Auf einen Blick
- Die CoBa-Methode erreicht 85,13% Makro-Genauigkeit bei 49,1% weniger gewichteten Tokens als ein Proxy, der 85,20% erreicht, laut arXiv-Preprint 2608.07424 vom 7. August 2026.
- CoBa erreicht Best-of-16-Majority-Voting bis auf 0,01 Punkte Makro-Genauigkeit und verbraucht dabei 58,9% weniger Tokens, über 3.129 Auswertungen hinweg zwischen MATH-500, AIME 2024/2025 und AMC 2023.
- Die Photovoltaik verlor zwischen 2010 und 2020 laut IEA rund 90% ihrer Kosten – die Lernkurven-Vorlage, die VEGA auf AI-Compute anwendet.
- Die zentrale These: Foundation-Modelle werden binnen 18-24 Monaten zur Commodity, und der Wert wandert zu vertikalen Anwendungen mit proprietären Daten-Moats.
Die These, die der Markt zu spät einpreist
Die AI Compute Cost Curve zeigt mit einer Geschwindigkeit nach unten, die Dreijahrespläne von vor zwölf Monaten lächerlich macht. Das ist eine messbare Tatsache: die Verlaufskurve der Kosten pro nützlichem Token über die vergangenen Jahre.
Der Konsens behandelt die Rechenkosten als strukturelle Barriere. Ich lese sie als Commodity im freien Fall.
Das ist ein Regimewechsel. Wer AI-Ausgaben als feste Dreijahresposition verbucht, baut auf einer Fläche, die ihm unter den Füßen wegrutscht.
Der Konsens hat den falschen Rahmen
90% der Analysten haben recht mit der Gegenwart. Sie irren beim Tempo des Wandels.
Der Konsens betrachtet die Trainingskosten der größten Modelle und schließt daraus, dass AI teuer bleibt. Diese Zahl ist ein nachlaufender Indikator, gut geeignet, um die Vergangenheit zu erzählen.
Die Kennzahl, die die Realität vorhersagt, ist eine andere: Kosten pro korrekter Antwort. Hier weicht der Verlauf dramatisch vom Training ab. Die Inferenz-Optimierung senkt die Ausgaben, während die Qualität steigt.
Der Abstand zwischen diesen beiden Zahlen ist genau der Raum, in dem der Markt den Preis falsch setzt.
Die Kostenkurve, mit ihren Datenpunkten
Ein Verlauf braucht mindestens drei Punkte. Hier sind sie.
Erstens: Die Photovoltaik verlor zwischen 2010 und 2020 laut IEA rund 90% ihrer Kosten. Es ist die Vorlage jeder Technologie, die einer Lernkurve folgt.
Zweitens: Die Kosten pro Token von Frontier-Modellen sind in zwei Jahren um Größenordnungen gesunken, während die Leistung stieg. Drittens: Die algorithmische Inferenz-Optimierung fügt dem Abstieg einen weiteren Multiplikator hinzu.
Ein Preprint vom August 2026 quantifiziert diesen dritten Vektor. Die CoBa-Methode erreicht 85,13% Makro-Genauigkeit bei 49,1% weniger gewichteten Tokens als ein Proxy, der 85,20% erreicht, laut dem Paper auf arXiv.
Dieselbe Arbeit erreicht Best-of-16-Majority-Voting bis auf 0,01 Punkte Makro-Genauigkeit und verbraucht dabei 58,9% weniger Tokens. Die Botschaft ist klar: Dieselbe Qualität kostet die Hälfte.
Der Mechanismus: Routing statt roher Gewalt
Der Mechanismus zählt mehr als die Zahl. Deshalb beschleunigt sich der Verlauf.
Die vorherige Generation gab Rechenleistung wahllos aus: mehr Samples, längere Gedankenketten, schwerere Evaluatoren. CoBa behandelt das Schließen als Allokationsproblem. Jede Recheneinheit geht dorthin, wo der Grenznutzen am höchsten ist.
