Das KI-Effizienz-Paradox: Warum billigere KI das Geschäftsmodell sprengt
Die Preise für KI-Tokens sind seit 2020 um etwa das 600-Fache gefallen, und jeder Effizienzgewinn schiebt ein weiteres Stück Anbietermarge zum Kunden. Technisch ist das ein Erfolg. Für das Geschäftsmodell ist es der Anfang vom Ende.
Beginnen wir mit Verhalten, nicht mit Rhetorik. SpaceX soll monatlich zwischen 2 und 2,5 Milliarden US-Dollar damit verdienen, dass es nach einer Schätzung 400.000 bis 500.000 GPUs an KI-Entwickler vermietet, darunter Google, wie eine Analyse des Compute-Marktes von Clouded Judgement zeigt. Meta wiederum soll seine freie Rechenkapazität als Cloud-Dienst vermarkten. Wenn ausgerechnet die aggressivsten Käufer von KI-Hardware anfangen, als Vermieter aufzutreten, ist das Signal unmissverständlich: Kapazität ist keine knappe Ressource mehr, und jeder mit einer soliden Bilanz weiß das.
Dieses Signal kollidiert mit der beruhigenden Erzählung des Jahres 2026: Billigere Inferenz bedeutet mehr Nutzung, mehr Nutzung bedeutet mehr Umsatz, also ist Effizienz gut für alle Beteiligten in der Kette. Der erste Teil stimmt. Bei der Rechnung hinter dem zweiten Teil beißt sich das Paradox, und Geschäftsmodelle, die auf Knappheitspreisen aufgebaut sind, trifft es zuerst. Die Marge eines Anbieters ist die Differenz zwischen dem, was Intelligenz in der Herstellung kostet, und dem, wofür sie verkauft wird, und diese Differenz wird von beiden Seiten zugleich zusammengedrückt.
Das Ausmaß dieser Verengung wird leicht unterschätzt. Eine Szenarioanalyse zu einem möglichen Platzen der KI-Blase, die sich auf aktuelle arXiv-Forschung stützt, verweist auf einen Preisverfall bei Tokens um rund das 600-Fache zwischen 2020 und 2026, mit einem strukturellen Bruch etwa im Mai 2024, dem Zeitpunkt, ab dem nicht mehr technischer Fortschritt, sondern Wettbewerb der Haupttreiber fallender Preise wurde. Die öffentlich zugänglichen Zahlen erzählen dieselbe Geschichte in kleinerem Maßstab: Der KI-Index-Bericht 2025 von Stanford HAI bezifferte die Kosten für eine Abfrage eines Modells der GPT-3.5-Klasse im November 2022 auf rund 20 US-Dollar pro Million Tokens und im Oktober 2024 auf etwa 0,07 US-Dollar, ein Rückgang um mehr als das 280-Fache in weniger als zwei Jahren. Dieser Bruch zählt mehr als die Schlagzeilenzahl. Solange Kostenkurven die Preise bestimmen, können Ingenieure ihnen voraus sein. Sobald der Wettbewerb die Preise bestimmt, wird jeder Effizienzgewinn fast in dem Moment an die Kunden weitergereicht, in dem er entdeckt wird.
Warum schadet billigere KI-Inferenz den Bewertungen?
Weil die Bewertungen führender KI-Labore im Grunde Optionsscheine auf dauerhafte Knappheit sind. Reduziert man die Erzählung auf ihren Kern: Intelligenz bleibt teuer, eine Handvoll Anbieter, die sie herstellen können, verlangt Renten dafür, und diese Renten rechtfertigen das eingesetzte Kapital. Jedes Glied dieser Kette wird schwächer, je mehr Inferenz zur Handelsware wird. Eine Marktprognose erwartet, dass die Preise für Spitzenmodelle binnen zwei Jahren unter 0,50 US-Dollar pro Million Tokens fallen, mit Einstiegstarifen nahe 0,10 US-Dollar. Solche Preise stützen keine Knappheitsrenten mehr, sie stützen Versorger-Margen, und Versorger-Margen rechtfertigen keine Bewertungen wie die eines Spitzenlabors.
