- Trotz der hohen Bewertungen von Generative-AI-Unternehmen rückt das Problem der fehlenden Profitabilität trotz massiver Investitionen immer stärker in den Vordergrund
- OpenAI und Anthropic verzeichneten zwar das schnellste Umsatzwachstum der Geschichte, doch durch die enormen Rechenkosten für Training und Betrieb der Modelle hält die Geldverbrennung an
- Big-Tech-Konzerne verfügen über eigene Chips und Cloud-Infrastruktur und haben damit Vorteile bei der Kosteneffizienz, was die Wettbewerbsfähigkeit unabhängiger AI-Labs unter Druck setzt
- Die von AI versprochenen Produktivitätssteigerungen bleiben bislang auf begrenzte Bereiche beschränkt, und durch den intensiveren Wettbewerb ist auch die langfristige Ertragsstabilität unsicher
- Investoren geben sich nicht mehr allein mit Wachstum zufrieden; die Branche tritt in eine Phase ein, in der von führenden AI-Unternehmen klare Geschäftsmodelle und Überlebensstrategien nach dem Börsengang verlangt werden
Massive Investitionen und die Diskrepanz zur Stimmung am privaten Markt
- Es wird darauf verwiesen, dass die Venture-Capital-Branche 2025 rund 150 Milliarden Dollar in große AI-Startups wie OpenAI und Anthropic investiert hat
- Damit floss deutlich mehr Kapital als in die Profiteure des VC-Booms von 2021, und der Optimismus an den privaten Märkten hält an
- Es wird spekuliert, dass OpenAI 2026 eine zusätzliche private Finanzierung von bis zu 100 Milliarden Dollar prüfen könnte
Schnelles Umsatzwachstum bei gleichzeitig steigender Geldverbrennung
- OpenAI und Anthropic gelten als zwei der Unternehmen mit dem schnellsten Umsatzwachstum der Geschichte
- Gleichzeitig führt der Aufwand für GPU- und Cloud-Infrastruktur für Training und Inferenz zu einer Geldverbrennung auf dem Niveau eines „Towering Inferno“
- Im Vorfeld eines möglichen Börsengangs 2026 oder später dürfte der Druck steigen, den Pfad zur Profitabilität klarer aufzuzeigen
Struktureller Wettbewerbsnachteil gegenüber Big Tech
- Big-Tech-Unternehmen wie Google verfügen über eine Struktur, mit der sie dank eigener Chips und Cloud-Infrastruktur Trainings- und Betriebskosten senken können
- Da das Gemini-Modell den Leistungsabstand weitgehend aufgeholt hat, schwindet die Differenzierung unabhängiger AI-Labs
- AI-Startups, die stark von externen Investoren abhängig sind, sind dadurch anfälliger für Schwankungen an den Kapitalmärkten
Produktivitätseffekte bleiben hinter den Erwartungen zurück
- Drei Jahre nach dem Start von ChatGPT ist die von AI versprochene breite Steigerung der Arbeitsproduktivität weiterhin nur begrenzt sichtbar
- Zwar gibt es in einigen Bereichen wie Coding und Kundensupport Erfolge, doch mit der stark wachsenden Zahl an Wettbewerbern wird der Markt zunehmend überfüllt
- Ein AI-Lab mit einem klaren nachhaltigen Wettbewerbsvorteil (Moat) ist bislang noch nicht entstanden
Mit wachsender Größe steigt auch die Kostenbasis
- Anders als klassische Software-Unternehmen haben AI-Firmen eine Struktur, bei der mit der Skalierung auch die Kosten steigen
- Nicht nur das Training von Frontier-Modellen ist teuer, auch die Inferenzkosten wiegen schwer, wenn der Anteil kostenloser Nutzer hoch ist
- Kürzere Antworten oder die Einführung von Werbung zur Kostensenkung bergen das Risiko, die User Experience zu verschlechtern
- Auch Preiserhöhungen werden als Option genannt, könnten jedoch das Adoptionstempo bremsen
Die Geduld der Investoren und OpenAIs Optionen
- Es wird betont, dass es zwar Beispiele wie Netflix und Uber gibt, die trotz langer Verlustphasen erfolgreich wurden, Investoren jedoch nicht unbegrenzt warten werden
- Laut durchgesickerten Zahlen könnte OpenAI bis 2030 mehr als 115 Milliarden Dollar verbrauchen
- Sam Altman sagte, er wolle mit einem Börsengang die Leerverkäufer auf die Probe stellen, was am Markt unterschiedlich bewertet wird
- Insgesamt dürfte die AI-Branche ab 2026 in eine Phase eintreten, in der realistische Geschäftsmodelle auf den Prüfstand kommen
1 Kommentare
Hacker-News-Meinungen
Die KI-Branche entwickelt sich zu einem extrem wettbewerbsintensiven und kapitalintensiven Markt.
