Technologieunternehmen zeigen Interesse an kosteneffizienten KI-Modellen

Der AI-Boom basierte auf einer grundlegenden Annahme: Größere Modelle sind leistungsfähiger – und die leistungsfähigsten Modelle gewinnen. Nun steht die Branche vor der Herausforderung zu erkennen, was geschieht, wenn diese Annahme anfängt, Risse zu zeigen.

Steigende Kosten haben bereits dazu geführt, dass Nutzer überlegen, ob kleinere und günstigere Modelle eine Alternative darstellen. Diese kostengewichtete Herangehensweise bei der Auswahl von Modellen ist neu – und es ist noch unklar, wie sie die Branche verändern wird. Doch die Auswirkungen könnten erheblich sein.

Eine Prognose, die am deutlichsten vom Mitbegründer von Coinbase, Brian Armstrong, geäußert wurde, besagt, dass der Großteil der Aufgaben auf günstigere Modelle umgelegt werden wird.

„Die Nachfrage nach künstlicher Intelligenz ist nahezu unbegrenzt – aber innerhalb von 12 bis 18 Monaten werden 80 Prozent der Arbeitslasten mit Modellen abgewickelt, die 99 Prozent günstiger sind“, schrieb Armstrong auf X. „20 Prozent der Arbeitslasten werden weiterhin mit den neuesten Generationen von Modellen bearbeitet, bei denen es wichtig ist, die höchste Leistung zu erzielen.“

Wenn Armstrongs Prognose zutrifft, wäre dies eine äußerst bedeutende Veränderung für die AI-Branche.

Bislang konkurrierten die meisten AI-Unternehmen um Qualität – was bedeutete, dass sie stets die fortschrittlichsten Modelle verwendeten. Wenn dieselben Aufgaben mit günstigeren Modellen ohne Qualitätsverlust erledigt werden können, würde dies eine tiefgreifende Veränderung in der Wirtschaftlichkeit der AI-Branche bedeuten. Zudem würden große Teile der Ersparnisse direkt aus den Einnahmen der großen Labore stammen – was OpenAI und Anthropic zu einem Zeitpunkt, an dem sie sich auf ihren Börsengang vorbereiten, einen finanziellen Schlag versetzen würde.

Es handelt sich um eine potenziell revolutionäre Veränderung für die Branche – doch die entscheidende Frage ist: Sind die Unternehmen bereit, auf kleinere Modelle umzusteigen?

Erste Tests deuten darauf hin, dass günstigere Modelle bei richtiger Einrichtung ohne Qualitätsverlust eingesetzt werden können. In einem kürzlichen Test des Rechts-AI-Tools Harvey konnte das Unternehmen die Berechnungskosten um das Dreifache senken, ohne die Qualität zu beeinträchtigen. Der Test wurde in Zusammenarbeit mit der Berechnungsplattform Fireworks AI durchgeführt; dabei wurden Claude Opus und Fireworks’ GLM 5.1 kombiniert, wobei für die anspruchsvollsten Aufgaben ausschließlich Opus verwendet wurde. Das Ergebnis war eine deutlich geringere Belastung der Server sowie insgesamt niedrigere Kosten.

„Qualität steht an erster Stelle – und das wird auch in der Rechtsbranche immer so bleiben“, sagte Gabe Pereyra, Mitbegründer von Harvey, gegenüber TechCrunch. „Allerdings ändert sich die Definition von Qualität: Es geht nicht mehr darum, einfach das leistungsstärkste Modell für alle Aufgaben zu verwenden, sondern das beste Modell, das die richtigen Antworten am effizientesten liefert.“

Diese Entwicklung wird oft als Konkurrenz zwischen großen Laboren und chinesischen bzw. offenen Modellen dargestellt – doch das verdeckt den eigentlichen Unterschied: Es geht nicht um proprietäre Modelle versus offene Modelle, sondern um große Modelle versus kleine Modelle. Man kann Geld sparen, wenn man von GPT-5.5 auf DeepSeek’s V4Flash wechselt – aber auch der Wechsel zu GPT-5.4-mini erzielt ähnliche Ergebnisse.

Es herrscht ein aktiver Preiskampf zwischen den in-house-Berechnungslösungen der großen Labore und den unabhängig bereitgestellten offenen Modellen. Was die Frage betrifft, ob kleine Modelle gegenüber großen Modellen gewinnen, so spielt es eigentlich keine Rolle, welche Art von kleinen Modellen bevorzugt wird.

Alles das mag auf den ersten Blick offensichtlich erscheinen – schließlich sollte man nicht mehr Rechenressourcen verwenden, als notwendig ist – doch dies widerspricht der bislang vorherrschenden Strategie des Skalierens. Angesichts dieser Erkenntnis haben die Labore viel Energie in das Training besonders rechenintensiver Modelle investiert und damit die Grenzen dessen, was AI-Modelle leisten können, weiter verschoben. Da die Kosten größtenteils von Investoren subventioniert wurden, hatten Kunden keinen Grund, etwas anderes als die fortschrittlichsten Optionen zu wählen.

Mit steigenden Kursen der Tokens und abnehmenden Subventionen stehen Nutzer erstmals unter finanziellen Druck. Wir wissen noch nicht, ob dieser neue Druck tatsächlich dazu führen wird, dass Unternehmen auf kleinere Modelle umsteigen. Sie könnten genauso gut Geld sparen, indem sie weniger Anfragen durchführen, kürzere Kontextfenster verwenden oder einfach die am wenigsten erfolgversprechenden Anwendungen aufgeben.

Doch wenn sich herausstellt, dass die meisten Anwendungen auch mit kleineren Modellen genauso gut funktionieren, könnte dies den wachsenden Bedarf an Berechnungslösungen erheblich beeinträchtigen – und neue Fragen aufwerfen, wie die Kosten für das Training fortschrittlicher Modelle gerechtfertigt werden können.