KI: teurer oder billiger? 26 Positionen, keine Einigkeit

Am 12. Oktober 2026 habe ich auf LinkedIn eine Rechnung aus meinem eigenen Projekt geteilt. Eine Recherche, bei der KI Firmen sucht, Webseiten liest und Ergebnisse sortiert, hatte mich bei DeepSeek 218 Dollar gekostet. Dieselbe Menge Tokens hätte bei OpenAI mit GPT-5.5 zu Listenpreisen 7.926 Dollar gekostet. Dazu kam eine Zahl aus den Berichten über OpenAI: Die Firma gab im ersten Quartal 2026 für jeden eingenommenen Dollar 2,22 Dollar aus. Meine Frage am Ende: Wie lange bleibt der aktuelle Preis für KI?

Der Beitrag erreichte gut 21.000 Impressionen und bekam 123 Kommentare. Darunter waren Datenwissenschaftler, Softwareentwickler, Gründer, Strategieberater und Leute, die KI-Systeme für den Mittelstand bauen. Es wurde gestritten, zugestimmt, korrigiert und gelegentlich gespottet.

Statt die Diskussion nach Gefühl zusammenzufassen, habe ich sie ausgewertet. Jeden Kommentar, jede Person, jede Quelle. Dieser Text zeigt, was dabei herauskam.

Was an meinem Beitrag angreifbar war

Bevor ich die anderen einordne, gehört meine eigene Rechnung auf den Tisch. Fünf Personen haben sie angegriffen, und in der Sache hatten sie recht.

• Der Vergleich war nicht gleich stark. DeepSeek Flash ist ein kleines, günstiges Modell. GPT-5.5 ist größer. Das passende Gegenstück bei OpenAI wäre das kleine Modell Luna gewesen. Damit hätte mein Lauf rund 150 Dollar gekostet, also sogar weniger als bei DeepSeek. Meine Analyse läuft schon länger. Als ich mich für DeepSeek entschieden habe, gab es Luna noch nicht, und für die Aufgaben, die ein kleines Modell schafft, nutze ich in dem Projekt ohnehin normalen Code.
• Die 2,22 Dollar gelten für das ganze Unternehmen. Darin stecken Training, Entwicklung und Millionen Gratisnutzer. Auf den Preis einer einzelnen Schnittstelle lässt sich das nicht einfach umlegen. Die 17.600 Dollar aus meinem Beitrag waren deshalb ein Szenario, kein Messwert.
• „Die Preise werden steigen müssen“ war eine Behauptung. Die Frage stand am Ende, die Behauptung in der Mitte. Gemeint war die Frage, viele haben die Behauptung gelesen. Das nehme ich mit.

Die große Spanne zwischen 218 und 7.926 Dollar habe ich bewusst als Aufhänger genommen. Sie hat funktioniert. Aber ein Aufhänger ist kein Beweis.

So habe ich ausgewertet

• Datenbasis: alle 123 Kommentare unter dem Beitrag, Stand 15. Oktober 2026. Davon kommen 66 von 26 Personen, 57 sind Antworten von mir. Reposts mit eigenem Text sind nicht enthalten.
• Einordnung: Jede Person zählt einmal. Maßgeblich ist ihr erster Kommentar. Wer seine Meinung später geändert hat, steht dort, wo er angefangen hat.
• Vier Positionen: „wird teurer“, „wird teurer, aber der Nutzen wächst stärker“, „wird billiger oder bleibt stabil“ und „legt sich nicht fest“.
• Gewissheit: Als „sicher formuliert“ zählt, wer ohne Einschränkung schreibt, also ohne „ich denke“, „vielleicht“, „ich vermute“ oder „weiß nicht“. Wo das nicht eindeutig war, habe ich die Person nicht als sicher gezählt.
• Richtung und Prognose sind getrennt: Die Reihe zeigt, in welche Richtung eine Aussage weist. Der Punkt zeigt, ob jemand eine Prognose wagt. Deshalb steht eine Person bei „billiger“ mit leerem Ring: Sie hat berichtet, dass neuere Modelle bei ihr günstiger sind, aber nichts über die Zukunft gesagt.
• Beruf: Ob jemand selbst KI-Beratung oder KI-Umsetzung anbietet, habe ich am öffentlichen Profiltext festgemacht.

