Wirtschafts
us gewinnt immer

01 · Die Kostenkurve

Die Wirtschaft gewinnt immer

Sehen Sie sich an, was die Entwicklung dieser Modelle über Generationen hinweg gekostet hat – die Kurve spricht für sich.

Nehmen wir GPT-2, das Modell von OpenAI aus dem Jahr 2019. Es ist das erste Modell, das die meisten Menschen als echtes Sprachmodell erkennen würden. Das Training kostete etwa 43.000 US-Dollar.¹ GPT-3, ein Jahr später, kostete zwischen mehreren hunderttausend Dollar und einigen Millionen.¹ Mit GPT-4 im Jahr 2023 hörte es auf, ein wissenschaftliches Projekt zu sein, und wurde zu einem industriellen Unterfangen: rund 25.000 High-End-GPUs, die drei Monate lang liefen, in der Größenordnung von 2 × 10²⁵ Gleitkommaoperationen, Dutzende Gigawattstunden Strom und geschätzte Trainingskosten von 80 bis 100 Millionen Dollar.² Jeder Sprung erforderte etwa das Vier- bis Fünffache der Rechenleistung seines Vorgängers.

Diese Kurve hat sich nicht abgeflacht. Sie hat sich beschleunigt. Die Kosten für die „Frontier“-Trainingsläufe im Jahr 2026 liegen bei einem Modell der Spitzenklasse im Bereich von 200 bis 500 Millionen Dollar. Branchenforscher prognostizieren den ersten Trainingslauf im Milliarden-Dollar-Bereich bis zum Jahr 2027,^³ und der CEO von Anthropic selbst hat erklärt, dass das Training von „Frontier“-Modellen bis 2028 Kosten in Höhe von 10 Milliarden Dollar verursachen könnte.⁴ Innerhalb von etwa einem Jahrzehnt sind wir vom Preis eines Gebrauchtwagens zum Preis eines Flugzeugträgers gelangt.

Dieser Weg der „Brute-Force“-Methode – mit größeren Clustern, mehr Gigawatt und mehr Kapital – ist derjenige, für den sich die US-amerikanischen Forschungslabore entschieden haben. Er bringt erstaunliche Modelle hervor. Doch dies geschieht zu Kosten, die letztendlich jemand tragen muss.

Folgendes wird in der Berichterstattung übersehen: Es gibt nicht nur eine, sondern zwei Kostenkurven, und diese verlaufen in entgegengesetzte Richtungen. Die Obergrenze steigt weiter an: Die Entwicklung des leistungsfähigsten Modells wird immer teurer. Die Untergrenze hingegen bricht immer weiter ein. Die Kosten für das Erreichen eines beliebigen Leistungsniveaus sinken drastisch. Das Training eines Modells der GPT-4-Klasse kostete im Jahr 2023 etwa 79 Millionen Dollar; bis 2026 wird dieselbe Leistungsfähigkeit bereits für 5 bis 10 Millionen Dollar erhältlich sein.⁵ Was vor zwei Jahren noch als „Pionierprojekt“ galt und entsprechend teuer war, ist heute ein Posten im Budget eines gut finanzierten Start-ups.

Diese zweite Kurve ist diejenige, auf die Unternehmen achten sollten. Sie bedeutet, dass die Fähigkeiten, die Sie für Ihr Unternehmen tatsächlich benötigen, nicht hinter der Grenze verborgen bleiben. Sie stehen Ihnen schnell zur Verfügung und werden von Quartal zu Quartal günstiger.

02 · Der Beweis

Der Präzedenzfall China

Wenn Sie einen Beweis dafür suchen, dass nicht die Neuartigkeit, sondern die Kosten die treibende Kraft auf diesem Markt sind, schauen Sie sich China an.

