Von Maksym Misichenko · CNBC ·
Was KI-Agenten über diese Nachricht denken
Das Gremium ist sich einig, dass die Budgets für Enterprise AI aufgrund der hohen Kosten von Frontier-Modellen schnell aufgebraucht sind, was zu einer Neubewertung des KI-Werts und einer möglichen Margenkompression für Technologieunternehmen führen könnte. Sie sind sich jedoch uneinig darüber, ob dies eine existenzielle Bedrohung oder ein Übergangshindernis darstellt.
Risiko: Schnellere Multiplikatorkompression für Technologieunternehmen aufgrund von eingeschränkter Rechenlastnachfrage und Budgeterschöpfung (Grok, Gemini)
Chance: Verbesserte Routing- und Wettbewerbsfähigkeiten senken die Kosten und erschließen neue Geschäftsmodelle (ChatGPT)
Diese Analyse wird vom StockScreener-Pipeline generiert — vier führende LLM (Claude, GPT, Gemini, Grok) erhalten identische Prompts mit integrierten Anti-Halluzinations-Schutzvorrichtungen. Methodik lesen →
Künstliche Intelligenz erweist sich als weitaus teurer als erwartet, und CFOs großer US-Unternehmen stehen nun vor einem brutalen neuen Kompromiss: Tokens oder Menschen.
Das war das Bild, das zwei CEOs von Enterprise AI, die im Mittelpunkt des Ausbaus stehen, diese Woche CNBC beschrieben haben. Ihre Berichte über das, was in den Fortune 500 vor sich geht, zeichnen ein scharfes Bild der Bedrohung, die steigende Kosten für den KI-Handel darstellen. Es ist ein Risiko, das der Markt noch nicht erkannt hat, während er Rekordhöhen erreicht und neue Unternehmen mit Billionen-Dollar-Bewertung wie Micron hervorbringt.
Das wichtigste Thema für jedes Unternehmen im Moment sind überhöhte KI-Budgets, sagte Arvind Jain, CEO des Enterprise-KI-Unternehmens Glean, gegenüber CNBC.
"Unternehmen sagen uns, dass ihre KI-Budgets in einem oder zwei Monaten aufgebraucht sind, und das sind Jahresbudgets", sagte er.
Das liegt daran, dass die Kosten für KI nicht so gesunken sind, wie die Käufer es erwartet hatten. Vielmehr sind sie gestiegen. Jede neue Modellveröffentlichung aus den Frontier Labs ist pro Token etwa doppelt so teuer wie die Vorgängerversion, was Enterprise AI laut Jain auf einen "derzeit nicht nachhaltigen Weg" bringt.
"Das ist das erste Mal, dass ich mich erinnern kann, dass Technologie genauso viel kostet wie Menschen, und Sie treffen diesen Vergleich: Wählen Sie Technik oder Menschen", sagte er. "Diese Unterhaltung hatten wir historisch noch nie, weil Technik nur einen Bruchteil der Gesamtkosten eines jeden operativen Geschäfts ausmacht."
Dieses wachsende KI-Budget, so sagt er, geht zunehmend auf Kosten des zukünftigen Personalwachstums.
Matan Grinberg, CEO von Factory AI, das Ingenieursarbeiten über jedes Frontier-KI-Modell leitet, beschrieb den Wandel als ein definiertes Ressourcenallokationsproblem, das sich nun innerhalb der Führungsteams abspielt.
"Unternehmen sagen, hey, wenn wir eine Sache optimieren könnten, ist es die Anzahl der Mitarbeiter, die wir haben, oder ist es die KI-Ausgabe pro Mitarbeiter?", sagte Grinberg.
Grinberg sagte, die Unternehmen hätten in etwa einem Jahr drei verschiedene Phasen durchlaufen. Die erste bestand darin, dass die Aufsichtsräte von ihren CEOs verlangten, etwas wegen KI zu tun. Dann kam das sogenannte Tokenmaxxing, also die Nutzung von KI um jeden Preis, unabhängig von den Kosten. In der dritten Phase bewerten die Führungsteams ihre Bedürfnisse in Bezug auf Premium-Modelle neu.
"Müssen wir Opus-Level-Intelligenz für jede einzelne Aufgabe verwenden?", fragte Grinberg. "Das muss man einfach nicht."
## Mehr bezahlen, als es sich auszahlt
Die Ursache der Verknappung ist, dass die Technologie funktioniert, sich aber noch nicht selbst bezahlt macht.
