigkeiten mit fester Leistung. Branchendaten liefern eindeutige Belege: Der Preis für Rechenleistung sinkt sprunghaft. Nach Bewertung von sechs Kernbenchmarks durch das KI-Kostenforschungsinstitut Epoch AI liegen die jährlichen Kostensenkungen für Rechenleistung zur Erreichung bestimmter Leistungsstandards je nach Aufgabentyp zwischen dem 9-fachen und dem 900-fachen.

Am Beispiel der Lösung von wissenschaftlichen Problemen auf Doktorgradniveau sinken die Stückkosten zur Erreichung der Leistung auf GPT-4-Niveau jährlich um etwa das 40-fache; Berechnungen des bekannten Venture-Capital-Unternehmens Andreessen Horowitz zeigen zudem, dass der durchschnittliche Marktpreis von Modellen gleicher Leistung jährlich um 90 % fällt.

Der Hauptantrieb für den raschen Preisrückgang ist der intensive Wettbewerb auf dem Markt, wobei die Auswirkungen der chinesischen Open-Source-Community besonders hervorstechen. Open-Source-Modelle mit freien Gewichten von DeepSeek, Alibaba, Zhipu, Moonshot und Meta setzen einen soliden Preisuntergrenze für die gesamte Branche fest: Sobald eine höhere Fähigkeit von einem Open-Source-Modell erfolgreich nachgebildet wird, können Unternehmen die Lösung auf eigener Hardware lokal bereitstellen, und die hohe Preissetzungsmacht von Anbietern geschlossener Modelle bricht sofort zusammen.

Besonders bemerkenswert ist, dass diese Preisuntergrenze rasch steigt – Mitte 2026 hat sich der technische Abstand zwischen den besten Open-Source-Modellen und proprietären Spitzenmodellen von ursprünglich „mehreren Jahren“ auf „wenige Monate“ verengt. Genau diese stetig steigende Preisuntergrenze liefert die reale Grundlage für Altmans These von der „zunehmenden Verfügbarkeit von Intelligenz“.

Gleichzeitig steigt die zweite Kurve gegenläufig rasant an. Wenn ältere technische Fähigkeiten allgemein verfügbar werden, behalten die „Spitzenfähigkeiten“ auf branchenführendem Niveau nach wie vor fest die Preissetzungsmacht in der Hand. Als OpenAI das erste Modell mit fortschrittlichen Schlussfolgerungsfähigkeiten auf den Markt brachte, lag der Ausgangspreis nach wie vor bei hohen 60 US-Dollar pro Million Token. Noch gravierender ist, dass der Rechenleistungsaufwand für die Erledigung einzelner komplexer Aufgaben exponentiell wächst.

Herkömmliche Frage-Antwort-Interaktionen lösen in der Regel nur einen einzigen Modellaufruf aus; Agentic-Systeme hingegen müssen zur Erledigung einer Aufgabe mehrere Iterationen durchlaufen, darunter Zielzerlegung, Tool-Aufruf, Ergebnisprüfung und Selbstkorrektur, wobei bei jedem Schritt riesige Mengen an Kontextinformationen erneut übermittelt werden.

Nach Berechnungen von Gartner liegt der Token-Verbrauch von agentenbasierten Arbeitsabläufen beim 5- bis 30-fachen von herkömmlichen Chat-Interaktionen; eine Software-Engineering-Benchmark-Studie zu acht Spitzenmodellen im April dieses Jahres zeigte, dass der Token-Aufwand für agentenbasierte Programmieraufgaben beim 1000-fachen von gleichwertigen Dialoganfragen liegt, wobei die Kosten hauptsächlich aus häufig wiederholten Eingabekontexten stammen und nicht aus den generierten Ergebnissen. Selbst bei verschiedenen Ausführungsinstanzen derselben Aufgabe kann der Schwankungsbereich des Rechenleistungsverbrauchs bis zum 30-fachen betragen; zudem neigen die Modelle selbst dazu, den Aufwand systematisch zu unterschätzen.

