KI wird 1000× billiger – nur nicht die, die du willst

„Künstliche Intelligenz wird immer billiger" – dieser Satz stimmt und führt zugleich in die Irre. Richtig ist: Der Preis, um ein festgelegtes Können zu erreichen, ist seit 2021 um rund das Tausendfache gefallen. Ebenso richtig ist: Das beste Modell, das man für Geld kaufen kann, ist nur etwa fünfundzwanzigmal günstiger geworden. Billige KI ist real – sie liegt nur immer ungefähr zwei Jahre hinter der Spitze. Wer diesen Unterschied versteht, versteht die ganze Ökonomie hinter dem KI-Boom.

Stand: August 2026 · Daten von a16z, Epoch AI und dem Stanford AI Index.

Zwei Preise, die man nicht verwechseln darf

Hinter der Frage „Wird KI billiger?" verbergen sich zwei völlig verschiedene Preise. Der eine ist der Preis für ein bestimmtes Können: Was kostet es, ein Modell zu betreiben, das eine feste Fähigkeit sicher beherrscht – etwa den Wissenstest, den GPT-3 einst gerade so bestand? Dieser Preis fällt atemberaubend schnell. Der andere ist der Preis für die Spitze: Was kostet das beste Modell, das es gerade jetzt gibt? Dieser Preis bewegt sich kaum.

Der Grund ist einfach: Die Spitze steht nicht still. Sobald ein Spitzenmodell erscheint, wird es zum neuen Maßstab – und kostet ungefähr so viel wie das Spitzenmodell davor. Ein gestern noch teures Können rutscht dagegen Jahr für Jahr in immer billigere Modelle. Beide Aussagen – „KI wird tausendmal billiger" und „das beste Modell bleibt teuer" – sind gleichzeitig wahr. Sie messen nur zwei verschiedene Dinge.

1.000× billiger: der GPT-3-Fall

Das eindrücklichste Beispiel stammt vom Risikokapitalgeber a16z, der dafür den Begriff „LLMflation" geprägt hat. Als GPT-3 im November 2021 öffentlich verfügbar wurde, war es das einzige Modell, das im Wissenstest MMLU einen Wert von 42 erreichte – zum Preis von rund 60 US-Dollar pro Million Tokens. Drei Jahre später schaffte dasselbe Niveau ein winziges, offenes Modell (Llama 3.2 3B) für etwa 0,06 Dollar pro Million Tokens. Das ist ein Faktor von 1.000 – oder anders gesagt: rund zehnmal günstiger, Jahr für Jahr für Jahr.

Wichtig ist die Lesart: Hier wird nicht ein einzelnes Modell im Preis gesenkt, sondern die Kosten, ein Fähigkeitsniveau überhaupt zu erreichen. Das billigste Modell, das die Messlatte noch reißt, wird immer günstiger. Genau das macht die Zahl so wuchtig – und so leicht misszuverstehen, wenn man sie mit dem Preis des neuesten Flaggschiffs verwechselt.

Die Zahlen im Überblick

Alle Preispunkte auf einen Blick – gemessene Werte, keine durchgehende Kurve. „Niveau" meint jeweils das günstigste Modell, das den Benchmark des Referenzmodells noch erreicht.

Was ein Dollar heute kauft

Übersetzt in etwas Greifbares: 2021 kaufte ein Dollar auf GPT-3-Niveau grob 12.500 generierte Wörter – etwa fünf Seiten Text. Heute kauft derselbe Dollar beim gleichen Können rund 12,5 Millionen Wörter – ein Regal von etwa 125 Romanen. Die folgende Grafik zeigt das Verhältnis im echten Maßstab: ein einzelner Punkt gegen tausend.

Der Rückgang ist ungleich

So klar der Trend ist, so ungleich verteilt er sich. Das Forschungsinstitut Epoch AI hat den Preisverfall über sechs Benchmarks gemessen und dabei enorme Unterschiede gefunden: Je nach Aufgabe fielen die Preise zwischen neunfach und neunhundertfach pro Jahr. Der Median liegt bei rund 50× pro Jahr; für GPT-4-Niveau auf anspruchsvollen naturwissenschaftlichen Fragen waren es etwa 40×.

Die Faustregel dahinter: Einfache, gut abgegrenzte Aufgaben werden am schnellsten billig, weil kleine, effiziente Modelle sie bald mühelos lösen. Die härtesten Aufgaben – tiefes Schlussfolgern, Fachwissen auf Expertenniveau – bleiben länger teuer, weil man dafür weiterhin große Modelle braucht.