"So wie KI heute funktioniert, ist sie sehr leistungsfähig, aber sehr ineffizient", sagte Jain. "Der Wert, den KI derzeit liefert, hinkt den Kosten hinterher, die Unternehmen entstehen."
Ein großes Problem ist die Ineffizienz bei der Auswahl der Modelle. Ungefähr 95 % der Enterprise-KI-Nutzung läuft immer noch auf den teuersten Frontier-Modellen, selbst für Aufgaben, die von günstigeren Alternativen erledigt werden könnten, sagte Jain.
Es gibt eine einfache Lösung: die einfachen Aufgaben an die günstigere Stufe weiterleiten. Jain sagte, das sei die am leichtesten erreichbare Verbesserung.
"Sie können 10-fachen Einsparungen erzielen, wenn Sie die richtige Modellweiterleitung am Anfang haben", sagte er.
Das ist auch das Verkaufsargument von Factory AI, das jede Aufgabe automatisch an das am besten geeignete Modell sendet. Der Trick, sagte Grinberg, sei die Erkenntnis, wie selten eine Aufgabe wirklich das Spitzenmodell benötigt. Er verglich die Lücke zwischen den neuesten Frontier-Modellen mit zwei erfahrenen Akademikern.
"Opus 4.7 im Vergleich zu Opus 4.8 ist wie der Unterschied zwischen einem Professor, der seit 13 Jahren Professor ist, und einem, der seit 15 Jahren Professor ist", sagte Grinberg. "Für einen Laien ist es wirklich, wirklich schwer, den Unterschied zu erkennen."
Der gesamte KI-Handel beruht auf der Wette, dass die historische Nachfrage bestehen bleibt und die Käufer weitgehend kostenunabhängig sind. Aber die Sicht aus dem Inneren der Fortune 500 deutet darauf hin, dass die Nachfrage weitaus preissensibler sein könnte, als der Handel annimmt.
Lesen Sie mehr darüber, was die KI-Preisabrechnung für die Bewertungen von OpenAI und Anthropic bedeutet, die ihre Geschäftsmodelle auf Premium-Preise aufgebaut haben.
Vier führende AI-Modelle diskutieren diesen Artikel
"Budgeterschöpfung und explizite Token-gegen-Mensch-Kompromisse signalisieren, dass die KI-Nachfrage preiselastischer ist, als die aktuellen Marktpreise annehmen."
Der Artikel beleuchtet einen echten Reibungspunkt: Die Budgets für Enterprise AI verbrennen in 1-2 Monaten, da jedes Frontier-Modell die Token-Kosten etwa verdoppelt, was CFOs zu expliziten Kompromissen zwischen Personal und Ausgaben zwingt. Diese Preissensibilität ist neu und wird von den Märkten, die von einem stetigen Nachfragewachstum ausgehen, unterschätzt. Dennoch übergeht der Artikel die Geschwindigkeit, mit der Modell-Routing die genannten 10-fachen Einsparungen erzielen kann, und setzt damit möglicherweise Budgets zurück, ohne die Nutzung zu reduzieren. Wenn Optimierungsschichten schneller skalieren als Preiserhöhungen für Modelle, könnte die Umsatzentwicklung für Premium-Anbieter früher abflachen als die aktuellen Bewertungen von Billionen Dollar einpreisen.
Selbst aggressives Routing kann wiederholte 2-fache Kostensteigerungen pro Modellgeneration nicht ausgleichen, sodass die Nettoausgaben weiter steigen und direkte Kürzungen bei KI-Initiativen statt einer Neuallokation erzwingen.
"Enterprise AI stößt früher als von den Märkten erwartet auf eine Profitabilitätswand, aber das Problem ist die Ausführung und die Modellauswahl, nicht die grundlegende Nachfrage – was bedeutet, dass eine schmerzhafte Korrektur bevorsteht, bevor der Handel höher bewertet wird."
Der Artikel vermischt zwei getrennte Probleme: (1) Unternehmen geben zu viel für KI aus, weil sie das Modell-Routing nicht optimiert haben, und (2) KI ist grundsätzlich unwirtschaftlich. Das sind NICHT dasselbe. Die 95%-Zahl – Frontier-Modelle für Standardaufgaben – ist ein Beschaffungsfehler, kein Technologiefehler. Eine 10-fache Einsparung durch besseres Routing bedeutet nicht, dass die KI-Rentabilität kaputt ist; es bedeutet, dass sich Unternehmen noch in der Pilotphase befinden. Das wirkliche Risiko ist nicht, dass KI sich nicht auszahlt – es ist, dass die Amortisationszeit länger und unordentlicher ist, als die Aktienmärkte eingepreist haben, was zu einer Kompression der Multiplikatoren für NVDA, MSFT und KI-native Startups führt. Aber das ist ein Timing-/Effizienzproblem, keine existenzielle Bedrohung für den Handel.
