Wenn du die Tech-News intensiver verfolgst, könntest du den Eindruck gewinnen, KI-Unternehmen hätten den ultimativen Cheat-Code für unendliches Wachstum gefunden. Ein neues Feature hier, das nächste Modell der Generativen KI da. Doch abseits der glänzenden Marketing-Fassaden rückt die Wirtschaftlichkeit generativer KI („AI Economics“) immer stärker in den Fokus. Auf der anderen Seite gibt es die „Die KI-Blase wird bald platzen“ – Fraktion, nicht selten bestimmt von Leuten, die eine generelle KI-Abneigung haben. Es geht in unserem Alltag und bei solchen Themen nicht um Neigungen oder Abneigungen, sondern letztlich einzig und alleine um den Nutzen.
Schauen wir uns die Sache etwas gefühlsbefreit und her sachlich an: Interne Finanzdokumente von Branchenprimus OpenAI, die unter anderem von The Information und der New York Times offengelegt wurden, zeigen ein deutliches Bild: Trotz historischer Umsatzerfolge verzeichnet das Unternehmen erhebliche Verluste durch den laufenden Cash Burn. Wenn nicht kontinuierlich frisches Kapital nachfließt oder die Effizienz drastisch steigt, dürfte sich der Wettbewerb unter den unabhängigen KI-Unternehmen deutlich verschärfen.
Schauen wir uns die nackten, verifizierbaren Zahlen an – und warum dieses Phänomen die gesamte Tech-Infrastruktur betrifft.
Das Grenzkosten-Dilemma: Warum Umsatz nicht gleich Gewinn ist
In der klassischen Software-Welt (SaaS) gilt ein einfaches Gesetz: Nach den hohen initialen Entwicklungskosten sind die Grenzkosten pro zusätzlichem Nutzer meist sehr gering. Bei Modellen der Generativen KI bricht diese Logik bisher auf.
Die offengelegten Finanzdaten von OpenAI verdeutlichen das Ungleichgewicht:
- Wachstum vs. OpenAI Verluste: Zwar konnte OpenAI seine Umsatz-Run-Rate rasant steigern – von rund 2 Milliarden Dollar Anfang 2024 auf prognostizierte 10 Milliarden Dollar für 2025. Gleichzeitig stiegen jedoch die Ausgaben. Für das Jahr 2024 wurde ein Nettoverlust von rund 5 Milliarden Dollar verzeichnet, bei einem Umsatz von rund 3,7 Milliarden Dollar.
- Die KI-Kosten pro Abfrage: Im Gegensatz zu klassischer Software steigen die variablen Kosten mit der Nutzung erheblich. Jede Interaktion mit einem Large Language Model (LLM) erfordert massive, dedizierte Rechenleistung.
Warum fressen die Rechenzentren die Margen auf?
Dieses Problem betrifft nicht nur OpenAI. Auch andere Frontier-AI-Anbieter wie Anthropic, xAI, Mistral oder Cohere stehen vor exakt derselben Herausforderung. Die Kostenstruktur im Bereich der Spitzentechnologie wird von drei Faktoren dominiert:
- Die Trainingskosten: Das Trainieren moderner LLMs verschlingt zehntausende High-End-GPUs (wie Nvidias H100 oder B200), die monatelang unter Volllast laufen. Eine einzige Trainingsrunde für ein neues Spitzenmodell kostet mittlerweile dreistellige Millionenbeträge.
- Die Inferenzkosten: Der laufende Betrieb von ChatGPT & Co. im Alltag ist teuer. Jede komplexe Such- oder „Reasoning“-Anfrage erfordert deutlich mehr Rechenleistung als klassische Websuche.
- Der Talent-Wettbewerb: Da absolute Spitzenforscher im KI-Bereich rar gesät sind, bewegen sich die Personalkosten für Top-Entwickler auf einem extrem hohen Niveau.
Der Risikokapitalgeber Sequoia Capital hat diese Diskrepanz in der viel diskutierten Analyse „The $600 Billion AI Question“ zusammengefasst: Die Tech-Branche investiert hunderte Milliarden in KI-Infrastruktur und Halbleiter, doch die tatsächlichen Endkunden-Umsätze hinken diesen Summen noch weit hinterher.
Warum investieren Microsoft, Google & Co. trotzdem weiter?
