ROCKSTRATEGE · ES GIBT EINE KI DAFUER

EGEKID-DOSSIER

Wenn ein KI-Modell 13-mal teurer ist als sein Konkurrent

EGEKID-Dossier · 7. September 2026 · Udo A. Schacht („Rockstratege“) · Lesezeit ca. 6 Min.

1 – Was passiert ist

Drei neue Flaggschiff-Modelle sind fast zeitgleich an den Start gegangen: GPT-6 Astra von OpenAI, Claude Fable 5.1 von Anthropic und Gemini 3.8 Flash von Google. Ein technischer Vergleich [1] hat sie nebeneinandergelegt – nicht nur bei der Leistung, sondern vor allem beim Preis pro Token. Ein Token ist grob ein Wortbaustein, mit dem KI-Modelle Text verarbeiten und erzeugen. Jede Anfrage an ein Modell kostet Tokens für den Input (was du eingibst) und Tokens für den Output (was das Modell antwortet).

Das Ergebnis: Astra und Fable verlangen jeweils 10 US-Dollar pro Million Input-Tokens und 50 US-Dollar pro Million Output-Tokens. Gemini 3.8 Flash unterbietet das massiv mit 0,75 US-Dollar Input und 3,75 US-Dollar Output pro Million Tokens [5]. Bei größeren Sitzungen summiert sich das laut Quelle auf einen Faktor-10-bis-13-Unterschied in den laufenden Betriebskosten.

2 – Die Mechanik dahinter

Warum ist das kein Zufall? Drei Gründe stecken dahinter, die du dir merken solltest, wenn du KI-Aktien oder KI-Anbieter bewertest:

• Modellgröße und Rechenaufwand: Große „Denker“-Modelle wie Astra und Fable sind auf maximale Qualität getrimmt und brauchen dafür mehr Rechenleistung pro Antwort. Gemini Flash ist eine bewusst schlankere Variante, optimiert auf Tempo und Kosten statt auf jede letzte Nuance.
• Preis als Marktanteils-Waffe: Google kann Gemini Flash quersubventionieren, weil der Konzern eigene Rechenzentren, eigene Chips (TPUs) und ein riesiges Werbegeschäft im Rücken hat. Das ist dieselbe Logik, mit der Amazon einst AWS-Speicherpreise drückte, um Marktanteile zu sichern.
• Skaleneffekt: Wer Millionen Anfragen pro Tag verarbeitet, verteilt die Fixkosten für Rechenzentren auf mehr Nutzer – und kann so den Preis pro Token senken, ohne die Marge zu verlieren.

Ergänzend zeigt der Vergleich [6], dass auch Grok 4.5 von xAI (jetzt SpaceXAI) die Coding-Kosten um rund 80 Prozent gesenkt hat, ohne an die Spitzenmodelle heranzukommen. Der Preiskampf läuft also auf mehreren Fronten gleichzeitig.

3 – Der historische Befund

Wer schon länger dabei ist, kennt dieses Muster aus Cloud-Speicher und Cloud-Rechenleistung. Dort führten Preiskämpfe zwischen Amazon, Microsoft und Google über Jahre zu sinkenden Margen pro Einheit – aber gleichzeitig zu einem explosionsartigen Nutzungswachstum, weil immer mehr Firmen sich Cloud-Dienste leisten konnten. Am Ende haben die Plattformen mit der größten Infrastruktur-Basis am meisten profitiert, weil sie das Volumen auffangen konnten, das die niedrigeren Preise erst erzeugt haben.

Die Parallele zu KI-Tokens liegt nahe: Ein Preisverfall bei Input und Output senkt die Einstiegshürde für Unternehmen, die bisher gezögert haben, KI-Modelle in großem Stil einzusetzen. Das wiederum treibt das Volumen – und Volumen ist genau das, was die massiven Investitionen der Hyperscaler in Rechenzentren und Chips rechtfertigen soll [2]. Die geplanten Investitionsausgaben der großen Hyperscaler für 2027 bewegen sich nach Marktschätzungen in einer sehr hohen, dreistelligen Milliarden-Größenordnung – das ist schon gewaltig genug, ganz ohne Übertreibung.

4 – Was jetzt zaehlt

Für dich als privater Trader oder Anleger zählt jetzt nicht, welches Modell „am besten schreibt“. Es zählt, wie sich diese Preisstruktur auf die Geschäftsmodelle der Anbieter und ihrer Kunden auswirkt:

• Unternehmen, die KI in großem Stil einsetzen (Kundenservice, Software-Entwicklung, Dokumentenanalyse), werden zunehmend nach Kosten pro Token entscheiden – nicht nur nach Qualität. Das begünstigt Anbieter mit günstiger Infrastruktur.
• Ein Preiskampf drückt kurzfristig auf die Margen der KI-Anbieter selbst. Wer als Aktionär an OpenAI, Anthropic (indirekt über Beteiligungen) oder Alphabet beteiligt ist, sollte diesen Margendruck im Blick behalten.
• Gleichzeitig profitieren die Zulieferer der Infrastruktur – Chiphersteller, Rechenzentrums-Betreiber – von steigendem Volumen, unabhängig davon, wer den Preiskampf am Ende gewinnt. Der jüngste Kursaufschwung bei japanischen und koreanischen Chip-Aktien [7] ist ein Hinweis in diese Richtung.

Ein Nebenschauplatz, den du nicht ignorieren solltest: Mit sinkenden Kosten wächst auch die Zahl autonom agierender KI-Agenten. Die US-Politik reagiert bereits mit dem „Stop Rogue AI Act“ [8], der unkontrollierte autonome Agenten regulieren will. Regulatorisches Risiko gehört für dich zur Gesamtrechnung dazu.

5 – Die Investoren-Brille

Handwerk statt Hype heißt hier: Du musst nicht wissen, welches Modell „gewinnt“. Du musst wissen, wie du die Kostenstruktur in deine eigene Analyse einbaust – egal, ob du selbst KI-Tools für dein Trading nutzt oder KI-nahe Aktien im Depot hast.

Mein Fazit: Ein Preiskampf bei Tokens ist erstmal gut für alle, die KI nutzen – schlechter für alle, die an den Margen der Anbieter verdienen wollen. Bevor du auf einen „Gewinner“ setzt, prüfe lieber, wer am Ende der Kette wirklich verdient: meistens nicht der Lauteste, sondern der mit der günstigsten Infrastruktur.

Quellen

[1] Token-Ökonomie im Modell-Wettkampf: Astra vs Claude vs Gemini (Analyse-Quelle)
[2] 1,3 Billionen Capex: KI-Hyperscaler hebeln Bewertungsfantasien
[3] Staatlich gepushte Video-KI: Beijing Kelin erreicht 180‑Mio‑Dollar-Bewertung
[4] GPT-6 Astra: Flaggschiff-Modell, AGI-Narrativ und kritische Cyberrisiko-Stufe
[5] Modell-Wettkampf der Flaggschiffe: 13‑facher Preisunterschied für Tokens
[6] Grok 4.5 senkt Coding-Kosten um 80 Prozent, bleibt hinter Spitzenmodellen
[7] Japanische und koreanische Aktien steigen mit KI-Chip-Nachfrage
[8] Stop Rogue AI Act: US-Politik nimmt autonome Agenten ins Visier

← ZUR STARTSEITE ROCKSTRATEGE.COM