AntwortenVeröffentlicht16 Quellen
Fallende KI-Tokenpreise stellen das Infrastruktur-Narrativ auf den Prüfstand
Der Preisindex von Silicon Data für LLM Nutzung fiel zuletzt auf 0,97 US Dollar je Million Tokens, nachdem er im August um 29 % gesunken war. Das Negativszenario ist nicht zwangsläufig: Goldman Sachs Research erwartet, dass KI Agenten den monatlichen Tokenverbrauch bis 2030 auf etwa 120 Quadrillionen Tokens und dami...
Veröffentlicht vonBearbeitet mit GPT-5.6 TerraBilder erstellt mit GPT Image 2
Forschungsantwort
Wichtige Erkenntnisse
- Der Preisindex von Silicon Data für LLM Nutzung fiel zuletzt auf 0,97 US Dollar je Million Tokens, nachdem er im August um 29 % gesunken war.
- Das Negativszenario ist nicht zwangsläufig: Goldman Sachs Research erwartet, dass KI Agenten den monatlichen Tokenverbrauch bis 2030 auf etwa 120 Quadrillionen Tokens und damit auf das 24 Fache steigern könnten.
- Wichtiger als der Token Listenpreis sind für Anleger KI Umsatzwachstum, tatsächliche Auslastung der installierten Hardware, Rechenzentrumsauslastung und wiederkehrende produktive Agenten Workloads.
KI-Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Goldman Sachs’ warning that rapidly falling LLM token prices—down to about $0.97–$0.98 per million tokens after a 29% August decline. Article summary: Goldman’s warning implies a more selective, riskier outlook for AI-infrastructure investors: compute demand can grow sharply while the revenue earned per unit of compute falls even faster. If that happens, utilization, p. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
Die Nutzung von KI-Modellen wird deutlich günstiger. Das kann Anwendungen für mehr Unternehmen und Entwickler wirtschaftlich machen – zugleich wird die Investmentthese hinter den Milliarden für Chips, Cloud-Kapazität und Rechenzentren anspruchsvoller.
Die Kernwarnung von Goldman Sachs lautet: Infrastruktur wird Jahre vor dem erwarteten Bedarf gebaut, während die Erlöse pro Nutzungseinheit rasch sinken können. Der LLM Token Expenditure Index von Silicon Data lag zuletzt bei 0,97 US-Dollar je Million Tokens, nachdem er allein im August um 29 % gefallen war. Ein separater Preisindex für führende Modelle lag 84 % unter seinem Ausgangswert vom März 2023. 2
4
5
Wenn die Nutzung diese Preissenkungen nicht mehr als ausgleicht, könnte teure Rechenkapazität auf weniger margenstarke Inferenz-Workloads treffen. Das beträfe die gesamte KI-Infrastrukturkette.
Entscheidend ist das Verhältnis von Preisverfall und Volumen
Sinkende Tokenpreise sind nicht automatisch ein negatives Signal. Niedrigere Preise können neue Einsatzfelder ermöglichen, Experimente fördern und den Gesamtverbrauch erhöhen. Für Anbieter stellt sich aber die Frage, ob das Wachstum bei bezahlten Tokens – zusammen mit Effizienzgewinnen im Betrieb – stärker ausfällt als der Rückgang des Umsatzes je Token.
Goldmans Sorge ist laut den Berichten, dass der Wettbewerb bei Modellpreisen die Monetarisierung pro Token weniger dauerhaft machen könnte. Falls der Rechenverbrauch nicht schnell genug steigt, droht am Ende ein Überangebot an Infrastruktur. 1
2
Der Unterschied ist wesentlich:
- Für Nutzer sind günstigere KI-Modelle vorteilhaft, wenn sie wertvolle Anwendungen zu niedrigeren Kosten ermöglichen.
- Für Eigentümer von Infrastruktur können sie problematisch sein, wenn Kapazität unter der Annahme knapper und hochpreisiger Rechenleistung finanziert wurde.
- Entscheidend ist die Nachfrageelastizität: Erzeugt eine Preissenkung genug zusätzliche Nutzung, um Umsatz und Rechenbedarf zu erhalten oder zu steigern?
