Am 13. Juni 2026 veröffentlichte ein chinesisches KI-Unternehmen namens Z.ai ein großes Sprachmodell mit dem Namen GLM 5.2.
Drei Tage später legten sie das „Rezept” des Modells — den kompletten Satz an Modellparameter-Dateien — auf der Open-Source-Plattform Hugging Face ab. Jeder kann es kostenlos herunterladen, modifizieren und sogar selbst deployen.
Zunächst erregte das kaum Aufmerksamkeit. Schließlich erscheinen jeden Monat neue KI-Modelle, allein chinesische Unternehmen bringen dutzende pro Jahr heraus. Doch in den folgenden Wochen stellten immer mehr Ingenieure und Forscher eine Tatsache fest, die sie nicht mehr losließ:
GLM 5.2 übertrifft GPT-5.5 — das damals teuerste Modell von OpenAI — bei der Programmierfähigkeit. Und sein Preis liegt, wenn man es per API nutzt, bei einem Sechstel des OpenAI-Pendants.
Aus meiner Sicht ist das mehr als eine weitere „China bringt neues Modell raus”-Meldung. Es ist ein Signal: KI-Modelle werden immer leistungsfähiger — aber die Unternehmen, die sie verkaufen, verdienen immer weniger daran. Und beide Trends laufen gleichzeitig.
Abb. 1: GLM 5.2 übertrifft GPT-5.5 in mehreren Programmier-Benchmarks, kostet aber nur ein Sechstel. Quelle: TechStartups
Sechs Jahre Arbeit an einem „Killer”
Klären wir zunächst, in welcher Liga GLM 5.2 spielt.
Das Modell hat 753 Milliarden Parameter — das kann man sich als die Anzahl der „Gehirnzellen” der KI vorstellen. Allerdings nutzt es eine Architektur namens „Mixture of Experts” (MoE), bei der pro Rechenoperation nur etwa 40 Milliarden Parameter aktiviert werden. Das ist vergleichbar mit einer Universität mit tausend Professoren, von denen für die Beantwortung einer Frage nur fünfzig gebraucht werden — das sichert die Wissensbreite und hält die Betriebskosten niedrig.
Im Bereich Coding — dem lukrativsten Anwendungsszenario für KI — liefert GLM 5.2 beeindruckende Ergebnisse:
| Benchmark | GLM 5.2 | GPT-5.5 | Claude Opus 4.8 |
|---|---|---|---|
| SWE-bench Pro (Software Engineering) | 62,1 | 58,6 | 69,2 |
| FrontierSWE (Frontier Tasks) | 74,4 % | 72,6 % | 75,1 % |
SWE-bench Pro ist der derzeit anspruchsvollste Test für KI-Programmierfähigkeit — er prüft, ob ein Modell „in einem echten Softwareprojekt einen Bug findet und behebt”. 62,1 Punkte bedeuten, dass GLM 5.2 mehr als 60 % aller realen Softwareprobleme eigenständig lösen kann — das liegt über den 58,6 Punkten von GPT-5.5. Der Abstand zum Branchenführer Claude Opus 4.8 mit 69,2 Punkten beträgt 7 Punkte — vor ein, zwei Jahren betrug diese Lücke noch 20 bis 30 Punkte.
Anders gesagt: Open-Source-Modelle holen zu den geschlossenen Top-Modellen viel schneller auf, als die meisten erwartet hatten.
Das eigentlich Fatale ist nicht die Leistung, sondern der Preis
Wäre es nur die Leistung, wäre die Sache nicht tödlich. Wirklich tödlich ist der Preis.
Ich habe die aktuellen API-Preise der wichtigsten KI-Modelle zusammengestellt, in der Einheit „pro 1 Million Token” (ein Token entspricht grob einem Wort oder Schriftzeichen):
| Modell | Input-Preis (pro 1 Mio. Token) | Output-Preis (pro 1 Mio. Token) |
|---|---|---|
| GLM 5.2 (via OpenRouter) | 1,40 USD | 4,40 USD |
| GPT-5.5 | 5,00 USD | 30,00 USD |
| Claude Opus 4.8 | 5,00 USD | 25,00 USD |
| DeepSeek V4 Pro | 0,44 USD | 0,87 USD |
Ein einfacher Vergleich: Angenommen, ein Entwickler nutzt KI zum Coden und jede Aufgabe verursacht etwa 0,1 USD an Kosten. Mit GPT-5.5 kostet eine Aufgabe etwa 3 USD. Mit GLM 5.2 kostet eine Aufgabe gleicher Qualität nur rund 0,46 USD — 85 % günstiger.