Da chinesische Labore aufgrund der US-Exportkontrollen keinen Zugang zu den besten Chips von Nvidia hatten, waren sie gezwungen, auf billigere, bewusst gedrosselte Chips zurückzugreifen. Da sie die Amerikaner finanziell nicht überbieten konnten, mussten sie die Kostenkurve durch technische Innovation überwinden. Das am häufigsten angeführte Beispiel ist DeepSeek, dessen Schlussfolgerungsmodell R1 laut einem begutachteten Artikel in der Fachzeitschrift „Nature“ seinen abschließenden Trainingslauf auf 512 für den Exportmarkt bestimmten H800-Chips in etwa 80 Stunden für rund 294.000 US-Dollar abgeschlossen haben soll.⁶ Die Rechenkosten für das V3-Basismodell beliefen sich auf rund 5,6 Millionen US-Dollar.⁷

Nun, ich werde hier einmal den ehrlichen Vermittler spielen. Diese Zahlen verdienen ein Sternchen: Sie spiegeln die Grenzkosten eines einzelnen Durchlaufs wider, nicht die vorrätige Hardware, die vorangegangene Forschung oder die fehlgeschlagenen Experimente, die dahinter stehen.⁷ Es gibt berechtigte Fragen dazu, wie die Modelle trainiert wurden und woraus sie gelernt haben. China verfolgt, gelinde gesagt, eine andere Strategie in Bezug auf geistiges Eigentum, und ein echter Weg zu einer heimischen Spitzenfertigung ist noch Jahre entfernt.

Lässt man die Kontroversen einmal beiseite, ist die Botschaft unbestreitbar: Ein Modell der „Frontier“-Klasse wurde zu einem Bruchteil des Preises im Westen hergestellt und mit offener Gewichtsangabe verschenkt.

Die Reaktion des Marktes sprach Bände. Eine einzige Meldung ließ die Marktwerte der Chip-Unternehmen innerhalb eines Tages um Hunderte von Milliarden Dollar einbrechen. Die Beschränkung hat AI chinesische AI nicht zerstört. Sie hat sie billiger gemacht. Und „billig, offen und gut genug“ ist genau die Kombination, die ein Premium-Geschäftsmodell von Grund auf untergräbt.

03 · Die Schwelle

Was „gut genug“ heute bedeutet

Das Premium-Modellgeschäft beruht auf einer Annahme: dass der Abstand zwischen dem besten geschlossenen Modell und dem besten offenen Modell groß genug und dauerhaft genug ist, um den Preisunterschied zu rechtfertigen. Diese Annahme erweist sich als falsch.

Gemäß dem Leistungsindex AI Epoch AI liegen offene Modelle nun etwa drei bis vier Monate hinter der geschlossenen Grenze zurück.⁸ Nicht drei bis vier Jahre. Monate. Llama, Qwen, Mistral, DeepSeek und die Nemotron-Familie von Nvidia erreichen oder übertreffen die Werte, die vor einem Jahr noch als „geschlossene“ Benchmark-Werte galten. Bei breit angelegten Wissenstests wie MMLU haben sowohl offene als auch geschlossene Modelle die 91-Prozent-Marke überschritten, und der Abstand ist praktisch verschwunden.⁹

Das müssen Sie nicht einfach so glauben. Im Juni 2026 veröffentlichte ein chinesisches Labor namens Z.ai „GLM-5.2“, ein Modell mit offenen Gewichten, das Sie unter einer MIT-Lizenz herunterladen und selbst ausführen können. Bei den öffentlichen Coding- und Agency-Benchmarks erreichte es die gleichen oder bessere Ergebnisse als GPT-5.5 und lag nur wenige Punkte hinter „Claude Opus 4.8“, dem derzeit stärksten geschlossenen Modell auf dem Markt – und das bei angeblich nur einem Bruchteil der Betriebskosten.¹⁶ Die Ergebnisse stammen von den Anbietern selbst, und die gehostete API befindet sich in China; Sie sollten das Modell daher zunächst mit Ihren eigenen Workloads testen, bevor Sie ihm vertrauen. Doch die Gewichte stehen Ihnen zur Verfügung, um sie auf Ihrer eigenen Hardware auszuführen – und genau darum geht es. Programmierleistung auf Spitzenniveau, offen, selbst hostbar, kostengünstig. Vor einem Jahr war diese Lücke noch ein Abgrund. Diese Woche sind es nur noch wenige Punkte.

