StartseiteArtikel

AI braucht eine „Anruftaste“

深眸财经2026-11-19 18:43
Fehlfokus bei der Gebührenerhebung für Großmodelle

Die KI-Branche im Jahr 2026 befindet sich in einer kontraintuitiven, peinlichen Übergangsphase.

Auf der einen Seite steigt die aktuelle Nachfrage nach KI rasant an. Laut Daten von OpenRouter hat sich die von seiner Plattform verarbeitete Token-Menge innerhalb von 20 Monaten um etwa das 250-fache erhöht und erreicht 128,4 Billionen Stück; der Markt für Rechenleistungsmieten steigt entsprechend an: Der Mietpreis von H200 ist im laufenden Jahr um 160 % gestiegen, der von B200 um 120 %.

Doch die erzielten Gewinne sind außerordentlich gering. Dieselben Daten von OpenRouter zeigen, dass Open-Source-Gewichtsmodelle in der zweiten Septemberwoche 72 % der Token verarbeitet haben, aber nur 27 % der Gesamtausgaben der Plattform erhalten haben.

Nicht nur die Plattformen erhalten kein Geld, sondern auch die Modellunternehmen selbst schreiben rote Zahlen. Nehmen wir Zhipu als Beispiel: Sein bereinigter Nettoverlust im ersten Halbjahr 2026 belief sich auf fast 2 Milliarden Yuan; und auf der anderen Seite des Ozeans verzeichnete OpenAI im ersten Quartal eine Betriebsverlustquote von bis zu 122 %.

Die explodierende Nachfrage konnte die Gewinne der Modellunternehmen keineswegs steigern. Das wirft die Frage auf: Was blockiert eigentlich die Gewinngenerierung der KI?

01. Ersetzte alte Aufgaben und unklare neue Abrechnungsregeln

Als KI in den Markt einzieht, sind die ersten Opfer hochstandardisierte Spezialwerkzeuge.

Beispielsweise werden Dienste wie Übersetzung, grundlegender Kundenservice und Code-Vervollständigung, die früher separat erworben werden mussten, heute von großen KI-Modellen vollständig übernommen.

Laut dem Bericht von Anthropic hat der Automatisierungsabdeckungsgrad für Aufgaben von Computerprogrammierern 74,5 % erreicht, bei Kundenservicemitarbeitern 70,1 %; im Übersetzungsbereich ist der Wert noch höher: Laut früheren Untersuchungen von Microsoft kann KI bereits 98 % der Inhalte bei Dolmetsch- und Übersetzungsaufgaben bewältigen.

(Quelle: Anthropic)

KI hat diese alten Aufgaben, die ursprünglich von einer großen Anzahl kleiner und mittlerer Dienstleister getragen wurden, direkt weggenommen. Der alte Markt existiert wirklich, und die Nachfrage nach KI ist natürlich auch echt.

Aber obwohl die Nachfrage gedeckt wird, wurde das Abrechnungsmodell nicht gleichzeitig übernommen.

Im traditionellen Spezialmarkt kauft man das "Ergebnis".

Beispielsweise zahlt man für Übersetzungen pro tausend Zeichen, für Programmierarbeiten gibt man Angebote pro Projekt ab. Dieser Handel ist wie der Kauf von preisgekennzeichneten Waren im Supermarkt: Der Kunde weiß im Voraus, wie viel er zahlt und was er bekommt.

Heute hingegen wenden die meisten großen KI-Modellunternehmen ein anderes Modell an: Wie Strom, Wasser und Gas verfolgen sie die Strategie des Kaufs nach "Verbrauch", und die Rechnungseinheit wird zu Token.

Das führt dazu, dass der Kunde mit einer vorab unklaren Kostenrechnung konfrontiert wird.

Zuerst einmal ist der Token-Verbrauch nicht sichtbar.

Wenn Nutzer KI zur Erledigung von Aufgaben verwenden, können sie nicht im Voraus vorhersagen, wie viele Token verbraucht werden. Eine scheinbar einfache Aufgabe kann eine lange Aufrufkette hinter sich haben. Diese "Unsichtbarkeit" führt leicht dazu, dass Nutzer unbewusst eine große Anzahl von Aufrufen durchführen, und wenn die Rechnung kommt, übersteigen die Kosten oft die Erwartungen bei weitem.

