Wer bezahlt die KI-Rechnung? Wenige Kunden, große Wetten, und wie Sie sich absichern

Im Juli habe ich ausgerechnet, was ein Token wirklich kostet. Ergebnis: Billige Tokens machen die Rechnung nicht kleiner, sie machen größere Aufträge bezahlbar. Im Oktober habe ich auf LinkedIn eine Zahl aus meinem eigenen Projekt geteilt. Eine Recherche mit KI kostete mich bei DeepSeek 218 $. Dieselbe Tokenmenge hätte bei OpenAI zu Listenpreisen 7 926 $ gekostet. Darunter kamen 123 Kommentare, die ich einzeln ausgewertet habe. Ergebnis: 26 Positionen, keine Einigkeit. Ob KI teurer oder billiger wird, wusste niemand.

Diesmal schaue ich nicht auf den Preis, sondern auf das Geld dahinter. Wer zahlt für KI, wie viel, und wie treu? Wer baut die Rechenzentren, und womit? Und was folgt daraus für eine Firma, die KI im Alltag einsetzt? Die Kurzfassung: Der Markt steht auf wenigen zahlungsstarken Kunden, die jederzeit wechseln können, und auf Investitionen, die inzwischen größer sind als das, was die Anbieter operativ verdienen. Das ist kein Grund, KI zu meiden. Es ist ein Grund, sich abzusichern.

Woher die Zahlen kommen. Den Anstoß gab ein Video, das gerade die Runde macht. Ich habe jede Zahl darin bis zur Originalquelle zurückverfolgt. Einige stimmten, einige waren veraltet, einige falsch zugeordnet. Danach habe ich die Originale selbst gelesen: Anthropics Börsenprospekt vom 26. Oktober, die Quartalsberichte der fünf größten Cloud-Anbieter und von Nvidia an die US-Börsenaufsicht SEC, das Brookings-Papier zur Finanzierung des Ausbaus samt überarbeiteter Fassung, die Firmenbefragung des NBER mit fast 9 000 Führungskräften, die monatlichen Zahlungsdaten von Ramp sowie Eurostat und Bitkom für Deutschland. Jede Zahl unten hat einen Link. Wo eine Zahl nur aus der Presse stammt, steht das dabei.

Teil 1: Die Käufer

Breit, aber flach

Die beste öffentliche Quelle für die Frage, was Firmen wirklich für KI ausgeben, ist der Ramp AI Index. Ramp ist ein US-Anbieter für Firmenkarten und Rechnungszahlung und wertet aus, was über 85 000 US-Firmen über Ramp für KI bezahlen. Das ist keine Umfrage, das sind echte Zahlungen. Die Einschränkung: nur US-Firmen, eher technikaffin, und Konzerne mit direkten Verträgen fehlen.

Im September 2026 zahlten 55,9 % der US-Firmen bei Ramp für KI, im Juli 2023 waren es 24,5 %. Zuletzt wuchs der Anteil nur noch um rund einen halben Punkt pro Monat. Ramp schreibt dazu, man sei „at the top of the S-curve“ (Ramp, Oktober 2026). Die neuen Kunden sind also weitgehend gewonnen.

Bleibt die Frage, wie viel jeder zahlt.

15,70 $ pro Mitarbeiter und Monat sind ungefähr ein einzelnes Basis-Abo. Die Nutzung ist breit, aber flach. Immerhin wächst sie: Ein Jahr zuvor lag der Median bei 5 $, das oberste Prozent bei 2 515 $. KI macht inzwischen 5,8 % aller Firmenausgaben ohne Löhne aus, die über Ramp laufen, ein Jahr zuvor waren es 0,8 % (Ramp AI Index). Ramp nennt die Werte für das oberste Prozent schwankend und korrigiert sie oft nachträglich. Die Größenordnung bleibt.

Wenige zahlen fast alles

Eine zweite, unabhängige Quelle zeigt dasselbe Muster. Ökonomen um Nicholas Bloom und Steven Davis befragen für das NBER Führungskräfte in acht Ländern zu KI, zuletzt fast 9 000, darunter rund 2 300 in Deutschland (NBER Working Paper 34836, Fassung Oktober 2026).