Dieselbe Prognose erwartet, dass sich Anbieter vorgelagert positionieren, Richtung Fine-Tuning, individuelles Training und vertikale Integration, wobei die Marge vom Verkauf der Inferenz zu ihrer Anpassung wandert. Doch dieser Rückzug verändert die Wettbewerbsgrundlage. Im vorgelagerten Geschäft zählen Vertrieb, bestehende Unternehmensbeziehungen und Integrationstiefe mehr als reine Modellqualität, und auf diesem Terrain haben integrierte Konzerne die meisten Trümpfe in der Hand. Ein Hyperscaler kann sein Modell als Feature behandeln, das Cloud-Kapazität, Office-Software oder Werbung verkauft. Ein eigenständiges Labor braucht das Modell selbst, um die gesamte Gewinn- und Verlustrechnung zu tragen.
Es gibt eine weitere Wendung, die kaum ein Preismodell einpreist. Nach meiner Einschätzung behandeln Regierungen Rechenkapazität inzwischen als strategische Ressource, sodass die Hardware-Nachfrage hoch bleiben kann, selbst wenn der kommerzielle Ertrag dieser Hardware unbewiesen bleibt. Die Ausgabenzahlen zeigen bereits, dass sich Nachfrage von nachgewiesenem Ertrag entkoppelt: Gartners Prognose vom März 2025 bezifferte die weltweiten Ausgaben für generative KI 2025 auf 644 Milliarden US-Dollar, ein Plus von 76 Prozent gegenüber 2024, merkte zugleich aber an, dass die Erwartungen der Käufer nach hohen Ausfallquoten früher Proof-of-Concept-Projekte abkühlten. Das stützt die Chip-Ebene und die GPU-Vermieter, ändert aber nichts an der schwindenden Preismacht der Modellanbieter in der Mitte der Wertschöpfungskette. Industriepolitik verlängert den Boom an beiden Enden der Kette und verschiebt die Abrechnung in der Mitte.
Wer gewinnt, wenn Intelligenz zur Handelsware wird?
Dieselbe Szenarioanalyse skizziert das plausibelste Ende nicht als Kollaps, sondern als Marktsegmentierung: ein kleines Premiumsegment an der Spitze, das teuer und konzentriert bleibt, eine Commodity-Cloud-Ebene, die brutal umkämpft wird, und ein wachsendes lokales beziehungsweise geräteseitiges Segment, das den alltäglichen Unternehmensbedarf absorbiert. Trifft das ungefähr zu, was ich für das wahrscheinlichste Szenario halte, teilt sich die Nutzung in Unternehmen in zwei Stränge. Institutionelles Wissen, jene Daten, die kein Unternehmen einem Fremden anvertrauen würde, wandert Richtung kontrollierter, oft lokaler Infrastruktur, ein Punkt, der angesichts von DSGVO und BfDI-Vorgaben für den deutschen Mittelstand ohnehin naheliegt und der erklärt, warum sicher konzipierte agentische Systeme mehr zählen als Benchmark-Werte. Commodity-Aufgaben fließen dorthin, wo die Cloud in diesem Quartal am günstigsten ist.
Diese Zweiteilung ist zuerst eine Strategiefrage, erst danach eine Einkaufsfrage. Für Unternehmen mit einem industriellen Erbe, das noch aus der Industrie-4.0-Ära stammt und jetzt digitalisiert werden soll, gilt das doppelt: Wer seine Workloads frühzeitig sortiert, sensibel gegen Commodity, verhandelt in beide Richtungen aus einer Position der Stärke. Wer KI als eine einzige undifferenzierte Dienstleistung behandelt, zahlt im Premiumsegment zu viel und schützt sich im sensiblen Bereich zu wenig. Diese Sortierung sauber hinzubekommen ist unglamouröse technische Strategiearbeit, die sich spätestens dann auszahlt, wenn ein Anbieter seine Preisseite ändert.
Der Verlierer in dieser Struktur ist konkret benennbar: nicht die Hyperscaler, die den Überschuss über Vermietung und Bündelung monetarisieren, nicht die Unternehmen, die als Käufer den Überschuss abschöpfen. Der Verlierer ist der eigenständige Modellanbieter, von unten durch fallende Preise, von oben durch die Abwanderung der Marge Richtung Integration in die Zange genommen.
Die Folge zweiter Ordnung, die fast niemand einpreist: Dünnt sich das Premiumsegment aus, landet das Risiko überschüssiger GPU-Kapazität bei dem, dem die Hardware gehört. Meta und SpaceX können sich aus einem Überangebot heraus vermieten. Ein hoch verschuldetes Pure-Play-Labor kann das nicht.
Was mich vom Gegenteil überzeugen würde
Eine Position ohne Ausstiegsbedingungen ist Glaubenssache, deshalb hier meine.
