Firmen drohen Strafen trotz hoher KI Ausgaben

Unter­neh­men inves­tie­ren Mil­li­ar­den in künst­li­che Intel­li­genz , und die meis­ten zah­len einen hohen Preis dafür. Neue For­schungs­er­geb­nis­se zei­gen, dass 97 % der Unter­neh­men ech­te finan­zi­el­le Ein­bu­ßen erlei­den, wenn ihre KI-Pro­jek­te schei­tern. Fast die Hälf­te die­ser Pro­jek­te kommt nie über die frü­he Test­pha­se hin­aus. Das ist eine Men­ge Geld, das schnell ins Nichts ver­schwin­det. Die Grün­de für die­se Schwie­rig­kei­ten sind über­ra­schen­der, als man erwar­ten würde.

KI-Ausgaben führen zu kostspieligen Misserfolgen

Unter­neh­men inves­tie­ren in einem atem­be­rau­ben­den Tem­po Geld in KI, doch ein Groß­teil davon ver­pufft, bevor es auch nur einen ein­zi­gen Dol­lar an Ren­di­te ein­bringt. Die glo­ba­len KI-Aus­ga­ben sind auf dem Weg, bis 2028 630 Mil­li­ar­den Dol­lar zu errei­chen, aber da 95 % der Orga­ni­sa­tio­nen kei­ner­lei Ren­di­te aus ihren gene­ra­ti­ven KI-Inves­ti­tio­nen mel­den, ist die Rech­nung bru­tal. Fast die Hälf­te aller KI-Pro­jek­te schafft es nie über die Pilot­pha­se hin­aus, und 42 % der Unter­neh­men haben allein im Jahr 2025 bereits den Groß­teil ihrer KI-Initia­ti­ven auf­ge­ge­ben. Das Ver­spre­chen war eine Revo­lu­ti­on. Was vie­le statt­des­sen beka­men, war eine teu­re Lek­ti­on dar­in, was man nicht tun soll­te. Unter­su­chun­gen zei­gen, dass KI-Pro­jekt­miss­erfol­ge dop­pelt so häu­fig auf­tre­ten wie bei tra­di­tio­nel­len IT-Pro­jek­ten , ein ernüch­tern­der Maß­stab, der ver­deut­licht, wie außer­ge­wöhn­lich die­ses Aus­maß an Schei­tern wirk­lich ist.

Forschung enthüllt erschreckende KI-Kosten

Die glo­ba­le Rechen­zen­trums­in­fra­struk­tur wird bis 2030 Kapi­tal­aus­ga­ben von 6,7 Bil­lio­nen US-Dol­lar erfor­dern, die fast aus­schließ­lich durch künst­li­che Intel­li­genz getrie­ben wer­den. Von die­sem Betrag ent­fal­len 5,2 Bil­lio­nen US-Dol­lar allein auf KI-spe­zi­fi­sche Infra­struk­tur, wäh­rend ledig­lich 1,5 Bil­lio­nen US-Dol­lar für tra­di­tio­nel­le IT-Anwen­dun­gen verbleiben.

Der Druck ist bereits auf ope­ra­ti­ver Ebe­ne spür­bar. Die Rechen­kos­ten stie­gen zwi­schen 2023 und 2025 um 89 %, wobei 70 % der Füh­rungs­kräf­te gene­ra­ti­ve KI als Haupt­trei­ber iden­ti­fi­zier­ten. Noch auf­schluss­rei­cher : Jede befrag­te Füh­rungs­kraft berich­te­te, min­des­tens eine gene­ra­ti­ve KI-Initia­ti­ve auf­grund von Kos­ten abge­bro­chen oder ver­scho­ben zu haben.

Die Trai­nings­aus­ga­ben zeich­nen ein ähn­li­ches Bild. Gro­ße KI-Unter­neh­men geben heu­te 28-mal mehr für die Ent­wick­lung ihrer Flagg­schiff­mo­del­le aus als für deren Vor­gän­ger. Metas Trai­nings­kos­ten stie­gen von 3 Mil­lio­nen auf 170 Mil­lio­nen US-Dol­lar , der steils­te pro­por­tio­na­le Anstieg unter den gro­ßen Akteu­ren. Ope­nAI und Goog­le ver­zeich­ne­ten ver­gleich­ba­re Eskalationen.

