KI wird billiger. Nur die Rechnung nicht.

Kleinere Modelle übernehmen heute Aufgaben, für die früher wesentlich größere Systeme nötig waren. Hardware wird effizienter ausgelastet, Software optimiert, Zwischenergebnisse gecacht, Kontext intelligenter verwaltet. OpenAI führt seine jüngsten Preisreduzierungen ausdrücklich auf Fortschritte beim Betrieb der Modelle zurück.

Das Unternehmen beschreibt verbessertes Routing, effizientere Produktionssoftware und Optimierungen der Inferenzsysteme. Gleichzeitig verweist es darauf, dass unterschiedliche Modelle innerhalb eines Workflows gezielt nach dem benötigten Leistungsniveau eingesetzt werden können. Solche Angaben stammen vom Anbieter selbst und erlauben keinen unabhängigen Blick auf dessen Kostenstruktur. Sie widerlegen dennoch die allzu einfache Vorstellung, niedrigere Preise seien nur möglich, wenn bei der Qualität etwas wegfällt.

Technischer Fortschritt kann Rechenarbeit tatsächlich billiger machen. Er kann allerdings nicht erklären, warum die Preise gerade jetzt so stark in Bewegung geraten. Dafür muss man nach China schauen. Der Abstand zwischen amerikanischen und chinesischen Spitzenmodellen ist in den vergangenen zwei Jahren deutlich kleiner geworden.

Der Stanford AI Index 2026 spricht inzwischen davon, dass sich die Leistungsdifferenz praktisch geschlossen habe. Amerikanische und chinesische Modelle wechselten sich seit Anfang 2025 mehrfach an der Spitze ab; im März 2026 lag das beste von Stanford betrachtete US-Modell nur noch 2,7 Prozentpunkte vor dem stärksten chinesischen Konkurrenten. Damit verändert sich die wirtschaftliche Bedeutung von Benchmarkführerschaft.

Solange nur wenige Anbieter Modelle auf einem bestimmten Leistungsniveau anbieten konnten, ließ sich der Zugang zu dieser Leistung mit einem deutlichen Premium versehen. Sobald mehrere Modelle eine Aufgabe hinreichend gut erledigen, wird der Preis zum wesentlich stärkeren Auswahlkriterium. Diese Verschiebung zeigt sich bereits im tatsächlichen Nutzungsverhalten. Reuters berichtete im Juni, dass der Anteil offen verfügbarer Modelle an den über OpenRouter verarbeiteten Tokens zwischen Januar und Juni von 34 auf 65 Prozent gestiegen war. Besonders günstige chinesische Modelle wurden dabei zu einer ernsthaften Alternative für Unternehmen und Entwickler, die nicht für jede Aufgabe ein Frontier-Modell benötigen.

Die Entwicklung ist differenzierter als die Erzählung vom chinesischen Billiganbieter und amerikanischen Premiumprodukt vermuten lässt. Open-Weight-Modelle können bei einzelnen Aufgaben erheblich günstiger sein, benötigen teilweise aber auch mehr Tokens. Beim Betrieb auf eigener Infrastruktur kommen Kosten für Hardware, Betrieb und Sicherheit hinzu. Die ökonomische Attraktivität hängt deshalb stark vom konkreten Einsatz ab. Trotzdem setzt der Wettbewerb die etablierten Anbieter unter Druck. Besonders bemerkenswert ist, dass deren Preissenkungen nicht gleichmäßig über das gesamte Modellportfolio verteilt sind. OpenAI reduzierte Luna um 80 Prozent und Terra um 20 Prozent, während das Spitzenmodell Sol nicht in gleichem Maß verbilligt wurde.

Diese Verschiebung wird besonders deutlich, seit KI-Systeme nicht mehr nur antworten, sondern handeln. Bei einem klassischen Chatbot bestand die Interaktion im Wesentlichen aus Eingabe und Antwort. Ein moderner Agent kann Informationen suchen, einen Plan erstellen, Dateien analysieren, externe Werkzeuge aufrufen, Zwischenergebnisse kontrollieren, fehlerhafte Schritte wiederholen und anschließend ein weiteres Modell zur Prüfung einsetzen. Für den Nutzer kann all das hinter einer einzigen Aktion verschwinden. Auf der Rechenseite entstehen dagegen zahlreiche Modellaufrufe.

Der Chef der Commonwealth Bank of Australia, Matt Comyn, beschrieb diese Entwicklung im Juni als neues Managementproblem. Während frühe KI-Anwendungen vergleichsweise einfache Aufgaben erledigten, führen Reasoning, Toolzugriffe und größere Kontextmengen dazu, dass die Kosten komplexer Aufgaben nicht mehr linear mit der sichtbaren Nutzung wachsen.

