Von der Traffic-Logik zur Aufgabenlogik beendet der AI Agent gerade das kostenlose Mittagessen im Internet.

【Anmerkung der Redaktion】

Am 29. April 2026 stellte Andrej Karpathy in einem Kamingespräch bei HSG AI Ascent eine These auf: Eine neue Wirtschaft für agent-native Systeme entsteht gerade, und alle Software, Dokumente und Prozesse, die heute für Menschen geschrieben werden, müssen neu als „für Agenten geschrieben“ umgestaltet werden. Er sprach über die technische Neugestaltung auf der Angebotsseite, ließ aber eine unbeantwortete Frage offen: Wenn alles neu geschrieben werden muss, wer bezahlt diese Neugestaltung und wie wird der Wert verteilt?

Das Forschungsthema der Agenten-Wirtschaft geht genau von dieser Frage aus. Der erste Artikel „An der Kreuzung der AI-Kommerzialisierung: Warum weder Werbung noch Abonnements allein funktionieren können“ erörtert, wie KI Einnahmen generieren kann, und kommt zu dem Schluss, dass weder Werbung noch Abonnements allein gangbar sind, wobei sich der Schwerpunkt der Kommerzialisierung von „Verkauf von Zugängen“ zu „Verkauf von Ergebnissen“ verlagert. Dieser Artikel geht einen Schritt weiter: Warum muss sich das Geschäftsmodell ändern? Die Antwort liegt in der Kostenstruktur. Die Erfahrung des Internets, dass „die Bedienung eines zusätzlichen Nutzers fast keine zusätzlichen Kosten verursacht“, verliert ihre Gültigkeit, und die darauf aufgebaute Gewinnverteilung muss neu berechnet werden. In den letzten zwei Jahrzehnten war das wichtigste geschäftliche Glaubensgrundsatz der Internetunternehmen: Je mehr Nutzer, desto niedriger die Kosten und desto höher die Gewinne.

Suchmaschinen, soziale Medien, Kurzvideoplattformen, Inhaltsplattformen und E-Commerce-Plattformen basieren im Wesentlichen auf derselben Voraussetzung: Sobald die Infrastruktur aufgebaut ist, sind die Grenzkosten für die Bedienung eines weiteren Nutzers, die Anzeige einer zusätzlichen Seite oder die Verteilung eines weiteren Inhalts nahezu Null. Der eigentliche Engpass der Internetunternehmen liegt oft nicht darin, ob jeder Dienst Verluste verursacht, sondern darin, ob genügend Nutzungsdauer, Daten, Werbetreibende und Transaktionsszenarien gewonnen werden können.

Auf dieser Grundlage wurde Werbung zu einem der wichtigsten Geschäftsmodelle des Internets.

Denn wenn Inhalte und Seiten fast kostenlos verteilt werden können, können Plattformen die Such-, Browse-, Klick-, Verweil- und Kaufpfade der Nutzer in verkaufbare Werbeplätze aufteilen. Je länger die Nutzerreise ist, desto mehr Berührungspunkte für kommerzielle Inhalte können die Plattformen einbauen; je länger die Nutzer vergleichen, desto höher ist der Wert von Werbung, Empfehlungen, Markeninhalten und Suchrankings.

Aber KI-Agenten erschüttern diesen Glaubensgrundsatz.

KI-Agenten verteilen nicht einfach vorhandene Informationen, sondern führen Aufgaben im Namen der Nutzer aus. Jeder Dialog, jede Schlussfolgerung, jeder Dateizugriff, jeder Tool-Aufruf und jede Ergebnisprüfung geht mit echten Kosten für GPU-Rechenleistung, Stromverbrauch, Chip-Abschreibungen und Systemsteuerung einher.

Noch wichtiger ist, dass KI nicht nur die Kostenstruktur von Internetunternehmen verändert, sondern auch die Nutzerkette, auf der Werbung basiert. Früher mussten Nutzer zwischen mehreren Seiten, Plattformen und Marken wiederholt suchen und vergleichen; in Zukunft können Nutzer ihre Anforderungen direkt an den Agenten übergeben, damit dieser filtert, beurteilt, sortiert, Termine vereinbart oder sogar Transaktionen abschließt.

Das bedeutet, dass jeder Dienst für einen kostenlosen Nutzer im Zeitalter der KI-Agenten Verluste verursachen kann, und die traditionelle Werbung verliert einen Teil des langen Kettenraums, auf dem sie Einnahmen generiert.

