AI-Compute-Kostenkurve: Der Absturz, den der Markt ignoriert

Die These, die der Markt einzupreisen ablehnt

Die Kosten für AI-Compute stürzen entlang einer brutalen Deflationskurve ab. Das ist die dokumentierte Entwicklung der letzten drei Jahre, alles andere als eine gewagte Prognose.

Der Preis pro Token bei Foundation-Modellen ist von 2023 bis heute um mehr als eine Größenordnung gefallen. Die Richtung bleibt klar. Die Geschwindigkeit ist die Variable, die der Konsens unterschätzt.

Meine These ist eindeutig: Foundation-Modelle werden innerhalb von 18-24 Monaten zur Commodity. Der Wert wird vollständig zu den vertikalen Anwendungen mit proprietären Data Moats wandern. Der Markt preist noch das genaue Gegenteil ein.

Der Konsens behandelt diese Deflation als zyklisches Rauschen. Ich lese sie als strukturelles Signal, die Signatur einer Lernkurve, die sich beschleunigt.

Der Konsens hat den falschen Bezugsrahmen

90% der Analysten haben in Bezug auf die Gegenwart recht. In Bezug auf das Tempo des Wandels haben sie unrecht.

Der Konsens richtet den Blick auf die Investitionsausgaben der Rechenzentren und schließt daraus, dass Compute lange knapp und teuer bleibt. Diese Zahl beschreibt den Input. Sie ignoriert den Output.

Die entscheidende Kennzahl sind die Kosten pro Einheit nützlicher Intelligenz, der effektive Preis pro Token. Die Knappheit der Hardware koexistiert mit dem Absturz dieses Preises. Die beiden Dynamiken laufen parallel. Ein Unternehmen kann im selben Quartal mehr für die GPU und weniger für das Token zahlen. Es sind zwei getrennte Zähler.

Wer aggregierte Ausgaben und Stückpreis verwechselt, liest die Kurve verkehrt herum. Es ist der zentrale analytische Fehler dieses Zyklus. Beobachter extrapolieren die Gegenwart und verpassen den Wendepunkt, während die Kostenkurve der einzige verlässliche Prädiktor für das Tempo bleibt. Die Konsequenz für den Entscheider ist konkret. Wer seinen Plan am heutigen Preis verankert, baut auf einem Niveau, das in zwölf Monaten nicht mehr existiert.

Die Kostenkurve: drei Punkte zeichnen die Route

Eine Entwicklung braucht mindestens drei Punkte. AI-Compute bietet glasklare.

2020 kostete die Erzeugung einer Million Token mit den führenden Modellen mehrere Dollar. 2023 war der Preis um rund eine Größenordnung gefallen. 2025 haben Open-Weight-Modelle die Grenzkosten gegen null getrieben.

Dieselbe Dynamik hat die Photovoltaik bestimmt. Die Internationale Energieagentur dokumentierte einen Kostenrückgang von rund 90% im Jahrzehnt 2010-2020. Die Lernkurve digitaler Hardware verläuft obendrein steiler.

Drei Punkte, eine einzige Richtung. Das ist alles andere als ein vorübergehender Trend: Es ist ein Regimewechsel bei den Kosten. Die Grenze dieser Evidenz muss klar benannt werden. Drei Punkte beschreiben eine Entwicklung, garantieren aber nicht, dass sie sich fortsetzt. Deshalb trägt die These ein explizites Kill Signal, weiter unten.

Das Cliff Event: wenn die Adoption springt

Die Technologieadoption wächst selten linear. Sie springt schlagartig bei einer präzisen Preisschwelle.

Das Cliff Event kommt, wenn die Kosten pro Token, äquivalent zu GPT-4, rund 0,001 Dollar erreichen. An diesem Punkt wird die Einbettung von Intelligenz in jeden Workflow zu einer trivialen buchhalterischen Entscheidung. Ich verorte diese Schwelle bis Ende 2026.

Unterhalb dieses Niveaus ändert sich die Rechnung in ihrer Natur. Intelligenz hört auf, ein Premium-Feature zu sein, und wird zur Standardinfrastruktur, wie Breitband oder Strom. Niemand bewertet heute die Kosten einer einzelnen Abfrage bei einer Suchmaschine. Dasselbe wird dem Aufruf eines Modells widerfahren.

Der kausale Mechanismus bleibt explizit: Grenzpreis nahe null, daher flächendeckende Verbreitung, daher Marge, die die Modellschicht verlässt. Jeder Schritt folgt aus dem vorherigen. Wenn der Preis nicht abstürzt, bricht die Kette am ersten Glied.

Betrachte den Präzedenzfall Cloud Computing. Der Preis für Speicher ist abgestürzt, und der Wert ist zu den darauf aufgebauten Managed Services gewandert. Die AI wiederholt dasselbe Drehbuch, mit doppelter Geschwindigkeit.

