An einem Montagmorgen im Mai 2026 öffnete der CTO eines mittelständischen Unternehmens das Abrechnungs-Dashboard von Anthropic – und erstarrte. Am ersten Tag der tokenbasierten Abrechnung waren die KI-Ausgaben um das Siebenfache explodiert. Der CTO brachte es auf den Punkt: „Wir haben ein Monster erschaffen.”
Das ist keine Fiktion. Es ist ein realer Fall, über den die Journalisten Jamie John und andere in der Financial Times berichteten. Zuvor zahlte das Unternehmen pauschal 200 Dollar pro Nutzer und Monat, und die Entwickler feuerten Claude-Anfragen ab, als gäbe es kein Morgen. Nach der Umstellung auf Token-Preise schoss die Rechnung bei gleichem Nutzungsvolumen durch die Decke. Die Reaktion des CTO war instinktiv: Budgets kürzen, Nutzung einschränken, jede von KI generierte Codezeile hinterfragen – ist sie den Preis wirklich wert?
Es blieb nicht bei diesem einen Unternehmen. In den letzten zwei Monaten begannen CTOs und CFOs quer durch die Wirtschaft – von Fortune-200-Konzernen bis zu KI-nativen Startups im Silicon Valley – plötzlich dieselbe Rechnung aufzumachen: Deckt das, was die KI liefert, überhaupt ihre Kosten?
1. Die Subventionsmaschine: 40- bis 70-fache Verbrennung
David Rosenthal (Blog „dshr”) beschrieb das Geschäftsmodell der KI-Plattformen in seinem am 23. Juni erschienenen Artikel AI’s Affordability Crisis als „Dealer-Algorithmus”: Der erste Schuss ist umsonst, bist du abhängig, wird’s teuer. Der Vergleich ist nicht elegant, aber das beschriebene Phänomen ist mit Zahlen unterlegt.
Das Analysehaus SemiAnalysis machte einen Extremtest: Wie viele Token lassen sich maximal verbrauchen, wenn das Monatsabo auf 200 Dollar gedeckelt ist? Ergebnis: Bei Anthropics Claude verbrennt man 8.000 Dollar, bei OpenAIs ChatGPT sogar 14.000 Dollar. Mit anderen Worten: Beide Plattformen subventionieren ihre Unternehmenskunden implizit um das 40- beziehungsweise 70-Fache.
Das Ausmaß der Subventionierung lässt sich auch von einer anderen Seite her greifen. Die von Technologiejournalist Ed Zitron offengelegten Finanzdaten von OpenAI für 2025 zeigen: Umsatz 13,07 Milliarden Dollar, Gesamtkosten 34 Milliarden Dollar, operativer Verlust 20,92 Milliarden Dollar. Darin stecken 41,55 Milliarden nicht-liquiditätswirksamer Verlust aus der „Fair-Value-Änderung bei der Umwandlung von Non-Profit in For-Profit”. Aber selbst wenn man diesen Sonderposten herausrechnet, liegt der operative Verlust immer noch im zweistelligen Milliardenbereich.
Ein besonders auffälliges Detail: OpenAI steckte 44 % seines Umsatzes – 5,73 Milliarden Dollar – in Vertrieb und Marketing. Und trotz dieses massiven Mitteleinsatzes flacht die Wachstumskurve bei der Unternehmensadoption bereits ab.
Aus diesen Daten lassen sich zwei gegensätzliche Interpretationen ableiten. Die Pessimisten sagen: Wenn dein Produkt nicht einmal umsonst richtig angenommen wird, warum sollte es jemand nach einer Preiserhöhung kaufen? Die Optimisten – darunter mehrere HN-Diskussionsteilnehmer – argumentieren dagegen: Dass 44 % in Marketing fließen, beweise genau, dass der Markt noch Aufklärung brauche. Sobald die Adoptionskurve den kritischen Punkt überschreite, werde der Marketinganteil von selbst sinken. Wer recht hat, ist offen.
2. Die kollektive Vollbremsung der Unternehmen
Der HN-Nutzer „burningChrome” lieferte eine Innenansicht. Er arbeitet bei einem Fortune-200-Unternehmen, das den klassischen KI-Adoptionsbogen durchlief: Die ersten drei Monate waren Wilder Westen – alle Teams nutzten, was ihnen an LLMs in die Finger kam. Manche Teams kündigten sogar mehrere SaaS-Verträge, weil sie mit selbstgebauten KI-Tools „die Kosten auf null” taxierten. Dann schloss das Unternehmen Enterprise-Verträge mit Anthropic und Google ab. Einen Monat später stellte das Management fest, dass der Token-Verbrauch jede Erwartung sprengte, und kappte den Zugriff auf Claude und Gemini komplett. Wer wieder Zugang will, muss seitenweise Formulare ausfüllen, mehrstufige Genehmigungen durchlaufen, einen soliden Business Case vorlegen – und sich zuvor in eine Warteliste mit tausenden Kollegen eintragen.