Den­noch ste­hen Trai­nings­kos­ten nicht mehr im Mit­tel­punkt der Betrach­tung. Infe­renz , das Aus­füh­ren von Model­len im gro­ßen Maß­stab , wird vor­aus­sicht­lich bis 2030 zur domi­nie­ren­den Rechen­last wer­den. Fort­ge­schrit­te­ne Reaso­ning-Model­le wie OpenAI’s o1 wei­sen bereits sechs­mal höhe­re Infe­renz­kos­ten auf als GPT-4^o, was die Mar­gen für Orga­ni­sa­tio­nen, die KI in Pro­duk­ti­ons­um­ge­bun­gen ein­set­zen, erheb­lich komprimiert.

Bei 100.000 Anfra­gen machen Bereit­stel­lungs­kos­ten über 95 % der gesam­ten KI-Aus­ga­ben aus. Die Bereit­stel­lung von Clau­de Opus 4.1 kos­tet 90-mal mehr als opti­mier­te Open-Source-Alter­na­ti­ven. Clau­de Son­net 4 trägt einen 20-fachen Auf­schlag ; GPT‑5 ver­langt das 10-fache. Orga­ni­sa­tio­nen, die Model­le auf Basis von Head­line-Leis­tungs­kenn­zah­len statt nach Ska­lie­rungs­öko­no­mie aus­wäh­len, stel­len regel­mä­ßig fest, dass ihre Stück­kos­ten unter rea­ler Last kollabieren.

Die Diver­genz zwi­schen Trai­nings­kos­ten und Abfra­ge­kos­ten zeigt jedoch, wo Effi­zi­enz­ge­win­ne noch mög­lich sind. Die Kos­ten für eine Modell­ab­fra­ge auf GPT‑3.5‑Leistungsniveau san­ken zwi­schen Novem­ber 2022 und Okto­ber 2024 um das 280-fache, ange­trie­ben durch Hard­ware-Ver­bes­se­run­gen, Leis­tungs­op­ti­mie­rung und Effi­zi­enz­ge­win­ne beim Ener­gie­ver­brauch. Fein­ab­ge­stimm­te Model­le mit 7 Mil­li­ar­den Para­me­tern kön­nen bei domä­nen­spe­zi­fi­schen Auf­ga­ben die Qua­li­tät von Fron­tier-Model­len zu einem Hun­derts­tel der Kos­ten errei­chen, wobei sich die anfäng­li­chen Trai­nings­in­ves­ti­tio­nen bei Unter­neh­mens­vo­lu­men inner­halb weni­ger Wochen amortisieren.

Das wie­der­keh­ren­de Ver­sa­gen, so For­scher, liegt nicht in der Anbie­ter­aus­wahl , son­dern dar­in, die fal­schen Kenn­zah­len zu opti­mie­ren. Beschaf­fungs­ent­schei­dun­gen beto­nen kon­se­quent die anfäng­li­chen Modell­prei­se und unter­schät­zen dabei die expo­nen­ti­el­len Kos­ten­kur­ven, die sich im gro­ßen Maß­stab erge­ben. Ope­nAI sam­mel­te 6,6 Mil­li­ar­den USD im Okto­ber 2024 bei einer Bewer­tung von 157 Mil­li­ar­den US-Dol­lar ein, was unter­streicht, wie selbst die pro­mi­nen­tes­ten KI-Anbie­ter unter anhal­ten­dem Druck ste­hen, Kapi­tal gegen stei­gen­de Betriebs­kos­ten zu sichern.

Quellenangabe

• https://blog.quest.com/the-hidden-ai-tax-why-theres-an-80-ai-project-failure-rate/
• https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
• https://www.axios.com/2025/08/21/ai-wall-street-big-tech
• https://www.ibm.com/think/insights/ai-economics-compute-cost
• https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers
• https://www.tomshardware.com/tech-industry/artificial-intelligence/ai-costs-drop-280-fold-but-harmful-incidents-rise-56-percent-in-last-year-stanford-2025-ai-report-highlights-china-us-competition
• https://inkeep.com/blog/cut-ai-costs-90-percent-databricks-study
• https://www.youtube.com/shorts/RJhXM8hD8qE
• https://ourworldindata.org/grapher/private-investment-in-artificial-intelligence