Die hohen Kosten für künstliche Intelligenz werden zu einem großen Problem für Start-ups. Berichten des Wall Street Journal zufolge sehen Unternehmen wie Notion, wie KI-Funktionen bis zu 10 % ihrer Gewinnmargen aufzehren – und das allein durch grundlegende Tools. Große Sprachmodelle wie die von OpenAI oder Anthropic erfordern enorme Ausgaben für Training und Betrieb, und diese Kosten sinken nicht, wie viele gehofft hatten. Stattdessen steigen sie, weil die Modelle komplexer werden und für jede Interaktion mit dem Nutzer mehr Rechenleistung benötigen.
Unternehmen im Bereich der generativen künstlichen Intelligenz erleiden selbst enorme Verluste. OpenAI verlor 2024 fünf Milliarden Dollar (rund 115 Milliarden Kč), während Anthropic 5,3 Milliarden Dollar (rund 122 Milliarden Kč) verlor. Diese Verluste setzen sich auch in diesem Jahr fort, hauptsächlich aufgrund der Kosten für die Rechenleistung beim Training und bei der Inferenz, also dem Prozess der Ausgabeerzeugung bei jeder Anfrage. Start-ups, die auf diesen Modellen aufbauen, zahlen hohe Beträge an deren Anbieter, die wiederum Cloud-Giganten wie Amazon, Google oder Microsoft bezahlen. Auch diese erzielen mit dem Verkauf von KI-Rechenleistung bislang keine Gewinne.
Die Inferenzkosten sinken nicht, sondern steigen mit zunehmender Komplexität der Modelle. Das gesamte Ökosystem – von Start-ups über Modellanbieter bis hin zu Cloud-Unternehmen – kämpft mit der Rentabilität. Der einzige Weg zum Überleben könnte darin bestehen, die vollständigen Kosten an die Nutzer weiterzugeben. Dies stößt jedoch auf Widerstand, da der Nutzen für die Endkunden den hohen Preisen möglicherweise nicht entspricht.
Die wichtigsten Anbieter und ihre Preise
Zu den größten Akteuren gehört OpenAI mit seinen ChatGPT-Modellen. Das Preismodell basiert auf Token (Token sind Texteinheiten) oder Abonnements. Der Preis liegt bei etwa 0,03 Dollar (rund 0,69 Kč) pro 1.000 Eingabe-Token und 0,06 Dollar (rund 1,38 Kč) pro 1.000 Ausgabe-Token. Ein Abonnement für ChatGPT Pro oder die Enterprise-Version kann 200 Dollar (rund 4.600 Kč) pro Monat oder mehr kosten. Der Trend geht zu Premium-Tarifen für Fachleute und Unternehmen.
Anthropic bietet die Modellfamilie Claude 3 mit einem tokenbasierten Preismodell über eine API (Programmierschnittstelle für Anwendungen) und gestaffelten Abonnements auf Claude.ai an. Die Abonnements Claude Max und Claude Pro kosten zwischen 20 und 200 Dollar (460 bis 4.600 Kč) pro Monat. Im August 2025 führte das Unternehmen neue wöchentliche Nutzungslimits für Claude Pro und Max ein, die laut seinen Daten weniger als 5 % der Abonnenten betreffen werden. Dies hilft bei der Kostenkontrolle und Planbarkeit seines SaaS-Angebots (Software als Dienstleistung). Zu den Stärken zählen ein großes Kontextfenster und der Fokus auf Sicherheit.
Google setzt bei Gemini über Vertex AI auf ein Abonnement in Kombination mit einer zeichen- oder tokenbasierten Abrechnung. Gemini Advanced beginnt bei 20 Dollar (460 Kč) pro Monat, während die Enterprise-Version Gemini Ultra bis zu 250 Dollar (5.750 Kč) pro Monat kostet. Ein Vorteil sind die schnellen Gemini-2.5-Flash-Modelle, die im Hinblick auf Leistung und Preis optimiert wurden.
Mistral AI bietet ein nutzungsbasiertes Modell mit wettbewerbsfähigen Preisen an: rund 0,40 Dollar (9,2 Kč) pro Million Eingabe-Token und 2 Dollar (46 Kč) pro Million Ausgabe-Token. Die Modelle erreichen nahezu das Niveau von GPT und werden offen veröffentlicht, um eine einfache Integration zu ermöglichen.
