KI-Rechenkostenkurve zerschlägt Enterprise-KI

Die These, die der Markt nicht einpreisen will

Die KI-Rechenkostenkurve wird den Preis für die Leistung von Frontier-Modellen innerhalb von 24 Monaten um etwa 90% zusammenbrechen lassen. Dies ist eine Prognose, die auf der Preishistorie der letzten drei Modellgenerationen beruht.

Der Konsens preist einen sanften, linearen Rückgang ein. Unternehmenskäufer budgetieren dafür und schließen darum herum mehrjährige Verträge ab.

Dieser Rahmen ist falsch, und die Rechnung zeigt, wo. Günstige Intelligenz verändert den Ort des Werts. Wenn rohe Modellausgabe fast nichts kostet, wandert die Marge von der Modellebene zur Anwendungsebene, und Unternehmen, die heute generische Kapazität kaufen, kaufen eine künftige Massenware.

Warum der Konsens den falschen Rahmen hat

Analysten beobachten Fähigkeits-Benchmarks. Sie verfolgen, welches Modell in diesem Quartal eine Rangliste anführt. Das ist das nachlaufende Signal.

Das vorlaufende Signal ist die Stückkostenrechnung: der Preis, um eine feste Menge Intelligenz auszuführen. Diese Zahl fällt schneller, als irgendein Benchmark steigt, und sie entscheidet, wer den Gewinn abschöpft.

Die 90% der Analysten haben recht in Bezug auf die Gegenwart. Sie liegen falsch beim Tempo des Wandels, und das Tempo ist es, wo Vermögen gemacht und verloren werden.

Die heutige Enterprise-KI-Strategie geht davon aus, dass Rechenleistung knapp bleibt und mit Aufschlag bepreist wird. Entfernt man diese Annahme, beschreiben die meisten Dreijahrespläne eine Welt, die endet, bevor der Vertrag es tut.

Die Kostenkurve: drei Datenpunkte und eine Trajektorie

Eine Trajektorie braucht Historie. Hier ist die dokumentierte für gleichwertige Modellleistung.

Über drei aufeinanderfolgende Generationen großer Sprachmodelle hinweg ist der Preis für die Bereitstellung eines vergleichbaren Fähigkeitsniveaus etwa jedes Jahr um eine Größenordnung gefallen. Frontier-APIs der ersten Generation bepreisten die Ausgabe in Dollar pro Million Tokens. Die nächste Generation senkte das um einen Faktor nahe zehn, und die darauffolgende Generation wiederholte die Kürzung.

Dies spiegelt die Solarenergie wider. Die IEA dokumentierte einen Rückgang der Kosten für solar erzeugten Strom um 90% im Jahrzehnt von 2010 bis 2020. Lernkurven in rechenintensiven Industrien verhalten sich genauso: Jede Verdopplung des eingesetzten Volumens senkt die Stückkosten um einen festen Prozentsatz.

Der Mechanismus ist konkret. Modelldistillation, günstigere Inferenz-Hardware und der Wettbewerb durch Open-Weight-Modelle drücken alle in dieselbe Richtung. Die Kurve verstärkt sich kumulativ.

Klippenereignis: wenn die Adoption springt statt zu klettern

Die Adoption günstiger Intelligenz wird springen, statt zu klettern. Der Grund ist ein Schwellenwert.

Klippenereignis: Inferenz auf Frontier-Niveau erreicht bis zum vierten Quartal 2026 rund 0,001 US-Dollar pro tausend Tokens. Zu diesem Preis kostet der Vollzeitbetrieb eines KI-Agenten weniger als ein Software-Abonnement.

Unterhalb dieser Schwelle werden ganze Arbeitskategorien wirtschaftlich automatisierbar, die ein Jahr zuvor keinen Sinn ergaben. Die Nachfragekurve bricht nach oben aus, und das ist der Unterschied zwischen einem Trend und einem Regimewechsel.

Mein Vertrauen darauf, dass die Technologie diesen Preis erreicht, ist hoch. Mein Vertrauen in das genaue Quartal ist mittel, denn das Markt-Timing trägt mehr Rauschen als die Kostenkurve selbst.

Drei Kategorien, die bis 2027 ihre Form ändern

Günstige Intelligenz formt bestimmte Geschäfte um, mit konkreten Namen.

• Anbieter von Foundation-Modellen, die generische Kapazität verkaufen. Ihre Bruttomarge schrumpft, da Open-Weight-Modelle sie zu einem Bruchteil des Preises einholen.
• Unternehmenseinkaufsteams, die lange Kapazitätsverträge fixieren. Sie riskieren, für eine Ressource zu viel zu zahlen, deren Preis sich vor Vertragsende zweimal halbiert.
• Vertikale Software mit proprietären Daten. Diese Firmen schöpfen den Überschuss ab, denn der Wettbewerbsvorteil liegt in den Daten, nicht im Modell.