Beispielsweise beruft sich Axios auf eine echte Enthüllung eines KI-Beraters: Ein Unternehmen hat allen Mitarbeitern Zugriff auf Claude gewährt und keine Budgetobergrenze festgelegt. Da es kein Tool gibt, das den Token-Verbrauch hinter jedem Gespräch und jeder Aufrufkette detailliert schätzen kann, konnte das Unternehmen den ungefähren Kostenwert nicht im Voraus ermitteln.

Als die Monatsrechnung kam, ergab sich ein riesiger Fehlbetrag von 500 Millionen US-Dollar. Für viele börsennotierte Unternehmen reichen 500 Millionen US-Dollar aus, um ihren gesamten Nettogewinn eines Jahres auszugleichen – und hier handelt es sich nur um einen Monat. Für jedes Unternehmen ist das eine plötzliche finanzielle Katastrophe.

Auch Uber hat nach der Bereitstellung von Claude Code aufgrund unzureichender Schätzung des Aufrufvolumens sein gesamtes KI-Jahresbudget nach nur vier Monaten vollständig aufgebraucht.

Diese Erfahrung "vorher nicht berechenbar, nachher schockiert" führt wahrscheinlich dazu, dass Kunden bei der Nutzung vorsichtiger vorgehen und beispielsweise Nutzungsbeschränkungen bei Berechtigungen, Budgets und Aufrufbereichen festlegen.

Eine Umfrage von Cloudera hat gezeigt, dass 89 % der Befragten angaben, dass ihr Unternehmen in diesem Jahr gezwungen war, ihre KI-Pläne zu kürzen oder neu zu gestalten, da die Kosten schwer abzuschätzen sind.

Darüber hinaus macht diese Undurchsichtigkeit die Grundlage für Preisvergleiche für Nutzer zunichte.

Jeder weiß, dass eine Flasche Wasser etwa zwei Yuan kostet, und das Preis-Leistungs-Verhältnis ist auf einen Blick erkennbar. Bei KI, die nach Token abrechnet, können Nutzer aufgrund des unterschiedlichen Verbrauchs bei jeder Aufgabe jedoch möglicherweise gar nicht beurteilen, ob es sich lohnt, die Aufgabe mit KI zu erledigen, oder ob der traditionelle Kanal günstiger ist.

Und selbst wenn Nutzer sich entschließen, diese Abrechnungsweise zu akzeptieren oder jede einzelne Rechnung klar zu durchschauen, führt der Token-Verbrauch nicht unbedingt zu einem gleichwertigen kommerziellen Wert für die Nutzer.

Aggregierte Daten von Entelligence AI zeigen, dass von jedem investierten Dollar in Token nur 18 Cent tatsächlichen Wert erzeugen, 44 Cent für die Fehlerbehebung verwendet werden und 27 Cent in Nacharbeiten fließen. Eine Umfrage von Accenture zeigt zudem, dass weniger als 20 % der Token-Ausgaben mit quantifizierbaren Geschäftsergebnissen verknüpft werden können.

Das heißt, Unternehmen geben viel Geld für KI aus, aber der größte Teil des Budgets wird für die "Unreife" und "Fehler" der KI aufgewendet. Dieses Input-Output-Verhältnis führt dazu, dass Unternehmen, die ursprünglich erwartet haben, mit KI mühelos Gewinne zu erzielen, stattdessen sogar Verluste hinnehmen müssen.

Dieses Ungleichgewicht kann nicht nur bestehende Kunden abschrecken und die Wiederholungskaufrate senken, sondern auch neue Kunden abschrecken und die zukünftige Expansion einschränken.

Es ist offensichtlich, dass KI zwar den Marktanteil des alten Marktes erobert hat, aber aufgrund unklarer Preise und fehlenden gleichwertigen Werts sind Nutzer nicht bereit, dafür zu zahlen. Die Gewinne des traditionellen Marktes können daher nicht an die großen KI-Modellunternehmen weitergegeben werden.

02. Das "Ergebnis", das nicht in den Vertrag geschrieben werden kann

Da der Verkauf nach Verbrauch keine Einnahmen bringt, scheint die logische "Lösung" darin zu bestehen, zurückzukehren und die traditionelle Abrechnungsweise von Spezialwerkzeugen "nach Ergebnis" zu übernehmen – aber auch dieser Weg funktioniert für KI nicht.