1,8 % der US-Firmen stehen für die Hälfte aller KI-Ausgaben, in Großbritannien sind es 1,3 %. Die obersten 10 % der US-Firmen zahlen 90 % der Ausgaben. Wer in Pressemitteilungen von „durchschnittlichen KI-Ausgaben“ liest, sollte wissen: Der Durchschnitt wird von sehr wenigen Firmen gemacht.

Gut erzählt, noch nicht wahr

An dieser Stelle kommt die Zahl, die gerade viral geht: 80 % des Umsatzes von OpenAI und Anthropic stammten von 1 % der Kunden. Das stimmt so nicht.

Die Zahl stammt von Ramps Chefökonom Ara Kharazian. Ramp formuliert sie selbst vorsichtiger: 80 % der Ausgaben für OpenAI und Anthropic, die Ramp sieht, kommen von 1 % der Firmen (Ramp, Oktober 2026). Das betrifft Ramps US-Firmenkunden, nicht den Umsatz der Anbieter. Was die Anbieter selbst angeben, steht seit dieser Woche in Anthropics Börsenprospekt.

Die Antwort ist zweigeteilt. Ja, der Umsatz ist konzentriert: Rund 6 000 Kunden mit mindestens 100 000 $ Jahresumsatz brachten im ersten Halbjahr 2026 74 % des Umsatzes, bei rund 40 Millionen Kunden insgesamt (Anthropic, Form S-1, S. 142, 148). Nein, Anthropic hängt nicht an wenigen Riesen: Kein Kunde kam auf mehr als 10 %, die fünf größten fielen von 36 % des Umsatzes im ersten auf 21 % im dritten Quartal 2026 (S. 56, 143). Die eigentliche Abhängigkeit liegt woanders: 48 % des Umsatzes laufen über die Marktplätze von Amazon, Google und Microsoft (S. 56).

Bei OpenAI sieht es anders aus. Über eine Milliarde Menschen nutzen ChatGPT, rund 50 Millionen zahlen dafür, also etwa jeder Zwanzigste. Der Firmenanteil am Umsatz ist laut OpenAI inzwischen größer als der der Verbraucher. OpenAI veröffentlicht keine geprüften Zahlen, die Werte stammen aus eigenen Mitteilungen und der Presse.

Ich erwähne das, weil die stärkere Geschichte hier die falsche ist. Wer sich auf sie verlässt, trifft schlechte Entscheidungen, egal in welche Richtung.

Kaum Treue

Der wichtigste Punkt für jede Firma, die KI einkauft, steht schon in der ersten Grafik: Anthropic hatte im September 2025 16 % der US-Firmen als Kunden, ein Jahr später 43,8 %, mehr als OpenAI. So schnell verschieben sich Marktanteile nur, wenn Kunden kaum gebunden sind.

Die Daten bestätigen das von mehreren Seiten:

• Wechsel: Der Anteil der Firmen, die ihren KI-Anbieter wechseln, erreichte im September 2026 im Dreimonatsschnitt den Rekord von 8 % pro Monat. Ramp: „It could be an early sign that AI models are becoming commodities“ (Ramp, 06.10.2026).
• Mehrere Anbieter: 79 % der Anthropic-Kunden bei Ramp zahlen auch OpenAI. Unter großen Firmen nutzen laut a16z 81 % drei oder mehr Modellfamilien (a16z, 2026, n = 100).
• Verträge: Anthropic schreibt im eigenen Prospekt: „Many of our customer contracts allow customers to reduce usage or terminate with limited or no notice. Customers are not obligated to renew“ (S. 42). Und: Modelle mit offenen Gewichten „could exert pricing pressure on our offerings“ (S. 41).

Ich bin selbst so ein Kunde. Meine große Recherche lief bei DeepSeek, für 218 $ statt 7 926 $. Für diese Aufgabe war das Ergebnis gut genug, und Faktor 36 spart man nicht jeden Tag.

Dass das nicht nur Bastler betrifft, zeigt ein Fall aus den USA. Laut Reuters lief auf der Seite des Federal Register, die das US-Nationalarchiv betreibt, ein Suchwerkzeug für öffentliche Kommentare auf Basis von Alibabas Modell Qwen. Am 16. September 2026 wurde es abgeschaltet (Reuters, 17.09.2026). Der Fall zeigt beides: wie schnell auch eine Behörde zum günstigen Modell greift, und wie schnell das zum Risiko werden kann.