Für einen CTO besteht der Zug darin, die Modellebene als austauschbar zu behandeln und in die Datenebene zu investieren. Für einen Chief Strategy Officer braucht jeder Dreijahresplan, der Premium-Rechenpreise voraussetzt, in diesem Quartal eine Neufassung.

Venture Capital erlebt die schärfste Neuorientierung. Die Wette, die heute unmöglich aussieht – die Finanzierung von Ein-Personen-Unternehmen, die auf nahezu kostenloser Intelligenz laufen – hat die Stückkostenrechnung, um richtig zu sein.

Das Muster wiederholt sich auf jeder Ebene, die die Kurve berührt. Der Wert fließt zu demjenigen, der den knappen Input besitzt, und die Knappheit verschiebt sich von Rechenleistung zu Daten.

Was das für die KI-Governance bedeutet

Die meisten KI-Governance-Rahmenwerke gehen davon aus, dass Rechenleistung knapp und teuer bleibt. Sie behandeln den Zugang als Kontrollpunkt, und diese Annahme verfällt mit dem Preis.

Wenn Intelligenz im Betrieb fast nichts kostet, verlagert sich Governance von der Rationierung der Rechenleistung hin zur Governance von Daten und Ausgaben. Der knappe, verteidigbare Vermögenswert werden proprietäre Daten und der Audit-Trail darum herum.

Unternehmen, die Governance um Anbieterverträge und Ausgabenobergrenzen herum aufbauen, schützen den falschen Perimeter. Der eigentliche Perimeter ist Datenherkunft, Modellverhalten und Verantwortung für automatisierte Entscheidungen im großen Maßstab.

Regulatoren verfolgen heute Modellgröße und Trainingskosten. Diese Kennzahlen verlieren an Bedeutung, sobald sich Fähigkeit von den Ausgaben entkoppelt. Governance, die die nächsten drei Jahre überlebt, misst Ergebnisse statt Inputs.

Meine Position, und was mich umstimmen würde

Meine Position ist direkt: Foundation-Modelle werden innerhalb von 18 bis 24 Monaten zur Massenware, und der Unternehmenswert konzentriert sich vollständig in vertikalen Anwendungen mit proprietären Datenvorteilen.

Die Argumentation stützt sich auf die Kostenkurve, den Wettbewerb durch Open-Weight-Modelle und die beobachtete Wanderung der Marge hin zur Anwendungsebene. Jedes davon ist heute messbar.

Kill-Signal: Der Preis für Inferenz auf Frontier-Niveau flacht drei aufeinanderfolgende Quartale ab und hält sich über einem Cent pro tausend Tokens. Das würde bedeuten, dass eine harte physische oder kapitalseitige Beschränkung die Lernkurve gebrochen hat, und ich beobachte diese Zahl monatlich.

Fehlt dieses Signal, hält die Trajektorie. Die Käufer, die früh handeln, schöpfen den Überschuss ab, und diejenigen, die den alten Rahmen verteidigen, subventionieren ihre Wettbewerber.

Das Ein-Personen-Unternehmen kommt früh

Günstige Intelligenz ermöglicht es einer Person, den Output eines Teams zu erbringen. Das ist die Diskontinuität, die der Konsens fälschlicherweise als Arbeitsplatzverlust deutet.

Der eigentliche Effekt ist Hebelwirkung. Ein qualifizierter Operator, ausgerüstet mit nahezu kostenlosen Agenten, produziert mit dem Zehnfachen der bisherigen Rate, und eine neue Klasse winziger Unternehmen mit überproportionalem Umsatz folgt.

Dies strukturiert Venture Capital hin zu kleineren Deals und Einzelgründern um. Es übt strukturellen Druck auf das mittlere Management aus, denn Koordinationsebenen verlieren ihre Daseinsberechtigung.

Für den Einkauf trifft die Lektion hart. Der Anbieter, den Sie heute auf generische Kapazität festlegen, wird zu einem Posten, den Sie bereuen. Lesen Sie unsere frühere Analyse zum Anbieterabhängigkeitsrisiko, bevor Sie unterschreiben.

Die Prognose

Hier ist die konkrete, überprüfbare Aussage. Innerhalb der nächsten zwölf Monate wird mindestens ein Open-Weight-Modell die Leistung der GPT-4-Klasse zu rund 0,001 US-Dollar pro tausend Tokens Inferenz erreichen, öffentlich bepreist.

Vertrauen: hoch bei der Technologie, mittel beim genauen Datum. Horizont: zwölf Monate. Kill-Signal: Die Inferenzpreise für Fähigkeiten auf Frontier-Niveau halten sich drei Quartale in Folge über einem Cent pro tausend Tokens.

Für eine tiefere Lektüre darüber, wohin der Wert als Nächstes wandert, siehe unsere Arbeit zur Kommodifizierung von Foundation-Modellen.