Compute: Warum die Knappheit ein Marktmythos ist

Die These: Compute ist eine als Burggraben verkleidete Commodity

Compute wird bis 2027 wie eine Commodity bepreist. Der Konsens behandelt es als den endgültigen Burggraben der AI. Der Unterschied entspricht Hunderten von Milliarden bereits gebundener Capex.

Das ist ein Regimewechsel, weit mehr als ein Trend. Der Wert wandert von dem Layer, der Token produziert, zu dem Layer, der weiß, wie sie genutzt werden.

Der Beleg dafür stammt aus einer unerwarteten Quelle: den realen Gesprächen mit den Modellen. Wer die Rechenkapazität kontrolliert, übersieht, wie diese Kapazität verbraucht wird. Die wahre Knappheit liegt anderswo.

Warum der Konsens den falschen Rahmen hat

Der Konsens beobachtet die einfache Metrik: Zahl der installierten GPU, angekündigte Gigawatt an Rechenzentren, vierteljährliche Bestellungen bei Nvidia. Diese Zahlen steigen senkrecht. Die Schlussfolgerung wirkt offensichtlich: Wer das Rechnen kontrolliert, gewinnt.

Die Metrik, die den Markt wirklich vorhersagt, ist eine andere. Es zählt, wie die Menschen diese Modelle nutzen, Tag für Tag. Hier zeigen die Anbieter einen sorgfältig ausgewählten Ausschnitt.

Ein akademisches Projekt, das AI Observatory des Stanford STAIR Lab, hat sieben Datensätze realer Gespräche zusammengeführt, die mit Zustimmung der Nutzer zwischen 2023 und 2025 gesammelt wurden. Mit den Methoden des Anthropic Economic Index stellten die Forscher fest, dass 48% der Gespräche im Filter gelandet wären, weil sie außerhalb der Arbeit liegen. Das dokumentiert MIT Technology Review.

Die Unterschiede sind groß. Gesundheit und Beziehungen machen in den unabhängigen Daten 44,2% aus, gegenüber 31,2% in der Analyse von Anthropic. Der Report von OpenAI aus dem Jahr 2025 bestätigt das Gesamtbild: gerade einmal 30% der Consumer-Nutzung betrifft die Arbeit.

Der Konsens dimensioniert Compute nach der Nachfrage nach Produktivität. Die reale Nachfrage entsteht aus Gesundheit, Beziehungen, Gesellschaft, Unterhaltung. Wer die Kapazität plant, modelliert den falschen Markt.

Die Abweichung fällt erheblich aus. Wenn die Hälfte des realen Traffics für die Planungsmodelle unsichtbar bleibt, ruht die Schätzung der künftigen Nachfrage auf einer unvollständigen Grundlage. Wer Rechenzentren nach produktiven Arbeitslasten dimensioniert, unterschätzt die Natur der Nutzungen, die die Kapazität wirklich auslasten. Das Risiko besteht weniger darin, zu viel zu bauen. Es besteht darin, für das falsche Nachfrageprofil zu bauen.

Die Kostenkurve nennt die Schlussfolgerung

Die Kosten pro Einheit Intelligenz folgen einer dokumentierten Abwärtsbahn. Die GPT-4-äquivalente Performance kostete beim Start im Jahr 2023 Beträge in Dollar pro Million Token. Heute entspricht sie einem Bruchteil dieses Betrags.

Meine Projektion bleibt ausdrücklich: Die GPT-4-äquivalente Performance erreicht Commodity-Preise bis Ende 2026. Die Marge verlässt den Modell-Layer und wandert zur Anwendung.

Drei Datenpunkte definieren die Bahn: der Preissturz pro Token zwischen 2023 und 2025, der Eintritt wettbewerbsfähiger offener Modelle, die Hardware-Effizienz, die sich mit jeder Generation verdoppelt. Dieselbe Kurve der Solarenergie, laut IEA im letzten Jahrzehnt um über 80% gefallen, zeigt, wie Überfluss funktioniert.

Der Mechanismus ist einfach. Jede Generation von Beschleunigern verbessert die Effizienz pro Watt. Die offenen Modelle drücken die Preise der geschlossenen Anbieter. Der Wettbewerb zwischen den Layern verwandelt ein knappes Gut in Infrastruktur.

Die Kurve der Solarenergie ist weit mehr als eine dekorative Analogie. Es ist dasselbe Muster: ein technologischer Input, der vorhersehbar im Preis fällt, bis er als limitierender Faktor ausscheidet. Wenn die Kosten, ein Token zu produzieren, gegen null tendieren, verlässt der Vorteil die Produktion. Er liegt im Wissen, welches Token gebraucht wird, von wem und in welchem Kontext. Genau dort verschiebt die Kostenbahn die Marktmacht.