Schneller als Moore's Law

Um die Geschwindigkeit einzuordnen, lohnt der Vergleich mit dem berühmten Moore'schen Gesetz, nach dem sich die Rechenleistung grob alle zwei Jahre verdoppelt. Bei den KI-Preisen halbiert sich ein günstiges Preistier schon in gut einem Jahr – die schnellsten Tiere sogar in wenigen Monaten.

a16z bringt es auf den Punkt: Nichts in der Computergeschichte ist je so schnell im Preis gefallen – weder die Rechenleistung im Zeitalter der Mikroprozessoren noch die Bandbreite während des Dotcom-Booms. Der KI-Preisverfall ist, gemessen am festen Können, historisch beispiellos.

Was den Preisverfall antreibt

Dass ein festes Können so rasant billig wird, ist kein Zufall, sondern das Ergebnis mehrerer Kräfte, die gleichzeitig wirken:

• Kleinere, klügere Modelle. Über Verfahren wie Destillation wird das Wissen großer Modelle in viel kleinere gepackt. Ein 3-Milliarden-Parameter-Modell von heute schlägt ein Riesenmodell von 2021 – bei einem Bruchteil der Rechenkosten.
• Effizientere Ausführung. Quantisierung (rechnen mit weniger Nachkommastellen), besseres Batching und optimierte Inferenz-Software holen aus derselben Hardware ein Vielfaches heraus.
• Bessere Hardware. Jede neue Generation an KI-Beschleunigern senkt die Kosten pro Token zusätzlich – der klassische Hardware-Fortschritt kommt oben drauf.
• Wettbewerb und offene Modelle. Frei verfügbare Open-Weight-Modelle setzen die Preise unter Druck: Sobald ein Können quelloffen verfügbar ist, fällt der Marktpreis dafür Richtung Betriebskosten.
• Skaleneffekte. Mit der schieren Menge an Anfragen sinken die Stückkosten – große Anbieter geben einen Teil davon als Preissenkung weiter.

Zusammen sorgen diese Kräfte dafür, dass das Erreichen eines bekannten Niveaus jedes Jahr dramatisch billiger wird. Sie erklären auch, warum die Spitze davon kaum profitiert: Das neueste, größte Modell nutzt genau diese Effizienzgewinne, um mehr zu können – nicht, um beim gleichen Können billiger zu werden.

Warum die Spitze teuer bleibt

Und hier kommt die Kehrseite. Das jeweilige Spitzenmodell – das absolut Beste, was ein Anbieter zum Zeitpunkt X verkauft – ist über sechs Jahre nur etwa 25× günstiger geworden. Zum Vergleich: In den drei Jahren, in denen ein festes Können um das Tausendfache billiger wurde, hat sich die Spitze kaum bewegt.

Der Grund ist derselbe wie oben, nur andersherum gelesen: Wer immer das Neueste will, kauft ein Ziel, das ständig davonläuft. Das aktuelle Flaggschiff kostet heute ungefähr so viel wie das Flaggschiff vor Jahren – gemessen an dem, was es kann, ist es ein gigantischer Fortschritt, gemessen am Preisschild aber kaum billiger. Salopp: Wer stets an der Front bleiben muss, zahlt fast Preise wie 2020. Wer zwei Jahre Rückstand aushält, zahlt fast nichts.

Was das für dich bedeutet

Aus dieser Zweiteilung folgt eine überraschend praktische Regel – egal ob du KI privat nutzt, Produkte damit baust oder ein Unternehmen steuerst:

• Brauchst du wirklich die Spitze? Für die absolut schwersten Aufgaben – Grenzfälle des Schlussfolgerns, hochspezialisiertes Fachwissen – führt kein Weg am teuren Flaggschiff vorbei. Das ist der Preis dafür, ganz vorne zu stehen.
• Oder reicht „sehr gut von gestern"? Für die allermeisten realen Anwendungen – Zusammenfassen, Übersetzen, Klassifizieren, Kundendialoge, Code-Vorschläge – genügt ein Modell, das vor ein, zwei Jahren Spitze war. Und das kostet heute einen Bruchteil.
• Die eigentliche Frage lautet daher nicht mehr „Kann ich mir KI leisten?", sondern „Wie viel Rückstand verträgt mein Produkt?". Wer bewusst zwei Jahre hinter der Front bleibt, senkt seine Kosten dramatisch, ohne spürbar an Qualität zu verlieren.

Für Entwickler heißt das konkret: Nicht reflexartig das teuerste Modell verdrahten, sondern prüfen, welches günstigere Modell die Aufgabe schon sicher löst – und nur die wirklich harten Fälle an die Spitze weiterreichen. Genau dieses Abstufen ist der Hebel, mit dem der tausendfache Preisverfall im eigenen Projekt ankommt.

Ein Rechenbeispiel

Wie groß der Unterschied im Alltag ist, zeigt eine simple Rechnung. Stell dir eine App vor, die pro Monat rund 100 Millionen Wörter erzeugt – etwa für Zusammenfassungen oder Antworten im Kundendialog. Das sind grob 133 Millionen Tokens.

