Das "unbegrenzte Monatsflatrate-Abo" bleibt aus, KI kann nur das nächste "Einwahlinternet" werden.

„Teuer“ ist nur die Oberfläche – es ist an der Zeit, über das heutige Geschäftsmodell der Künstlichen Intelligenz nachzudenken.

In letzter Zeit habe ich alle Arten von Spitzendiskussionen im KI-Bereich beobachtet. Alle diskutieren gerne über die Grenzen der Modellfähigkeiten, die zukünftige Form von Agenten und den Aufstieg der lokalen KI. Eine Beurteilung von Chen Danian hat mich tief beeindruckt: Eines der Kernprobleme, die lokale Modelle lösen wollen, ist neben Sicherheit und Datenschutz auch das wichtige Problem „Teuer“.

Chen Danian ist Gründer von Shanda Networks und Lianshang Networks. Er hat im Alter von 20 Jahren mit dem Unternehmertum begonnen und ist ein bekannter erster Generation chinesischer Programmierer zur gleichen Zeit wie Zhang Xiaolong und Lei Jun. Seine Ansichten sind wirklich lesenswert.

„Teuer“ ist ein Problem – diese Aussage klingt zuerst sehr kontra-intuitiv. Schließlich war die heftigste Schlacht in der Großmodellbranche in den letzten zwei Jahren der Preiskrieg. Die Kosten für denselben API-Aufruf sind heute viel günstiger als vor zwei Jahren. Auf der anderen Seite der Medaille steht jedoch: Immer mehr Unternehmen und Einzelpersonen, die KI tatsächlich in ihre Geschäftsprozesse integrieren, stellen fest, dass die Gesamtkosten der KI nicht so niedrig sind wie erwartet.

Für viele Praktiker ist schon die monatliche Modellabonnementgebühr von nur einigen hundert Dollar ein spürbarer Druck. Für Unternehmen steigen die Kosten, die durch Modellaufrufe, Agentenausführung, Tool-Nutzung und wiederholte Inferenz entstehen, noch weiter an, sobald die KI von einem gelegentlich genutzten Chat-Tool zu einem langfristig laufenden Produktionssystem wird.

Ist die „Teuerheit“ der KI jedoch wirklich eine Notwendigkeit der technologischen Entwicklung?

Die Antwort ist nein. Im Zeitalter der traditionellen Software kaufen und laden wir ein Office-Paket herunter, installieren es auf dem Computer und erhalten das langfristige Nutzungsrecht. Microsoft berechnet Ihnen keine neuen Gebühren jedes Mal, wenn Sie Word öffnen oder eine Taste drücken. Das gleiche gilt für die App-Ökosystem auf Smartphones: Nach dem Kauf der Hardware kann die Software dauerhaft im Hintergrund laufen, und die Nutzer müssen keine Kosten für jedes Tippen auf den Bildschirm neu berechnen.

Warum hat sich ausgerechnet in der KI-Industrie ein erdrückendes Modell entwickelt: Jedes Gespräch verursacht Kosten, jeder Inferenzschritt entspricht neuen Rechenkosten?

Deshalb ist das, worüber wir heute wirklich nachdenken müssen, vielleicht nicht mehr, wie viel höher der Intelligenzquotient der KI noch gesteigert werden kann, sondern die kommerzielle Betriebslogik der KI. Nur wenn wir verstehen, warum KI teuer ist und wie diese Teuerheit die Eigeninitiative der KI in gewissem Maße hemmt, können wir klar sehen, wohin die nächste Generation der künstlichen Intelligenz gehen soll.

Ist die „Teuerheit“ der KI wirklich eine Notwendigkeit der technologischen Entwicklung?

I. Teuer ist nur die Oberfläche, das Problem liegt im Modell

Dass KI als „zu teuer“ empfunden wird, ist oberflächlich betrachtet eine Rechnung über den Einheitspreis der Rechenleistung, aber tiefgehend analysiert ist es eigentlich ein Problem des Geschäftsmodells.