Für die Anbieter ist das ein Problem. Sie verkaufen etwas, das immer mehr wie Benzin funktioniert. Man tankt, wo es günstig ist und der Sprit gut genug.

Teil 2: Der Preis und der Nutzen

Mehr Tokens, kaum mehr Geld

Im Oktober schrieb Ramp von „two straight months of virtually no growth in token spend“, während die Tokenmenge weiter stieg. Der Mischpreis für OpenAI und Anthropic lag im März 2026 noch bei 1,15 $ je Million Tokens, Ende Oktober bei 0,56 $. Für den Kunden ist das gut. Für den Anbieter heißt es: immer mehr liefern, um gleich viel einzunehmen. Ein Mobilfunkvertrag funktioniert ähnlich. Vor zehn Jahren gab es ein paar Gigabyte, heute für denselben Preis unbegrenzt Daten.

Das erklärt auch, womit die Anbieter werben. Google meldete im Mai 2026 über 3,2 Billiarden verarbeitete Tokens im Monat, nach 9,7 Billionen zwei Jahre zuvor (Google, 19.05.2026). Gemeldet wird die Menge. Was ein Token im Schnitt einbringt, steht nirgends.

Ein Token ist keine Maßeinheit

Tokens sind nicht vergleichbar. Ein Token ist ein Wortstück, ungefähr vier Buchstaben. Wie viele davon eine Aufgabe braucht, hängt stark vom Modell ab.

Artificial Analysis lässt jedes Modell dieselben Testaufgaben lösen. GPT-6.1 Sol und Claude Sonnet 5.5 haben denselben Listenpreis und ähnliche Punktzahlen. Pro Aufgabe kostet Sonnet trotzdem fast achtmal so viel, weil es ein Vielfaches an Tokens verbraucht (Artificial Analysis, Stand 30.10.2026). Umgekehrt schreibt Anthropic im Prospekt, mit Opus 5.5 seien die Kosten je Aufgabe gegenüber dem Vorgänger um rund 40 % gefallen (S. 10).

Die einzige Zahl, die zählt, ist deshalb: Was kostet eine erledigte Aufgabe? Mit allen Fehlversuchen, Nachfragen, Agentenschritten und der Zeit, die ein Mensch das Ergebnis prüft. Dort fängt die Absicherung an.

Der Nutzen kommt langsam

Warum zahlt der Median so wenig? Eine naheliegende Antwort: Weil viele Firmen den Nutzen noch nicht sehen.

• NBER: Über drei Jahre sehen 83 % der Führungskräfte keine Wirkung von KI auf die Produktivität, in Deutschland 91 %. Der gemessene Effekt bisher: plus 0,46 % insgesamt, in Deutschland plus 0,24 %, kumuliert über drei Jahre. Für die nächsten drei Jahre erwarten deutsche Firmen plus 0,87 %, US-Firmen plus 2,33 % (NBER Working Paper 34836).
• McKinsey: 37 % der Befragten sagen, KI habe zumindest irgendeine Wirkung auf ihr Betriebsergebnis (EBIT), etwa so viel wie im Vorjahr. Nur rund 6 % holen mindestens 5 % ihres EBIT aus KI (McKinsey, The State of AI in 2026, n = 1 719).
• Deloitte: 25 % der KI-nutzenden Firmen haben 40 % oder mehr ihrer Pilotprojekte in den Betrieb gebracht. Mehr Umsatz durch KI erreichten 20 %, erhofft hatten ihn 74 % (Deloitte, State of AI in the Enterprise 2026, n = 3 235).

Das heißt nicht, dass KI nichts bringt. Beim Programmieren etwa ist der Nutzen für viele längst sichtbar. Es heißt, dass die Mehrleistung in den meisten Büchern noch nicht ankommt. Ein Finanzchef, der das liest, verlängert seinen Vertrag. Er erhöht ihn nicht.

Und Deutschland?

Laut Eurostat nutzten 2025 26 % der deutschen Firmen ab zehn Beschäftigten KI, im EU-Schnitt 20 % (Eurostat). Andere Erhebungen kommen auf höhere Werte, weil sie anders fragen: Bitkom auf 57 % bei Firmen ab 20 Beschäftigten, ifo auf 54,5 %. Einig sind sich alle beim Abstand zwischen klein und groß.