Die Einordnung ist meine eigene, und ich war selbst Partei. Wer einzelne Personen anders einsortieren würde, kommt vielleicht auf ein, zwei Punkte Unterschied. Am Gesamtbild ändert das nichts. Repräsentativ ist die Auswertung nicht: Wer unter einem LinkedIn-Beitrag kommentiert, hat sich selbst ausgewählt. Namen nenne ich deshalb nicht. Es geht um die Debatte, nicht um die Personen.

Ergebnis: drei Lager, keine Mehrheit

Zählt man „teurer“ und „teurer, aber lohnt sich“ zusammen, liegen 10 Personen vorn. Das ist kein Sieg. Es ist knapp, die Gruppe ist klein und selbst ausgewählt, und ein gutes Drittel hat sich gar nicht festgelegt. Die ehrliche Lesart ist: Die Leute, die sich beruflich mit KI beschäftigen, sind sich nicht einig.

Befund 1: Gestritten wurde über die Maßeinheit

Der größte Teil der Meinungsverschiedenheit war keine Meinungsverschiedenheit über die Zukunft. Es war eine über das Messen. Drei Maße standen nebeneinander:

Ein Strategieberater hat es auf den Punkt gebracht: „Etwas kann problemlos gleichzeitig teurer und preiswerter werden.“ Ein Prozessberater schrieb, die Modelle würden „zwar teurer, aber ihre Leistung steigt überproportional mit an“. Beides widerspricht meiner These nicht. Es misst etwas anderes.

Am deutlichsten wurde das an einer Stelle. Derselbe Strategieberater, der zu Beginn schrieb, KI werde „laufend preiswerter“, schrieb später: „natürlich ziehen die KI-Entwickler die Preise nach. Sie tun das aber eben bewusst nur schrittweise.“ Teurer und preiswerter zugleich, je nachdem, was man misst.

Wer pro Token rechnet, sieht fallende Preise. Wer pro Ergebnis rechnet, sieht eine offene Frage.

Ein Data Scientist hat meinen Wechsel von Token auf Aufgabe als richtig bezeichnet und dann sauber zurückgegeben: Dieselbe Anfrage sei selten dieselbe Aufgabe. Was heute zwei Milliarden Tokens braucht, konnte vor drei Jahren kein Modell, der Vergleichspreis waren Menschenstunden. Und: „Silber wird teurer, das Solarmodul billiger. Ob das anhält, weiß niemand.“ Das ist für mich der beste Satz der ganzen Debatte.

Befund 2: Gewissheit gab es auf beiden Seiten

Mein Eindruck während der Diskussion war, dass die Seite „billiger“ sich deutlich sicherer ist. Die Zählung sagt etwas anderes.

Warum wirkte es anders? Weil auf der Seite „billiger“ eine einzelne Person allein zehn Kommentare geschrieben hat, sehr bestimmt im Ton. Lautstärke ist nicht dasselbe wie Mehrheit. Nach Köpfen gezählt war die Gewissheit eher auf meiner Seite.

Auf beiden Seiten gab es aber auch die anderen Stimmen. „Nun ja, Prognosen die die Zukunft betreffen sind schwierig“, schrieb jemand, der eher an fallende Preise glaubt. „Wie lange der aktuelle Preis hält, weiß ich nicht“, schrieb ein Gründer, der eher an steigende glaubt. Die Vorsichtigen waren auf beiden Seiten in der Mehrheit.

Befund 3: Auch die Fachleute sind sich nicht einig

16 der 26 Personen bieten laut ihrem Profil selbst KI-Beratung oder KI-Umsetzung an. Sie verteilen sich so:

Wer drei von ihnen fragt, kann drei verschiedene Antworten bekommen, und manche davon mit großer Überzeugung. Ich gehöre selbst dazu: Ich baue Automatisierung und KI-Lösungen für Firmen. Das heißt nicht, dass Berater nutzlos wären. Es heißt, dass eine Firma die Antwort eines Beraters einordnen können muss, statt sie zu übernehmen.