Die überwiegende Mehrheit der heute vorherrschenden KI-Dienste ist im Wesentlichen immer noch fest an das Cloud-Computing gebunden. Der Nutzer stellt eine Anfrage am Endgerät, das riesige Rechenzentrum in der Ferne beginnt sofort, GPU-Cluster zu koordinieren, das Modell mit hunderten Milliarden von Parametern führt eine aufwändige Matrixberechnung durch, und schließlich wird das Ergebnis über Glasfaserkabel zurückgesendet. Je größer das Modell, je länger der Kontext und je komplexer der Inferenzprozess ist, desto höher sind die Kosten für Chips, Stromversorgung, Server und Netzwerk dahinter.

Wenn KI nur gelegentlich genutzt wird, um einen Artikel zusammenzufassen, eine E-Mail zu überarbeiten oder einige Inspirationen zu liefern, dann hat dieses Cloud-Aufrufmodell keine großen Probleme. Für private Endnutzer ist eine monatliche Abonnementgebühr von einigen Dutzend Dollar nicht unakzeptabel.

Aber wenn diese Logik auf echte Unternehmensproduktionsszenarien übertragen wird, ändert sich die Natur grundlegend.

Die KI mit wirklich revolutionärem Wert in der Zukunft wird nicht nur Mitarbeitern helfen, schöne Präsentationen zu erstellen, sondern muss tief in die Kern-Geschäftsabläufe des Unternehmens eingebettet werden und langfristig, stabil und kontinuierlich an der Arbeit teilnehmen. Sie muss möglicherweise über Nacht zehntausende interne Dokumente lesen, verschiedene externe Tools häufig aufrufen und bei logischen Sackgassen wiederholt selbst überprüfen, Fehler versuchen und neu ausführen. Das bedeutet, dass eine makroskopische Aufgabenanweisung des Menschen im schwarzen Kasten der KI oft nicht mehr „einmaliger Aufruf“ entspricht, sondern in hunderte und tausende aufeinanderfolgende Inferenzberechnungsprozesse zerlegt wird.

Die heute vorherrschenden kommerziellen Großmodelle verwenden im Allgemeinen ein Abrechnungsmodell nach dem Token-Verbrauch. Das bedeutet, dass sobald die KI von „gelegentlicher Nutzung“ zu „langfristigem Betrieb“ wechselt, die Kosten schnell ansteigen.

So hat die gesamte Technologieindustrie ein scheinbar absurdes, aber sehr reales Paradoxon erlebt: Auf der einen Seite werben alle Modellanbieter wild dafür, dass die API-Preise stark gesunken sind und alle möglichen Grenzwerte durchbrochen werden; auf der anderen Seite steigt die Gesamtrechnung immer weiter an, sobald Unternehmen die KI tatsächlich in großem Maßstab einsetzen. Nach früheren Berichten von „Caijing“ haben Tausende von Mitarbeitern von Kingsoft Office allein im Juni 2026 etwa 4 Billionen Token verbraucht, was zu Rechenkosten von mehreren Millionen Yuan führte.

Das Bemerkenswerte an dieser Zahl ist nicht, ob „einige hundert Yuan teuer sind“, sondern dass es für Unternehmen nach dem Eintritt der KI in den Produktionsprozess immer schwieriger wird, die Nutzungskosten im Voraus genau vorherzusagen, wie beim Kauf traditioneller Software.

Im traditionellen IT-Zeitalter kann der CIO eines Unternehmens das jährliche Budget genau vorhersagen, indem er die Anzahl der gekauften Konten koordiniert. Aber nach dem Eintritt in das Agenten-Zeitalter ist es kaum möglich, mathematisch vorherzusagen, wie viele Ketteninferenzrunden eine komplexe Aufgabe von der KI erfordert und wie viele externe Plugins unterwegs aufgerufen werden müssen. Je komplexere und höherwertigere Arbeiten die KI übernimmt, desto schwieriger sind ihre versteckten Kosten zu kontrollieren.

Teuerheit an sich ist kein todsicheres Hindernis für Transaktionen: Wenn ein Unternehmen monatlich 50.000 Yuan in KI investiert und einen Nettogewinnzuwachs von 500.000 Yuan erzielt, werden kaum Unternehmer sich darüber beschweren, dass sie zu teuer ist. Die eigentliche Angst der heutigen Unternehmen liegt darin: Trotz der stetig steigenden KI-Rechnungen jeden Monat finden sie keine gleichwertige Wertrückmeldung in der Bilanz.