Coding-Agenten sind dafür ein frühes Beispiel. Aus der Ergänzung einzelner Codezeilen sind Systeme geworden, die komplette Repositories durchsuchen, Dateien verändern, Tests starten, Fehler analysieren und denselben Arbeitszyklus mehrfach durchlaufen. Ähnliches passiert bei generativem Video. Ein modernes Videosystem verarbeitet nicht mehr zwingend nur einen Textprompt für wenige Sekunden Bewegtbild. Neue Generationen können mehrere Referenzbilder, bestehendes Videomaterial und Audio in einen Produktionsprozess einbeziehen. Damit steigt nicht lediglich die Bildqualität. Der Umfang dessen, was das Modell leisten soll, verändert sich grundlegend.

Bei Preisvergleichen über Modellgenerationen wird dieser Punkt leicht übersehen. Die Systeme werden zwar effizienter, gleichzeitig verlangen Nutzer immer umfangreichere Leistungen von ihnen. Der Preis einer einzelnen Fähigkeit sinkt. Die Zahl der Fähigkeiten, die innerhalb eines Arbeitsvorgangs kombiniert werden, steigt. In der ersten Phase generativer KI war es häufig wirtschaftlich irrelevant, welches Modell eine Aufgabe bearbeitete. Die Nutzung war überschaubar, Budgets großzügig und das jeweils beste bekannte Modell eine naheliegende Standardentscheidung.

Mit industrieller Nutzung funktioniert dieses Prinzip zunehmend schlechter. Reuters beschreibt inzwischen Unternehmen, die Routing-Systeme einsetzen, um Aufgaben automatisch dem jeweils wirtschaftlich sinnvollsten Modell zuzuweisen und besonders leistungsfähige Modelle nur für komplexe Arbeiten zu reservieren. Damit entsteht eine neue Form der Ressourcensteuerung.

Eine einfache Dokumentenklassifikation benötigt nicht dieselbe Rechenleistung wie eine anspruchsvolle juristische Analyse. Eine standardisierte Kundenantwort kann ein kleines Modell erledigen, während eine ungewöhnliche Eskalation an ein leistungsfähigeres System übergeben wird. Ein Coding-Workflow kann Routineänderungen günstig bearbeiten lassen und erst bei komplexen Architekturentscheidungen auf ein Frontier-Modell wechseln. OpenAI beschreibt genau diese Arbeitsteilung innerhalb seiner eigenen Modellfamilie: Ein leistungsfähigeres Modell strukturiert den schwierigen Teil einer Aufgabe, während ein günstigeres System anschließend klar definierte Schritte übernimmt. Für Modellanbieter ist das Produktstrategie. Für Unternehmen wird daraus Kostenmanagement.

Die vertraute Suche nach dem „besten Modell“ verliert damit an praktischer Bedeutung. Im Betrieb zählt zunehmend das Modell, das eine konkrete Aufgabe mit der benötigten Qualität, Zuverlässigkeit und Geschwindigkeit zu vertretbaren Gesamtkosten erledigt. Cloud Computing hat eine ähnliche Entwicklung durchlaufen. Dort käme kaum jemand auf die Idee, jede Anwendung dauerhaft auf der teuersten verfügbaren Infrastruktur laufen zu lassen. Bei KI beginnt diese Differenzierung gerade erst.

Ein knapper Zugang wird sparsam verwendet. Eine nahezu kostenlos erscheinende Intelligenz wird großzügig eingesetzt. Statt einer Variante entstehen fünf. Dokumente werden nicht nur zusammengefasst, sondern zusätzlich verglichen, analysiert, umgeschrieben und noch einmal geprüft. Agenten können im Hintergrund Tausende Vorgänge bearbeiten, weil die Kosten des einzelnen Durchlaufs gering erscheinen.

Genau darin liegt die besondere Ökonomie des aktuellen Preissturzes. Die Kosten einer einzelnen Berechnung fallen schneller, als viele klassische Technologien jemals billiger geworden sind. Gleichzeitig wächst der mögliche Verbrauch beinahe ohne natürliche Obergrenze. Eine KI, die hundertmal günstiger wird, schafft nicht automatisch eine hundertmal niedrigere Rechnung. Sie kann ebenso gut hundert neue Einsatzfelder schaffen.

Für Unternehmen wird deshalb eine andere Kennzahl wichtiger werden. Eine Million Tokens ist eine technische Verbrauchseinheit. Sie sagt wenig darüber aus, ob ein Geschäftsprozess dadurch besser oder günstiger geworden ist. Näher an der betrieblichen Realität liegt der Preis einer erledigten Aufgabe: die korrekt geprüfte Rechnung, die qualifizierte Kundenanfrage, der getestete Software-Patch, die vollständig bearbeitete Schadenmeldung oder die Vertragsanalyse innerhalb eines definierten Risikoniveaus. Damit verändert sich die Kalkulation.

Ein Modell kann pro Token mehrfach teurer sein und trotzdem günstiger arbeiten, wenn es mit weniger Versuchen zu einem belastbaren Ergebnis kommt. Ein billiges Modell kann hohe Folgekosten verursachen, sobald Mitarbeiter regelmäßig kontrollieren, korrigieren oder Vorgänge neu anstoßen müssen. Aus „Cost per Token“ wird zunächst „Cost per Task“. Im nächsten Schritt zählt das erfolgreiche Ergebnis. Und selbst diese Rechnung bleibt unvollständig, solange der wirtschaftliche Nutzen fehlt. Ein automatisierter Vorgang ist nicht wertvoll, weil seine technischen Kosten niedrig sind. Entscheidend ist, ob er einen bisher teureren Prozess ersetzt, zusätzliche Erlöse ermöglicht, Risiken reduziert oder messbar Zeit freisetzt.