Drei Kategorien, die ihre Form ändern werden

Drei Kategorien von Unternehmen, die in ihrer heutigen Form bis 2027 verschwinden werden:

• Die Wiederverkäufer generischer AI-Kapazität
• Die Anbieter von Sicherheitssoftware mit statischer Signatur
• Die horizontalen SaaS-Plattformen ohne Data Moat

Wiederverkäufer generischer Kapazität verkaufen das, was zur Commodity wird. Ihre Marge verdampft zusammen mit dem Preis pro Token. Sie bleiben zerdrückt zwischen Hyperscalern stromaufwärts und vertikalen Anwendungen stromabwärts.

Die Sicherheit zeigt das Muster bereits. ZDNET stellt in seinem Update vom August 2026 fest, dass moderne Antivirus-Software über das Signatur-Scanning hinausgeht und Echtzeit-Überwachung sowie VPN integriert. Der Wert verschiebt sich zum Datum und zum Service, die Commodity bleibt unten.

Horizontale Plattformen ohne proprietäre Daten bieten Workflows, die ein Agent im Handumdrehen rekonstruiert. Der Graben wird das vertikale Datum, alles andere als die Schnittstelle.

Konkrete Namen bevölkern jede Kategorie, von GPU-Brokern bis zu generalistischen Produktivitätssuiten. Der Margendruck trifft zuerst diejenigen, die undifferenziertes Volumen verkaufen.

Meine Position, und was sie falsifizieren würde

Die grundlegende Position bleibt diese: Die AI-Marge lebt in der vertikalen Anwendungsschicht, alles andere als im Modell. Unternehmen, die heute generische Kapazität kaufen, erwerben die Commodity von morgen.

Jene, die vertikale Data Moats aufbauen, legen den Vorteil des nächsten Jahrzehnts. Die ökonomische Logik konvergiert mit bemerkenswerter Kraft auf dieses Ergebnis. Die grundlegenden Positionen des Desks findest du im Analysenarchiv.

Es lohnt sich, der Gegenthese eine Stimme zu geben, die der Text implizit lässt. Ein Anbieter von Foundation-Modellen kann seine Marge mit einem Kapazitätsvorteil verteidigen, den Open Weights nicht schließen. Wenn diese Leistungslücke im Lauf der Zeit stabil bleibt, kehrt die Preissetzungsmacht stromaufwärts zurück und die Wanderung des Wertes stoppt. Es ist das Szenario, das ich unter Beobachtung halte.

Was meine These ändern würde. Ein Plateau des Preises pro Token über vier aufeinanderfolgende Quartale würde anzeigen, dass die Lernkurve erloschen ist. Eine stabile Rückkehr der Preissetzungsmacht zu den Anbietern von Foundation-Modellen würde die gesamte Architektur der Argumentation falsifizieren.

Bis dahin spricht die Kurve klar.

Was es für jene bedeutet, die jetzt entscheiden

Für den CTO: Bewerte heute jeden generischen Compute-Vertrag neu, bevor die Commoditisierung ihn offensichtlich macht. Sichere Flexibilität, vermeide mehrjähriges Lock-in bei Preisen, die dazu bestimmt sind abzustürzen.

Für Venture Capital: Die Wette, die unmöglich scheint, ist die Vertikale mit engem Data Moat, alles andere als die x-te Modellschicht. Die Daten der Kurve sagen, wo die Marge landen wird.

Für den Chief Strategy Officer: Jeder Dreijahresplan, der knappes und teures Compute annimmt, beschreibt eine Welt in Auflösung. Schreibe ihn neu unter der Annahme fast kostenloser Intelligenz.

Für die Technologiebeschaffung: Der Anbieter, den du gerade in einen langen Vertrag binden willst, verkauft mit hoher Wahrscheinlichkeit eine Technologie nahe der Obsoleszenz. Verhandle Ausstiegsklauseln, verankert am Marktpreis.

Die Prognose, mit ihrem Kill Signal

Hier ist die explizite, überprüfbare und datierte Prognose.

Claim: Die Kosten pro Token eines zu GPT-4 äquivalenten Modells werden bis zum 31. Dezember 2027 in Richtung 0,001 Dollar fallen. Parallel dazu werden die Bruttomargen der Anbieter generischer Foundation-Modelle unter jene der vertikalen Anwendungen mit Data Moat sinken.

Confidence: hoch, 75 von 100. Horizont: 31. Dezember 2027. Der Mechanismus bleibt die Lernkurve der Hardware und der Wettbewerb der Open-Weight-Modelle.

Kill Signal: Ein Listenpreis pro Token eines zu GPT-4 äquivalenten Modells über 0,005 Dollar Ende 2027 falsifiziert diese These. Es ist eine öffentliche Zahl, von jedem überprüfbar.