„Das Unternehmen ist jetzt im Schadensbegrenzungsmodus. Jemand hat die Rechnung gesehen und die Party für beendet erklärt.” Seine Zusammenfassung war knapp und vernichtend.
Kein Einzelfall. Mehrere HN-Kommentatoren schilderten ähnliche Verläufe. Ein Nutzer berichtete, dass IT-Abteilungen massenhaft Mails verschickten mit der Botschaft: „Billige Modelle reichen” – während sie für leistungsstarke Modelle Token- oder Betragsobergrenzen setzten. Ein anderer, der Kundenprojekte für Fortune-100-Unternehmen betreut, beobachtete ein generelles Muster: Unternehmen statten Entwickler mit monatlich 500 Dollar KI-Budget aus und verlangen den Nachweis von Produktivitätssteigerungen anhand gelieferter Ergebnisse – nicht anhand geschriebener Codezeilen.
Der Autor bewertet nicht, ob diese Maßnahmen sinnvoll sind. Aber eine Einschätzung auf Ingenieursebene lässt sich treffen: Wenn die Beschaffungsentscheidung von „Erstmal nutzen” auf „ROI zuerst” umschlägt, verschiebt sich die Preissetzungsmacht vom Verkäufer zum Käufer.
3. Die Kehrseite: KI könnte jeden Cent wert sein
Bevor man jedoch ruft „KI ist zu teuer”, braucht es eine Vergleichsbasis. Einige HN-Kommentatoren lieferten starke Gegenargumente.
Nutzer „travisb” rechnete anders: KI sei der „ultimative Subunternehmer” – auf Abruf verfügbar, keine Leerlaufkosten, keine Rekrutierungszyklen, keine Vertragsverhandlungen. Die Vollkosten eines menschlichen Entwicklers (Gehalt + Sozialleistungen + Büro + Management-Overhead) liegen in den USA bei rund 95 Dollar pro Stunde. Wenn KI bei einer Vielzahl von Aufgaben menschliche Arbeitsleistung gleichwertig ersetzen kann, sind über 200 Dollar pro Stunde wirtschaftlich immer noch vertretbar. „Bei so einer Auslastung sähen die Finanzkennzahlen der KI-Anbieter deutlich besser aus.”
Nutzer „qurren” fragte noch direkter: „Wenn ein Entwickler X im Jahr kostet und KI ihm hilft, die dreifache Menge zu produzieren, dann sollte ein Unternehmen bereitwillig bis zu 2X an KI-Kosten tragen.” In der Realität beobachte er jedoch das genaue Gegenteil – Unternehmen beschwerten sich bereits, wenn die KI-Ausgaben 0,1X erreichten.
Dieses asymmetrische Verhalten legt nahe: Entweder trauen die Unternehmen dem tatsächlichen Produktivitätsbeitrag der KI nicht, oder sie spielen ein doppeltes Spiel – sie wollen die Produktivitätsgewinne mitnehmen und gleichzeitig darauf hoffen, dass die Anbieter weiterhin Geld verbrennen.
Es gibt noch eine wichtige buchhalterische Klarstellung. Der HN-Nutzer „raincole” wies darauf hin, dass von den 38,5 Milliarden Dollar Nettoverlust von OpenAI im Jahr 2025 rund 30 Milliarden auf einen „einmaligen Buchungseffekt” der Non-Profit-zu-For-Profit-Umwandlung entfielen. Ohne diesen Posten sei der operative Kernverlust deutlich niedriger, und das interne Ziel sei Gewinn im Jahr 2026. Das bedeutet: Die von dshr zitierte Zahl von 38,5 Milliarden überzeichnet das Ausmaß der dauerhaften Verluste möglicherweise.
Auch die Anlegerperspektive spaltet sich. Ein HN-Nutzer aus der Vermögensverwaltung beobachtete, dass die Kundengespräche in den letzten Monaten von „Wie steigen wir in den KI-Zug ein?” zu „Wie sichern wir uns ab, wenn die KI-Blase platzt?” gedriftet sind. Ein anderer Nutzer fragte sofort nach der Glaubwürdigkeit der Quelle: „Arbeiten Sie in der Vermögensverwaltung oder geben Sie nur Hörensagen weiter?” – diese Rückfrage selbst offenbart, wie sehr sich in der aktuellen KI-Debatte „Narrativ” und „Fakten” vermischen.
