Die Entwicklung von High-End-Modellen kommt ins Stocken: Billiges KI entzieht der Preisgestaltung die Macht
US-Großkonzerne steigen nun kollektiv auf billige KI um
Eine Untersuchung der „Financial Times“ zeigt, dass Open-Source-Modelle sich von Technologieunternehmen auf US-Unternehmen aus der „klassischen“ Industrie ausbreiten. Laut den Daten von AlphaSense haben US-Firmen in den Monaten August und September in ihren Earnings-Calls und Investorentreffen dieses Jahr etwa 6-mal häufiger Open-Source- oder Open-Weight-Modelle erwähnt als im Vorjahr.
1. Der direkteste Grund, Modelle zu wechseln: die Rechnung
Die jährlichen KI-Ausgaben von Tinder stiegen von rund 1 Million US-Dollar im Januar dieses Jahres auf etwa 10 Millionen US-Dollar im Juli. Innerhalb von sechs Monaten: Verzehnfachung. Inzwischen leitet Tinder den normalen Traffic an Open-Source-Modelle weiter. AT&T hat bereits etwa 40 % seiner KI-Aufgaben an Open-Source-Modelle übergeben und plant, das auf 70 % zu erhöhen. Intern verarbeitet das System täglich etwa 45 Milliarden Tokens; einfache Aufgaben laufen über günstige Modelle, komplexe Aufgaben werden nur dann OpenAI und Anthropic überlassen.
2. Token-Preise fallen weiter in eine Deflation
OpenRouter zeigt, dass der Token-Preis pro Einheit kontinuierlich nach unten geht. Zwar steigen die Abrufzahlen, aber die Einnahmen wachsen nicht im gleichen Verhältnis, weil ein Großteil der Zuwächse von Open-Source-Modellen „aufgefressen“ wird. Marktanteil und Preismacht der High-End-Modelle werden gleichzeitig ausgehöhlt.
3. Open-Source-Modelle holen bei der Leistungsfähigkeit zu den Spitzenmodellen auf
Programmieren war früher die tiefste Burgmauer der geschlossenen Vorreitermodelle – und damit der Kernbereich, für den Unternehmen eine Prämie zu zahlen bereit waren. Heute haben Open-Source-Modelle die führende Stufe in der Programmierfähigkeit bereits eingeholt. Die Verbesserungen bei High-End-Modellen stoßen zunehmend an Grenzen; mehr Geld bringt keine proportional höhere Intelligenz. Aufgaben mit 70 Punkten lassen sich mit einem 70-Punkte-Modell lösen. Aufgaben mit 70 Punkten, die man mit einem 90-Punkte-Modell ausführt, erzielen auch nur 70 Punkte. Der Unterschied ist nicht groß. Kunden, die für ein 95-Punkte-Modell das Zehnfache zahlen, werden es immer weniger.
4. Uneinigkeit bei der Datenspeicherung führt zu einer Verschlechterung der Beziehungen zu Unternehmen mit Spitzenmodellen
Die Richtlinien von Anthropic für Datenspeicherungsdienste stoßen bei Kunden wie Palantir, Amazon und Microsoft auf Widerstand. Für Unternehmenskunden gewinnen Datenhoheit und Wahlfreiheit bei den Vertragsbedingungen zunehmend an Bedeutung. Je stärker die geschlossenen Anbieter auftreten, desto stärker wird die Motivation der Kunden, Open-Source-Alternativen zu unterstützen – das ist eine strukturelle Gegenreaktion.
5. Veränderung der Logik am Einstiegspunkt
Produkte wie Metas Muse, xAI’s Grokbot und PersonAI werden populär. Sie binden an soziale Beziehungen, Kommunikationsszenarien und Hardware-Einstiege – also an Verbindungsdienste. Nutzer bleiben in einem bestimmten KI-Ökosystem oft, weil dort Freunde sind, die Daten dort sind und der Einstieg dort ist. Diese „Klebrigkeit“ lässt sich nicht allein durch Modellfähigkeiten aufbauen; selbst das High-End-Modell kann das Problem fehlender Einstiegspunkte nicht lösen.
Wenn man diese Ebenen übereinanderlegt, ist die Lage der High-End-Modelle bereits sehr klar: Der Fähigkeitsaufschlag wird enger, die Preise fallen in eine Deflation, die Abrechnungsvolumina gehen verloren, Datenspeicherung wird bekämpft, und die Einstiegspunkte liegen bei anderen.
Vorreitermodelle werden nicht verschwinden, aber die Ära, in der High-End-Modelle alles „auf sich vereinen“, endet. Zukünftig dürfte es sehr wahrscheinlich einen geschichteten Markt geben: Open Source frisst 70 % der gewöhnlichen Nachfrage, geschlossene Vorreiter wahren den schwersten Teil – und damit auch den profitabelsten – genauso wie im Zeitalter des mobilen Internets die Plattformlager Android und iOS.
Für Investitionen gilt: Das Volumen an Rechenleistung steigt zwar weiter, aber die Geschichte zu Profitabilität, Durchdringung und Unternehmensadoption bei High-End-Modellen muss neu erzählt werden.