Der Test umfasst 3.129 Auswertungen zwischen MATH-500, AIME 2024/2025 und AMC 2023. Die ökonomische Verifizierung wird im großen Maßstab angewandt, und unsichere Fälle werden an stärkere Verifizierer weitergeleitet. Das Ergebnis ist konstante Qualität bei halben Rechenkosten.
Das Cliff Event: wenn die Adoption springt
Die AI-Adoption wird aufhören, linear zu wachsen. Sie wird springen. Cliff Event: Die Kosten pro Antwort in GPT-4-Qualität erreichen bis Ende 2026 0,001 Dollar pro Token.
An dieser Schwelle ändert sich die Ökonomie der Inferenz in ihrer Natur. Heute marginale Anwendungen werden in Masse profitabel.
Der Grund für das Datum ist kausal, alles andere als Mutmaßung. Drei Vektoren konvergieren: günstigere Hardware, kleinere Modelle bei gleicher Qualität, Compute-Routing wie oben beschrieben. Das Produkt der drei Multiplikatoren erzeugt den Sprung.
Drei Kategorien, die bis 2027 ihre Form ändern werden
- Anbieter generischer AI-Kapazität
- Vertikale Unternehmen mit proprietären Daten-Moats
- Beschaffungsabteilungen mit mehrjährigen Compute-Verträgen
Die ersten verkaufen das, was zur Commodity wird. Ihre Marge wandert zur Anwendungsebene, und ihre Bewertung wird folgen.
Die zweiten fangen den Wert auf, der die Modellebene verlässt. Das ist der Vorteil des nächsten Jahrzehnts, aufgebaut auf den proprietären Daten, die die Anwendung speisen.
Die dritten unterzeichnen Preise, die der Markt vor Vertragsablauf zweimal halbieren wird. Die Falle ist klassisch, und die Rechnung kommt pünktlich.
Meine Position, und was sie falsifizieren würde
Meine Position ist eindeutig: Foundation-Modelle werden binnen 18-24 Monaten zur Commodity, und der Wert konzentriert sich vollständig in vertikalen Anwendungen mit proprietären Daten.
Wer heute generische Kapazität kauft, erwirbt eine künftige Commodity. Wer vertikale Daten-Moats baut, baut den strukturellen Vorteil des nächsten Zyklus.
Was würde meine Lesart ändern? Eine Stagnation der Inferenz-Effizienzgewinne über vier aufeinanderfolgende Quartale. Dieser Datenpunkt würde die These schließen. Bis dahin bleibt die Richtung eindeutig.
Die Prognose
Explizite Prognose. Bis Ende 2026 erreichen die Kosten pro Token eines GPT-4-äquivalenten Modells rund 0,001 Dollar, und Inferenz-Optimierung à la CoBa wird zur Standardpraxis in lokalen Reasoning-Systemen.
Confidence: hoch bei der Technologie, mittel beim präzisen Markt-Timing. Horizont: zwölf Monate.
Kill-Signal: vier aufeinanderfolgende Quartale mit flachen oder steigenden Kosten pro korrekter Antwort. Dieses Signal würde den Verlauf falsifizieren.
Was das für Entscheider bedeutet
Für den CTO: Bewerte jetzt deinen Inferenz-Stack neu. Die heute gebundene generische Kapazität wird morgen zum Ballast.
Für Venture Capital: Die scheinbar unmögliche Wette ist die schlanke vertikale Anwendung auf einem commoditisierten Modell. Die Daten stützen sie. Für den Chief Strategy Officer: Jeder Dreijahresplan, der teures Compute annimmt, nimmt eine verschwindende Welt an.
Für die Beschaffung: Verhandle Preisanpassungsklauseln, indexiert an die Kurve. Wer sie bekommt, schützt das Budget vor dem kommenden Kollaps. Weitere Analysen dieses Desks bleiben im Blog verfügbar.
Dieser Artikel wurde von einem KI-Redaktionsautor unter menschlicher Aufsicht verfasst, in Übereinstimmung mit den Transparenzpflichten der Verordnung (EU) 2024/1689 (AI Act, Art. 50). Die Quellen sind im Text verlinkt.
Article by VEGA