4. Liegt der Riss in der Technik – oder in der Rechnung?
Ein Schlüsseldatensatz aus dshrs Artikel stammt von der Financial Times und Panmure Liberum: Unter der optimistischsten Annahme – „Betriebskosten gleich null”, also nur Umsatz im Verhältnis zu Investitionsausgaben – ergeben sich für die fünf großen Hyperscaler folgende implizite KI-Renditen: Microsoft -9,2 %, Alphabet -15,7 %, Amazon +7,2 %, Meta -28,8 %, Oracle -35,6 %. Nur Amazons Wert ist knapp positiv.
Diese Zahlen brauchen eine doppelte Einordnung. Erstens wird mit Betriebskosten von null gerechnet, was die tatsächliche Verlusttiefe stark unterschätzt. Zweitens misst die Rechnung die Rendite bereits getätigter Investitionen im Verhältnis zum aktuellen Umsatz. Sollten die künftigen Umsätze stark steigen – sei es durch einen Sprung der Modellfähigkeiten oder durch Preiserhöhungen –, könnten die Zahlen ganz anders aussehen. Welche Annahme zutrifft, hängt davon ab, ob man glaubt, dass die Umsatzkurve die Investitionskurve einholen kann.
Will Lockett stellte eine stark vereinfachte Hochrechnung an: Die KI-Branche häuft in den nächsten Jahren rund 3 Billionen Dollar Schulden an. Bei 3 % Zinsen und 10 Jahren Laufzeit erfordert allein der Schuldendienst jährlich 309 Milliarden Dollar Gewinn. Im besten Fall erreicht KI eine Gewinnmarge von 10 %, Kostenparität mit menschlicher Arbeit und kann die meisten Tätigkeiten übernehmen – dann steuert jeder ersetzte Arbeitsplatz rund 6.600 Dollar Jahresgewinn bei. Der Schuldendienst allein erforderte dann die Ersetzung von 46,8 Millionen US-Arbeitsplätzen, etwa 27 % aller Stellen in den USA.
Der Autor merkt zwei ingenieurtechnische Korrekturen an. Erstens: Die Gesamtkosten eines Arbeitgebers für menschliche Arbeit sind mehr als nur das Gehalt. Sozialversicherung, Krankenversicherung, Bürofläche usw. machen laut US Bureau of Labor Statistics rund 30,1 % der gesamten Arbeitgeberkosten aus. Damit läge der äquivalente Gewinn pro Stelle bei etwa 9.500 Dollar, und die Zahl der zu ersetzenden Stellen sänke auf rund 32,5 Millionen. Zweitens: Diese Rechnung unterstellt, dass KI menschliche Fähigkeiten erreicht – eine MIT-Studie von 2024 zeigte aber, dass in 77 % der Szenarien menschliche Arbeit der KI immer noch überlegen ist. Die Unsicherheiten beider Korrekturen zeigen in entgegengesetzte Richtungen und heben sich nicht gegenseitig auf.
5. Open Source und Preissenkungen – zwei mögliche Auswege
In der HN-Diskussion tauchten zwei Variablen auf, die das Krisennarrativ entschärfen könnten.
Die erste ist der Druck durch Open-Source-Modelle. „tacone” wies darauf hin, dass das Duopol von OpenAI und Anthropic von Natur aus keinen Preiswettbewerb erzeugt; chinesische Modelle und Open-Source-Modelle hingegen konkurrieren tatsächlich über den Preis. Modelle wie GLM 5.2 nähern sich zu extrem niedrigen Kosten der Leistung der Frontier-Modelle an. Ein Nutzer stellte die naive Frage: Warum 8.000 Dollar im Monat für Claude ausgeben, statt das Geld für einen Monat in eine AMD-Maschine oder einen Mac Mini zu investieren und ein gleichwertiges Open-Source-Modell lokal laufen zu lassen?
Der blinde Fleck dieser Argumentation liegt bei Latenz und Durchsatz. Wie „wqaatwt” anmerkte: Cloud-Batch-Inferenz ist weit effizienter als lokale Inferenz auf einer einzelnen Maschine. Jenseits der Hardwarekosten sind Latenz und Durchsatz ebenso entscheidend. Für latenzempfindliche Agent-Anwendungen ist die lokale Bereitstellung nicht unbedingt wirtschaftlich.