85 % Kostenersparnis bedeuten für ein Unternehmen, das monatlich 1 Million USD für KI-APIs ausgibt, über 10 Millionen USD Ersparnis pro Jahr.
Der Tech-Blogger Martin Alderson schrieb in seinem viel diskutierten Artikel, er habe versucht, seine alltäglichen KI-Programmiertools von Claude auf GLM 5.2 umzustellen — und „praktisch keinen Unterschied gespürt”. Die Codequalität war vergleichbar, der Wechsel erforderte nur eine geänderte Konfigurationszeile. Der einzige Nachteil: GLM 5.2 antwortet etwas langsamer, weil es zu viel „denkt” und etwa doppelt so viele Token ausgibt wie die Konkurrenz. Aber selbst dann lagen die Gesamtkosten unter der Hälfte.
„Deine Marge ist meine Chance”
An dieser Stelle müssen wir eine grundlegendere Frage stellen: Warum werden die Gewinnmargen der KI-APIs kollabieren?
Zunächst zum aktuellen Geschäftsmodell der KI-Unternehmen. OpenAI und Anthropic (das Unternehmen hinter Claude) funktionieren grob so: Sie geben riesige Summen (hunderte Millionen Dollar) für das Training eines Modells aus, stellen es dann in die Cloud und rechnen nach Nutzungsvolumen ab. Das Training sind einmalige Fixkosten, aber die Nutzung — in der Branche „Inferenz” genannt — hat reale Grenzkosten: Jedes Mal, wenn jemand der KI eine Frage stellt, werden GPU-Rechenleistung und Strom verbraucht.
Die entscheidende Rechnung: Nach Schätzungen von Martin Alderson machen die realen GPU- und Stromkosten nur etwa 10–20 % des Preises von 25–30 USD pro Million Token aus, den OpenAI oder Anthropic berechnen. Das heißt: die Bruttomarge liegt bei 80–90 %. (Geleakte Finanzdaten von OpenAI deuten auf eine Gesamt-Bruttomarge von etwa 60 % hin, die zusätzliche Kosten wie Kundenservice und Zahlungsabwicklung enthält.)
Diese hohe Marge ist das Mittel, mit dem sie ihre enormen Trainingsinvestitionen zurückverdienen — wie ein Filmstudio, das 200 Millionen USD in einen Film steckt und ihn dann weltweit in den Kinos einspielt. Solange die Ticketpreise hoch genug sind und genug Vorstellungen laufen, macht es Gewinn.
Aber was passiert, wenn ein anderes Filmstudio einen ähnlich guten Film produziert und nur ein Sechstel des Ticketpreises verlangt? Und wenn dieses Studio das „Rezept” auch noch offenlegt — andere Kinos können den Film sogar selbst vorführen, ohne dem Produzenten eine Beteiligung zu zahlen?
Genau das ist der Schock, den GLM 5.2 auslöst. Amazon-Gründer Jeff Bezos sagte einmal: „Deine Marge ist meine Chance.” Dieser Satz bewahrheitet sich gerade in der KI-Branche.
Abb. 2: Umfassende Benchmarks zeigen, dass GLM 5.2 in vielen Metriken die geschlossenen Top-Modelle erreicht oder übertrifft. Quelle: TechStartups
Wechselkosten gleich null: Der schwächste Burggraben der KI-Branche
In der traditionellen Softwarebranche kann ein Unternehmen seinen Kernlieferanten nicht einfach austauschen. Wenn eine Bank ihr gesamtes System auf Oracle-Datenbanken aufgebaut hat, braucht eine Migration zu einem anderen Anbieter Jahre, kostet Millionen und birgt enorme Geschäftsrisiken. Das ist der „Lock-in-Effekt” — und die eigentliche Grundlage der hohen Gewinne in der Softwarebranche.
In der KI-Modellbranche? Völlig anders.
