Chinas KI-Preiskampf drückt Tokenkosten unter 1 Dollar – doch die Ausgaben steigen weiter

Der Preiskampf chinesischer KI-Anbieter hat die Erwartungen an die Kosten für den Betrieb großer Sprachmodelle (LLMs) deutlich verschoben. Der LLM Token Expenditure Index von Silicon Data lag am 1. September 2026 bei 0,97 US-Dollar je Million Token – ein Rekordtief und weniger als die Hälfte des früheren Sommerhochs. Das heißt jedoch nicht, dass die Nachfrage nach KI nachlässt. Der Index misst den nutzungsgewichteten effektiven Preis pro Million Token, nicht die gesamte Zahl verbrauchter Token oder sämtliche KI-Ausgaben. 24

Was die Marke von 97 Cent aussagt

Ein Token ist eine kleine Texteinheit, die ein Sprachmodell verarbeitet oder erzeugt. Silicon Data beschreibt SDLLMTK als Kennzahl für gemischte Preise bei der LLM-Inferenz – also der laufenden Nutzung eines bereits trainierten Modells. Der Index kombiniert Preise von Anbietern mit beobachtetem Verbrauch innerhalb eines festgelegten Modelluniversums. Daraus entsteht ein effektiver Marktpreis pro Million Token. 24

Entscheidend ist: Der Wert bildet Preis und Nutzungsmix ab, nicht den Gesamtumsatz des Marktes. Verlagern Unternehmen einen größeren Anteil ihrer Aufgaben auf günstigere Modelle, kann der Index sinken, obwohl insgesamt mehr Token verarbeitet werden und die KI-Ausgaben steigen.

Wie der Wettbewerb aus China den Preis-Mix verändert

Chinesische Anbieter bieten besonders günstige Alternativen für Aufgaben, die nicht zwingend das leistungsstärkste und teuerste Spitzenmodell benötigen. Für DeepSeek V4-Flash wurden beispielsweise 0,14 US-Dollar pro Million Eingabe-Token und 0,28 US-Dollar pro Million Ausgabe-Token ausgewiesen. 49

DeepSeek senkte die Preise für V4-Pro im Mai 2026 um 75 Prozent – ein Schritt, der als Verschärfung des Wettbewerbs unter chinesischen Modellanbietern eingeordnet wurde. 58 Weitere Preissenkungen und günstige Angebote im chinesischen KI-Ökosystem erhöhten den Druck auf Anbieter, die um volumenstarke Inferenzaufträge konkurrieren. 452

Die Daten sprechen für einen starken Zusammenhang zwischen diesem Wettbewerbsumfeld und den fallenden gemischten Tokenpreisen. Welchen exakten Anteil einzelne Anbieter oder Modelle daran haben, lässt sich daraus allerdings nicht ableiten. Auch effizientere Modelle, ein größeres Rechenkapazitätsangebot und die Modellwahl der Kunden beeinflussen den Index.

Warum niedrigere Tokenpreise die KI-Ausgaben erhöhen können

Der scheinbare Widerspruch löst sich mit einer einfachen Rechnung:

gesamte Token-Ausgaben = effektiver Preis pro Token × Token-Volumen

Sinkt der Stückpreis, werden mehr Einsatzmöglichkeiten rentabel. Unternehmen können zusätzliche Prozesse automatisieren, längere Prompts und Kontexte verwenden, mehr Code generieren oder mehr KI-Agenten betreiben. Steigt das Token-Volumen schneller als der effektive Preis fällt, wachsen die Gesamtausgaben.

Das passt zu Berichten, wonach die Preise pro Token seit 2023 um mehr als 90 Prozent gesunken sind, während sich die Ausgaben für die Nutzung großer Sprachmodelle seit Ende 2025 ungefähr verdoppelt haben. 4143 Günstigere Inferenz ist damit nicht zwingend ein Zeichen schwächerer Nachfrage – sie erweitert vielmehr die Zahl der Aufgaben, bei denen sich Automatisierung lohnt.

Chinas Token-Verbrauch zeigt die Größenordnung

Der tägliche KI-Token-Verbrauch in China überstieg im März 2026 laut von Reuters zitierten Regierungsprognosen 140 Billionen Token. Ende 2025 hatte er noch bei 100 Billionen gelegen. 18

Auch Angaben aus Unternehmen und dem Finanzsektor deuten in dieselbe Richtung. Die China Merchants Bank erklärte, ihr durchschnittlicher täglicher Token-Durchsatz sei im Jahresvergleich um mehr als 78 Prozent gestiegen. Separaten Berichten zufolge lag ihr täglicher Verbrauch Ende Mai bei rund 33 Milliarden Token. 1929 Bei einigen anderen chinesischen Banken wurde über noch deutlich stärkere Zuwächse beim durchschnittlichen täglichen Token-Einsatz berichtet. 20

Diese Zahlen messen weder direkt API-Umsätze noch belegen sie, dass jede Anwendung wirtschaftlich produktiv ist. Sie zeigen aber, dass günstigerer KI-Betrieb in sehr großem Maßstab zu mehr Nutzung führt.

Das Problem für Modellentwickler

Für KI-Kunden sind sinkende Inferenzpreise vorteilhaft. Für die Anbieter wird die Rechnung schwieriger: Der Umsatz je Token kann fallen, während die Ausgaben für Chips, Rechenzentren, Training und Modellentwicklung hoch bleiben.

Die Kernfrage lautet deshalb nicht mehr, ob Nutzer günstige Token verbrauchen werden – die Daten sprechen klar dafür. Entscheidend ist, ob höhere Volumina, Premium-Modelle und Produkte für Unternehmen schnell genug dauerhaft tragfähige Erlöse und messbare Produktivitätsgewinne schaffen, um die weiteren Infrastrukturinvestitionen zu rechtfertigen. Berichte über den Indexrückgang verweisen auf diesen Druck auf die Preissetzungsmacht der Anbieter. 436

Worauf jetzt zu achten ist

Aussagekräftiger als der Listenpreis eines einzelnen Modells ist das Zusammenspiel mehrerer Kennzahlen:

• Gemischte effektive Tokenpreise wie SDLLMTK: Sie zeigen, auf welche Modelle Kunden ihre Aufgaben tatsächlich verteilen. 2
• Token-Volumen: Es macht sichtbar, ob niedrigere Preise die Nachfrage ausweiten.
• Umsatz und Margen: Sie zeigen, ob Anbieter wachsende Nutzung in nachhaltige Erträge verwandeln können.
• Qualität der Anwendungen: Ein hoher Token-Verbrauch allein ist noch kein Beleg für geschäftlichen Nutzen.

Unterm Strich hat die günstige API-Konkurrenz aus China LLM-Inferenz deutlich verbilligt und den gemischten Marktpreis unter 1 US-Dollar je Million Token gedrückt. Gleichzeitig treiben die niedrigeren Kosten die Nutzung an – deshalb können Token-Verbrauch und KI-Gesamtausgaben zugleich weiter steigen. 2441