KI ohne Geschäftsmodell?
In seinem Video »Warum KI als Geschäftsmodell nicht funktioniert« legt Salvatore Princi dar, weshalb die aktuelle Marktentwicklung im Bereich der Künstlichen Intelligenz (KI) einer »kollektiven Hypnose« gleicht und prognostiziert das Platzen einer KI-Blase. Seine Argumentation stützt sich im Kern auf drei wesentliche Beobachtungen:
1. Das unwirtschaftliche Kosten- und Preismodell
Herkömmliche Software zeichnet sich durch hohe Skalierbarkeit aus: Ist das Programm einmal entwickelt, sinken die Kosten pro Nutzer bei steigendem Umsatz gegen Null. Bei KI-Modellen verhält es sich umgekehrt. Jede Anfrage erfordert reale, kostspielige Rechenleistung, Strom und Hardware-Ressourcen, sodass die Betriebskosten mit der Nutzung und neuen Modellgenerationen kontinuierlich mitwachsen (statt zu sinken).
Zudem erfolgt die Abrechnung nicht nach Ergebnis oder Qualität, sondern nach Aufwand (pro Token), womit das finanzielle Risiko von Fehlern oder Halluzinationen komplett beim Kunden liegt. Erste Rückschläge dieser Logik zeigen sich im sogenannten »KI-Boomerang-Effekt«: Unternehmen wie Ford oder rund ein Drittel befragter Personalverantwortlicher stellten zuvor entlassene Fachkräfte wieder ein, da automatisierte Systeme Qualitätsstandards nicht erfüllen konnten.
2. Das datenbasierte Vertrauens- und Konkurrenzproblem
Ein weiteres Risiko betrifft die Unternehmensdaten. Wer KI-Modelle mit internem Wissen füttert, gibt laut Palantir-Chef Alex Karp sein »Alpha« – die eigenen, wettbewerbsrelevanten Betriebsinformationen und Blaupausen – an externe Cloud-Anbieter ab. (Palantir nutzt dieses Argument strategisch für den Vertrieb eigener lokaler Infrastrukturen, sogenannter »Sovereign AI«).
Dass dieses Risiko real ist, verdeutlicht der Fall zwischen dem Design-Tool Sigma und Anthropic im Jahr 2026: Ein Anthropic-Produktchef saß im Sigma-Board, kurz darauf brachte Anthropic ein direktes Konkurrenzprodukt auf den Markt. Es besteht die dauerhafte Gefahr, dass Tech-Konzerne durch die Daten ihrer eigenen Kunden zu deren künftigen Wettbewerbern werden.
3. Effiziente Imitation durch den Wettbewerber China
Während US-Unternehmen extrem hohe Summen in die risikoreiche Grundlagenforschung investieren, zieht China mit einem Bruchteil der Investitionen (Faktor 23 geringer laut Stanford AI Index 2026) nach. Mittels eines Verfahrens namens »Destillation« werden kleinere, kostengünstigere chinesische Modelle mit den Antworten der großen US-Modelle trainiert. Sie kopieren das fertige Wissen effektiv.
Dadurch schrumpfte der Leistungsabstand zu den amerikanischen Spitzenmodellen auf 2,7 Prozentpunkte. Ein Beispiel hierfür ist das Modell LongCat 2.0 des Essenslieferdienstes Meituan, das in Benchmarks teils vor Googles Gemini lag. Für die meisten Routineaufgaben im Unternehmensalltag reichen solche Modelle, die 90 % der Leistung für nur 10 % des Preises bieten, völlig aus.
Fazit: Die Erwartung des Marktes auf gigantische Monopolgewinne der großen Tech-Konzerne erweist sich als fragwürdig, wenn die Kosten pro Anfrage steigen, Kunden aus Datenschutzgründen zögern und die Konkurrenz gleichwertige Leistung zu einem Bruchteil des Preises anbietet.
© infodienst – Intelligence & Crisis Publishing. Foto: Pixabay. Hinweis: Bei der Recherche und Analyse dieses Beitrags wurde unterstützend KI eingesetzt. Die redaktionelle Verantwortung für den Inhalt liegt bei der Redaktion. Alle Rechte vorbehalten, all rights reserved. Nachdruck und Weitergabe an Dritte untersagt.