OpenAI, Anthropic, Google, Meta, Deepseek und andere erzielen bei ähnlichem Ressourceneinsatz ähnliche Ergebnisse.
Es gibt kaum einen technologischen Burggraben (Moat), und am Ende ist die Wahrscheinlichkeit hoch, dass wie bei der Eisenbahnindustrie eine gewaltige Blase platzt.
Allerdings wird KI genauso wenig verschwinden, wie die Eisenbahn verschwunden ist, und sie wird die Welt verändern. Nur aus Investorensicht dürfte eine große Korrektur kommen.
Unternehmensinvestoren wie Microsoft könnten die Verluste über die Partnerschaftsstruktur für Steuerabzüge nutzen.
Im Grunde würde F&E damit über Steuerersparnisse finanziert, und ein Verlust von 10 Milliarden Dollar könnte zu Steuerentlastungen von 2 bis 3 Milliarden Dollar führen.
Deshalb ist der Deutungsrahmen „Cash Burn = Wertvernichtung“ falsch.
ChatGPT gewann in 9 Monaten 200 Millionen und in 3 Jahren 900 Millionen wöchentliche Nutzer.
Die Monetarisierungsgeschwindigkeit ist mit der Eisenbahn überhaupt nicht vergleichbar, und die Struktur der Kapitalrückflüsse ist völlig anders.
Sobald alles vollständig integriert ist, wird der Wechsel auf andere Plattformen schwierig, und die Kapitalintensität selbst fungiert als Burggraben.
Am Ende dürfte sich eine Struktur wie im Cloud-Markt ergeben, in der wenige große Player den Markt mit hohen Margen beherrschen.
Mit Gmail, YouTube, Search und mehr hat es die größte Fläche, auf der KI angewendet werden kann, und die Qualität seiner multimodalen Modelle gehört zur Spitze.
Für KI-Startups ist der aktuelle Markt die schlechtestmögliche Geschäftsstruktur.
Er erfordert enormes Kapital und kontinuierliche Innovation, während die Markentreue der Kunden nahezu nicht vorhanden ist.
Schon ein kleiner Rückstand kann dazu führen, dass Kunden einfach den API-Endpunkt wechseln, was das Überleben erschwert.
Letztlich können wohl nur Unternehmen wie Google durchhalten, die noch andere Produktlinien haben.
Selbst als Anthropic vorübergehend ein besseres Modell herausbrachte, gab es kaum Nutzerabwanderung.
Das heißt, Marke und Nutzungsgewohnheiten wirken als starker Burggraben.
Nach dem Zusammenbruch der Infrastruktur-Ebene werden sich VCs auf Innovationen auf Produkt- und Serviceebene konzentrieren.
Zugehöriger Artikel: Models Aren’t Moats
Ich verstehe nicht, warum OpenAI übermäßig in Video- und Bildprojekte wie videoSlop und imageSlop investiert.
Anthropic ist viel stärker fokussiert.
Da sie jedoch keinen technologischen Burggraben finden, bleiben am Ende Urheberrechtsverträge als einziges Verteidigungsmittel.
Deshalb arbeitet OpenAI mit Disney zusammen.