Interessanter ist, wofür deutsche Firmen bezahlen. Laut Bitkom sind die großen Kostenpunkte Infrastruktur (51 %) und Datenaufbereitung (50 %). Lizenzen nennen 21 %, Tokens nur 8 % (Bitkom 2026, n = 603). Die Bundesbank beziffert die Ausgaben für generative KI bei nutzenden Firmen auf 1,2 % des Umsatzes (Bundesbank, Monatsbericht März 2026). Für den Mittelstand heißt das: Der Tokenpreis ist selten der größte Posten. Die Kosten stecken im Drumherum, und genau dort entsteht auch die Abhängigkeit.

Teil 3: Die Rechnung

Investiert wird mehr, als hereinkommt

Jetzt zur anderen Seite. Wer baut die Rechenzentren, und womit?

Die fünf größten Cloud-Anbieter haben im dritten Quartal 2026 zusammen 230 Mrd. $ investiert. Ihr operativer Cashflow lag bei 199 Mrd. $. Über zwölf Monate gerechnet stieg das Verhältnis von 41 % Ende 2023 auf 95,5 % (Quartalsberichte an die SEC von Alphabet, Microsoft, Amazon, Meta, Oracle). Amazons freier Cashflow liegt über zwölf Monate bei minus 42 Mrd. $, laut Amazon „primarily“ wegen Investitionen in KI.

Die Lücke wird mit fremdem Geld gefüllt. Amazon hat in den ersten neun Monaten 2026 115 Mrd. $ neue Schulden aufgenommen, Alphabet 85 Mrd. $ Schulden und zusätzlich 43 Mrd. $ über neue Aktien. Meta hat im Oktober Vorzugsaktien und einen Aktienverkauf über zusammen rund 37 Mrd. $ angekündigt.

Größer als die Eisenbahn

Wie groß ist das im historischen Vergleich? Stijn Van Nieuwerburgh von der Columbia University hat das für die Brookings Papers on Economic Activity ausgerechnet (Financing the AI Buildout, September 2026).

Sein Szenario: 182,7 Gigawatt neue Rechenzentren zwischen 2025 und 2032, 10,3 Billionen Dollar Investitionen, im Schnitt 3,63 % der US-Wirtschaftsleistung pro Jahr. Der Eisenbahnboom kam auf 2,24 %, der Glasfaserboom um 2000 auf 1,10 %. Ein Unterschied zur Eisenbahn: Gleise halten Jahrzehnte, Grafikchips wenige Jahre. Das Papier selbst schreibt, dass GPUs „within three to six years“ veraltet sein können (S. 24).

Die Schulden, die man nicht sieht

Ein großer Teil der Verpflichtungen steht nicht in den Bilanzen.

• Mietverträge: Microsoft hat Mietverträge über 365 Mrd. $ unterschrieben, die noch nicht begonnen haben, ein Jahr zuvor waren es 106 Mrd. $. Bei Meta sind es 356 Mrd. $, Ende 2025 waren es 104 Mrd. $. Zusammen mit Amazon und Alphabet kommen knapp 990 Mrd. $ zusammen, die erst in der Bilanz auftauchen, wenn die Gebäude stehen (Leasing-Anhänge der Quartalsberichte).
• Zweckgesellschaften: Metas Rechenzentrum Hyperion in Louisiana steckt in einer eigenen Gesellschaft. Laut Brookings-Papier sind rund 27 von 30 Mrd. $ fremdfinanziert, die Anleihen rentieren 6,58 %, mindestens einen Prozentpunkt über Metas eigenen Anleihen. Der Grund laut Papier: „not cheaper financing, but preservation of an asset-light corporate profile“ (S. 8 bis 10). Metas maximales Verlustrisiko aus solchen Gesellschaften beziffert Meta selbst auf 68,4 Mrd. $.
• Bürgschaften: Nvidia bürgt mit bis zu 105 Mrd. $ für Mietverträge eines mit OpenAI verbundenen Unternehmens für Rechenzentren (Nvidia, 10-Q). Nvidia schreibt selbst: Falls OpenAI ausfällt, „we may assume the applicable lease“.
• Geld im Kreis: Microsoft hält rund 24 % an OpenAI und hat im Quartal bis September 2026 10 Mrd. $ Umsatz mit OpenAI gemacht (Microsoft, 10-Q). Nvidia hat im ersten Halbjahr 42 Mrd. $ in Beteiligungen gesteckt, oft an eigenen Kunden. Laut Morgan Stanley sollen bis 2028 rund 800 Mrd. $ der Finanzierungslücke aus privaten Krediten kommen.