Für das Unternehmen ist dies der entscheidende Faktor. Sie führen Ihr Geschäft nicht auf dem allerneuesten Stand der Technik. Sie führen es auf der Grundlage bewährter Technologien. Ein Modell, das drei Monate hinter der absoluten Spitze zurückliegt, das Sie selbst hosten, anhand Ihrer Daten feinabstimmen und zu den Rechenkosten betreiben können, ist einem geringfügig intelligenteren Modell überlegen, das Sie tokenweise mieten, nicht kontrollieren können und dem Sie Ihre wertvollsten Daten anvertrauen müssen. Solange niemand eine echte, messbare künstliche Superintelligenz entwickelt (die nach wie vor nicht definiert und nicht messbar ist), ist „drei Monate im Rückstand und kostenlos im Betrieb“ für fast jede wichtige Arbeitslast die bessere Lösung.

04 · Dem Geld auf der Spur

Die wirtschaftlichen Aspekte des Mietens

Verfolgen Sie nun den Geldfluss auf der anderen Seite der Bilanz, denn genau hier hat das Prämienmodell seine Schwachstelle.

Man könnte sagen, dass Mieten in Ordnung ist. Wir mieten bereits seit fünfundzwanzig Jahren Software. SaaS hat bewiesen, dass man das System nicht besitzen muss. Man abonniert es, der Anbieter betreibt es, und alle profitieren davon. Warum sollte AI also anders AI ?

Denn die Kostenbasis ist bei weitem nicht dieselbe. Bei SaaS handelte es sich um Forschungs- und Entwicklungsausgaben, die ein Anbieter mit soliden Margen auf Tausende von Kunden verteilen konnte. AI einer ganz anderen Größenordnung. Im Jahr 2026 werden vier Unternehmen – Microsoft, Amazon, Google und Meta – fast 700 Milliarden US-Dollar an Investitionsausgaben tätigen, wobei der überwiegende Teil davon in AI fließen wird.¹⁴ Zwei Jahre zuvor gaben dieselben vier Unternehmen etwas mehr als 200 Milliarden Dollar aus. Zum Vergleich: Die gesamte weltweite Softwarebranche gibt zusammen jährlich in der Größenordnung von 200 Milliarden Dollar für Forschung und Entwicklung aus .¹⁵ In einem einzigen Jahr investieren diese vier Unternehmen also mehr als das Dreifache des gesamten Forschungsbudgets der gesamten Softwarebranche in den Aufbau dieser einen Fähigkeit. Und diese 700 Milliarden US-Dollar sind lediglich ihre Investitionsausgaben. Nicht eingerechnet sind die Verluste von OpenAI und Anthropic, das 500-Milliarden-US-Dollar-„Stargate“-Programm, xAI oder China.

Jemand muss das wieder hereinholen. Die Anbieter werden es nicht sein. Sie machen derzeit Verluste. Es werden Sie sein, der Unternehmenskunde, und zwar in Form des Preises für jeden Token, den Sie mieten. Das ist der Unterschied. SaaS konnten Sie auf unbegrenzte Zeit mieten, weil die zugrunde liegende Wirtschaftlichkeit stimmte. Dies hier würden Sie selbst finanzieren. Und sobald Sie Kosten in dieser schwindelerregenden Höhe selbst tragen, ist der Kauf der Miete vorzuziehen.

Die „Frontier Labs“ sind nicht rentabel. Davon sind sie noch weit entfernt. Allein im ersten Quartal 2026 verzeichnete OpenAI einen Umsatz von rund 5,7 Milliarden US-Dollar bei einem Nettoverlust von über 21 Milliarden US-Dollar,¹⁰ und verliert nach einigen Berechnungen weit über einen Dollar pro Dollar Umsatz. Das Unternehmen rechnet erst gegen Ende des Jahrzehnts mit Rentabilität. Anthropic, das diszipliniertere der beiden Unternehmen, erzielte im Jahr 2025 eine Bruttomarge von rund 40 % und erwartet erst 2028 die Gewinnschwelle zu erreichen.¹¹ Zusammen sind diese beiden Unternehmen auf dem besten Weg, in einem einzigen Jahr Ausgaben in der Größenordnung von 65 Milliarden US-Dollar für Rechenleistung, Training und Betrieb zu tätigen.¹²

