steigen also die Erträge. Deshalb sind Anbieter in diesen Bereichen die KI-Hauptprofiteure. Dazu kommt der Umstand, dass ein erheblicher Teil der KI-Investments vom KIÖkosystem selbst getragen wird. KI-Anbieter wie OpenAI bestellen KI-Chips bei Nvidia oder Broadcom, die wiederum Kapitalbeteiligungen an OpenAI eingehen und so den Investitionszyklus am Laufen halten. Wenn ein erheblicher Teil der KI-Investments nicht von Endkunden stammt, sondern von KIAusrüstern selbst und dies sich als nicht nachhaltig erweisen sollte, gerät der Zyklus außer Kontrolle. Zudem überfordern die rasant steigenden Kosten für KI-Token viele Unternehmen, die erhoffte Monetarisierung verschiebt sich in die weitere Zukunft. Token sind die kleinsten sprachlichen Bausteine, in die ein Text von KI-Modellen zerlegt wird, um ihn zu verstehen und Problemlösungen zu generieren. Da die KI immer mehr Token verarbeiten kann, steigen der Bedarf und damit die Preise. Und zwar so rasant, dass etwa OpenAI diese wieder senken will, um zu verhindern, dass neue, leistungsfähigere Modelle für KI-Anwender unprofitabel werden. Gut für etablierte Endkunden, weniger gut für junge Entwickler wie Anthropic oder OpenAI. Die Kosten für Token sind also ein zweischneidiges Schwert. So zeigt etwa der Silicon Data LLM Token Expenditure Index die Ausgaben für KI-Token. Die Logik dahinter: Der Verbrauch von KIRechenleistung wird in Token gemessen. Wenn die Ausgaben für diese Token zurückgehen, die Nutzung also abnimmt, sinken auch die Umsätze der Anbieter von KI-Modellen. Dies würde sich unmittelbar auf deren Investitionspläne und damit auf ihre Nachfrage nach KI-Hardware auswirken. Die Folge wäre ein Abschwung, der auch in Die KI lernt derart schnell, dass sich allein aus dieser Tatsache immer neue Probleme ergeben. Die aktuellen Modelle gehen bereits weit über einfache LLMs (Large Language Models) hinaus und sind zunehmend in der Lage, sinnvolle Entscheidungen zu treffen. Dazu müssen sie aber imstande sein, riesige Mengen an Daten zu verarbeiten und zu speichern. Der Bedarf an Rechenleistung und Speicherkapazitäten ist explodiert. Die Preise für Datenträger und Prozessoren aller Art gehen durch die Decke. Doch die KI-Anwender reagieren fast ebenso schnell: Hyperscaler (Anbieter von Cloud-Diensten, die riesige Rechenzentren betreiben und IT-Ressourcen, Rechenleistung und Datenspeicher global anbieten) wie Amazon, Alphabet, Microsoft oder Meta entwickeln und bauen hauseigene, auf ihre KI-Anforderungen hin maßgeschneiderte Chips (= TPUs), um die Rechengeschwindigkeit beim maschinellen Lernen, also dem Training von KI-Modellen, zu steigern und so ihre Kosten zu senken. Das müssen sie auch, denn angesichts der stetig nach oben revidierten Investitionsvolumina wird manchen Anlegern schwindlig. Noch ist KI nicht so weit, von sich selbst lernen zu können, doch auch dies ist nur eine Frage der Zeit. KI-Modelle, die Software-Sicherheitslücken aufspüren können, sind so wichtig geworden, dass Staaten sie als kritisch für ihre nationale Sicherheit eingestuft haben, wie etwa die USA in Bezug auf Claude Mythos von Anthropic. Preise für Token explodieren Ein weiteres Problem ist die Tatsache, dass die KI-Nutzung schneller wächst als das Potenzial ihrer Monetarisierung. Die Kosten vor allem für Infrastruktur und Energie überAlles dreht sich um KI Ohne massive Investitionen in Kapazitäten für leistungsfähigere KI-Modelle würde die US-Wirtschaft deutlich weniger wachsen. Technologieaktien könnten dann erheblich schlechter performen. WOLFGANG REGNER Credits: beigestellt; Pat J./stock.adobe.com Ausgabe Nr. 3/2025 – GELD-MAGAZIN . 33 Ausgabe Nr. 3/2026 – GELD-MAGAZIN „Mit dem Übergang von generativer zu agentischer KI wird mehr Speicherplatz und eine viel höhere Rechenleistung benötigt.“ Tobias Rommel, Manager des DWS Artificial Intelligence Fund
RkJQdWJsaXNoZXIy MzgxOTU=