Die KI-Labore: wachsende Umsätze, größere Zusagen

Wie steht es um die Firmen, die die Modelle bauen? Anthropics Prospekt ist die erste geprüfte Antwort, und sie ist besser als ihr Ruf.

Anthropics Umsatz stieg von 4,6 Mrd. $ im ganzen Jahr 2025 auf 16,3 Mrd. $ allein im ersten Halbjahr 2026. Im zweiten Quartal gab es erstmals einen operativen Gewinn von 974 Mio. $. Die Kosten für Rechenleistung fielen von 251 % des Umsatzes Anfang 2025 auf 48 % (S. 22, 157 f.). Die hohen Nettoverluste in den Berichten sind vor allem Neubewertungen von Wandelanleihen, kein Geld, das abfließt.

Der Haken liegt in der Zukunft.

Anthropic hat bis Ende Oktober Verpflichtungen für Rechenleistung und Infrastruktur über rund 855 Mrd. $ eingegangen, meine Summe aus den Anhängen des Prospekts (F-35, F-58, F-65). Das ist etwa das 18-Fache des hochgerechneten Jahresumsatzes. Die größten Posten: Leasing von TPU-Chips über Broadcom (161 Mrd. $), Rechenleistung von SpaceXAI (bis 120 Mrd. $), Google (mindestens 114 Mrd. $), Amazon (mindestens 110 Mrd. $). Diese Zusagen seien zu erfüllen „regardless of our revenue or utilization“ (S. 141). Und Anthropic warnt, die Margen „may compress“ (S. 133), man könne gezwungen sein, „to reduce our prices“ (S. 60). Bei OpenAI nennt die Presse ein Rechenbudget von rund 856 Mrd. $ bis 2030 bei zuletzt rund 50 Mrd. $ Jahresumsatz, und für das zweite Quartal 2026 einen operativen Verlust von 12,3 Mrd. $ (Financial Times, Wall Street Journal, Reuters; keine Pflichtveröffentlichung).

Die Rechnung für den Ausbau

Was muss das alles einspielen? Van Nieuwerburgh rechnet wie bei einer Baufinanzierung: Man zahlt nicht nur den Preis des Hauses zurück, sondern auch die Zinsen. Mit 10 % geforderter Rendite, 50 % operativer Marge und sechs Jahren Lebensdauer für die Server müssen die bis 2032 gebauten Rechenzentren ab dann rund 3,7 Billionen Dollar im Jahr umsetzen. Das sind 9,2 % der für 2032 erwarteten US-Wirtschaftsleistung (S. 26).

Zum Vergleich: Die gesamte US-Industrie kam 2025 auf 9,5 % der Wirtschaftsleistung, Finanzen und Versicherungen auf 8,7 % (BEA über FRED). Umsatz und Wertschöpfung sind nicht dasselbe, der Vergleich zeigt die Größenordnung.

Das Papier stellt dem den heutigen Umsatz von OpenAI und Anthropic gegenüber, rund 100 Mrd. $. Um auf 3,7 Billionen zu kommen, müssten die Umsätze bis 2032 um rund 80 % pro Jahr wachsen (S. 27). Der Vergleich hinkt, und das sollte man sagen: Die 3,7 Billionen müssen Rechenzentren einspielen, und ein Teil der Rechenleistung dient dem eigenen Geschäft von Google, Meta oder Microsoft, etwa Werbung und Suche. Trotzdem zeigt er, wie weit der Weg ist.

Am meisten hängt an einer Annahme, die in keiner Pressemitteilung steht: wie lange die Server halten.