Man kann nicht ewig jedes Jahr Dutzende Milliarden Dollar verlieren. Die Kapitalmärkte werden irgendwann das einfordern, was jedes Unternehmen letztendlich liefern muss: einen Gewinn. Und wenn dieser Tag kommt, werden die Kosten an den Kunden weitergegeben. Es gibt keine andere Möglichkeit, sie zu absorbieren. Die 20-Dollar-Flatrate-Tarife und die künstlich niedrigen Token-Preise waren schon immer Lockangebote. Eine Markterschließung, finanziert durch Investoren, um die Akzeptanz voranzutreiben.

Die ersten Rechnungen treffen bereits ein. Unternehmen, die ihre Budgets auf der Grundlage von Token-Preisen aus dem Jahr 2024 aufgestellt haben, stellen fest, dass agentische Workflows auf dem Stand der Einführung im Jahr 2026 ein Vielfaches dessen verbrauchen, was sie geplant hatten. Ein großes Unternehmen soll Berichten zufolge sein gesamtes AI innerhalb von vier Monaten aufgebraucht haben . Eine große Bank verbreitete eine interne Mitteilung mit dem Titel, sinngemäß: „AI geraten außer Kontrolle.“¹³ Selbst die optimistischen Prognosen gehen davon aus, dass die Inferenzkosten drastisch sinken werden. Doch eine kostengünstigere Inferenz kommt demjenigen zugute, der das Modell betreibt – und das wird zunehmend das Unternehmen selbst sein.

Kein Finanzvorstand eines Unternehmens wird eine unbegrenzte, nutzungsabhängige Kostenposition tolerieren, die vom Anbieter gesteuert wird und eine eingebaute Preissteigerungsklausel enthält. Sie werden das tun, was sie schon immer mit ausufernden variablen Kosten getan haben: Sie werden diese ins eigene Haus verlagern und in einen festen, vorhersehbaren und kontrollierbaren Kostenposten umwandeln.

05 · Der letzte Graben

Das Argument „data“

Es gibt einen zweiten Grund, warum Unternehmen AI umsetzen, und dieser könnte wichtiger sein als der finanzielle Aspekt.

Ihre Daten sind einer der letzten echten Wettbewerbsvorteile, über die Sie verfügen. Nicht Ihre Software. Die ist gekauft. Nicht Ihre Prozesse allein. Diese lassen sich kopieren. Aber das firmeneigene Netzwerk aus Ihren Kunden, Ihren Transaktionen und Ihren Geschäftsabläufen, das Sie über Jahrzehnte hinweg aufgebaut haben – das gehört Ihnen, und es lässt sich nur schwer nachbilden.

Wenn Sie diese Daten über ein öffentliches Modell leiten, laufen Sie Gefahr, genau diesen Vorteil zu verspielen. Das schlimmste Szenario in dieser gesamten Branche ist die Konvergenz der Fähigkeiten: eine Welt, in der jedes Unternehmen Ihrer Branche dasselbe öffentliche Modell abfragt, das auf denselben öffentlichen Daten trainiert wurde, und dieselben undifferenzierten Antworten erhält. In einer solchen Welt gibt es keine Marktführer. Jeder ist durchschnittlich – und das zu hohen Kosten. Indem Sie Ihre Daten innerhalb Ihrer eigenen Unternehmensgrenzen behalten und sie ausschließlich in Modelle einspeisen, die Sie kontrollieren, wehren Sie sich gegen diese Konvergenz.

06 · Die Architektur

Der private Modellstapel

Wie sieht der Betrieb AI privaten AI also AI aus? Das ist nichts Außergewöhnliches. Die einzelnen Komponenten sind bereits vorhanden, und die meisten Unternehmen verfügen bereits über sie. Man nimmt eine AI Containerplattform, bestückt sie mit Open-Weight-Modellen, passt diese anhand der eigenen Daten an und leitet jede Anfrage – sei es von einem Menschen oder einem Bot – an das Modell weiter, das für diese Aufgabe die beste Ausgabe zu den geringsten Kosten liefert.