Auffällig ist auch, dass fast alle aus ihrem eigenen Geschäft heraus argumentiert haben. Wer lokale oder europäische Modelle anbietet, sieht Abhängigkeit als großes Risiko. Wer Firmen bei der Einführung begleitet, sieht das Problem eher in der Kompetenz als im Preis. Das ist kein Vorwurf. Jeder sieht die Welt aus dem Fenster, vor dem er sitzt. Ich auch.

Befund 4: Viele Vergleiche, wenige Messwerte

Gestritten wurde vor allem mit Analogien: Google Ads, Porsche, der Aldi-PC, Solarmodule, die Telekom der Neunziger, Kodak, das Metaverse, Prime Video, Facebook, die Autoindustrie, Google Maps und die Schnittstelle von X. Mehr als die Hälfte dieser Vergleiche kam von mir.

Analogien helfen beim Denken, beweisen aber nichts. Ein Solarmodul ist keine KI, und Google Ads sind kein Sprachmodell. Eigene Messwerte aus dem Betrieb haben nur drei Personen eingebracht:

• meine Abrechnung mit getrennter Eingabe, Zwischenspeicher und Ausgabe,
• ein Gründer, der Qwen 27B auf gemieteter Hardware in Deutschland betreibt: 125 Millionen Tokens für 85 Euro netto,
• ein Entwickler, der ein kleines Qwen-Modell auf einer PlayStation 5 laufen lässt: 9 bis 10 Tokens pro Sekunde.

Dazu kam eine Methode, die mehr wert ist als jede Analogie. Eine Beraterin für KI-Einführung misst die Korrekturquote: Wie viele Arbeitsschritte muss ein Mitarbeiter noch machen, bevor zum Beispiel ein Angebot versandfertig ist? Ein billiges Modell mit drei Schritten Nacharbeit kann am Ende teurer sein als ein teures ohne. Erst Tokenkosten und Korrekturquote zusammen ergeben den echten Preis je Ergebnis.

Befund 5: Worin sich alle einig waren

Einem Satz aus meinem Beitrag hat niemand widersprochen, auch nicht die schärfsten Kritiker: Wer niemanden im Haus hat, der die eigene KI-Lösung versteht, zahlt drauf. 9 der 26 haben das ausdrücklich so geschrieben. Ein Data Scientist, der meine Preisprognose für falsch hält, schrieb: „Der letzte Absatz stimmt aber, und zwar unabhängig vom Preis.“

Ein Transformationsleiter beschrieb, was er in vielen Firmen sieht: Schnittstelle dranhängen, Daten durchjagen, auf Antworten warten. Kontextgröße, Modellwahl, Denktiefe, unnötige Wiederholungen: „Fehlanzeige“. Sein Fazit: „Das Problem beginnt nicht erst, wenn die API Preise steigen sollten.“

Fast genauso einig war man sich bei der Austauschbarkeit. Wer seine Lösung so baut, dass sich das Modell wechseln lässt, kann auf Preissprünge reagieren. Wer fest an einem Anbieter hängt, zahlt, was verlangt wird. Widersprochen hat hier nur eine Person, die den Wechsel für „völlig banal und nahezu Kostenfrei“ hält. Wie banal ein Wechsel ist, hängt allerdings davon ab, wie die Lösung gebaut ist und wer sie versteht. Damit sind wir wieder beim ersten Punkt dieses Abschnitts.

Die Belege beider Seiten

Viele Zahlen in der Debatte kamen ohne Quelle. Hier sind die, die sich belegen lassen, mit einer Einordnung, was sie messen und was nicht. Zahlen, für die ich keinen Beleg gefunden habe, fehlen.