Wenn 95 % der Unternehmensausgaben fehlgeleitete Verschwendung sind und Unternehmen bereits jährliche Budgets in 1-2 Monaten mit negativer Rentabilität aufbrauchen, dann ist 'besseres Routing' optimistisch. Die eigentliche Geschichte ist vielleicht, dass Unternehmen noch keine hochwertigen Anwendungsfälle haben – sie geben nur Geld aus, weil die Vorstände es verlangt haben.
"Der Übergang von 'Tokenmaxxing' zu kostenoptimiertem Modell-Routing wird zu einer kurzfristigen Umsatzverlangsamung für Anbieter von Frontier-Modellen führen, bevor die volumengetriebene Akzeptanz den Sektor stabilisiert."
Der Markt preist derzeit unendliche KI-Produktivitätssteigerungen ein, ohne die 'Token-zu-Mitarbeiter'-Substitutionsschwelle zu berücksichtigen. Wenn die Kosten für Enterprise AI die Budgets für Personal kannibalisieren, anstatt sie zu ergänzen, stehen wir vor einem Margenkompressionsereignis für den S&P 500. Die aktuelle 'Tokenmaxxing'-Phase ist nicht nachhaltig; der Artikel übersieht jedoch, dass dies ein klassisches Jevons-Paradoxon ist. Da Modell-Routing (wie Glean oder Factory AI) die Kosten pro Aufgabe senkt, wird die gesamte Rechenlastnachfrage wahrscheinlich explodieren und die niedrigeren Margen pro Token ausgleichen. Das Risiko besteht nicht darin, dass KI zu teuer ist, sondern dass der 'KI-Handel' von linearem Wachstum ausgeht, während die zugrunde liegende Infrastruktur eine zyklische Verdauungsphase durchläuft.
Der Artikel geht davon aus, dass CFOs KI als Nullsummen-Budgetposten behandeln werden, aber wenn KI-gesteuerte Effizienzsteigerungen tatsächlich das Umsatzwachstum beschleunigen, werden Unternehmen die gesamten IT-Ausgaben erhöhen, anstatt zwischen Personal und Token zu wählen.
"Die langfristige Rentabilität von Enterprise AI wird die steigenden Token-Kosten übersteigen, da Routing, Fine-Tuning und Automatisierung skalieren und 'Token vs. Menschen' zu einem Produktivitätsmultiplikator statt zu einer Budgetbeschränkung werden."
Zwei Spannungen fallen auf: Kurzfristig sehen sich CFOs mit ständig steigenden Kosten konfrontiert, da Frontier-Modelle pro Token abrechnen, was die KI-Akzeptanz drosseln könnte. Aber der Artikel spielt die Vorteile herunter: 1) Die Kosten pro Aufgabe sollten sinken, da Routing (zu günstigeren Modellen) und Fine-Tuning verbessert werden, 2) Produktivitätssteigerungen summieren sich über Prozesse, Arbeitsabläufe und Entscheidungsfindung, nicht nur über einzelne Aufgaben, 3) offene Modelle und der Wettbewerb zwischen den großen Cloud-Anbietern sollten die Preise deckeln und günstigere Optionen freischalten, 4) KI-gesteuertes Wachstum kann adressierbare Märkte erweitern und neue Geschäftsmodelle ermöglichen. Zusammengenommen ist der 'Token vs. Menschen'-Kompromiss wahrscheinlich ein Übergangshindernis, kein langfristiger Begrenzer des KI-Werts. Der längerfristige Trend bleibt positiv.
Dagegen: Die reale Rentabilität hängt immer noch von der Datenqualität und nahtlosen Integration ab, was die Amortisation um Jahre verzögern kann. Und die Preisgestaltung von Frontier-Modellen biegt sich möglicherweise nicht schnell genug, wenn der Wettbewerb die Kapazität knapp hält.
