Es gibt eine Zahl, die in fast jeder Diskussion über künstliche Intelligenz auftaucht: der Preis pro Token. Er fällt, und das seit Jahren. Wer ein Sprachmodell über eine Schnittstelle anspricht, zahlt heute für dieselbe Menge Text nur noch einen Bruchteil dessen, was vor kurzer Zeit fällig war. Daraus wird gern ein einfacher Schluss gezogen: Intelligenz wird billig. Bald kostet sie fast nichts.
Der Schluss ist bequem. Er ist auch falsch – oder zumindest unvollständig.
Drei Preise, die nicht dasselbe sind
Wer über die Kosten von KI spricht, meint meistens einen von drei sehr unterschiedlichen Preisen und verwechselt ihn mit den anderen beiden.
Da ist erstens der Preis pro Token: der Listenpreis, den ein Anbieter für Eingabe und Ausgabe verlangt. Er ist sichtbar, vergleichbar und deshalb das, worüber geschrieben wird.
Da ist zweitens der Preis pro erledigter Aufgabe: Was kostet es tatsächlich, einen Vertrag zu prüfen, einen Fehler im Code zu finden oder eine Kundenanfrage so zu beantworten, dass niemand nacharbeiten muss? Dieser Preis hängt davon ab, wie viele Versuche nötig sind, wie lang die Kontexte werden, wie oft ein Mensch eingreift – und welches Modell überhaupt gut genug ist.
Und da ist drittens der Vollkostenpreis des Anbieters: Rechenzentren, Chips, Energie, Kühlung, Personal, Kapitalkosten. Was davon im Listenpreis steckt und was durch Investorengeld, Quersubventionen oder strategische Verluste getragen wird, ist von außen kaum zu sehen.
Ein niedriger Tokenpreis sagt noch nichts über die Kosten einer erledigten Aufgabe.
Wenn billiger teurer wird
Der Effekt ist paradox, aber gut bekannt. Wenn eine Einheit billiger wird, steigt oft die Zahl der Einheiten, die verbraucht werden. Systeme, die früher eine Antwort erzeugten, erzeugen heute zehn Zwischenschritte, prüfen sich selbst, rufen Werkzeuge auf und schreiben lange Begründungen, bevor sie antworten. Jede einzelne Operation ist billig. Die Aufgabe als Ganzes ist es nicht unbedingt.
Hinzu kommt: Das billigste verfügbare Modell ist selten das, das in der Praxis eingesetzt wird. Wer belastbare Ergebnisse braucht, greift zum leistungsfähigeren Modell – und das liegt meist nicht am unteren Ende der Preisskala.
Wer trägt die Differenz?
Die eigentliche Frage ist deshalb nicht, ob KI billiger wird, sondern wer die Differenz zwischen Listenpreis und Vollkosten heute bezahlt – und wer sie morgen bezahlen wird.
Solange Kapital günstig und Wachstum wichtiger als Marge ist, kann ein Anbieter Preise setzen, die mit den eigenen Kosten wenig zu tun haben. Das ist kein Vorwurf, sondern eine bekannte Strategie in Plattformmärkten: erst Verbreitung, dann Bindung, dann Preissetzungsmacht. Für Unternehmen, die heute ganze Arbeitsabläufe auf diese Preise bauen, ist das eine Wette auf die Zukunft, die selten ausgesprochen wird.
Die Gegenposition
Fair ist auch: Effizienzgewinne sind real. Kleinere Modelle werden besser, spezialisierte Hardware senkt die Kosten pro Rechenschritt, und Wettbewerb begrenzt die Möglichkeit, Preise beliebig anzuheben. Wer mehrere Anbieter nutzen kann und Modelle austauschbar hält, profitiert tatsächlich.
Doch genau darin liegt der Punkt. Die Entlastung erreicht vor allem jene, die wechseln können. Wer es nicht kann, zahlt am Ende nicht den Preis des Tokens – sondern den Preis der Abhängigkeit.
Methodischer Hinweis: Dieser Text ist ein Pilotessay. Konkrete Preisvergleiche werden mit Datum, Aufgabe, Qualitätsanforderung und Modellversion dokumentiert, sobald sie veröffentlicht werden.