Was für „billiger“ spricht

• Der Preis für gleiche Leistung fällt stark. Laut Epoch AI sinkt der Preis, um ein bestimmtes Leistungsniveau zu erreichen, seit 2023 um etwa 47 Prozent pro Quartal, also etwa um das 13-Fache pro Jahr. Gemessen werden Listenpreise der Anbieter, nicht ihre Gewinne. Die Autoren nennen ihre Zahlen selbst „reasonable but rough measurements“ und schreiben, dass drei Jahre Daten wenig sind, um Trends zu messen. (Epoch AI)
• Die Rechenkosten je Umsatzdollar sinken. Anthropic gab im ersten Quartal 2026 laut Investorenunterlagen 71 Cent für Rechenleistung je Dollar Umsatz aus. Für das zweite Quartal wurden 56 Cent erwartet, dazu der erste operative Gewinn. Das ist eine Prognose, kein Ist-Wert. (PYMNTS, über das Wall Street Journal)
• Selbst betreiben geht günstig. Die beiden Erfahrungswerte aus den Kommentaren, Qwen 27B für 0,68 Euro je Million Tokens und ein Sprachmodell auf einer Spielkonsole, zeigen, dass offene Modelle eine echte Alternative sind.

Was für „teurer“ spricht

• Die Verluste sind hoch. OpenAI gab im ersten Quartal 2026 laut The Information 2,22 Dollar für jeden eingenommenen Dollar aus. Das gilt für das ganze Unternehmen, nicht nur für die Schnittstelle. (The Decoder)
• Die Zusagen sind riesig. Anthropic hat laut The Information Rechenleistung für rund 517 Milliarden Dollar zugesagt, verteilt vor allem auf die nächsten zehn Jahre. Diese Summe muss über Umsätze wieder hereinkommen. (24/7 Wall St.)
• Die Infrastruktur wird knapp. In den USA wurden im ersten Quartal 2026 mindestens 75 Rechenzentren im Wert von rund 130 Milliarden Dollar blockiert oder verzögert, vor allem durch Widerstand vor Ort. (Data Center Watch)
• Die zugespitzte Stimme dieser Seite ist der Autor Ed Zitron, der seit Langem schreibt, dass KI unter Kosten verkauft wird und viele Geschäftsmodelle auf diesen Preisen gebaut sind. (Where's Your Ed At)

Was andere Plattformen früher gemacht haben

Diese Beispiele beweisen nichts über KI. Sie zeigen nur, dass Plattformen ihre Preise ändern, wenn genug Kunden von ihnen abhängen.

• Google Maps hat 2018 die Preise für Entwickler umgestellt. Manche zahlten danach ein Vielfaches. (Inman)
• X hat 2023 den freien Zugang zur Schnittstelle beendet. Die Enterprise-Stufe startete bei 42.000 Dollar im Monat. (TechCrunch)
• Google hat im Kartellverfahren 2023 eingeräumt, Werbeauktionen um bis zu 5 Prozent angepasst zu haben, um Umsatzziele zu erreichen. (Bloomberg)

Zwei Korrekturen an meinen eigenen Kommentaren

• Die 56 Cent bei Anthropic habe ich in der Diskussion als gesunkenen Wert dargestellt. Es war eine Prognose.
• Die Rechenzentren für 130 Milliarden Dollar habe ich als „verschoben oder gestrichen, wegen fehlendem Strom“ beschrieben. Laut Data Center Watch wurden sie vor allem durch Widerstand vor Ort blockiert oder verzögert.

Was Firmen jetzt tun können

Ob die Preise steigen, weiß niemand. Aber man kann so bauen, dass beide Fälle verkraftbar sind. Aus der Debatte und aus meinem eigenen Projekt sind das die Punkte, die ich jeder Firma empfehlen würde:

1. Kosten pro Aufgabe messen, nicht pro Token. Eingabe, Zwischenspeicher und Ausgabe getrennt mitschreiben. In meinem Lauf kam knapp die Hälfte der Eingabe aus dem Zwischenspeicher. Ohne ihn hätte dieselbe Arbeit bei GPT-5.5 rund 12.000 statt 7.926 Dollar gekostet. Gleiche Arbeit, nur anders gebaut.
2. Die Korrekturquote dazunehmen. Wie viele Schritte Nacharbeit braucht ein Ergebnis? Erst beides zusammen ergibt den echten Preis.
3. Das Modell passend zur Aufgabe wählen. Vieles braucht gar kein Modell. In meinem Projekt erledigt normaler Code den Großteil: Texte lesen, feste Angaben herausziehen, aussortieren. Ein Modell kommt erst dran, wo es wirklich etwas verstehen muss.
4. Austauschbar bauen. Eine Schicht zwischen Anwendung und Modell, damit man den Anbieter tauschen kann. Tests, die zeigen, ob das neue Modell genauso gut arbeitet. Sonst bleibt der Wechsel eine Theorie.
5. Ein offenes Modell als Rückfall bereithalten und den Ausfall einmal durchspielen, so wie man ein Backup prüft. Bei mir hing einmal die Nachrichtensuche für 178 Betriebe an einem einzigen Anbieter. Als dort das Guthaben auf null stand, lief sie einen Tag lang ins Leere. Am selben Abend lief sie über einen zweiten Anbieter, weil ich den Code kenne.
6. Jemanden im Haus haben, der das versteht. Nicht unbedingt eine ganze Abteilung. Aber eine Person, die Fragen stellen, Antworten von Beratern einordnen und im Ernstfall umbauen kann.
7. Nutzen, solange es günstig ist. Ein Entwickler schrieb in der Debatte: „Nutzen, was geht, solange es noch so günstig ist!“ Dem stimme ich zu, mit einem Zusatz: so bauen, dass man jederzeit raus kann.

Ob die Preise steigen, weiß niemand. Wer heute baut, sollte so bauen, dass beides geht.

Was ich daraus mitnehme

Ich habe die Debatte mit einer zugespitzten Rechnung angestoßen und dafür zu Recht Kritik bekommen. Gelernt habe ich drei Dinge. Erstens: Eine Frage, die neben einer Behauptung steht, wird als Behauptung gelesen. Zweitens: Wer eine Diskussion auswertet, statt sie nach Gefühl zusammenzufassen, findet fast immer etwas, das seinem eigenen Eindruck widerspricht. Bei mir war es die Gewissheit, die ich vor allem bei der anderen Seite gesehen hatte. Drittens: Die besten Beiträge kamen nicht von denen, die am sichersten klangen, sondern von denen, die mit Zahlen aus dem eigenen Betrieb kamen oder offen sagten, dass sie es nicht wissen.

Danke an alle 26, die mitdiskutiert haben, und besonders an die, die mir widersprochen haben.

Rohdaten

Die Einordnung aller 26 Personen gibt es zum Nachprüfen als JSON und als CSV für Excel. Darin stehen je Person die Position, die Gewissheit, die Rolle laut Profil, die Zahl der Kommentare und eine kurze Zusammenfassung der Kernaussage, dazu die Regeln, nach denen ich eingeordnet habe.

Die Personen sind anonymisiert, Originaltexte enthalten die Dateien bewusst nicht. Die Kommentare selbst sind öffentlich unter dem Beitrag nachzulesen. Wer einzelne Personen anders einordnen würde, kann dort direkt vergleichen. Die Daten stehen unter CC BY 4.0, Weiterverwenden mit Quellenangabe ist ausdrücklich erwünscht.

Verwandt

• Der Kill-Switch kam aus Washington: Warum Deutschland eine eigene Software-Infrastruktur braucht

Quellen

• Epoch AI: The plunging price of thought, September 2026
• PYMNTS: Anthropic On Track for First Operating Profit as Revenue Surges, 20.05.2026, auf Basis des Wall Street Journal
• The Decoder: OpenAI burned through $1.22 per dollar earned, auf Basis von The Information
• 24/7 Wall St.: Anthropic Locks Down $517 Billion in Compute Ahead of IPO, 13.09.2026, auf Basis von The Information
• Data Center Watch: Q1 2026 Report
• Inman: Google Maps API price hike, 04.05.2018
• TechCrunch: X changes its API to retire legacy tiers and endpoints, 23.08.2023
• Bloomberg: Google Tweaks Ad Auctions to Hit Revenue Targets, Executive Says, 18.09.2023
• OpenAI: API-Preise, Stand 12.10.2026