Trotz dieser bekannten Milliardenverluste pumpen Tech-Giganten wie Microsoft, Meta, Amazon und Google weiterhin gigantische Summen in den Markt. Nvidia verkauft praktisch jede GPU, die das Werk verlässt, und Konzerne wie Oracle bauen ihre Kapazitäten für Rechenzentren massiv aus. Dahinter steckt eine klare strategische Wette:
Wer künftig die leistungsfähigsten KI-Modelle und die dazugehörige Infrastruktur besitzt, kontrolliert potenziell einen wesentlichen Teil der zukünftigen Software-, Cloud- und Wissensinfrastruktur. Die aktuellen Verluste werden von den Hyperscalern daher nicht als operatives Defizit, sondern als langfristige, strategische Infrastrukturinvestition betrachtet, um sich einen erheblichen Wettbewerbsvorteil in den wichtigsten digitalen Märkten zu sichern.
Aggressives Wachstum statt scheiterndes Geschäftsmodell
Gleichzeitig sollten die aktuellen Milliardenverluste nicht isoliert betrachtet werden. OpenAI ist momentan nicht deshalb unprofitabel, weil das Geschäftsmodell grundsätzlich schlecht wäre. Vielmehr investiert das Unternehmen aggressiv in Wachstum und technologische Vorherrschaft.
Viele Technologieunternehmen wie Amazon oder Uber haben in ihrer frühen Wachstumsphase über Jahre hohe Verluste akzeptiert, um Marktanteile und eine dominante Führungsposition aufzubauen. Ob sich diese Strategie bei generativer KI langfristig auszahlt, hängt maßgeblich davon ab, ob die Betriebskosten durch Skaleneffekte und Hardware-Optimierungen schneller sinken, als die Nachfrage steigt.
Der Druck der Investoren wächst
Dennoch fordern Kapitalgeber zunehmend eine greifbare Perspektive auf Profitabilität. Bei der Finanzierungsrunde im Oktober 2024, bei der OpenAI 6,6 Milliarden Dollar einsammelte, wurde dies deutlich.
Medienberichten zufolge sind die Investitionen an Bedingungen geknüpft: Gelingt OpenAI innerhalb von zwei Jahren der geplante firmenrechtliche Umbau von der komplexen Non-Profit-Dachkonstruktion hin zu einem primär gewinnorientierten Unternehmen (For-Profit), verändern sich die Bewertungs- und Beteiligungsstrukturen. Sollte dieser Umbau scheitern, könnten sich die Bedingungen für die Einlagen der Investoren drastisch ändern. Das Management steht somit unter einem klaren Zeitdruck, tragfähige Strukturen zu schaffen.
Was bedeutet das für Entscheider und Tech-Strategen?
Der Markt befindet sich zunehmend in einer Phase, in der Investoren und Partner nicht mehr ausschließlich Wachstum, sondern auch tragfähige Geschäftsmodelle erwarten. Für dich als IT-Entscheider oder Unternehmer ergeben sich daraus drei konkrete Ableitungen:
- Steigende Preise einpreisen: Die Phase, in der hochentwickelte KI-Modelle über APIs stark subventioniert angeboten wurden, dürfte sich dem Ende zuneigen. Unternehmen sollten mittelfristig mit steigenden API-Gebühren und restriktiveren Lizenzmodellen kalkulieren.
- Klumpenrisiken minimieren: Wer seine geschäftskritischen Prozesse zu 100 % an die API eines einzelnen Anbieters koppelt, geht ein strategisches Risiko ein. Eine flexible Architektur, die den schnellen Wechsel zwischen verschiedenen Modellen erlaubt, wird zum Standard für risikobewusste CTOs.
- Open-Source als Alternative prüfen: Für viele spezifische Unternehmensanwendungen sind universelle Megamodelle oft überdimensioniert und zu teuer im Betrieb. Schlankere, zielgerichtete und lokal oder in der eigenen Cloud gehostete Open-Source-Modelle (wie die Familien von Llama, Mistral oder Qwen) bieten oft das bessere Kosten-Nutzen-Verhältnis.
Fazit: Die Tech-Branche steht nicht vor einem Kollaps, aber die Romantik der reinen Forschungsphase weicht einer nüchternen ökonomischen Bewertung. Für den Erfolg von KI im Unternehmen zählt ab jetzt nicht mehr nur, was technologisch machbar ist, sondern ob sich der Einsatz unter dem Strich betriebswirtschaftlich rechnet.