Halten die Server drei Jahre statt sechs, steigt der nötige Umsatz auf rund 6 Billionen Dollar, 14,8 % der Wirtschaftsleistung. In ihren Büchern rechnen Microsoft, Alphabet und Amazon mit sechs Jahren, Meta mit fünfeinhalb. Alle haben die Nutzungsdauer in den letzten Jahren verlängert, was den Gewinn erhöht. Nur Amazon hat sie 2025 für einen Teil der Server wieder auf fünf Jahre verkürzt, „due to the increased pace of technology development, particularly in the area of artificial intelligence“ (Amazon, 10-K 2025). Nvidia bringt etwa jedes Jahr eine neue Chipgeneration.

Zwei Einordnungen gehören dazu. Erstens hat Van Nieuwerburgh am 2. Oktober eine überarbeitete Fassung mit neueren Daten veröffentlicht: Dort sind es 3,55 Billionen Dollar oder 8,8 % der Wirtschaftsleistung (NBER w35865). Zweitens schreibt er selbst, seine Zahlen „do not imply that financial distress is imminent“ (S. 13). Auf der Konferenz nannte er den Ausbau trotzdem eine Quelle systematischer Risiken für die US-Wirtschaft (Brookings, Mitschrift 25.09.2026).

Was das für den Preis heißt

Damit sind wir wieder bei der Frage vom Anfang: Wird KI teurer oder billiger? Die Zahlen sprechen für beide Richtungen.

Billiger, weil der Wettbewerb hart ist, Kunden ohne Bindung zum günstigsten Angebot wandern und offene Modelle aufholen. Der Preis für eine feste Leistungsstufe fiel laut Epoch AI je nach Aufgabe um das 9- bis 900-Fache pro Jahr (Epoch AI). Anthropic schreibt selbst, Konkurrenten verkauften teils „at zero or negative margins“ (S. 40).

Teurer, weil irgendwann jemand die Billionen einspielen muss. Das kann über höhere Listenpreise passieren, über engere Nutzungsgrenzen in Abos, über das Abschalten günstiger Modelle oder über Aufschläge für Funktionen, die man heute geschenkt bekommt. Erste Zeichen gibt es: OpenAIs neues Spitzenmodell GPT-6 Astra kostet 50 $ je Million ausgegebener Tokens, GPT-5 kostete 2025 noch 10 $ (OpenAI, Preise). Auch DeepSeek hat im August 2026 Preise erhöht.

Ich weiß nicht, welche Richtung gewinnt. In der Debatte unter meinem Beitrag wusste es keiner der 26 Beteiligten, ich auch nicht. Darum halte ich die Frage „teurer oder billiger?“ für die falsche. Die richtige lautet: Ist meine Firma auf beides vorbereitet?

Wie man sich absichert

Absichern heißt nicht, auf KI zu verzichten. Es heißt, so einzukaufen, dass ein Preissprung, ein abgeschaltetes Modell oder ein Anbieter in Schwierigkeiten kein Notfall wird. Diese neun Punkte kosten wenig und lassen sich in jeder Größe umsetzen.

1. In Aufgaben rechnen, nicht in Tokens. Legen Sie eine Testmappe an: 20 bis 50 echte Aufgaben aus Ihrem Betrieb, jeweils mit dem Ergebnis, das herauskommen soll. Lassen Sie diese Mappe einmal im Quartal durch drei oder vier Modelle laufen. Messen Sie: Wie viele Aufgaben sind richtig gelöst, was hat jede gekostet, wie lange hat die Prüfung gedauert. Grafik 5 zeigt, warum: Gleicher Listenpreis, Faktor acht bei den Kosten.

2. Eine Steckdose, viele Stecker. Bauen Sie Ihre Abläufe so, dass das Modell an genau einer Stelle eingesteckt wird, über eine eigene Zwischenschicht oder ein Gateway. Prompts, Testmappe und Daten liegen bei Ihnen, nicht beim Anbieter. Funktionen, die es nur bei einem Anbieter gibt, nutzen Sie bewusst und schreiben auf, wo.

3. Teure Modelle nur für schwere Schritte. Die meisten Abläufe bestehen aus vielen einfachen Schritten und wenigen schweren. Sortieren, Auslesen, Zusammenfassen schaffen kleine und günstige Modelle. Das teuerste Modell braucht es oft nur für den einen Schritt, an dem es wirklich hängt. Meine Recherche zeigt die Größenordnung: Faktor 36 zwischen zwei Anbietern für dieselbe Menge.