Wenn das Schlüsselwort der Internetwirtschaft „Traffic“ ist, dann ist das Schlüsselwort der KI-Agenten-Wirtschaft „Aufgabe“. Traffic kann billig verteilt werden, aber Aufgaben müssen tatsächlich ausgeführt werden. Früher verkaufte Werbung den Ort, an dem die Aufmerksamkeit der Nutzer vorbeizieht; im KI-Zeitalter wird die wichtigste Frage: Wer versteht die Aufgabe, wer organisiert sie, wer erledigt sie und welche Marken können in die Kandidatenliste und die Entscheidungsgrundlage des Agenten aufgenommen werden?

Daher ist die KI-Agenten-Wirtschaft keine natürliche Erweiterung des Internet-Geschäftsmodells, sondern eine umgekehrte Korrektur des Internet-Wachstumsmythos und der Werbelogik.

Die Voraussetzung der Internet-Werbung: Niedrige Grenzkosten

Die zugrundeliegende Logik der Internet-Geschäftsmodelle (einschließlich Software) lässt sich mit der grundlegendsten Formel der Ökonomie verstehen:

TC = FC + MC × Q (Gesamtkosten = Fixkosten + Grenzkosten × Produktionsmenge)

In der traditionellen Internetzeit konzentrierten sich die Hauptkosten unabhängig davon, ob eine App entwickelt, ein Artikel geschrieben oder ein Video aufgenommen wurde, auf die frühe Phase der Forschung und Entwicklung und der Produktion, also auf hohe Fixkosten FC. Sobald das Produkt jedoch online gestellt wurde, waren die zusätzlichen Server- und Bandbreitenkosten für die Bedienung des ersten und des millionsten Nutzers oft vernachlässigbar, wobei MC nahe bei 0 lag.

Diese extrem niedrigen Grenzkosten verleihen den entsprechenden Geschäftsmodellen von Natur aus eine starke Skaleneffekt. Das Kernmerkmal digitaler Produkte ist die unbegrenzte Kopierbarkeit zu fast Null-Kopierkosten. Sobald die Software entwickelt und die Server bereitgestellt sind, sind die Grenzkosten für einen zusätzlichen Nutzer fast vernachlässigbar, es werden nur wenige KB Speicherplatz und wenige KB Bandbreite zusätzlich verbraucht.

Diese Eigenschaft erleichtert der Plattformwirtschaft den Aufbau von Skalenvorteilen: Wer zuerst den Skalen-Kritikpunkt erreicht, kann zusätzliche Einnahmen in einem höheren Anteil in Gewinne umwandeln und so einen starken operativen Hebel aufbauen.

Auf dieser Grundlage hat das Internet drei klassische Geschäftsmodelle entwickelt.

Abonnementmodell: Die Software-Kopierkosten sind extrem niedrig, und das Wachstum der Abonnentenzahlen führt direkt zu steigenden Einnahmen. Deshalb war der Kapitalmarkt lange Zeit bereit, SaaS-Unternehmen hohe Bewertungen zuzuweisen: Sobald der Break-Even-Punkt überschritten ist, wachsen die Gewinne oft viel schneller als die Einnahmen.

Provisionsmodell: Es wird eine Infrastruktur für Transaktionen, Zahlungen und Leistungserfüllung aufgebaut, wobei für jede zusätzliche Transaktion eine feste Provision erhoben wird.

Werbemodell: Kostenlose Dienste ziehen eine riesige Nutzerzahl an, und die Aufmerksamkeit wird gebündelt an Werbetreibende verkauft. Am Beispiel der Suchwerbung: Sobald Suchalgorithmus und Werbesystem bereitgestellt sind, sind die zusätzlichen Serverkosten für jede weitere Suchanfrage relativ begrenzt, und jeder zusätzliche Werbeklick bedeutet zusätzliche Einnahmen.

Das Werbemodell kann langfristig nicht nur deshalb bestehen, weil es viele Nutzer gibt, sondern weil die Nutzerreise lang genug ist. Ein Nutzer durchläuft von der Entstehung einer Nachfrage bis zum Abschluss des Kaufs oft mehrere Schritte: Suchen, Browsen, Vergleichen, Speichern, Beraten, Weiterleiten und Bestellen. Plattformen können Werbung auf Suchergebnisseiten verkaufen, Produktempfehlungen in Feeds platzieren, die Konversion auf Detailseiten stärken und die Nutzerentscheidung im Remarketing-Prozess weiter beeinflussen. Der Wert der Werbung stammt im Wesentlichen aus der schrittweisen Einbeziehung in die Nutzerreise.

Plattformen müssen nicht die vollen Dienstleistungskosten für jede Nutzerentscheidung tragen. Suchmaschinen leiten Nutzer zu Webseiten weiter, soziale Plattformen leiten Nutzer zu Markenaccounts weiter, Kurzvideoplattformen leiten Nutzer zu Livestreams weiter, E-Commerce-Plattformen leiten Nutzer zu Produktdetailseiten weiter. Plattformen dienen hauptsächlich dazu, „Informationen und Aufmerksamkeit zusammenzubringen“.