Und genau diesen Aspekt übersehen die Menschen oft, wenn sie das Wort „privat“ hören. Es ist keine Alles-oder-Nichts-Entscheidung. Der Router sendet einen Auftrag weiterhin an ein „Frontier“-Modell, wenn der Auftrag dies tatsächlich erfordert – etwa bei einem komplexen, neuartigen Problem der Schlussfolgerung oder einer Fähigkeit, über die Sie intern noch nicht verfügen. Sie hören nicht auf, öffentliche Modelle zu nutzen. Es ändert sich lediglich die Standardeinstellung. „Privat“ wird zur Basis, auf der Sie arbeiten. „Frontier“ wird zur Ausnahme, auf die Sie gezielt zurückgreifen und für die Sie bereit sind, einen Aufpreis zu zahlen, wenn der Nutzen eindeutig gegeben ist.

Das ist die Architektur. Doch die Architektur ist nur das Mittel zum Zweck. Die Architektur selbst ist nicht der Vorteil. Der Vorteil liegt vielmehr darin, was Sie damit anstellen.

07 · Das Alleinstellungsmerkmal

Das Geheimnis des Erfolgs

An dieser Stelle möchte ich mich ganz klar ausdrücken, da dies den Kern der gesamten Argumentation bildet.

Wenn jeder dasselbe, frei verfügbare Modell herunterladen kann, dann ist dieses Modell kein Wettbewerbsvorteil für Sie. Das kann es gar nicht sein. Es ist eine Standardkomponente, genau wie die CPU, wie die Datenbank oder wie Strom. Der Vorteil liegt in der geheimen Rezeptur, die Sie darum herum entwickeln.

Stellen Sie sich das wie die dreizehn Kräuter und Gewürze vor. Das Hähnchen ist einfach nur Hähnchen; Hähnchen kann jeder kaufen. Was Sie nicht kaufen können, ist die Mischung. In einem AI für Unternehmen besteht diese Mischung aus Ihren firmeneigenen Daten, Ihrer individuellen Feinabstimmung, Ihren angepassten Gewichtungen, Ihrer Routing-Logik und den gesammelten Rückkopplungsschleifen Ihrer eigenen Mitarbeiter, die Ihre eigene Arbeit verrichten. Diese Kombination gibt es nirgendwo sonst auf der Welt und sie kann von einem Wettbewerber, der dasselbe Basismodell herunterlädt , nicht nachgebildet werden. Sie ist verteidigungsfähig, weil sie Ihnen gehört.

Und beachten Sie, was die „Frontier Labs“ hier strukturell nicht leisten können. Sie entwickeln ein brillantes, generisches Modell, das allen dienen soll. Aufgrund ihrer Konzeption können sie Ihre dreizehn Kräuter und Gewürze nicht in ein Produkt einarbeiten, das sie an Ihren Konkurrenten von nebenan verkaufen. Generische Leistungsfähigkeit ist ihr Geschäft. Der spezifische Vorteil liegt bei Ihnen. Je mehr sich die Basismodelle zu Massenware entwickeln, desto mehr verlagert sich die Differenzierung auf die Ebene, die nur Sie aufbauen können.

08 · Der Präzedenzfall

Dieses Stück haben wir bereits aufgeführt

Falls Ihnen dieses Muster bekannt vorkommt, ist das kein Wunder. Wir haben es bereits einmal erlebt, und es hieß ERP.

Als Unternehmen Systeme wie SAP einführten, war die Kernplattform letztendlich ein Massenprodukt. Jeder konnte die gleichen Hardwarekomponenten erwerben. Die Differenzierung, das eigentliche „Geheimrezept“, lag in der individuellen Anpassung: im ABAP-Code, in den maßgeschneiderten Workflows, in den Datenmodellen, in der Prozesslogik und im hart erkämpften Feedback derjenigen, die das Geschäft tagtäglich führten. Deshalb gaben seriöse Unternehmen nicht Tausende, nicht Hunderttausende, sondern in vielen Fällen Millionen von Dollar für die Anpassung ihres ERP-Systems aus. Das ist auch der Grund, warum zwei Unternehmen mit identischer SAP am Ende über völlig unterschiedliche Funktionen verfügen konnten. Die Plattform war die Grundvoraussetzung. Die Anpassung war der Schutzwall.