Das Cliff Event: wenn der Überfluss sichtbar wird

Cliff Event: Der Inferenz-Compute sinkt unter die Schwelle, an der die Grenzkosten einer Query für den, der sie ausführt, aufhören zu zählen. Erwartetes Datum: 2027.

An diesem Punkt wird die Rechenkapazität zur Basisinfrastruktur, wie das Breitband nach 2005. Die Differenzierung schwindet aus dem physischen Layer und steigt zur Software hinauf.

Die Adoption springt, weit entfernt von linearem Wachstum. Sobald jeder einzelne Akteur Zugang zu nahezu kostenloser Intelligenz erhält, entstehen Ein-Personen-Unternehmen mit Umsätzen auf Unicorn-Niveau. Das ist die Diskontinuität, die die heutige Capex vollständig übersieht.

Drei Kategorien, verwandelt bis 2028

Der Übergang belohnt, wer etwas Seltenes besitzt. Das Rechnen wird reichlich, damit endet sein Vorteil. Wertvoll bleibt, was das Geld schwer nachbilden kann.

• Die Anbieter von reinem Compute: Wer generische Kapazität verkauft, landet im Preiswettbewerb, wie ein Versorger.
• Die Foundation-Model-Startups ohne eigene Daten: Ihr Burggraben verdampft zusammen mit dem Preis.
• Das Enterprise-Procurement: Die mehrjährigen Verträge über generische Kapazität binden Wert in einer Commodity.

Der Wert konzentriert sich dort, wo der vertikale Data Moat lebt. Wer proprietäre Daten über die reale Nutzung besitzt, jene, die selbst die großen Anbieter schwer lesen, baut den Vorteil des kommenden Jahrzehnts.

Meine Position, und was sie ändern würde

Die Position ist klar: Compute ist die Commodity des nächsten Zyklus, während das verifizierte Wissen über die reale Nutzung das knappe Asset bildet. Das AI Observatory zeigt, dass selbst die Anbieter bei der Hälfte ihres Traffics im Dunkeln agieren.

Ich würde meine Meinung angesichts eines präzisen Belegs ändern. Ein Plateau bei der Hardware-Effizienz, mit einem über vier aufeinanderfolgende Quartale stabilen Preis pro Token, würde die These vom Überfluss widerlegen. Eine regulatorische Konsolidierung, die den Zugang zu den offenen Modellen einschränkt, würde denselben Effekt erzeugen.

Es lohnt sich, die Grenze des Belegs zu benennen. Das AI Observatory führt mit Zustimmung gesammelte Daten zusammen: eine Stichprobe, weit entfernt vom gesamten Universum des Traffics. Die Projektion zum Preis ruht auf zwei Jahren Kurve, statt auf einem Jahrzehnt. Diese Daten genügen, um eine Bahn zu definieren; eine Garantie dafür bleibt offen. Deshalb trägt die These ein explizites Kill Signal, statt einer Gewissheit.

Bis dahin bleibt die Bahn klar. 90% der Analysten haben recht mit der Gegenwart. Sie irren beim Tempo des Wandels.

Was das für die bedeutet, die jetzt entscheiden

Die praktische Lesart ändert sich je nach Rolle. Jeder Entscheider betrachtet dieselbe Kurve aus einem anderen Blickwinkel.

• CTO: Bewerte den Stack neu, der um einen einzelnen Modellanbieter herum gebaut wurde, bevor die Portabilität selbstverständlich wird.
• Venture Capital: Die unmögliche und doch richtige Wette ist das vertikale Startup mit proprietären Daten, weit mehr als der Modellhersteller.
• Chief Strategy Officer: Jeder Dreijahresplan, der von knappem Rechnen ausgeht, beschreibt eine aussterbende Welt.
• Technology Procurement: Der mehrjährige Vertrag über generische Kapazität bindet Wert in dem, was zur Utility wird.

Die Prognose

Prognose: Die GPT-4-äquivalente Performance erreicht einen Commodity-Preis, unter einem Cent pro tausend Token bei den führenden Anbietern, bis zum 31. Dezember 2026. Die Marge verschiebt sich messbar zum Anwendungs-Layer.

Confidence: hoch bei der Technologie, mittel beim exakten Timing. Horizont: Ende 2026.

Kill Signal: Der Preis pro tausend Token der GPT-4-Klasse bleibt bei den drei führenden Anbietern das gesamte Jahr 2026 über einem Cent. Dieser Umstand würde die These falsch machen.