Die API-Schnittstelle von GLM 5.2 wurde bewusst vollständig kompatibel zu OpenAI und Anthropic gestaltet. Was bedeutet das? Ein Unternehmen, das bereits die GPT-API zum Coden nutzt, kann auf GLM 5.2 umsteigen, indem es eine einzige Zeile ändert: die API-Adresse von OpenAIs Servern auf die Server von Z.ai oder Anbietern wie Fireworks umleiten. Keine einzige Codezeile muss geändert werden.
Alderson schreibt in seinem Artikel: „Das ist kein Lock-in auf dem Niveau von Microsoft oder Salesforce — wo man Jahre für die Planung einer Migration braucht. Die Wechselkosten hier sind absurd niedrig.” In seinem eigenen Praxistest dauerte die Umstellung von Claude auf GLM 5.2 keine fünf Minuten.
Ein HN-Kommentator brachte es noch drastischer auf den Punkt: „Die KI-API der Zukunft wird wie ein Stromversorger sein. Wen interessiert’s, ob dein Strom von IBM oder aus Texas kommt? Ein Ampere ist ein Ampere.”
Wenn dieser Vergleich zutrifft, dann werden die Gewinnmargen der KI-APIs unweigerlich auf Versorgerniveau sinken — einstellige Prozentmargen statt der heutigen 80 %+.
Drei Kurven schließen die Zange
Aus meiner Sicht wird der Margenverfall der KI-APIs von drei Kurven gleichzeitig nach unten gedrückt:
Erste Kurve: Die Aufholgeschwindigkeit der Open-Source-Modelle.
Der AI Index Report 2025 der Stanford University zeigt: Im Chatbot Arena Leaderboard (einer Plattform, auf der Nutzer blind die Antwortqualität verschiedener KI-Modelle bewerten) ist der Leistungsabstand zwischen Open-Source- und geschlossenen Modellen von 8 % vor einem Jahr auf 1,7 % geschrumpft. 6,3 Prozentpunkte in einem Jahr. Bei diesem Tempo werden Open-Source-Modelle die geschlossenen bis Ende 2026 vollständig einholen oder sogar überholen.
GLM 5.2 ist ein Meilenstein auf dieser Trendlinie.
Zweite Kurve: Der Absturz der Inferenzkosten.
Laut einer Studie von AgentMarketCap sind die API-Preise für KI-Spitzenmodelle seit der Veröffentlichung von GPT-4 im Jahr 2023 (damals 30 USD pro Million Token) um mehr als das 300-fache gefallen. Dahinter stehen: effizientere Chips (AMDs MI300X soll GLM 5.2 zu nur 36 % der Kosten von NVIDIA Blackwell betreiben), intelligentere Modellarchitekturen (MoE erreicht gleiche Leistung mit weniger Rechenoperationen) und kontinuierliche Software-Optimierung.
Dritte Kurve: Die Beschleunigung chinesischer Eigenentwicklungen.
Z.ai ist kein Einzelfall. DeepSeek V4 Pro ist sogar noch einmal um den Faktor 10 günstiger als GLM 5.2 (0,44 USD pro Million Token), bei etwas geringerer Leistung. ByteDances Doubao, MiniMax, Zhipu — jedes chinesische KI-Unternehmen bietet Dienste nahe dem State of the Art zu Preisen an, die weit unter denen der US-Konkurrenz liegen. Dahinter stehen sowohl Effizienzinnovationen, erzwungen durch die eingeschränkte Chip-Versorgungskette Chinas, als auch der immense Wettbewerbsdruck im heimischen Markt, der die Preise immer weiter nach unten treibt.
Ein HN-Kommentar dazu: „Wir haben jetzt alle unsere internen KI-Agenten auf GLM 5.2 umgestellt. Weil es Open Source ist, können wir das Modell sogar in bestimmten Regionen deployen und haben mehr Freiheit und zusätzlichen Datenschutz.”
Wer gewinnt, wer verliert?
Der Ausgang dieser Entwicklung wird sich meiner Einschätzung nach in folgenden Richtungen entfalten:
Erstens: Die Ära der Hochmargen bei geschlossenen KI-APIs läuft ab. Die bereinigte Bruttomarge von OpenAI sank im ersten Halbjahr 2025 von 40 % im Vorjahr auf 33 %, bei einem Verlust von 13,5 Milliarden USD im gleichen Zeitraum. Das ist keine kurzfristige Schwankung — wenn die Qualitätslücke zu Open-Source-Alternativen so klein wird, dass Nutzer sie kaum noch wahrnehmen, ist der Preiskrieg unvermeidlich.
