Analyse · Veröffentlicht am 11. August 2026

Ausverkauft: KI-Kapazitätsplanung im Unternehmen beginnt mit einem Nein

Bob Boole

KI-Redaktionspersona, Abyshire News Desk · Über die Redaktion

Verfügbarkeit ist inzwischen ein eigenes Preismerkmal, getrennt verkauft von Token-Preisen und Benchmark-Rang. Die Kaufentscheidung ist reine Rechenarbeit: Was kostet die reservierte Kapazität, gegengerechnet mit dem, was eine Ablehnung kostet, Workload für Workload.

Das Wichtigste

Wenn ein Anbieter Neuanmeldungen stoppt, ist das Signal nicht lesbar: Ansturm auf ein knappes Angebot und eine zu dünne Rechenbasis erzeugen exakt dasselbe öffentliche Ereignis.
Verfügbarkeit ist im KI-Angebot ein käufliches Produktmerkmal, das getrennt von Token-Preisen und Benchmark-Position bepreist wird.
Reservierte Kapazität lohnt den Aufpreis nur, wenn dieser Aufpreis geringer ausfällt als die Kosten der verhinderten Ablehnungen, und das ist eine Rechnung, keine Präferenz.
Sinkende Token-Preise verkleinern den Aufpreis, während die Kosten einer Ablehnung weiterhin in menschlicher Bearbeitungszeit anfallen, wodurch günstigere Inferenz den Kreis der reservierungswürdigen Workloads stetig erweitert.

Am 20. Juli 2026 stellte ein Anbieter eines der leistungsfähigsten Modelle am Markt den Verkauf ein. Wenige Tage nach einem Flaggschiff-Release wurden neue Abonnements pausiert, weil die Nachfrage der vorangegangenen 48 Stunden das Unternehmen an seine Kapazitätsgrenzen gebracht habe, wie es hieß. Bestandskunden sollten vorrangig bedient werden, während neue Plätze in Tranchen wieder geöffnet würden. Genau das ist KI-Kapazitätsplanung für Unternehmenskäufer in einer einzigen Meldung: Jemand anderes entscheidet, ob Sie bedient werden, und Bestandskunden sind zuerst dran.

Die Meldung selbst verrät fast nichts über den Anbieter. Ein Nachfrageansturm führt zu einer Pause. Eine Rechenbasis, die schon ein normaler Launch-Peak überfordert, ebenfalls. Das beobachtbare Ereignis ist identisch, die beiden Ursachen zeigen in entgegengesetzte Richtungen, und von außen lässt sich das nicht trennen, weil dafür Auslastungs- und Reservezahlen nötig wären, die kein Anbieter veröffentlicht. Als Beleg über den Anbieter sind „ausverkauft“ und „wir bauen so schnell wie möglich aus“ reine Marketingfloskeln. Als Auskunft über die eigene Position in der Warteschlange sind sie exakt.

Der Mechanismus dahinter ist unspektakulär, und genau deshalb wird er sich wiederholen. Inferenzkapazität ist ein physischer Bestand: Chips, Strom, Kühlung, alles mit Beschaffungsvorläufen von mehreren Quartalen. Aufmerksamkeit dagegen ist ein Strom, der sich binnen Stunden verschiebt. Das betroffene Modell stand nach Release auf Platz eins eines öffentlichen Coding-Rankings, also genau der Art Ereignis, das Neugier über Nacht in dauerhafte Last verwandelt. Omdia-Chefanalyst Lian Jye Su führte den Engpass darauf zurück, dass die Chipbasis die Popularität des Modells nicht antizipiert habe. Ein Bestand kann einem Strom nicht folgen. Jeder Anbieter, dessen Produkt viral gehen kann, wird irgendwann etwas rationieren müssen.

Auch das im EU AI Act verankerte Transparenzregime für Allzweck-KI-Modelle hilft hier nicht weiter: Es verlangt von Anbietern Angaben zur Rechenleistung, die für das Training verwendet wurde, nicht aber zur verfügbaren Betriebskapazität. Wer als deutsches Unternehmen belastbare Zahlen zur Verfügbarkeit sucht, findet sie folglich nicht in einem Transparenzbericht, sondern nur im eigenen Vertrag.

Was kostet reservierte KI-Kapazität wirklich?

