Warum KI-Abos oft teurer sind als sie zunächst erscheinen

Zahle 200 US-Dollar im Monat und du könntest denken, du bekommst einen Premium-Bot. Doch unter der Haube kann diese Monatsgebühr für das Unternehmen, das das Modell betreibt, zu einer weitaus höheren Rechnung anwachsen. SemiAnalysis testete intensive Anwendungsfälle in den kostenpflichtigen Stufen von OpenAI und Anthropic, und die Zahlen sind... bemerkenswert.

Stellen Sie sich einen fortgeschrittenen Nutzer vor, der langlaufende Coding-Aufgaben und agentengesteuerte Workflows ausführt, bis die Wochenlimits erschöpft sind. Kurzes Prompt? Geringe Kosten. Orchestrierte Agenten, die iterieren, Werkzeuge aufrufen und erneut nachfragen? Die Token-Anzahl explodiert. SemiAnalysis schätzt, dass ein voll ausgelastetes ChatGPT Pro 20x-Abo zum Preis von 200 US-Dollar pro Monat für OpenAI auf API-Ebene etwa 14.000 US-Dollar an Tokenkosten bedeuten könnte. Für Anthropic könnte Claude Max 20x zum gleichen Preis rund 8.000 US-Dollar kosten.

Diese Zahlen machen eines deutlich: Die Schlagzeilenpreise von Abonnements sagen fast nichts über die zugrunde liegende Ökonomie aus. Wie schnell ein Anbieter Profitabilität erreicht, hängt weniger vom gezahlten Dollarbetrag pro Nutzer ab als vielmehr davon, wie effizient dieser Nutzer Rechenleistung und Token verbraucht.

Die Gewinnschwellen treten früher ein, als man denkt. Die Modellierung von SemiAnalysis legt nahe, dass die Claude Pro- und Claude Max-5x-Tarife von Anthropic nur dann Gewinn abwerfen, wenn die typische Nutzer-Effizienz bei etwa 20 Prozent liegt. Bei OpenAI sind die Margen noch enger: ChatGPT Plus und ChatGPT Pro 5x können in den Verlustbereich rutschen, sobald die Nutzer-Auslastung etwa 11,4 Prozent überschreitet. Und in den obersten Stufen wird es noch problematischer: Anthropic erreicht nahe einer Auslastung von 10 Prozent eine Nullbruttomarge, während OpenAI bei etwa 5,7 Prozent bereits in den negativen Bereich gelangt.

Einfach gesagt: Man braucht keine Armee von Power-Usern, damit ein Abo unprofitabel wird. Anspruchsvolle Agenten-Workflows, umfangreiche Code-Debugging-Sitzungen oder unternehmensweite Automatisierungsroutinen können den Verbrauch sehr schnell in diese Gefahrenzone treiben.

Ein 200-Dollar-pro-Monat-Tarif kann bei extrem hoher Nutzung bis zu 14.000 Dollar an Tokenkosten für den Anbieter verursachen.

Dieser finanzielle Druck verändert bereits das interne Verhalten in Unternehmen. Der Tokenverbrauch steigt rasant; agentenähnliche Systeme können bis zu 1.000 Mal so viele Token wie ein einzelnes Prompt verlangen. Unternehmen, die früher breite interne Experimente förderten, schränken den Zugang wieder ein. Microsoft, Meta und Amazon haben interne Programme nach Rechnungs-Schocks durch begeisterte Mitarbeiter, die große Sprachmodelle wie kostenlose Forschungstools behandelten, gestrafft.

Hier besteht ein politischer Spannungsbogen. Pauschalabonnements haben das Nutzerwachstum und die breite Adoption beschleunigt. Sie senken die Eintrittsbarriere und machen das Wertversprechen einfach. Gleichzeitig verschleiern sie die Grenzkosten, und wenn eine Handvoll Nutzer mit hohem Verbrauch auftauchen, können sie die Ökonomie, die das Preismodell getragen hat, schnell überfordern.

SemiAnalysis bietet einen Ausweg: Mit Verbesserungen an Infrastruktur und Modelleffizienz könnten Mittelklasse-Modelle deutlich kostengünstiger zu betreiben werden, was sich in Verbraucherpreisen von etwa 20 US-Dollar pro Monat niederschlagen könnte. Das Problem sind die Top-Modelle. Die leistungsfähigsten Systeme der nächsten Generation werden wahrscheinlich weiterhin teuer im Betrieb bleiben und könnten aus den Abo-Angeboten genommen und stattdessen nur noch über APIs mit nutzungsabhängiger Abrechnung für Vielnutzer angeboten werden.

Für Unternehmen und Power-User deutet das auf eine künftige Trennung hin: bezahlbare Abonnements für Alltagsaufgaben und abgerechnete API-Zugänge für hochvolumige Automatisierung und fortgeschrittene Agentenarbeit. Für Anbieter ist die Herausforderung eher politischer als technischer Natur: Wie lässt sich der Zugang straffen oder der Preis erhöhen, ohne das Wachstum zu drosseln und eine Nutzerbasis zu entfremden, die sich noch an diese Technologie gewöhnt?

So oder so holt die Mathematik den Hype ein. Abonnements waren ein Wachstumstreiber. Jetzt zwingen sie Unternehmen dazu, sich damit auseinanderzusetzen, wo die tatsächlichen Kosten liegen und wer am Ende die Rechnung bezahlt.