Damit landet die KI-Ökonomie ausgerechnet bei einer der ältesten Kennzahlen der Unternehmensführung: dem Return on Investment. Nach Jahren, in denen Modellgröße, Benchmarks und neue Fähigkeiten die Debatte dominierten, könnte dieser Wechsel der Perspektive tiefgreifender sein als die nächste Modellgeneration. Der gegenwärtige Preiskampf führt vermutlich nicht zu einem einzigen Marktpreis für künstliche Intelligenz. Wahrscheinlicher ist eine immer stärkere Ausdifferenzierung.

Viele Fähigkeiten, die heute noch als bemerkenswert gelten, werden schnell in günstige Standardmodelle wandern. Kleinere Systeme werden leistungsfähiger, offene Modelle verbreiten sich, lokale Ausführung nimmt zu. Für zahlreiche Routineaufgaben dürfte KI tatsächlich zu einer nahezu beliebig verfügbaren Ressource werden. Parallel dazu bleibt die jeweilige Leistungsspitze teuer. Besonders komplexes Reasoning, hohe Zuverlässigkeit, geringe Latenz, große Kontexte oder spezialisierte Fähigkeiten benötigen weiterhin erhebliche Infrastruktur. Für bestimmte Aufgaben ist dieser Aufpreis wirtschaftlich sinnvoll, weil wenige Prozent mehr Qualität einen hohen Wert besitzen.

Die aktuellen Preislisten zeigen bereits beide Bewegungen. OpenAI senkt die Preise seiner günstigeren Modelle massiv und bietet zugleich Sol in besonders schneller Verarbeitung gegen Aufpreis an. Anthropic bietet mit Opus 5 hohe Leistungsfähigkeit zu fünf beziehungsweise 25 Dollar je Million Input- und Output-Tokens und verlangt für den schnelleren Betriebsmodus das Doppelte. Aus einer Kategorie namens „KI“ entstehen damit unterschiedliche Leistungs- und Preisklassen. Das ist für eine junge Technologie ein bemerkenswert normaler Vorgang. Auch Rechenleistung, Datenspeicher und Netzwerkbandbreite wurden über Jahrzehnte drastisch billiger, ohne dass die IT-Ausgaben der Wirtschaft verschwanden. Im Gegenteil. Die sinkenden Stückkosten ermöglichten erst jene Digitalisierung, die heute einen erheblichen Teil der Unternehmensbudgets ausmacht. Bei künstlicher Intelligenz könnte sich eine ähnliche Dynamik wiederholen, nur deutlich schneller.

Die Nachricht von fallenden KI-Preisen beschreibt deshalb nur einen Ausschnitt einer größeren Entwicklung. Chinesische Anbieter erhöhen den Wettbewerbsdruck. Amerikanische Labore reagieren mit günstigeren Modellen. Technische Fortschritte senken die Kosten pro Recheneinheit. Gleichzeitig wird künstliche Intelligenz tiefer in Arbeitsabläufe integriert, übernimmt längere Prozessketten und verbraucht dadurch sehr viel mehr Rechenleistung als ein klassischer Chatbot.

Aus gelegentlichen Prompts werden permanente Workflows. Aus einzelnen Modellaufrufen werden Agentenschleifen. Aus Softwarelizenzen werden variable Produktionskosten. Für Unternehmen beginnt damit eine nüchternere Phase der KI-Adoption. Die Begeisterung für neue Fähigkeiten verschwindet nicht. Sie wird um Kostenrechnung, Routing, Qualitätskontrolle und Nutzenmessung ergänzt. Vielleicht zeigt gerade der aktuelle Preisverfall, wie schnell künstliche Intelligenz ihren Sonderstatus verliert. Sie wird weniger als singuläres Produkt betrachtet und stärker als Ressource, die in sehr unterschiedlichen Qualitäten und zu sehr unterschiedlichen Preisen verfügbar ist.

Wie bei anderen Infrastrukturen wird ihr wirtschaftlicher Wert dann nicht daran gemessen, wie billig die einzelne Einheit geworden ist. Entscheidend ist, was mit dieser Einheit produktiv erzeugt wird, welche zusätzlichen Verbräuche ihre niedrigen Kosten auslösen und welcher Teil der Wertschöpfung am Ende bei Unternehmen, Modellanbietern und Nutzern verbleibt. Der jetzige Preiskampf liefert darauf noch keine abschließende Ordnung. Er macht lediglich sichtbar, dass die Phase der scheinbar kostenlosen Intelligenz in eine Phase übergeht, in der ihr Preis erstmals ernsthaft verstanden werden muss. ■