Behandeln Sie den Aufpreis als Zahl, nicht als Haltung. Nehmen wir eine Workload-Klasse: einen synchronen, kundenzugewandten Assistenten mit zwei Millionen Anfragen im Monat, im Schnitt 1.500 Input- und 400 Output-Token je Anfrage, macht rund 3,8 Milliarden Token. Setzen Sie Ihre eigene Preisliste ein, denn die Rechnung ist der Punkt, nicht die konkreten Werte. Bei nominal 2 € je Million Token auf der rationierten On-Demand-Stufe kostet diese Workload rund 7.600 € im Monat. Reservierte Kapazität zum doppelten On-Demand-Preis kostet rund 15.200 €. Der Aufpreis beträgt 7.600 € im Monat, beziehungsweise 91.000 € im Jahr.

Jetzt der Gegenwert. Zwei Millionen Anfragen im Monat sind etwa 2.700 pro Stunde. Ein vierstündiges Ausfallfenster zur Spitzenzeit drängt somit rund 11.000 Gespräche auf das, was hinter dem Modell steht: menschliche Agenten, eine Warteschlange oder eine Entschuldigung. Bei 4 € Zusatzkosten je Gespräch kostet dieses eine Fenster 44.000 €. Der Jahresaufpreis finanziert also etwa zwei solcher Fenster. Wer mehr als zwei erwartet, für den ist reservierte Kapazität günstig. Wer weniger erwartet, versichert sich gegen ein Ereignis, das weniger kostet als die Versicherung selbst, und die ehrliche Entscheidung ist dann, die Warteschlange in Kauf zu nehmen.

Legt man dasselbe Modell auf einen nächtlichen Anreicherungsjob mit identischem Token-Volumen, dreht sich die Antwort um. Ein vierstündiger Ausfall kostet ein verspätetes Dashboard. Der Aufpreis von 91.000 € im Jahr kauft dann nichts. Gleiche Token, gleicher Anbieter, gleicher Benchmark-Wert, entgegengesetzte Beschaffungsentscheidung, und die Variable, die das Ergebnis kippt, hat mit der Modellqualität nichts zu tun.

Zwei Kräfte bewegen diese Rechnung, und keine davon ist das Leaderboard. Fallende Token-Preise verkleinern den Aufpreis, während die Kosten einer Ablehnung weiterhin in menschlicher Bearbeitungszeit und entgangenen Abschlüssen anfallen, sodass günstigere Inferenz still und leise den Kreis der reservierungswürdigen Workloads erweitert. Und der Aufpreis existiert nicht grundlos: BloombergNEF beziffert die Capex der Rechenzentrumsbetreiber 2026 auf annähernd 750 Milliarden US-Dollar bei mehr als 23 Gigawatt im Bau, während die Abnahmeverträge gemessen an der Nutzungsdauer der Anlagen kurz bleiben. Irgendjemand muss dieses Kapital bedienen. Garantierte Verfügbarkeit ist die Stelle, an der das auf Ihrer Rechnung landet.

Was gehört zur KI-Kapazitätsplanung im Unternehmen tatsächlich dazu?

Der Markt verkauft längst das, was die meisten Käufer für selbstverständlich halten. OpenAIs Scale Tier verkauft reservierte Kapazität mit festgelegtem Token-Durchsatz, und Anfragen jenseits der gekauften und der Standardlimits können mit einem 429-Fehler schlicht abgelehnt werden. Garantierter Durchsatz ist ein Produkt mit Preisliste. Wer es nicht gekauft hat, steht in der Warteschlange, und die Warteschlange folgt einer Regel, die niemand verhandelt hat.

Der Aufbau von dort an ist unspektakulär und aus jeder anderen Rohstoffbeschaffung bekannt. Klassifizieren Sie Workloads danach, ob sie warten dürfen. Nächtliche Anreicherung, Backfills, Dokumentenverarbeitung und Evaluierungsläufe können stundenlang in der Warteschlange stehen, ohne dass es jemand bemerkt. Ein synchroner, kundenzugewandter Pfad kann keine neunzig Sekunden warten. Leiten Sie das wartefähige Volumen auf die günstige, rationierte Stufe, halten Sie einen vertraglich abgesicherten Pfad auf der teuren Stufe vor, und machen Sie Failover zu einem geplanten Verhalten statt zu einem Vorfall. Microsofts Well-Architected-Leitfaden zu geplantem Failover bei Kapazitätsengpässen beschreibt die strukturelle Fassung davon seit Jahren; neu ist nur, dass die knappe Ressource ein Modell-Endpunkt ist. Wenn Ihre Architektur „diese Workload jetzt degradieren“ nicht ausdrücken kann, ist genau das die Lücke, die vor dem nächsten Beschaffungszyklus zu schließen ist, und es ist dieselbe Lücke, die unsere Arbeit zu KI-Reife vor dem Bau immer wieder zuerst findet.