Eine neueste Umfrage von PricewaterhouseCoopers unter globalen CEOs zeigt: Im vergangenen Jahr gaben bis zu 56 % der befragten CEOs zu, dass die Einführung von KI keine deutliche Umsatzsteigerung oder Kostensenkung für das Unternehmen gebracht hat; nur eine Handvoll 12 % der Unternehmen haben tatsächlich eine Win-Win-Situation aus Umsatzsteigerung und Kostensenkung erreicht.

Das ist auch der Grund, warum die Branche neu darüber diskutiert, wie KI abgerechnet werden soll.

Denn was Nutzer wirklich kaufen wollen, ist nie das Token selbst oder eine einzelne Berechnung, sondern die Erledigung einer Aufgabe. Und die heutige KI erzeugt in den meisten Fällen immer noch „bei jeder Berechnung neue zusätzliche Kosten“. Deshalb ist „Teuerheit“ oberflächlich ein Preisfrage, aber tiefergehend ein Problem des Betriebsmodells.

Wenn KI nur gelegentlich aufgerufen wird, hat dieses Modell keine großen Probleme. Aber wenn die KI in der Zukunft langfristig online sein, kontinuierlich arbeiten und wiederholt Fehler versuchen soll, wird dieses Modell immer unhandlicher. Genau hier verbindet sich „Teuerheit“ mit einem weiteren Problem: der Eigeninitiative der KI.

II. Die „Eigeninitiative“, gefangen in der Abrechnungstabelle

Wenn die „Abrechnung nach Nutzung“ nur den CFO des Unternehmens schmerzt, liegt der tiefere Einfluss dieses Modells darin, dass es die „Eigeninitiative“ der KI sowohl auf physischer als auch auf psychologischer Ebene hemmt.

Das berührt die zweite Kernlogik, die wir heute klären müssen. Die heutige KI ist, egal wie lebensecht ihre Ergebnisse und wie streng ihre Logik sind, in den meisten Anwendungsfällen immer noch ein passiv reagierendes „sprechendes Werkzeug“. Sie ist wie ein kluger aber fauler Anrufbeantworter: Der Mensch ruft an, dann bewegt sie sich. Sie kann Ihre Fragen perfekt beantworten, aber sie wird niemals um 3 Uhr morgens selbst aufwachen, um die gesamten Netzwerkdaten zu durchsuchen, potenzielle Risiken in der Lieferkette zu erkennen und Warn-E-Mails automatisch an die zuständigen Abteilungen zu senden.

Eigeninitiative bedeutet von Natur aus eine extrem hohe Fehlertoleranz, eine große Menge an redundanten Berechnungen und einen kontinuierlichen Hintergrundbetrieb. Ein KI-System, das wirklich „selbstständig die Dinge für Menschen erledigen kann“, hat keinen geraden Arbeitspfad. Angesichts eines offenen geschäftlichen Problems muss die aktive KI ständig testen: Zuerst verbraucht sie Tausende von Token, um Informationen im Internet abzurufen; wenn sie feststellt, dass die Informationen nicht übereinstimmen, muss sie sich selbst widerlegen, aus einem anderen Winkel neu suchen und möglicherweise weitere Tausende von Token verbrauchen; dann muss sie eine Menge fragmentierter Informationen zu einem Zwischenentwurf zusammenfassen, was weitere zehntausende Token verbrauchen kann; anschließend aktiviert sie den Selbstprüfmechanismus, um zu beurteilen, ob dieser Entwurf zum Thema passt, und die Token werden weiter verbraucht … bis sie nach mehreren Zyklen das Endergebnis ausgibt.

Vertrauen in der Geschäftswelt basiert immer auf Kontrollierbarkeit. Wenn jeder Schritt der KI und jeder externe Aufruf das Zahnrad des Abrechnungszählers bewegt, bauen die Nutzer unweigerlich eine psychologische Barriere auf. Sie trauen sich nicht, die KI frei laufen zu lassen. Das ist so, als ob Sie in ein Taxi steigen, das nach Sekunden abgerechnet wird. Wenn Sie sehen, wie der Taxameter wild springt, auch wenn der Fahrer verspricht, dass er eine Umleitung macht, um einen staufreien Weg zu finden, ist Ihre erste Reaktion extreme Angst, und Sie werden nicht widerstehen, zu schreien „Sofort anhalten“.