Mit Ghibli, der Sora-App und ähnlichen Dingen hat es die Zahl der Abonnenten stark erhöht; viele Projekte scheiterten zwar, aber einige wurden große Hits.
Durch die zu häufigen Versionsupdates hat die frühere Aufmerksamkeit allerdings etwas nachgelassen.
Deshalb konzentriert sich OpenAI auf Video.
Multimodale Integration erhöht die Intelligenz des Modells, und OpenAI hält damit seine Positionierung als allgemeiner „Assistent“ aufrecht.
Anthropic hingegen setzt auf eine entwicklerzentrierte Fokussierung, um die Kapitaleffizienz zu erhöhen.
Eine weitere mögliche Blase ist die verschärfte Durchsetzung von Urheberrechten (IP).
Bei bestehenden Plattformen ist die Zustimmung zur Nutzung von Inhalten der Nutzer klar geregelt, aber ob OpenAI seine Trainingsdaten rechtmäßig beschafft hat, ist fraglich.
Es gab auch Vorwürfe, Meta habe E-Books per Torrent gesammelt.
Anthropic zielt bei der Monetarisierung auf ein Coding-zentriertes SaaS-Modell, OpenAI auf ein werbebasiertes Modell.
Google hat zwar eine hohe Modellqualität, tut sich aber noch immer schwer damit, Produkte zu bauen, die die Menschen tatsächlich nutzen wollen.
Gemini, KI-Suchzusammenfassungen und Google Lens haben überwältigend hohe Nutzung.
Schade, wenn ein Unternehmen, das angeblich die Welt verändern wollte, am Ende bei Werbung landet.
Die Arzneimittelforschung von DeepMind ist ein Beispiel dafür.
OpenAIs Vorteil dagegen ist nur das Markenimage: „nicht Google“ zu sein.
OpenAI könnte durch die Integration von Shopping-Funktionen Googles kommerziellen Suchtraffic abziehen.
Letztlich geht es im KI-Wettbewerb darum, wer sich das Mautgeschäft der nächsten Generation sichert.
Aufgrund des überwältigenden Traffic-Volumens dürfte es für OpenAI schwer werden, dagegen anzukommen.
Niemand kennt das genaue Ausmaß von OpenAIs Cash Burn.
Es gibt zwar die Behauptung, seit GPT-4o seien keine neuen Modelle trainiert worden, aber möglicherweise handelt es sich dabei nur um ein einfaches Routing-System.
OpenAI hat seine Pipeline für synthetische Daten verstärkt und nutzt sie bereits für das tatsächliche Modelltraining.
gab es seit GPT-4o keinen vollständigen Pretraining-Run, aber Feintuning, RLHF und Verbesserungen beim Tool Calling wurden intensiv vorangetrieben.
Ergebnisse wie Codex-high sind ein Beleg dafür.
GPT-5.2 hat einen anderen Training-Cutoff und dürfte erhebliche Kosten verursacht haben.
VCs konzentrieren sich weiterhin darauf, das nächste „große KI-Unternehmen“ zu finden.
Wenn es jedoch zu einer Investitionsabkühlung kommt, wird Kapital in Nicht-KI-Unternehmen, die KI als Werkzeug einsetzen, umgelenkt werden.
OpenAI setzt auf kurzfristige Monetarisierung.
Die Erfolgswahrscheinlichkeit ist gering, aber aus VC-Sicht scheint die Rendite im Verhältnis zum Risiko ausreichend zu sein.
Es wirkt letztlich, als ziele man darauf ab, so groß zu werden, dass eine Rettungsaktion der US-Regierung notwendig wird.
KI wird als technologischer Wettbewerb im Stil des Kalten Krieges dargestellt, um öffentliche Unterstützung zu gewinnen.
Auch normale Nutzer erleben die Fähigkeiten von LLMs direkt und gewinnen dadurch Vertrauen in die Zukunft.
Deshalb ist es weiterhin eine leicht verkäufliche Zukunftserzählung.
dadurch das Risiko mindert und eine stützende Wirkung auf den Aktienkurs erzielt.