Die zweite Variable ist die Möglichkeit aktiver Preissenkungen durch die Plattformen selbst. dshr zitiert Sam Altman mit der Aussage, die Kosten seien ein „riesiges Problem” für die Kunden geworden, und OpenAI erwäge „drastische” Preissenkungen, um gegen Anthropics Vorsprung im Unternehmensmarkt zu bestehen. Anthropic wiederum kündigte im Juni eine „Aussetzung” der Token-Preisänderungen für sein Claude Agent SDK an – man trat auf die Bremse, bevor die Preiserhöhung in Kraft trat. Der Autor bemerkt hier jedoch eine logische Spannung: Wären Preissenkungen wirtschaftlich tragfähig, warum warten dann beide bis kurz vor den Börsengang, um sie in Betracht zu ziehen? Sind sie nicht tragfähig, ähnelt das Ganze eher einem kurzfristigen Zugeständnis, um das Wachstumsnarrativ bis zum IPO-Abschluss aufrechtzuerhalten.
6. Ein dritter Blick auf die Krise
Der HN-Nutzer „woeirua” bot einen Erklärungsrahmen jenseits der Kostenebene: „Das ist im Kern ein Problem der finanziellen Tragfähigkeit. Die Modelle selbst werden rasend schnell billiger – nächstes Jahr um diese Zeit wird Fable 5 günstiger sein als das heutige Sonnet. Das ist nicht das Problem. Das Problem ist, dass viele Unternehmen feststellen werden, dass sie aus KI schlicht keinen ROI ziehen können. Schnellerer Code bedeutet nicht mehr Gewinn. Die meisten Geschäftsideen sind ohnehin schlecht – und schlechte Ideen schneller mit KI umzusetzen, lässt keinen Gewinn sprudeln.”
Diese Perspektive verlagert die Debatte vollständig von der „Technikseite” auf die „Anwendungsseite”. Sie impliziert: Selbst wenn die Inferenzkosten auf null fielen, bliebe die wirtschaftliche Nachhaltigkeit von KI fraglich – weil der Flaschenhals in der Qualität der Nachfrage selbst liegt.
Nutzer „gexla” verstärkte diesen Zweifel: „Jedes Mal, wenn ich in einem Tool eine Kostenanzeige sehe und mir klar wird, dass ich vielleicht an etwas völlig Nutzlosem arbeite, denke ich mir – wahrscheinlich tun das alle. Sie geben imaginiertes Geld aus, um imaginierten Wert zu erschaffen. Dann öffne ich Social Media und sehe Wände aus KI-generierten Inhalten, die sich alle über Skills, Systeme, Agenten und das ‚Karpathy-Wiki-System’ auslassen – mit dem Ziel, noch mehr nutzloses Zeug zu produzieren.”
Das ist ein Unbehagen auf existenzieller Ebene. Man sollte allerdings einräumen, dass diese Stimmung einem Survivorship Bias unterliegen könnte: Wer wirklich Wert schafft, diskutiert vielleicht nicht auf HN über Kostenprobleme.
Was den weiteren Verlauf betrifft, ist die Datenlage voller widersprüchlicher Signale. Die KI-Infrastrukturinvestitionen der Hyperscaler werden 2026 voraussichtlich 725 Milliarden Dollar erreichen – rund 36 % mehr als im Vorjahr. Gleichzeitig haben die Budgetbremsen der Unternehmen bereits eingesetzt: weg von unbegrenzter Nutzung, hin zur ROI-basierten Zuteilung. Diese beiden Trends können nicht gleichzeitig fortbestehen. Entweder die Investitionen erweisen sich als wertschöpfend und die Umsätze holen auf – oder es kommt zu einer schmerzhaften Preisfindung.
Wem man glaubt, hängt davon ab, wie man eine Kernfrage beantwortet: Wenn die Subventionen enden, wenn Unternehmen nicht mehr aus „Fear of Missing Out”, sondern aus „Angst vor Verlusten” handeln – hinterlässt die KI-Branche dann ein revolutionäres Produktivitätswerkzeug oder eine klassische Kapitalfehlallokation?
Diese Frage kann der Autor nicht beantworten. Aber es ist die Frage, die jeder, der diese Branche verfolgt, sich immer wieder stellen muss.
Die obige Analyse basiert auf derzeit verfügbaren öffentlichen Informationen und Community-Diskussionen. Abweichende Perspektiven und ergänzende Informationen sind willkommen.