Bei traditionellen Werkzeugen ist das Ergebnis konkret: Eine Übersetzung liefert das fertige Manuskript, der Kundenservice schließt die Arbeitsaufträge ab, die Code-Vervollständigung generiert ein Programm usw. Sie haben klare Grenzen, können abgenommen und abgerechnet werden.

Aber KI hat die Grenzen der Fähigkeiten durchbrochen. Sie kann Gedichte schreiben, Code schreiben und sogar Finanzberichte analysieren. Das macht es schwierig, in einem Standardvertrag festzulegen, "wann eine Aufgabe als abgeschlossen gilt" und "wie viel die Erledigung so vieler Aufgaben wert ist". Das ist das Dilemma der "Zurechenbarkeit".

Die Zurechenbarkeit ist schwierig, weil ein echtes Geschäftsergebnis oft von mehreren Gliedern gemeinsam erzielt wird.

Beispielsweise hat ein Unternehmen KI-Marketing eingeführt, und die Konversionsrate in diesem Quartal ist um 20 % gestiegen. Aber wie viel von diesen 20 % gehört zur Fähigkeit der KI, wie viel zur Unterstützung des manuellen Betriebs und wie viel zur möglichen zyklischen Erholung des Marktes?

Der Cloud-Dienstanbieter UCloud drückt es direkt aus: Ein Geschäftsergebnis ist oft das Produkt der gemeinsamen Wirkung mehrerer Glieder, und es ist schwierig, das Endergebnis einfach dem einzelnen Aufruf eines bestimmten Modells zuzurechnen. Das heißt, wenn mehrere Faktoren wie KI, Maschinen, Menschen und Umgebung zusammenarbeiten, wird die Aufteilung des Werts zu einem unauflösbaren Problem für die KI-Abrechnung.

Stripe hat dazu eigens einen Leitfaden für die Bezahlung nach Ergebnissen veröffentlicht, der ausdrücklich darauf hinweist: Wenn die Zurechnungsstandards nicht im Voraus im Vertrag festgelegt sind, können Kunden und Anbieter Streitigkeiten darüber führen, "wem das Ergebnis zuzurechnen ist".

Ohne einheitliche Beurteilungsstandards ist die Abrechnung nach Ergebnissen nicht möglich.

Selbst wenn es auf dem Markt Anbieter gibt, die nach Ergebnissen abrechnen, beschränken sie sich auf einzelne geschlossene Szenarien. Einfach ausgedrückt lassen sie die KI in der Regel nur eine Art von Aufgabe erledigen und erheben nur dann Gebühren, wenn die KI die Aufgabe ausführt.

Beispielsweise berechnet Salesforce, ein ausländisches CRM-Unternehmen, für sein Agentforce im Kundenservice-Szenario nur dann Gebühren, wenn die KI den geschlossenen Zyklus unabhängig abschließt und keine menschliche Unterstützung benötigt. Das inländische Unternehmen Baishong Intelligent rechnet im Kundenservice-Szenario ebenfalls nach "Arbeitsaufträgen ab, die erfolgreich abgeschlossen wurden und keine menschliche Übergabe erfordern".

KI wird in Anwendungen eingesetzt und erzeugt Wert. Eine einzelne Anwendung mag eine Lösung sein, aber sie beschränkt die Fähigkeiten der KI auf ein einziges Szenario und macht sie wieder zu einem Spezialwerkzeug.

Daraus geht hervor: Da das Ergebnis schwer zu definieren und die Zurechnung schwer aufzuteilen ist, können allgemeine große KI-Modelle beim Verkauf von "Ergebnissen" noch kein vollständiges Betriebsmodell auf den Markt bringen, das sowohl die Fähigkeit der KI, "alles zu erledigen", beibehält als auch die Abrechnung klar macht.

Wenn allgemeine große KI-Modelle diesen Stillstand durchbrechen wollen, müssen sie möglicherweise eine neue Lösung finden, die den Wert wirklich umsetzt.

03. Zuerst den Ankerpunkt festlegen, dann den Eingang aufbauen

Wenn beide taktischen Abrechnungsmodelle "Verkauf nach Verbrauch" und "Verkauf nach Ergebnis" nicht funktionieren, liegt der Schlüssel des Problems bei einer strategischen "Lücke".