Ich würde diese These überdenken, wenn die Preise im Premiumsegment zwölf Monate lang stabil blieben, während sich die Kapazität weiter verdoppelt, denn das würde echte Preismacht statt vorübergehender Trägheit belegen. Ich würde sie überdenken, wenn Unternehmensverträge zunehmend mehrjährige Bindungen zu Premiumpreisen enthielten, denn das würde bedeuten, dass Käufer Wechselkosten wahrnehmen, die ich derzeit für überschätzt halte. Und ich würde sie überdenken, wenn ein eigenständiges Labor zeigen könnte, dass fein abgestimmte Implementierungen eine Datenbindung erzeugen, die stark genug ist, das Angebot eines billigeren Konkurrenten zu überstehen.
Nach der aktuellen Beweislage würde ich die Wahrscheinlichkeit für dauerhafte Preismacht eines eigenständigen Labors auf etwa eins zu vier taxieren: hoch genug, um es zu beobachten, niedrig genug, um es ernst zu nehmen.
Die Asymmetrie, die niemand eingepreist hat
Jeder Effizienzgewinn der vergangenen zwei Jahre hat Überschuss vom Anbieter zum Kunden verschoben, und es ist kein Mechanismus in Sicht, der ihn zurückverschiebt. Jeff Bezos baute Amazons Expansion auf der Maxime „Deine Marge ist meine Chance“ auf, jetzt sitzen die Modellanbieter auf der Empfängerseite dieser Maxime. Die Asymmetrie liegt bei den Käufern.
Die praktische Antwort darauf ist nicht, abzuwarten, bis sich der Staub legt, sondern sich schon jetzt wie ein Nutznießer dieses Überschusses zu verhalten: Inferenz von Spitzenmodellen als Commodity-Input behandeln, hart und regelmäßig verhandeln, die Kronjuwelen der Workloads auf selbst kontrollierter Infrastruktur belassen und die Vorbereitungsarbeit vor der Bauarbeit erledigen, damit das Margenproblem eines Anbieters niemals zum eigenen Betriebsproblem wird.
Der Markt hat Knappheit eingepreist. Geliefert wird Überfluss. Für die nächsten zwei Jahre ist die klügere Position, auf der Seite der Käufer zu stehen.
Häufige Fragen
Was ist das KI-Effizienz-Paradox?
Das KI-Effizienz-Paradox beschreibt, wie billigere maschinelle Intelligenz die Wirtschaftlichkeit ihrer Hersteller ruinieren kann. Treibt der Wettbewerb die Preise schneller nach unten, als die Kosten sinken, wird jeder technische Durchbruch als Preissenkung an die Kunden weitergereicht, sodass technischer Erfolg genau die Anbietermargen zusammendrückt, auf denen hohe Bewertungen beruhen.
Platzt wegen sinkender Inferenzkosten die KI-Blase?
Sinkende Inferenzkosten sind Zeichen gesunden Wettbewerbs, belasten aber jede Bewertung, die auf Knappheitspreisen aufbaut. Wahrscheinlicher als ein vollständiger Kollaps ist eine Marktsegmentierung: ein konzentriertes Premiumsegment, eine hart umkämpfte Commodity-Cloud-Ebene und wachsende lokale Bereitstellung. Am stärksten gefährdet sind eigenständige Modellanbieter ohne eigenen Vertrieb oder Integrationsgeschäft.
Sollten Unternehmen KI lokal betreiben oder aus der Cloud beziehen?
Für die meisten Organisationen lautet die Antwort: beides. Workloads mit institutionellem Wissen und sensiblen Daten, gerade mit Blick auf DSGVO-Vorgaben, gehören auf kontrollierte, oft lokale Infrastruktur, Commodity-Aufgaben gehen an den jeweils günstigsten Cloud-Anbieter des Quartals. Wer KI als eine einzige undifferenzierte Dienstleistung behandelt, zahlt im Premiumbereich zu viel und schützt sich im sensiblen Bereich zu wenig.
Verwandte Artikel
- Wie KI schlechte Chefs noch schlimmer macht: Die Ja-Sager-Maschine im Chefbüro
- Die Betonrechnung der KI-Blase: Warum der Rechenzentrumsbau das eigentliche Konjunkturrisiko ist
- Digital Business
Verfasst von einer KI-Redaktionspersona des proprietären Redaktionssystems von Abyshire und von unserem Team geprüft.