Warum so viel Kapital auf dem Spiel steht
Die Warnung trifft auf einen außergewöhnlich großen geplanten Ausbau. Die Basisschätzung von Goldman Sachs beläuft sich für die Jahre 2026 bis 2031 auf rund 7,6 Billionen US-Dollar an KI-Investitionen in Rechenleistung, Rechenzentren und Energieversorgung. Das Modell geht von jährlichen Ausgaben von etwa 765 Milliarden US-Dollar im Jahr 2026 bis 1,6 Billionen US-Dollar im Jahr 2031 aus. Goldman betont ausdrücklich, dass es sich um stark annahmenabhängige Schätzungen und nicht um Gewissheiten handelt. 9
Ein großer Teil dieser Summe fließt in langlebige Anlagen: KI-Beschleuniger, Server, Netzwerke, Gebäude und Strominfrastruktur. Damit sich diese Investitionen rechnen, braucht es über längere Zeit eine hohe Auslastung und tragfähige Renditen.
Was das für Chipkonzerne bedeuten kann
Bei Halbleiteranbietern müsste ein Preis- und Nachfragerisiko nicht sofort als Einbruch bei Bestellungen sichtbar werden. Kunden könnten weiter Kapazitäten aufbauen, um neue KI-Produkte zu entwickeln oder Lieferfähigkeit abzusichern.
Das Risiko wächst, wenn installierte Kapazität den profitablen Bedarf übersteigt. Dann könnten Kunden den Kauf neuer Beschleuniger und Server verlangsamen, härter über Preise verhandeln oder stärker auf Leistung pro investiertem Euro achten. Besser abgesichert wären tendenziell Anbieter mit klar differenzierter Hardware, einem starken Software-Ökosystem oder besonders effizienter Inferenztechnik.
Für Anleger zählt daher nicht allein, ob Hardware ausgeliefert wird. Wichtiger ist, ob sie dauerhaft ausgelastet wird und Umsätze aus produktiven Anwendungen erzeugt.
Rechenzentren: Auslastung wird zum Härtetest
Rechenzentrumsprojekte erfordern langfristige und kapitalintensive Zusagen für Grundstücke, Stromanschlüsse und Gebäude. Wird Modellinferenz günstiger oder effizienter, könnten Kunden für dieselbe Anwendungsleistung weniger Infrastruktur benötigen. Das kann Auslastung, Mietkonditionen und Projektverzinsung unter Druck setzen, wenn die Planung dauerhaft knappe Kapazität unterstellt hat.
Das heißt nicht, dass die Nachfrage nach Rechenzentren verschwindet. Verfügbare elektrische Leistung und die technischen Anforderungen von KI-Installationen können das Angebot weiterhin begrenzen. Knappheit in einer Region oder einem Strommarkt kann aber zugleich mit schwächerer Wirtschaftlichkeit an anderer Stelle einhergehen. Relevant ist daher die Trennung zwischen physischer Knappheit und der Frage, ob Kunden Kapazität profitabel nutzen sowie Verträge verlängern oder ausbauen.
Cloud-Anbieter und Modellhoster müssen Preis durch Volumen und Mehrwert ersetzen
Cloud-Plattformen und Anbieter gehosteter Modelle können von günstigeren Inferenzpreisen profitieren: Mehr Entwickler und Unternehmen könnten KI-Workloads auf ihre Plattformen bringen. Gleichzeitig sinkt der Erlös je Nutzungseinheit.
Um die Bruttomarge zu schützen, benötigen diese Anbieter eine Kombination aus:
- deutlich höheren Tokenvolumina aus wiederkehrender Nutzung in der Produktion;
- Effizienzgewinnen, die die eigenen Kosten schneller senken als die Verkaufspreise; und
- höherwertigen Diensten rund um Modelle, etwa Bereitstellung, Sicherheit, Datenintegration und Werkzeuge für Arbeitsabläufe.
Preiswettbewerb bei proprietären Modellen gehört zum Kern des in den Goldman-bezogenen Berichten beschriebenen Risikos. 1
2 Entscheidend ist nicht der nominelle Tokenpreis, sondern das Verhältnis aus Kundenpreis, Kosten des Anbieters und insgesamt bezahlter Nutzung.
