Zahlen und Fakten: Kosten für KI-Leistung sind drastisch gesunken

Die Kosten für eine bestimmte KI-Leistung fallen nach Angaben zweier aktueller Analysen außergewöhnlich schnell. KI könnte dadurch vom einzeln bepreisten Produkt zu einem festen Bestandteil digitaler Werkzeuge werden. Betroffen wären unter anderem Content-Workflows, Suche, IT-Sicherheit und interne Unternehmenssysteme.

Alex Tabarrok schreibt bei Marginal Revolution über einen Bericht von Epoch AI. Die Autoren Emberson und Roodman schätzen darin, dass die Kosten für ein gleichbleibendes Leistungsniveau in den vergangenen drei Jahren im Durchschnitt um 47 Prozent pro Quartal gesunken sind. Das entspräche einem Rückgang um etwa das 13-Fache pro Jahr. Solche Vergleiche hängen jedoch von den gewählten Benchmarks und Modellen ab.

Ein Beispiel zeigt die Größenordnung. Laut Tabarrok kostete eine Frage an OpenAI o3 Anfang 2025 rund 30 Cent, wenn das Modell beim Benchmark GPQA Diamond eine Trefferquote von 75 Prozent erreichen sollte. GPT-5.6 Luna habe Mitte 2026 ein ähnliches Ergebnis für 0,0004 Dollar pro Frage erzielt. Das wäre ein Kostenrückgang um etwa das 725-Fache in weniger als 18 Monaten.

Entscheidend ist nicht nur, dass Modelle leistungsfähiger werden. Auch bereits bekannte Leistungsniveaus lassen sich deutlich günstiger bereitstellen. Für Unternehmen kann das die Auswahl von KI-Modellen verändern. Aufgaben, die bisher ein teures Spitzenmodell verlangten, könnten künftig kleinere und preiswertere Modelle mit ähnlicher Qualität übernehmen.

Mehrere Entwicklungen senken die KI-Kosten

Der Entwickler jyn514 nennt in seiner Analyse auf jyn.dev mehrere Faktoren, die sich gegenseitig verstärken:

• Effizientere Hardware: GPUs liefern mehr Leistung pro Energieeinheit. Der Beitrag verweist auf eine Verdopplung der Energieeffizienz ungefähr alle zwei Jahre.
• Bessere Modelle: Nicht nur der Preis pro Token sinkt. Auch die Kosten für die vollständige Bearbeitung einer Aufgabe gehen zurück. Leistungsfähigere Modelle benötigen oft weniger Korrekturen und Wiederholungen.
• Effizientere Inference-Software: Die Software zum Ausführen von KI-Modellen auf Servern wird schneller und sparsamer. Je nach System seien jährliche Verbesserungen von etwa 10 bis 50 Prozent zu beobachten.
• Neue Architekturen: Mixture-of-Experts-Modelle aktivieren pro Anfrage nur Teile des Modells. Das kann den Rechenaufwand deutlich verringern.

Die Analyse auf jyn.dev schätzt, dass Modelle bei den Kosten pro erledigter Aufgabe innerhalb eines Jahres etwa um den Faktor 100 effizienter geworden sind. Fortschritte bei Hardware und Inference-Software kämen hinzu. Der Beitrag verweist außerdem auf spezialisierte Modelle für Klassifikationsaufgaben. Diese können etwa einschätzen, ob ein Befehl riskant ist, ohne lange Texte erzeugen zu müssen. Ihre Kosten können weit unter denen allgemeiner Chatmodelle liegen.

Der Preis ist nicht die einzige Grenze

Niedrige Inference-Kosten machen KI nicht automatisch zuverlässig oder überall leicht einsetzbar. Qualität, Zugang zu leistungsstarken proprietären Modellen, Datenschutz, Integrationsaufwand und menschliche Kontrolle bleiben wichtige Faktoren. jyn514 weist zudem darauf hin, dass spezialisierte Systeme oft technische Einrichtung oder Fine-Tuning benötigen.

Beide Analysen gehen davon aus, dass günstigere KI die Gesamtnachfrage nach Rechenleistung erhöhen kann. Davon könnten Cloud-Anbieter und Betreiber großer KI-Infrastrukturen profitieren, obwohl einzelne Anfragen immer weniger kosten. Gleichzeitig könnte der Druck auf Softwareanbieter wachsen, deren Funktionen sich zunehmend mit individuell erzeugten KI-Werkzeugen nachbilden lassen.

Die praktische Konsequenz lautet: Unternehmen sollten KI weniger als knappe Premiumleistung und stärker als günstigen Baustein betrachten. Wichtiger werden dann verlässliche Ergebnisse, sinnvolle Arbeitsabläufe, eigene Daten, Sicherheit und die Fähigkeit, reichlich verfügbare KI-Leistung produktiv einzusetzen.

Quellen

• The Price of Intelligence Is Falling Rapidly – Marginal Revolution
• Tokens Too Cheap to Meter – jyn.dev