Große KI-Modellunternehmen haben ständig versucht, mit den allgemeinen Fähigkeiten der KI auf mehreren Wegen in den Markt einzudringen, und wollten mit den domänenübergreifenden Fähigkeiten der KI eine "Vereinigung" der ursprünglich verstreuten Spezialmärkte erreichen.

Obwohl die allgemeinen Fähigkeiten der KI tatsächlich wie ein schwarzes Loch die Nachfrage vieler Spezialmärkte verschlingen können, macht es genau diese Eigenschaft, "alles erledigen zu können", dass sie in spezifischen Geschäftsszenarien keine unverzichtbare Stellung einnimmt.

Tatsächlich ist dieses Dilemma "wie allgemeine Werkzeuge im Markt Fuß fassen" nicht einzigartig für KI. Blickt man auf die Evolutionsgeschichte technologischer Produkte zurück, so hatten jene allgemeinen Werkzeuge, die schließlich zu Giganten heranwuchsen, am Anfang sehr konkrete Anwendungen.

Nehmen wir das Handy als Beispiel: Es ist ein allgemeines Gerät mit vielen integrierten Funktionen, und heute können Menschen damit viele Dinge im Internet erledigen. Aber in der Frühphase war sein Markteintritt sehr direkt: Es bot den Menschen mit einem physischen Hardwareprodukt den Komfort, "jederzeit und überall telefonieren zu können".

Nehmen wir das Nokia 1100 als Beispiel: Von seiner Markteinführung im Jahr 2003 bis zur Einstellung der Produktion im Jahr 2009 wurden insgesamt über 250 Millionen Exemplare verkauft, was es zum meistverkauften Handy der Geschichte macht.

Aus heutiger Sicht sind die Funktionen dieses Handys so primitiv, dass es nicht einmal dem kleinen Kinder-Smartwatch am Handgelenk von Grundschülern das Wasser reichen kann. Es hat keine Kamera und keine App-Ökosystem. Seine Standby-Zeit von bis zu 400 Stunden und das rutschfeste, staubdichte Gehäuse sind vollständig darauf ausgelegt, die einzige Anforderung zu erfüllen, "jederzeit anrufen zu können".

Funktionen wie Uhrzeit anzeigen, Kalender ansehen oder Snake spielen wurden erst hinzugefügt, nachdem der Eingang "Telefonieren" etabliert war. Sie sind Begleitfunktionen von Nokia, keine Kernverkaufsargumente. Nutzer kaufen es nicht extra, um die Uhrzeit zu sehen oder den Kalender zu prüfen, aber sie sind bereit, für den bequemen Informationsaustausch zu zahlen.

Später wurde Nokia von Smartphones verdrängt – das ist das Ergebnis der Erneuerung der Hardwareform im technologischen Fortschritt, kein Fehler dieser Strategie selbst. Wenn man den Aufstieg und Niedergang des Produkts selbst ausblendet, bleibt seine Erkenntnis für KI gültig: Um im Markt Fuß zu fassen, muss auch KI zuerst auf einen hochfrequenten, unbedingt erforderlichen Ankerpunkt setzen.

Mit anderen Worten: Die heutige KI ist wie ein Super-Smartphone voller verschiedener Apps, das Gedichte schreiben, Bilder zeichnen und Code schreiben kann – aber sie braucht ihren eigenen "Anruftaste".

Zwar ist KI kein "kleiner Quader", den Nutzer in der Hand halten können wie ein Nokia, aber KI kann "eingebettet" werden. Egal ob dieser Einbettungsknotenpunkt in der Finanzkostenerstattung und Gerätewartung von B2-Unternehmen liegt, oder in der KI-Suche und Reiseplanung von C-End-Nutzern.

Wenn KI als Knotenpunkt eingebettet ist, wird ihr Ergebnis zu einem Lieferobjekt, das klar im Prozess aufgezeichnet werden kann. Man muss nicht sehen, wie viel Anteil die KI am Erfolg hat – man muss nur prüfen, ob sich die Effizienz dieses Knotenpunkts selbst verbessert hat.

Beispielsweise deckt der Finanz-Agent von Lenovo direkt 32 zentrale Finanzprozesse ab und steigert