4. Der Schattenlauf. Schicken Sie einen kleinen Teil Ihrer echten Anfragen, etwa jede zwanzigste, zusätzlich an ein zweites Modell und vergleichen Sie die Ergebnisse. Das kostet ein paar Prozent mehr. Dafür wissen Sie jederzeit, ob ein Wechsel funktioniert. Aus einem Projekt wird eine Entscheidung. Die Rekordzahl der Anbieterwechsel zeigt: Viele machen das schon.

5. Ein Notstromaggregat. Testen Sie ein Modell mit offenen Gewichten, das Sie notfalls selbst oder bei einem europäischen Hoster betreiben können. Nicht als Ersatz für alles, sondern für die zwei, drei Abläufe, die nie stehen dürfen. Prüfen Sie dabei Herkunft und Lizenz. Der Fall des Federal Register zeigt, dass ein günstiges Modell auch politisch zum Problem werden kann.

6. Verträge wie Strom, nicht wie Leasing. Die Anbieter binden sich mit Hunderten Milliarden für Jahre. Sie müssen das nicht. Lieber monatlich kündbar als Vorauszahlung für ein Jahr Volumen. Achten Sie auf drei Dinge: Wie früh wird ein Modell abgekündigt? Was passiert bei Preisänderungen? Wie bekommen Sie Ihre Daten, Prompts und Verläufe heraus?

7. Rabatte nutzen, die schon da sind. Viele Anbieter geben Nachlass, wenn man nicht sofort eine Antwort braucht. Bei Anthropic kostet die Batch-Verarbeitung die Hälfte, und wiederholter Kontext wird über Prompt-Caching deutlich billiger (Anthropic, Preise). Berichte über Nacht, Auswertungen, Übersetzungen: Vieles muss nicht in Sekunden fertig sein.

8. Budget mit Bremse. Setzen Sie pro Team und Ablauf ein hartes Limit und eine Warnung bei 50 und 80 %. Und eine Kennzahl, die jeder versteht: Kosten pro erledigter Aufgabe, im Monatsvergleich. Steigt sie, ist das ein Signal, egal ob durch den Preis oder durch ein neues Modell, das mehr Tokens verbraucht.

9. Zwei Zettel. Schreiben Sie auf, was Sie tun, wenn sich der Preis Ihres Hauptmodells verdreifacht. Und auf einen zweiten Zettel, was Sie tun, wenn er auf ein Drittel fällt. Der erste Zettel ist der Notfallplan. Der zweite ist oft der interessantere: Welche Aufgaben würden sich dann plötzlich lohnen? Wer beide Zettel hat, muss die Preisfrage nicht beantworten.

Fazit

Der KI-Markt sieht von außen aus wie ein Boom. Von innen sieht er aus wie ein großes Gebäude auf wenigen Pfeilern. Mehr als die Hälfte der US-Firmen zahlt für KI, aber die meisten wenig, und die Treue ist gering. Die Labore wachsen schnell, Anthropic verdient inzwischen mehr, als die Rechenleistung kostet, hat aber Rechenleistung für das 18-Fache seines Jahresumsatzes fest bestellt. Die großen Cloud-Anbieter investieren mehr, als ihr Geschäft operativ einbringt, und finanzieren den Rest mit Anleihen, Aktien und Verträgen außerhalb der Bilanz. Und der Ausbau muss in sechs Jahren eine Branche von der Größe der US-Industrie tragen.

Ob das gut ausgeht, weiß niemand. Vielleicht gleicht es sich aus wie bei früheren Techniken, die durch ähnliche Phasen gegangen sind. Beim Eisenbahnboom verloren viele Geldgeber ihr Geld, die Gleise blieben trotzdem. Für eine Firma, die KI nutzt, ist die Antwort trotzdem einfach: Bauen Sie so, dass Sie nicht raten müssen. Wer in Aufgaben rechnet, austauschbar bleibt und einen Plan B getestet hat, profitiert von fallenden Preisen und übersteht steigende.