Bei KI ist es genauso. Eigeninitiative braucht Raum, und dieser Raum enthält zwangsläufig viele „ungültige Berechnungen“: Fehlerversuche, Rückgängigmachung, Überprüfung, Neuerstellung und sogar einen Erkundungspfad, der am Ende kein Ergebnis liefert.

Wenn jeder zusätzliche Versuch extra kostet, werden Unternehmen natürlich Obergrenzen für Aufrufe, Anzahl der Zyklen und Budgetgrenzen für Agenten festlegen. Private Nutzer werden instinktiv die Nutzungshäufigkeit verringern und sich nicht trauen, sie lange im Hintergrund laufen zu lassen.

Stellen Sie sich vor, die KI könnte die Beschränkung der Abrechnung nach Nutzung vollständig loswerden, so günstig werden, dass ihre Betriebskosten fast Fixkosten sind – wie würde sich die Situation umkehren? Nur in einer Umgebung ohne finanziellen Druck können Nutzer wirklich ihre Vorsicht aufgeben und komplexe, langwierige und fehleranfällige Aufgaben vollständig an die Maschine übergeben.

Gibt es also einen Weg, KI langfristig und kostengünstig zu betreiben?

Einige Unternehmen erforschen bereits einen neuen Ansatz für KI-Großmodelle: Lokale Modelle.

Was ist ein lokales Modell? Anders als wenn Sie jedes Mal eine Webseite für Fragen und Antworten öffnen, verlassen die Daten des lokalen Modells niemals Ihren Computer oder Ihr Handy. Es gehört Ihnen, nur Ihnen. Es funktioniert auch ohne Internet und ist für jeden Nutzer individuell angepasst.

Für das Kostenproblem bieten lokale Modelle eine andere Idee: Nicht den Preis für jeden Aufruf weiter zu senken, sondern zu ändern, wo die Berechnung stattfindet und wie die Kosten entstehen. Chen Danian hat eine sehr anschauliche Zusammenfassung: „Token kosten nichts, Sie zahlen nur die Stromrechnung.“ Das bedeutet natürlich nicht, dass lokale KI keine Kosten hat – Computer, Chips, Strom und Modellwartung erfordern Investitionen. Aber wenn das Modell auf Ihrem eigenen Gerät läuft, kann ein Teil der Ausgaben, die sonst mit der Anzahl der Aufrufe stetig steigen, zu relativ festen Hardware- und Betriebskosten umgewandelt werden.

Deshalb ist „Teuerheit“ oberflächlich ein Preisfrage, tiefergehend ein Problem der Kostenstruktur und des Betriebsmodells. Und noch tiefergehend beeinflusst es tatsächlich, ob Menschen sich trauen, Aufgaben an die KI zu übergeben. Nur wenn KI günstig genug ist, kann sie genug Raum für Fehlerversuche erhalten; nur mit genug Raum für Fehlerversuche kann sie sich allmählich von einem „sprechenden Werkzeug“ zu einem System entwickeln, das Aufgaben wirklich selbstständig erledigen kann.

III. Die Kluft des Geschäftsmodells überwinden: Von der Abrechnung nach Nutzung zur industriellen Prosperität

Ähnliche Veränderungen sind in der vergangenen Technologieindustrie keine Seltenheit. Oft verbreitet sich eine Technologie nicht nur, weil die Technologie selbst stärker geworden ist, sondern auch weil sich ihre Kostenstruktur für die Nutzung geändert hat.

In der Zeit des Einwahl-Internets kontrollierten Nutzer ihre Online-Zeit.

Das PC-Internet ist das typischste Beispiel. Früher wurde die Internetnutzung nach Zeit und Datenvolumen abgerechnet, bei Einwahl-Internet kontrollierten die Nutzer natürlich ihre Online-Zeit. Erst nachdem Breitband, WLAN und mobiles Datenvolumen populär wurden, gewöhnten sich die Menschen an die ständige Online-Verbindung und berechneten keine Kosten mehr für jedes Öffnen einer Webseite oder Abspielen eines Videos. Wenn „Internetverbindung“ immer günstiger und sogar unbemerkt wird, erlebten Anwendungen wie Kurzvideos, Live-Streaming und mobiles Bezahlen, die eine ständige Online-Verbindung erfordern, ihren echten Durchbruch.