Das Dilemma der KI-Agenten-Wirtschaft: Grenzkosten + Trainingskosten

Das Internet verteilt vorhandene Informationen, während KI Informationen in Echtzeit generiert. Dieser qualitative Sprung von „Kopieren“ zu „Generieren“ führt zu einer völlig anderen Kostenstruktur und Geschäftslogik.

Erstens sind die KI-Inferenzkosten explizit, und die Grenzkosten der KI-Nutzung sind deutlich größer als Null (MC > 0).

Für jedes Token (Wortelement), das ein großes Sprachmodell ein- oder ausgibt, läuft die GPU mit hoher Geschwindigkeit und verbraucht echten Strom und Chip-Abschreibungen. Je größer die Modellparameter, je länger der Kontext und je komplexer die Aufgabe, desto höher sind die Kosten für eine einzelne Inferenz. Die Kosten für eine einfache Frage-Antwort-Sitzung, eine Deep-Research-Arbeit, eine Code-Entwicklung oder eine softwareübergreifende Operation können sich um das Dutzend- oder Hundertfache unterscheiden. Die KI-Agenten-Wirtschaft hat nicht nur nicht-Null-Grenzkosten, sondern die Grenzkosten selbst sind auch stark heterogen.

Obwohl der Preis pro Token schnell sinkt, bedeutet das nicht, dass die Grenzkosten ständig gegen Null gehen: Mit der Verbesserung der Agenten-Fähigkeiten steigt die Anzahl der Token, die pro Aufgabe verbraucht werden, von Hunderten schnell auf Hunderttausende – Planung, Tool-Aufruf, Lesen von Dateien, Selbstprüfung und Wiederholung nach Fehlern verbrauchen eine große Menge an Rechenleistung. Der Preis pro Token sinkt, aber die Kosten pro Aufgabe steigen, und die Scherenkurve dieser beiden Linien bildet den Kern der KI-Ökonomie: Je billiger die Token sind, desto eher trauen sich die Menschen, der KI schwierigere Aufgaben zu überlassen, und die Gesamtrechnung wird größer – das ist genau das „Jevons-Paradox“ im KI-Bereich.

Der Preisrückgang pro Token verläuft nicht einseitig nach unten. Statistiken von Morgan Stanley zeigen, dass der durchschnittliche API-Ausgabepreis von inländischen großen Sprachmodellen im zweiten Quartal 2026 um etwa 80 % gestiegen ist gegenüber dem ersten Quartal 2025; die Branche wechselt von Preiskämpfen zu wertorientierter Preisgestaltung. Die Preise differenzieren sich: Die Preise für standardisierte Modelle sinken weiter, während die Preise für fortschrittliche Modelle angehoben werden. Fortschrittliche Intelligenz wird nach ihrem Wert berechnet, und ihre Kosten sinken nicht mit der Kommerzialisierung.

Obwohl die Stückkosten durch Batch-Verarbeitung zur Erhöhung der GPU-Auslastung, KV-Caching, selbst aufgebaute Inferenzcluster und selbst entwickelte Chips gesenkt werden können, ist der Rückgang der Grenzkosten viel geringer als in der Internetwirtschaft und wird durch die zunehmende Nutzungstiefe ausgeglichen. Das ist auch der Hauptgrund, warum ChatGPT nach dem explosionsartigen Wachstum der Nutzerzahl schnell eine kostenpflichtige Abonnementversion eingeführt hat.

Gleichzeitig werden die Fixkosten von „einmalig“ zu „dauerhaft“. Die Trainingskosten sind keine einmaligen Fixinvestitionen mehr, sondern dauerhafte Kapitalausgaben für die Iteration neuer Modelle alle halbe bis ein Jahr. Große Sprachmodelle werden zu „Verbrauchsaktiva“ mit einer Haltbarkeit von 6 bis 12 Monaten, die ohne Nachtraining schnell veralten. Die Kosten für ein einzelnes Training können mehrere zehn Millionen oder sogar über 100 Millionen US-Dollar betragen. Am Beispiel von OpenAI: Im Jahr 2025 erzielte das Unternehmen einen Umsatz von 13,07 Milliarden US-Dollar mit einer Bruttomarge von etwa 43 % (dieser Wert berücksichtigt nur die Inferenz-Rechenleistung, die teurere Trainings-Rechenleistung wird in den F&E-Ausgaben erfasst), aber die F&E-Ausgaben beliefen sich auf 19,18 Milliarden US-Dollar, wovon etwa 10,6 Milliarden US-Dollar für die Bezahlung der Trainings-Rechenleistung von Microsoft verwendet wurden – der Hauptgrund für seine Verluste.