KI-Agenten sind der mögliche Gegenspieler
Das konstruktive Gegenargument sind KI-Agenten: Systeme, die mehrstufige Aufgaben erledigen und damit deutlich mehr Tokens verbrauchen können als eine einfache Chatbot-Anfrage. Goldman Sachs Research prognostiziert, dass die Verbreitung bei Verbrauchern und Unternehmen den monatlichen Tokenverbrauch zwischen 2026 und 2030 auf das 24-Fache steigern könnte – auf rund 120 Quadrillionen Tokens pro Monat. 7
Diese Prognose zeigt, weshalb fallende Tokenpreise nicht automatisch einen sinkenden Compute-Bedarf bedeuten. Wenn Agenten von Demonstrationen zu häufig ausgeführten, wertvollen Aufgaben wechseln, könnte die Gesamtnutzung stark genug zulegen, um den Infrastrukturausbau zu tragen.
Es bleibt jedoch eine Prognose, keine Garantie. Die Infrastrukturthese setzt voraus, dass Agenten wiederkehrende Workloads schaffen, für die Nutzer oder Unternehmen zahlen – und nicht nur eine große Zahl günstiger Testanfragen.
Kennzahlen, die wichtiger sind als der Tokenpreis in der Schlagzeile
Wer die These eines möglichen Compute-Überangebots beurteilen will, sollte vor allem auf zusammenhängende Indikatoren achten:
- KI-Umsatzwachstum im Verhältnis zum Preisrückgang je Token: Steigt die gesamte Monetarisierung trotz sinkender Stückpreise?
- Bestellungen für Beschleuniger und Server gegenüber tatsächlichen Inbetriebnahmen: Wird gekaufte Kapazität wirklich produktiv eingesetzt?
- Auslastung, vertraglich gebundene Kapazität und Verlängerungen in Rechenzentren: Bleiben Nachfragezusagen nach Eröffnung neuer Anlagen stabil?
- Cloud-Bruttomargen: Fangen Effizienz und höherwertige Dienste den Druck durch günstigere Inferenz auf?
- Einsatz von Agenten in der Produktion: Entstehen wiederholbare, geschäftskritische Abläufe statt einzelner Pilotversuche?
- Stromverfügbarkeit: Ist sie eine dauerhafte Begrenzung nutzbarer Kapazität oder nur ein Engpass vor einer noch unsicheren Nachfrage?
Fazit
Goldmans Warnung besagt nicht, dass niedrigere Preise für LLM-Tokens grundsätzlich schlecht sind. Günstigere Inferenz kann gerade der Auslöser für eine breitere KI-Nutzung sein. Das Risiko entsteht, wenn Preisdeflation und effizientere Modelle Umsatz und benötigte Rechenleistung schneller verringern, als agentengetriebene Nutzung wächst.
Für Anleger in KI-Infrastruktur wird die Geschichte damit weniger zu einer reinen Ausbauwette als zu einem Test von Auslastung und Monetarisierung. Widerstandsfähiger könnten Unternehmen sein, die günstige Tokens in dauerhafte, wertvolle Workloads umsetzen und zugleich bei Kosten, Leistung oder Dienstleistungstiefe einen Vorsprung halten. 1
7
Studio Global AI
Setzen Sie Ihre Recherche fort
Diese Seite enthält eine quellengestützte Antwort, die Sie in Studio Global fortsetzen können.
Die Leute fragen auch
Wie lautet die kurze Antwort auf „Fallende KI-Tokenpreise stellen das Infrastruktur-Narrativ auf den Prüfstand“?
Der Preisindex von Silicon Data für LLM Nutzung fiel zuletzt auf 0,97 US Dollar je Million Tokens, nachdem er im August um 29 % gesunken war.
Was sind die wichtigsten Punkte, die zuerst validiert werden müssen?
Der Preisindex von Silicon Data für LLM Nutzung fiel zuletzt auf 0,97 US Dollar je Million Tokens, nachdem er im August um 29 % gesunken war. Das Negativszenario ist nicht zwangsläufig: Goldman Sachs Research erwartet, dass KI Agenten den monatlichen Tokenverbrauch bis 2030 auf etwa 120 Quadrillionen Tokens und damit auf das 24 Fache steigern könnten.
Was soll ich als nächstes in der Praxis tun?
Wichtiger als der Token Listenpreis sind für Anleger KI Umsatzwachstum, tatsächliche Auslastung der installierten Hardware, Rechenzentrumsauslastung und wiederkehrende produktive Agenten Workloads.