DeepSeek aus China stellt offene Modelle mit niedrigen Infrastrukturkosten bereit. DeepSeek V3 wurde für lediglich 6 Millionen Dollar (rund 138 Millionen Kč) trainiert, was einem Zehntel der geschätzten Kosten von GPT-4 entspricht. Damit ist es eine Alternative für Unternehmen mit begrenztem Budget.
Warum steigen die Kosten?
Die Nutzung von KI nimmt explosionsartig zu, da Unternehmen sie in realen Anwendungen einsetzen – von virtuellen Assistenten bis hin zu automatisierten Prozessen. Die durchschnittlichen monatlichen KI-Ausgaben pro Organisation stiegen von 63.000 Dollar (1,45 Millionen Kč) im Jahr 2024 auf 85.500 Dollar (1,97 Millionen Kč) im Jahr 2025, was einem Anstieg von 36 % entspricht. Fast die Hälfte der Unternehmen gibt inzwischen mehr als 100.000 Dollar (2,3 Millionen Kč) pro Monat für KI-Infrastruktur oder -Dienstleistungen aus.
Das Training und der Betrieb großer Modelle erfordern hochmoderne Chips und Rechenzentren. Die neuesten KI-Chips von AMD verteuerten sich um 67 %, von 15.000 Dollar (345.000 Kč) auf 25.000 Dollar (575.000 Kč). Google erhöhte seine jährlichen Infrastrukturinvestitionen auf 85 Milliarden Dollar (1,96 Billionen Kč), wobei ein großer Teil davon in KI-Kapazitäten fließt.
KI-Fachkräfte sind extrem teuer. Meta bietet einigen Kandidaten Verträge im Wert von 100 Millionen Dollar (2,3 Milliarden Kč) an. Diese Kosten schlagen sich indirekt in den Preisen für Endnutzer nieder.
Abonnementmodelle werden zunehmend auf eine nutzungsbasierte Abrechnung umgestellt, was zu unvorhersehbaren Rechnungen führt. Viele Unternehmen sehen sich mit unerwarteten Mehrkosten konfrontiert, insbesondere bei der Integration von KI in Kundenprodukte.
Versteckte Risiken und offene Modelle als Lösung
Trotz steigender Budgets verfolgen nur 51 % der Unternehmen die Rentabilität ihrer KI-Investitionen. Die übrigen riskieren, zu viel zu bezahlen, ohne zu verstehen, was tatsächlich funktioniert. Zu den versteckten Kosten gehören die Integration, die Unterstützung von Entwicklern, Lizenzgebühren oder Mehrkosten bei der Überschreitung von Kontingenten.
Eine Lösung sind offene Sprachmodelle. Sie bieten gebührenfreie Nutzung, vollständige Anpassbarkeit, eine stetig steigende Qualität und Unterstützung durch Ökosysteme wie Hugging Face oder LangChain. Modelle wie Mistral 7B, Meta LLaMA 3, DeepSeek V3 oder Yi-1.5 unterstützen einen Kontext von bis zu 128.000 Token und eignen sich für große Datenmengen ohne unvorhersehbare Kosten.
Diese Modelle eignen sich für Unternehmen mit technischen Teams, die eine Abhängigkeit von proprietären Systemen vermeiden möchten. Für nicht technische Teams oder Anwendungen, die höchste Präzision wie bei GPT-4 Turbo oder Claude Opus erfordern, sind sie nicht ideal.
Wie sich KI-Kosten bewältigen lassen
Wählen Sie das richtige Modell für die jeweilige Aufgabe – leichtere Modelle wie Mistral oder Claude Haiku reichen für viele Anwendungsfälle zu einem Bruchteil der Kosten aus. Modellieren Sie den Token-Verbrauch und schätzen Sie die Kosten vor der Skalierung. Legen Sie Budgets und Benachrichtigungen für die Echtzeitüberwachung fest. Verfolgen Sie Innovationen bei offenen Modellen, die sich schnell verbessern.
Quellen: wsj.com und bitskingdom.com