Quellen

Ausgaben, Verbreitung, Wechsel

• Ramp AI Index, revidierte Monatsreihe Juli 2023 bis September 2026 und Wochenwerte bis 23.10.2026. ramp.com
• Ramp: „Cracks in the AI Thesis, Part 3“, 14.10.2026. ramp.com · „Businesses are changing AI model providers more often“, 06.10.2026. ramp.com · Juni 2026, Stichprobe und Methode. ramp.com
• Ara Kharazian (Ramp) zur 80/1-Zahl, LinkedIn, September 2026. linkedin.com
• Yotzov, Barrero, Bloom, Bunn, Davis u. a.: „Firm Data on AI“, NBER Working Paper 34836, Fassung Oktober 2026, Tab. 2, Abb. 6, 10, 11. nber.org
• a16z: „Leaders, gainers and unexpected winners in the enterprise AI arms race“, 2026, n = 100. a16z.com · Menlo Ventures: „The State of Generative AI in the Enterprise“, Dezember 2025, n = 495. menlovc.com

Die Labore

• Anthropic PBC, Form S-1, eingereicht 26.10.2026, insbesondere S. 10, 22, 40 bis 42, 56, 60, 133, 141 bis 143, 148, 157 f., 170 f., F-35, F-58, F-65. sec.gov
• Microsoft, Form 10-Q, Quartal bis 30.09.2026, Angaben zu OpenAI. sec.gov
• OpenAI-Umsatz, Nutzer und Rechenbudget: Mitteilungen von OpenAI sowie Financial Times, Wall Street Journal und Reuters, 2026. Keine Pflichtveröffentlichung, Werte mit Vorbehalt.

Nutzen

• McKinsey/QuantumBlack: „The State of AI in 2026: On the Road to ROI“, Befragung 04.05. bis 08.06.2026, n = 1 719. mckinsey.com
• Deloitte: „The State of AI in the Enterprise“, Januar 2026, n = 3 235. deloitte.com

Deutschland

• Eurostat: Use of artificial intelligence in enterprises, 2025, Tabelle isoc_eb_ai. ec.europa.eu
• Bitkom: „Künstliche Intelligenz in der Wirtschaft 2026“, n = 603. bitkom.org
• ifo: „Mehr als die Hälfte der Unternehmen nutzt Künstliche Intelligenz“, 05.06.2026. ifo.de
• Deutsche Bundesbank, Monatsbericht März 2026. bundesbank.de

Tokens und Preise

• Google, Sundar Pichai auf der I/O 2026, 19.05.2026. blog.google
• Artificial Analysis, Intelligence Index v5 und Modellseiten, Stand 30.10.2026. artificialanalysis.ai
• Epoch AI: „LLM inference prices have fallen rapidly but unequally across tasks“. epoch.ai
• OpenAI, API-Preise. developers.openai.com · Anthropic, Preise für Batch-Verarbeitung und Prompt-Caching. platform.claude.com
• Eigene Rechnung, 218 $ gegen 7 926 $: KI: teurer oder billiger?
• Reuters, Courtney Rozen, 17.09.2026, zum Suchwerkzeug des Federal Register (Zweitabdruck). wsau.com

Investitionen, Schulden, Lieferkette

• Quartalsberichte (10-Q, 8-K) zum dritten Quartal 2026: Alphabet · Microsoft · Amazon · Meta · Oracle. Ältere Quartale über die XBRL-Daten der SEC.
• Nvidia, Form 10-Q, Quartale bis 26.04.2026 und 26.07.2026. sec.gov · sec.gov
• Morgan Stanley, „Thoughts on the Market“ zur Finanzierungslücke. morganstanley.com

Ausbau und Wirtschaft

• Stijn Van Nieuwerburgh: „Financing the AI Buildout“, Brookings Papers on Economic Activity, Konferenzfassung 04.09.2026, Tab. 1, 5 bis 7, Anhang D. brookings.edu · Überarbeitete Fassung NBER w35865, 02.10.2026. nber.org · Mitschrift der Konferenz, 25.09.2026. brookings.edu
• BEA, GDP by Industry, Wertschöpfung als Anteil am BIP, über FRED: Industrie · Finanzen und Versicherung · Immobilien und Vermietung

Bilder. Titelfoto generiert mit Bria (Modell FIBO). Grafiken eigene Darstellung, Daten und Rechenweg in scripts/data/ki-rechnung.json und scripts/gen-figs-ki-rechnung.mjs.