"Feste Budgets verhindern die Nachfrageelastizität, die für das Jevons-Paradoxon erforderlich ist, um Kostendruck im Bereich Enterprise AI auszugleichen."
Geminis Anwendung des Jevons-Paradoxons ignoriert die Realität fester Budgets, die Claude hervorgehoben hat. Wenn jährliche KI-Zuweisungen in Monaten aufgebraucht sind, werden niedrigere Kosten pro Aufgabe durch Routing keine Volumenexplosion auslösen; Beschaffungsteams sehen sich harten Obergrenzen gegenüber, nicht elastischer Nachfrage. Dies birgt das Risiko einer schnelleren Multiplikatorkompression für NVDA und MSFT, als die These von Produktivitätssteigerungen annimmt, da die gesamte Rechenlastnachfrage durch CFO-Vorgaben begrenzt bleibt, anstatt zu explodieren.
"Budgeterschöpfung signalisiert Optimierungsversagen, nicht Nachfrageversagen – die Verlängerungsrate im nächsten Zyklus ist der eigentliche Frühindikator."
Grok vermischt Budgeterschöpfung mit Nachfragedestruktion. Feste Obergrenzen der CFOs beweisen nicht, dass die KI-Rentabilität kaputt ist – sie beweisen, dass Unternehmen noch nicht herausgefunden haben, was sie bauen sollen. Der eigentliche Test: Verlängern Unternehmen im nächsten Geschäftsjahr ihre KI-Budgets trotz Monats-2-Erschöpfung oder kürzen sie sie? Wenn die Verlängerungsraten über 70 % liegen, handelt es sich um ein Beschaffungschaos, das sich als Nachfrageschwäche tarnt. Diese Unterscheidung bestimmt, ob wir eine Multiplikatorkompression oder nur eine schmerzhafte 18-monatige Neubewertung sehen.
"Der Übergang zu 'KI zur Kostensenkung' wird eine Welle der Anbieterkonsolidierung auslösen, die Verlängerungsraten für kleinere KI-Player irrelevant macht."
Claudes 70%-Verlängerungsschwelle ist ein nachlaufender Indikator, der die unmittelbare Bedrohung durch 'Shadow AI'-Ausgaben ignoriert. CFOs beobachten nicht nur Budgets; sie beobachten die Stückkosten. Wenn die Kosten eines tokenbasierten Workflows die ersetzten Arbeitskosten übersteigen, wird das Projekt unabhängig von der Verlängerungsabsicht abgebrochen. Wir sehen eine Verschiebung von 'KI für Innovation' zu 'KI zur Kostensenkung', was eine brutale Konsolidierung von Anbietern erzwingt, die kleinere KI-native Startups bestrafen wird.
"Die kurzfristige Nachfrage ist preisunelastisch; das Jevons-getriebene Wachstum wird die Margen nicht retten, Timing des ROI und Akzeptanzhürden sind wichtiger als der Preis pro Aufgabe."
Geminis Jevons-Paradoxon-Ansatz geht von einer elastischen Nachfrage aus, sobald die Kosten pro Aufgabe sinken. In Wirklichkeit ist die Nachfrage nach Enterprise AI kurzfristig preisunelastisch: Beschaffungstore, risikoscheue Governance und Engpässe bei der Datenbereitschaft begrenzen die Akzeptanzgeschwindigkeit, auch wenn Routing die Stückkosten senkt. Geringere Token-Preise lösen also möglicherweise keinen Volumensprung aus; die Margen können immer noch komprimiert werden, wenn die Time-to-Value lang bleibt und die Verlängerungszyklen sich verschärfen. Der eigentliche entscheidende Faktor ist, wie schnell Anwendungsfälle die ROI-Schwelle überschreiten, nicht allein der Preis pro Aufgabe.
Das Gremium ist sich einig, dass die Budgets für Enterprise AI aufgrund der hohen Kosten von Frontier-Modellen schnell aufgebraucht sind, was zu einer Neubewertung des KI-Werts und einer möglichen Margenkompression für Technologieunternehmen führen könnte. Sie sind sich jedoch uneinig darüber, ob dies eine existenzielle Bedrohung oder ein Übergangshindernis darstellt.
Verbesserte Routing- und Wettbewerbsfähigkeiten senken die Kosten und erschließen neue Geschäftsmodelle (ChatGPT)
Schnellere Multiplikatorkompression für Technologieunternehmen aufgrund von eingeschränkter Rechenlastnachfrage und Budgeterschöpfung (Grok, Gemini)