US-Großkonzerne steigen nun kollektiv auf billige KI um
Eine Untersuchung der „Financial Times“ zeigt, dass Open-Source-Modelle sich von Technologieunternehmen auf US-Unternehmen aus der „klassischen“ Industrie ausbreiten. Laut den Daten von AlphaSense haben US-Firmen in den Monaten August und September in ihren Earnings-Calls und Investorentreffen dieses Jahr etwa 6-mal häufiger Open-Source- oder Open-Weight-Modelle erwähnt als im Vorjahr.
1. Der direkteste Grund, Modelle zu wechseln: die Rechnung
Die jährlichen KI-Ausgaben von Tinder stiegen von rund 1 Million US-Dollar im Januar dieses Jahres auf etwa 10 Millionen US-Dollar im Juli. Innerhalb von sechs Monaten: Verzehnfachung. Inzwischen leitet Tinder den normalen Traffic an Open-Source-Modelle weiter. AT&T hat bereits etwa 40 % seiner KI-Aufgaben an Open-Source-Modelle übergeben und plant, das auf 70 % zu erhöhen. Intern verarbeitet das System täglich etwa 45 Milliarden Tokens; einfache Aufgaben laufen über günstige Modelle, komplexe Aufgaben werden nur dann OpenAI und Anthropic überlassen.
2. Token-Preise fallen weiter in eine Deflation
OpenRouter zeigt, dass der Token-Preis pro Einheit kontinuierlich nach unten geht. Zwar steigen die Abrufzahlen, aber die Einnahmen wachsen nicht im gleichen Verhältnis, weil ein Großteil der Zuwächse von Open-Source-Modellen „aufgefressen“ wird. Marktanteil und Preismacht der High-End-Modelle werden gleichzeitig ausgehöhlt.
3. Open-Source-Modelle holen bei der Leistungsfähigkeit zu den Spitzenmodellen auf
Programmieren war früher die tiefste Burgmauer der geschlossenen Vorreitermodelle – und damit der Kernbereich, für den Unternehmen eine Prämie zu zahlen bereit waren. Heute haben Open-Source-Modelle die führende Stufe in der Programmierfähigkeit bereits eingeholt. Die Verbesserungen bei High-End-Modellen stoßen zunehmend an Grenzen; mehr Geld bringt keine proportional höhere Intelligenz. Aufgaben mit 70 Punkten lassen sich mit einem 70-Punkte-Modell lösen. Aufgaben mit 70 Punkten, die man mit einem 90-Punkte-Modell ausführt, erzielen auch nur 70 Punkte. Der Unterschied ist nicht groß. Kunden, die für ein 95-Punkte-Modell das Zehnfache zahlen, werden es immer weniger.
4. Uneinigkeit bei der Datenspeicherung führt zu einer Verschlechterung der Beziehungen zu Unternehmen mit Spitzenmodellen
Die Richtlinien von Anthropic für Datenspeicherungsdienste stoßen bei Kunden wie Palantir, Amazon und Microsoft auf Widerstand. Für Unternehmenskunden gewinnen Datenhoheit und Wahlfreiheit bei den Vertragsbedingungen zunehmend an Bedeutung. Je stärker die geschlossenen Anbieter auftreten, desto stärker wird die Motivation der Kunden, Open-Source-Alternativen zu unterstützen – das ist eine strukturelle Gegenreaktion.
5. Veränderung der Logik am Einstiegspunkt
Produkte wie Metas Muse, xAI’s Grokbot und PersonAI werden populär. Sie binden an soziale Beziehungen, Kommunikationsszenarien und Hardware-Einstiege – also an Verbindungsdienste. Nutzer bleiben in einem bestimmten KI-Ökosystem oft, weil dort Freunde sind, die Daten dort sind und der Einstieg dort ist. Diese „Klebrigkeit“ lässt sich nicht allein durch Modellfähigkeiten aufbauen; selbst das High-End-Modell kann das Problem fehlender Einstiegspunkte nicht lösen.
Wenn man diese Ebenen übereinanderlegt, ist die Lage der High-End-Modelle bereits sehr klar: Der Fähigkeitsaufschlag wird enger, die Preise fallen in eine Deflation, die Abrechnungsvolumina gehen verloren, Datenspeicherung wird bekämpft, und die Einstiegspunkte liegen bei anderen.
Vorreitermodelle werden nicht verschwinden, aber die Ära, in der High-End-Modelle alles „auf sich vereinen“, endet. Zukünftig dürfte es sehr wahrscheinlich einen geschichteten Markt geben: Open Source frisst 70 % der gewöhnlichen Nachfrage, geschlossene Vorreiter wahren den schwersten Teil – und damit auch den profitabelsten – genauso wie im Zeitalter des mobilen Internets die Plattformlager Android und iOS.
Für Investitionen gilt: Das Volumen an Rechenleistung steigt zwar weiter, aber die Geschichte zu Profitabilität, Durchdringung und Unternehmensadoption bei High-End-Modellen muss neu erzählt werden.