Wenn man die beiden Kurven kombiniert, findet sich die Antwort auf das Kostenparadox, das die Managementebene belastet. Die KI-Rechnung eines Unternehmens ist das Produkt aus „Stückpreis“ und „Gesamtverbrauch“. Angenommen, die Kosten für eine einzelne KI-Aufgabe betrugen im vergangenen Jahr 1 US-Dollar und sinken in diesem Jahr auf 10 Cent (ein Rückgang um 90 %), aber wenn agentenbasierte Arbeitsabläufe die Aufrufhäufigkeit für einzelne Aufgaben um das 50-fache steigen lassen, steigt die tatsächliche Rechnung von 1 US-Dollar auf 5 US-Dollar. Die durch den Preisrückgang entstandene Kostenrendite wird vollständig durch das explosionsartige Wachstum des Verbrauchs aufgehoben.

Dies erklärt auch, warum die Modellausgaben der Unternehmen gerade jetzt, wo die KI-Branche die größte Preiswelle der Geschichte erlebt, immer neue Höchststände erreichen. Daten von Menlo Ventures zeigen, dass die Investitionen von Unternehmen in große Sprachmodelle im Jahr 2025 innerhalb von sechs Monaten verdoppelt wurden; Gartner prognostiziert, dass die weltweiten Ausgaben von Unternehmen für KI-Modelle und Plattformen im Jahr 2026 über 64,3 Milliarden US-Dollar liegen werden.

Die Auswirkungen auf Mikroebene sind ebenfalls erheblich: Der CTO von Uber gab im April dieses Jahres offen an, dass das gesamte KI-Budget des Unternehmens für 2026 nur vier Monate reichte, der Kern der Grund liegt darin, dass nach der Einführung von agentenbasierten Programmierwerkzeugen für 5000 Ingenieure die durchschnittlichen Kosten pro Person monatlich auf 500 bis 2000 US-Dollar gestiegen sind. „Starker Preisverfall, rasanter Anteil der Gesamtausgaben“ ist kein Einzelfall mehr, sondern ein allgemeines Problem, dem sich Führungskräfte in der gesamten Branche gegenübersehen.

Unterscheidbare Wettbewerbsbarrieren, die in diesem Quartal noch viel wert sind, können im nächsten Quartal zu kostenlosen allgemeinen Fähigkeiten werden. Die Trennlinie der Technik entwickelt sich stetig weiter und bewegt sich nie auf derselben Stelle.

Die stetig wandernde Trennlinie

Nur wenn man beide Kurven gleichzeitig betrachtet, kann man das wahre Gesicht des KI-Geschäftsökosystems erkennen: Modellfähigkeiten verbleiben nie dauerhaft auf dem Spitzenwert, sondern fallen mit sehr kurzer Halbwertszeit rasch auf die Preisuntergrenze zu.

Unterscheidbare Wettbewerbsbarrieren, die in diesem Quartal noch hochwertig sind, können im nächsten Quartal zu kostenlosen allgemeinen Fähigkeiten werden, und die neue Generation von Spitzenfähigkeiten rückt sofort nach und nimmt den Spitzenplatz ein. Die dynamische Verschiebung dieser Trennlinie hört nie auf und verläuft stets in eine Richtung.

Der „Generationsaktualisierungsmechanismus“ in der Automobilindustrie ist der beste Bezugspunkt zum Verständnis dieses Phänomens: Alte Modelle verlieren Jahr für Jahr an Wert und werden billiger, während neue Modelle dauerhaft hohe Preise behalten, und das wiederholt sich zyklisch. Man muss jedoch klarstellen, dass die „Modelljahresangabe“ im KI-Bereich keineswegs an das natürliche Kalenderjahr gebunden ist – der tatsächliche technische Aktualisierungszyklus ist auf Quartalsebene zusammengeschrumpft.