Daher weist die KI-Agenten-Wirtschaft folgende Merkmale auf: Die Inferenzkosten (variable Kosten) steigen linear mit der Nutzungsmenge und sind stark differenziert; die Infrastruktur- und Personalkosten (halbvariable Fixkosten) steigen stufenweise mit der Nutzerzahl – sobald die Nutzerzahl einen bestimmten Schwellenwert überschreitet, müssen neue GPU-Server hinzugefügt werden; gleichzeitig sind die F&E-Kosten (also die Modelltrainingskosten) sehr hoch. Die Überlagerung dieser Kosten führt dazu, dass KI-Unternehmen ständig alle Gewinne reinvestieren und keinen „Sweet Spot“ haben, in dem die Gewinne nach Überschreiten des Break-Even-Punkts exponentiell wachsen wie im Internetbereich.

Diese Kostenlogik verändert auch die Herkunft der Wettbewerbsvorteile der Branche: Der Kernvorteil des Internets ist der Netzwerkeffekt – je mehr Nutzer, desto besser das Produkt; die Art der Vorteile von Agenten wechselt von dem Netzwerkeffekt der Beziehungsketten zum Daten-Flywheel und zu Umstellungskosten. Neue Vorteile stammen aus dem angesammelten Kontext – den Erinnerungen, Präferenzen, Dateien, Arbeitsabläufen und autorisierten Daten der Nutzer. Je länger der Nutzer den Agenten verwendet, desto besser passt er sich an den Nutzer an, und desto höher sind die Migrationskosten beim Wechsel des Anbieters. Das Internet sperrt die Nutzer über ihre Beziehungsketten ein, während Agenten die Nutzer über ihren Arbeitskontext einbinden – das ist der Hauptgrund, warum alle Unternehmen um die Zugänge konkurrieren: Sie kämpfen nicht nur um Traffic, sondern auch um die ursprüngliche Anhäufung von Kontext.

Die zugrundeliegende Logik der KI-Agenten-Wirtschaft: Von der Aufmerksamkeitsmonetarisierung zur Werterbringung

Offensichtlich brauchen wir eine andere Logik, um die KI-Agenten-Wirtschaft zu verstehen: Internetplattformen kämpfen um „Nutzerzugänge“, während KI-Agenten-Plattformen um „Aufgabenzugänge“ kämpfen.

Wenn die Basiseinheit der Internetwirtschaft „Impression/Klick“ ist, dann ist die Basiseinheit der KI-Agenten-Wirtschaft „Aufgabe“. Ein Klick bedeutet nur, dass der Nutzer eine bestimmte Seite aufgerufen hat, während eine Aufgabe bedeutet, dass der Nutzer die KI beauftragt, ein bestimmtes Ziel zu erreichen – der Agent muss das Ziel verstehen, die Aufgabe aufteilen, Tools aufrufen, Dateien lesen, Software bedienen, Ergebnisse wiederholt prüfen und bei Bedarf Berechtigungen von den Nutzern anfordern. Dadurch ähnelt die Kostenstruktur von KI-Agenten eher einem „digitalen Mitarbeiter“ als einem „digitalen Medium“.

Früher öffnete ein Nutzer die Suchmaschine und fragte „Welches Renovierungsunternehmen ist gut?“, und die Suchmaschine gab Webseiten, Werbung und Kartenergebnisse zurück; jetzt kann der Nutzer direkt zum Agenten sagen: „Hilf mir, drei zuverlässige Renovierungsunternehmen auszuwählen, ihre Angebote, ihren Ruf und ihre Bau-Garantien zu vergleichen und einen Gesprächstermin zu vereinbaren.“ Der kommerzielle Wert des ersten Falls stammt aus Impressionen und Klicks, der des zweiten Falls aus der Erledigung der Aufgabe und der Übernahme von Entscheidungen durch den Agenten. Werbung ist nicht mehr nur eine Information auf Seiten, sondern wird zu einer Option, Datenquelle, vertrauenswürdigen Informationsquelle oder Transaktionsschnittstelle im Entscheidungsprozess des Agenten und hilft dem Nutzer, die Aufgabe endgültig abzuschließen.

Modell-Anbieter bieten nicht nur grundlegende Fähigkeiten an, sondern werden zu neuen Betriebssystemen für Aufgaben. Sowohl KI-native Anbieter als auch umfassende Großunternehmen entwickeln sich von „großen Sprachmodellen“ zu „Agenten-Plattformen“ und bringen nacheinander Produkte wie Claude Cowork, Codex und Workbuddy heraus – wer den Aufgabenzugang der Nutzer beherrscht, kann die Reihenfolge der Tool-Aufrufe, die Priorität von Datenquellen, die Logik kommerzieller Empfehlungen und die Transaktionsgeschlossenheit bestimmen.

„Trot