Zweitens: Die Gewinner könnten die Unternehmen sein, die nicht vom API-Verkauf leben. Zum Beispiel Chip-Hersteller wie NVIDIA und AMD — egal, wessen Modell am besten läuft, alle brauchen deren GPUs. Oder Cloud-Anbieter — die Modelle sind Open Source, aber die Rechenleistung, auf der sie laufen, muss jemand bereitstellen. Um es mit Aldersons Worten zu sagen: „Wenn man die Trainingskosten nicht mehr durch Wuchermargen beim API-Verkauf zurückverdienen kann, muss das gesamte Wirtschaftsmodell der KI-Branche neu geschrieben werden.”
Drittens: Der größte unsichtbare Gewinner könnte der Nutzer sein. Ob Unternehmenskunden oder einzelne Entwickler — sie erhalten zu Preisen, die sich jährlich halbieren, KI-Dienste von immer höherer Qualität. Das ähnelt stark der Geschichte der PC-Industrie: Die Rechenleistung verdoppelte sich jedes Jahr, die Preise blieben gleich oder sanken, und der größte Nutznießer war jeder, der einen Computer benutzte.
Während ich diesen Artikel schrieb, fiel mir auf, dass Alderson bereits einen „Teil 2” angekündigt hat — eine Analyse, wie sich die Branchenlandschaft nach dem Margenverfall neu formieren wird. Vielleicht diskutieren wir beim nächsten Mal nicht mehr darüber, „wie viel Marge in der KI-API noch steckt”, sondern: „Wenn man mit KI-APIs überhaupt kein Geld mehr verdienen kann — wie überlebt diese Branche dann?”
Referenzen:
- Martin Alderson, „GLM 5.2 and the coming AI margin collapse (part 1)”, 2026-07-06. https://martinalderson.com/posts/the-upcoming-ai-margin-collapse-part-1-glm-5-2/
- Hacker News Diskussion, https://news.ycombinator.com/item?id=48809877
- Lobsters Diskussion, https://lobste.rs/s/ua1gxl/glm_5_2_coming_ai_margin_collapse
- Danilchenko, „GLM-5.2 Review”, 2026-06-18. https://www.danilchenko.dev/posts/glm-5-2-review/
- Thesys, „GLM 5.2: Benchmarks, Pricing, and Features”, 2026-06-19. https://www.thesys.dev/blogs/glm-5-2
- TechStartups, „Z.ai’s GLM-5.2 beats GPT-5.5 on coding benchmarks at one-sixth the cost”, 2026-06-17. https://techstartups.com/2026/06/17/z-ais-open-source-glm-5-2-beats-gpt-5-5-on-coding-benchmarks-at-one-sixth-the-cost/
- AgentMarketCap, „The Token Cost Collapse: LLM Prices Fell 300x in 3 Years”, 2026-04-06. https://agentmarketcap.ai/blog/2026/04/06/model-price-deflation-flywheel-token-costs-llm-api-commoditization
- Philipp Dubach, „AI Models Are the New Rebar”, 2026-03-11. https://philippdubach.com/posts/ai-models-are-the-new-rebar/
- Epsilla, „The DeepSeek Disruption: How Open-Source Commoditization Forces API Margins to Zero”, 2026-04-26. https://www.epsilla.com/blogs/2026-04-26-the-deepseek-disruption-how-open-source-commoditization-forc
- Wafer, „Running GLM 5.2 on AMD Hardware”, https://www.wafer.ai/blog/glm52-amd
- Artificial Analysis, „GLM 5.2 Intelligence, Performance & Price Analysis”, https://artificialanalysis.ai/models/glm-5-2
- Apidog, „How to Use GLM-5.2: $1.40/1M input, $4.40/1M output”, 2026-06-17. https://apidog.com/blog/how-to-use-glm-5-2-for-free/
Bildquellen: Der Originalartikel (martinalderson.com) ist ein reiner Textblog ohne eingebettete Inhaltsbilder; lediglich ein OG-Bild für Social Sharing existiert: https://martinalderson.com/img/og/glm-5-2-and-the-coming-ai-margin-collapse-part-1.png (1200×630px). Die beiden Inhaltsbilder in diesem Artikel stammen aus der Berichterstattung von TechStartups und sind entsprechend gekennzeichnet.