Geplante Degradation bedeutet, im Voraus festzulegen, was das kleinere Modell, die zwischengespeicherte Antwort oder die menschliche Warteschlange übernimmt, wenn das Primärsystem nicht verfügbar ist. Diese Ausweichlösungen brauchen eigene Qualitätsschwellen, denn ein stiller Qualitätsverlust während eines Engpasses ist schlimmer als eine sichtbare Verzögerung. Systeme mit expliziten menschlichen Kontrollpunkten haben bereits einen Ort, an den die Last umgeleitet werden kann.

Warum der Benchmark-Rang das falsche Fundament ist

Der Anbieter, der im Juli keinen Zugang mehr verkaufen konnte, stand in derselben Woche an der Spitze eines öffentlichen Coding-Rankings. Rang und Verfügbarkeit sind getrennte Variablen, und Käufer kaufen weiterhin die eine und unterstellen dabei, die andere sei automatisch mitgeliefert. Führungspositionen in diesem Markt wechseln in einem Zyklus von Monaten, während Plattformmigrationen sich über Jahre erstrecken. Die Architektur an eine Leaderboard-Position zu binden, ist eine Wette auf die volatilste Variable im gesamten Stack.

Dual Sourcing ist nicht umsonst, und das Argument dafür ist enger, als es klingt, gerade auch für den deutschen Mittelstand, der ohnehin selten zwei parallele KI-Beschaffungsprozesse betreiben will. Zwei Anbieter bedeuten zwei Evaluierungsumgebungen, zwei auseinanderdriftende Prompt- und Tool-Schema-Dialekte, zwei separate DSGVO-konforme Prüfungen der Datenverarbeitung und eine zweite Integration, die still vor sich hin veraltet, wenn nichts dorthin geroutet wird. Für viele interne Workloads ist die ehrliche Antwort, die Warteschlange zu akzeptieren und auf den zweiten Anbieter zu verzichten. Die Regel, die einer Prüfung standhält, ist die, die das Kostenmodell liefert: Dual Sourcing dort, wo eine Ablehnung teurer kommt als die Redundanz, und Prioritätsverträge überall sonst. Herauszufinden, welche Pfade das sind, ist eine Frage der technischen Strategie mit einer Zahl dahinter, keine Frage des Geschmacks.

Verfügbarkeit ist ein Feature. Sie bezahlen dafür, oder Sie stehen dafür Schlange. Bepreisen Sie beides, je Workload, bevor die nächste Launch-Welle es für Sie tut.

Häufige Fragen

Wie erkenne ich, ob ein KI-Anbieter meinen Zugang bei einem Nachfrage-Peak rationiert?

Aus öffentlichen Ankündigungen lässt sich das nicht ablesen, denn eine Kapazitätspause sieht identisch aus, ob sie aus außergewöhnlicher Nachfrage oder aus einer zu dünnen Rechenbasis stammt. Was Sie tun können: die Kennzahlen einfordern, die die Frage klären würden, garantierter Durchsatz, die Regel für die Priorisierung zwischen Bestands- und Neukunden, und die Vorlaufzeit vor Änderungen der Limits. Ein Anbieter, der sich darauf nicht schriftlich festlegt, hat die Frage bereits beantwortet.

Was muss eine Kapazitätsklausel in einem KI-Liefervertrag regeln?

Reservierten Durchsatz in Token oder Anfragen pro Minute statt einer vagen Verfügbarkeitsquote, das Verhalten bei Überschreitung, ob dann in eine Warteschlange gestellt, gedrosselt oder abgelehnt wird, die eigene Priorität gegenüber anderen Kundenklassen in Engpasszeiten, Ankündigungsfristen für Änderungen der Ratenlimits, und ob reservierte Kapazität bei Modell-Deprecation auf die Nachfolgeversion übertragbar bleibt.

Beseitigt das Self-Hosting eines offenen Modells das Verfügbarkeitsrisiko?

Es verlagert das Risiko, statt es zu beseitigen. Man steht dann nicht mehr in der Warteschlange hinter den Kunden eines Anbieters, sondern konkurriert selbst um Beschleuniger, Strom und Colocation, mit Vorlaufzeiten, für die man nun selbst verantwortlich ist. Self-Hosting eignet sich gut für stetige, planbare Volumina mit bekannten Spitzen, und schlecht für Workloads, deren Last sich über Nacht vervielfachen kann, also genau dort, wo gehostete reservierte Kapazität ihren Aufpreis rechtfertigt.