Wenn Unternehmensführungskräfte noch dem traditionellen jährlichen Planungsrhythmus folgen, liegt ihr Entscheidungsrhythmus im Wesentlichen um drei volle technische Zyklen hinter dem Markt zurück.

Wann hört KI auf, einen Wettbewerbsvorteil zu bilden?

Klassische Theorien des strategischen Managements weisen darauf hin, dass eine Ressource zur Bildung eines langfristigen Wettbewerbsvorteils gleichzeitig Wert, Knappheit und Nicht-Nachahmbarkeit erfüllen muss (das sogenannte VRIO-Framework). Obwohl KI-Modelle der vorherigen Generation sehr wertvoll sind, haben sie ihre Knappheit und Nachahmungsbarrieren bereits verloren. Sobald eine Fähigkeit die kostenlose Preisuntergrenze erreicht, wird sie automatisch zu einer allgemeinen Infrastruktur für alle Wettbewerber und sogar neue Marktteilnehmer.

KI-Anwendungen entwickeln sich rasch von „differenzierenden Werkzeugen“ zu „Zugangsvoraussetzungen für die Branche“; Unternehmen, die sich in den Jahren 2024 bis 2025 über die erfolgreiche Einführung von KI freuten, werden letztendlich feststellen, dass diese Maßnahmen keine dauerhaften Wettbewerbsbarrieren aufgebaut haben.

Die strategische Forschung ist diesem Entwicklungspfad längst vertraut. Wenn eine Innovation sehr wertvoll, aber leicht zu kopieren ist, sind es am Ende oft nicht die direkten Anwender der Innovation, die den geschäftlichen Wert erzielen, sondern die Akteure, die die „komplementären Vermögenswerte“ besitzen, die zur Wertschöpfung erforderlich sind.

Im KI-Zeitalter umfassen diese unersetzlichen komplementären Vermögenswerte: Nicht abrufbare proprietäre Daten, strenge regulatorische Zugangsberechtigungen, ausgereifte Vertriebskanäle, physische Infrastruktur, institutionelles Vertrauen sowie die Kapazität zur kontinuierlichen Investition in der kritischen Phase der technischen Weiterentwicklung.

Allerdings fügt der „Modell-Generationsaktualisierungsmechanismus“ dem klassischen strategischen Rahmen eine noch härtere dynamische Eigenschaft hinzu. Wenn die externe Umgebung KI-Fähigkeiten quartalsweise neu bewertet, wird der ursprüngliche Vorteil stetig geschwächt, selbst wenn Unternehmen über reichliche statische Vermögenswerte verfügen, solange sie keine agile organisatorische Umgestaltung um die neue Generation von KI-Fähigkeiten durchführen.

Wahrhaft dauerhafte Wettbewerbsvorteile stammen von den „dynamischen Fähigkeiten“, die in der strategischen Managementlehre definiert sind: Die Einsicht, kontinuierlich zu erkennen, zu welcher „Generation“ eine KI-Fähigkeit gehört, die technische Umsetzungsfähigkeit, kommerzialisierte Fähigkeiten schneller als Wettbewerber zu implementieren, sowie die organisatorische Flexibilität, Personal und Kapital präzise zu verteilen, wenn die Preisuntergrenze sinkt. Statische Wettbewerbsbarrieren bestimmen Ihre aktuelle Wettbewerbsposition, die Geschwindigkeit der Umgestaltung und Aktualisierung bestimmt, ob Sie langfristig führend bleiben können.

Der Denkrahmen des „Modell-Generationsaktualisierungsmechanismus“ wird die Entscheidungslogik von Führungskräften in allen Branchen grundlegend neu gestalten.

Strategische Hinweise für Unternehmensführungskräfte

Der Denkrahmen des „Modell-Generationsaktualisierungsmechanismus“ wird die Entsche