• 2021, auf GPT-3-Niveau: bei 60 Dollar pro Million Tokens wären das rund 8.000 Dollar im Monat – für viele Ideen schlicht das Aus.
• 2026, gleiches Niveau: bei 0,06 Dollar pro Million Tokens sind es noch etwa 8 Dollar im Monat.

Aus einem Kostenblock, der ein Geschäftsmodell erdrücken konnte, wird eine Nebensächlichkeit. Genau dieser Sturz erklärt, warum plötzlich überall KI-Funktionen auftauchen: Was früher unbezahlbar war, kostet heute weniger als ein Mittagessen. Wählt dieselbe App allerdings stets das aktuelle Spitzenmodell, bleibt die Rechnung um ein Vielfaches höher – der Preis dafür, immer vorn zu sein.

Wer gewinnt – und wer draufzahlt

Der ungleiche Preisverfall verschiebt die Karten spürbar. Gewinner sind alle, die ein solides, „gestriges" Können günstig einkaufen: App-Entwickler, kleine Firmen, Bastler, letztlich auch Endnutzer, die immer mehr KI-Funktionen praktisch gratis bekommen. Wer clever abstuft und nur die harten Fälle ans Flaggschiff gibt, senkt seine Kosten drastisch.

Unter Druck stehen dagegen zwei Gruppen. Erstens alle, die zwingend an der Front operieren müssen – dort bleiben die Preise hoch, weil das beste Modell ein bewegliches Ziel ist. Zweitens die Anbieter selbst: Ein Modell, das heute Spitze ist, wird in zwei Jahren zur billigen Massenware. Der Wert eines Modells verfällt also rasant, was den Wettlauf um das jeweils nächste Flaggschiff immer teurer und riskanter macht.

Und die Zukunft?

Vorsicht ist bei Prognosen angebracht, doch die Richtung ist klar: Solange Modelle effizienter werden und der Wettbewerb hart bleibt, dürfte der Preis für ein festes Können weiter fallen – bis er für viele Aufgaben praktisch keine Rolle mehr spielt. Der Preis der Spitze hängt an einer anderen Frage: wie schnell und wie kostspielig neue Flaggschiffe erscheinen und ob der Konkurrenzdruck die Margen drückt. Zwei Dinge sind absehbar: Das „Aufholen" wird nahezu kostenlos, und der Abstand von rund zwei Jahren zwischen Front und Billig-Segment bleibt vorerst die entscheidende Größe.

Methodik und Grenzen

Ein paar Einordnungen, damit die Zahlen richtig gelesen werden. Die Werte kombinieren veröffentlichte Listenpreise mit fähigkeitsangepassten Kostenschätzungen aus mehreren Quellen (a16z „LLMflation", Epoch AI, Stanford AI Index). Sie sind keine einzelne, durchgehende Preiskurve: Jede Zeile der großen Grafik ist ein Startpunkt und ein heutiger Punkt, über den Weg dazwischen wird nichts behauptet.

„Niveau" meint jeweils das billigste Modell, das den Benchmark des Referenzmodells noch erreicht – nicht dasselbe Modell über die Zeit. Eingabe- und Ausgabepreise sowie gemischte Token-Kosten sind nicht strikt vergleichbar; die Größenordnungen sind aber über alle seriösen Auswertungen hinweg stabil. Der Preis für die Spitze schließlich ist eine Spanne über die großen Anbieter, kein einzelner Wert – Modelle sind auch bei gleichem Benchmark-Ergebnis in der Praxis nicht beliebig austauschbar.

Alles auf einen Blick

Die ganze Geschichte in einer Grafik – von den Kernzahlen über den Preisverfall je Niveau bis zur Preishalbwertszeit. Gern zum Teilen und Einbetten, mit Quellenangabe.

Fazit

Die Schlagzeile „KI wird 1000× billiger" ist wahr – nur eben nicht für die KI, die die meisten meinen. Der Preis, ein bestimmtes Können zu erreichen, ist regelrecht implodiert, während das jeweils beste Modell teuer bleibt, weil es ein bewegliches Ziel ist. Für dich läuft daraus eine klare Frage hinaus: Musst du wirklich an der Front stehen – oder reicht dir das Beste von vorgestern zum Bruchteil des Preises? Die Antwort entscheidet heute mehr über deine KI-Rechnung als jede Preisliste.

Quellen

• a16z (Andreessen Horowitz): „Welcome to LLMflation – LLM inference cost is going down fast" (2024)
• Epoch AI: „LLM inference prices have fallen rapidly but unequally across tasks" (2025)
• Stanford HAI: AI Index Report 2025