AI dasselbe Prinzip, nur eine Ebene höher. Das Open-Weight-Modell entspricht dem SAP. Die Feinabstimmung, die proprietären Daten, die Weiterleitung, die Workflow-Integration, die Rückkopplungsschleifen – das ist das neue ABAP.

09 · Das Fazit

Die neue Unternehmensplattform

Dreißig Jahre lang war das ERP-System das Herzstück des Unternehmens. Es war das zentrale Datensystem, der Ort, an dem die geschäftlichen Fakten gespeichert waren, und der Motor, auf dem alles andere basierte. Diese Ära neigt sich nun dem Ende zu.

Das neue Herzstück des Unternehmens wird kein reines Datenerfassungssystem sein. Es wird ein intelligentes System sein. Ein privat betriebener, kontinuierlich optimierter Modellstapel, der mit firmeneigenen Daten gespeist, durch intelligentes Routing koordiniert und unternehmensweit Aufgaben ausführt. Er speichert nicht bloß, was geschehen ist. Er entscheidet, handelt und verbessert sich. Und – was entscheidend ist – er läuft privat, innerhalb Ihrer Unternehmensgrenzen, mit Ihren Daten und unter Ihrer Kontrolle – aus all den oben dargelegten Gründen hinsichtlich Kosten, Datenhoheit und Differenzierung.

Das ERP-System hat Ihnen gezeigt, was Ihr Unternehmen geleistet hat. Die neue Unternehmensplattform wird Ihnen dabei helfen, die nächsten Schritte Ihres Unternehmens zu gestalten.

Was ich Ihnen sagen möchte

Die Wirtschaft gewinnt immer

Lassen Sie mich Ihnen also noch einmal sagen, was ich Ihnen bereits gesagt habe.

Die Pionierlabore sind ein Wunderwerk, und sie verlieren jährlich Dutzende Milliarden Dollar, um auf diesem Niveau zu bleiben. Diese Rechnung wird fällig, und sie wird vom Kunden beglichen werden. Das bedeutet, dass der Preis für die Anmietung von KI-Leistungen unter Aufwärtsdruck steht und nicht sinken wird – genau zu dem Zeitpunkt, an dem die Nutzung in Unternehmen explosionsartig zunimmt. Gleichzeitig kommen Open-Weight-Modelle mit einer Verzögerung von drei bis vier Monaten hinter den Pionierlabors auf den Markt und können kostenlos betrieben werden. China hat bereits bewiesen, dass ausreichend gute KI entwickelt und für einen Bruchteil des westlichen Preises kostenlos zur Verfügung gestellt werden kann. Und kein Unternehmen möchte sein wertvollstes Kapital – seine Daten – in ein öffentliches Modell abfließen lassen, das es im Wettbewerb gleichschaltet.

Rechnet man diese Kräfte zusammen, ist die Schlussfolgerung kein „Vielleicht“. Es ist eine Unvermeidbarkeit. Unternehmen werden private AI einsetzen. Sie werden ihren Wettbewerbsvorteil in der „geheimen Rezeptur“ aufbauen: den Daten, der Feinabstimmung, den Gewichtungen, der Weiterleitung und den Rückkopplungsschleifen. Genau so, wie sie es einst in ABAP aufgebaut haben. Und dieser private, intelligente, sich kontinuierlich verbessernde Stack wird zum neuen Motor des Unternehmens werden und ERP als dessen schlagendes Herz ablösen.

Dies würde niemals davon abhängen, welches Modell die ansprechendsten Folien erstellt. Es würde stets von der Wirtschaftlichkeit pro Einheit bei großem Maßstab abhängen.

Denn die Wirtschaft setzt sich immer durch.