In der Woche von Ende August bis Anfang September brachten mehrere KI-Labore im Takt neue Modelle heraus: Anthropic aktualisierte Claude Fable 5.1 und Mythos 5.1, Meta veröffentlichte Muse Spark 1.3, Google stellte Gemini 3.8 Flash online, OpenAI brachte GPT-6 Astra heraus, und Nvidia veröffentlichte Nemotron 3.5 Lightning. CNBC gab der Reaktion der Unternehmen auf diese Woche in einem Bericht vom 6. September einen Namen: Modell-Müdigkeit.
Die Müdigkeit kommt nicht von der Leistungsfähigkeit der Modelle selbst. Laut dem Bericht müssen Führungskräfte und IT-Verantwortliche inzwischen mehr vergleichen als nur Benchmark-Werte: Preis, Geschwindigkeit, Zuverlässigkeit und ob sich im eigenen Geschäftsszenario tatsächlich Personalkosten einsparen lassen. Bei jeder neuen Modellwelle muss dieser Vergleich von vorn beginnen. Eine befragte Führungskraft sagte, von zehn neuen Modellen habe sie es tatsächlich nur geschafft, fünf zu bewerten.
Die Ausgaben steigen weiter
Gartner prognostiziert für dieses Jahr weltweite KI-Ausgaben von 2,59 Billionen US-Dollar, 47 Prozent mehr als 2025. Mehr als die Hälfte dieser Summe fließt in Infrastruktur; der Rest – Dienstleistungen, Software, Cybersicherheit, Modelle und zugehörige Tools – summiert sich auf über eine Billion US-Dollar.
Schlüsselt man diese eine Billion auf, sind die Gebühren für Modellaufrufe nur ein kleiner Posten. Was die Modellauswahl wirklich kostet, taucht auf keiner Rechnung auf: Testumgebungen, interne Benchmarks, Migrationsaufwand und Regressionstests. Bewertet ein mittelgroßes Unternehmen sein Hauptmodell vierteljährlich neu, sind das vier Runden im Jahr; jede Runde bringt das Umschreiben von Prompts, das erneute Durchlaufen von Testsets und die Abstimmung mit vor- und nachgelagerten Systemen mit sich – nach Personalstunden gerechnet oft schwerer als die reine API-Rechnung. Das ist eine grobe Schätzung auf Basis öffentlicher Preislisten und gängiger technischer Abläufe; kein Unternehmen hat seine tatsächlichen Auswahlkosten veröffentlicht.
Warum die Anbieterseite nicht innehält
Aus Sicht der Modellanbieter geht es bei der dichten Veröffentlichungsfolge um den Anteil am Kundenbudget. Ahmed Abbasi von der Mendoza College of Business der University of Notre Dame nennt das „share of wallet“: Die Labore müssen nicht nur mit dem Tempo der anderen mithalten, sondern Entwicklern auch ständig beweisen, dass sie nicht zurückfallen. Sowohl Anthropic als auch OpenAI bewegen sich in Richtung öffentlicher Märkte, ihre privaten Bewertungen liegen beide nahe einer Billion US-Dollar, und das Veröffentlichungstempo hängt eng mit der Finanzierungserzählung zusammen.
Am anderen Ende dieser Linie steht die Aufmerksamkeit der Einkäufer. Je schneller Modelle wechseln, desto eher schieben Unternehmen ihre Auswahl auf oder legen sich einfach vorzeitig auf einen Anbieter fest – beide Reaktionen schwächen die Wirkung neuer Modellveröffentlichungen. Der CNBC-Bericht enthält keine quantitative Umfrage, die Aussagen stammen aus dem Empfinden der Befragten.
Was sich später überprüfen lässt, kommt erst noch. Die 2,59 Billionen US-Dollar sind eine Jahresprognose eines Marktforschungsunternehmens; die tatsächliche Abrechnung gibt es erst nächstes Jahr. Ob Unternehmen den Modellwechsel beschleunigen oder hinauszögern, zeigt sich erst in der Zusammensetzung der KI-Dienstleistungsumsätze in den Quartalsberichten der Cloud-Anbieter. Sicher ist im Moment nur das Veröffentlichungstempo.
Quellen: CNBC, CocoLoop, Prognosedaten von Gartner, Digital Today; die Ausgabenprognose von 2,59 Billionen US-Dollar mit 47 Prozent Wachstum, der Infrastrukturanteil sowie die Kennzahl von einer Billion US-Dollar für Dienstleistungen und Software sowie die Liste der fünf Modellveröffentlichungen dieser Woche wurden Punkt für Punkt geprüft.