Das Modellermüdung tötet den AI-Zyklus nicht – es verschiebt ihn einfach in die Berechnungsphase.

Im März 2026 veröffentlichten die wichtigsten KI-Labore im Laufe eines Monats zwölf wichtige Model-updates – mehr als das, was bisher pro Quartal veröffentlicht wurde. Als die neue „Flagship“-Version einige Wochen später erschien – nämlich GPT-5.5 von OpenAI – und diese die Benchmarkwerte übertraf, war die Reaktion der Entwickler eher gelassen als panisch. Die Branchenkommentare nennen jetzt einen Namen für diese Stimmung:Modellausdauer.Wenn Sie ein Investor sind, ist es Ihr Instinkt, das als Zeichen zu betrachten, dass der Boom der künstlichen Intelligenz seine Ideen verliert. Doch dieser Instinkt zeigt den Kreislauf umgekehrt.

Die Erschöpfung ist real. Es handelt sich dabei jedoch nicht um das, was man auf den ersten Blick erwartet. Die „Model-Erschöpfung“ ist der sichtbare, messbare Moment, in dem die Trainingstests nicht mehr das Zentrum der Entscheidungen darstellen – und der Wert im Bereich der KI-Technologie ändert sich entsprechend.

Was „Erschöpfung“ eigentlich ist

Die Veröffentlichungshäufigkeit ist das erste wichtige Merkmal. Die großen Labore haben von der Veröffentlichung eines neuen Produkts alle sechs Monate auf alle zwei bis drei Wochen geändert. Ein weit verbreiteter Indikator gibt an, dass die monatliche Veröffentlichungshäufigkeit der großen Produkte etwa viermal höher ist als im Jahr 2023.Im März 2026 gab es insgesamt zwölf wichtige Updates für die Modelle.Und GPT-5.4 folgte GPT-5.3 zwei Tage später im selben Monat – eine Art Rhythmus, der an sich schon eine Quelle der Erschöpfung ist.

Dann ging die Situation der Wirtschaftswissenschaften um. Die „Frontier-Modelle“ wurden im Laufe der Jahre pro Token immer günstiger. GPT-5.5 durchbrach diese Kurve.Das Modell, das die Benchmarkwerte von OpenAI übertraf, hatte eine Gebühr pro Token – diese wurde dabei verdoppelt.Es kostet 5 Dollar pro Million Einzugs-Tokens und 30 Dollar pro Million Ausgabe-Tokens. Für Teams, die allgemeine Chats, Zusammenfassungen oder Code-Review-Prozesse durchführen, war der Umbau nicht wertvoll gegenüber den Kosten der Neustellung der Anweisungen sowie der Wiederausführung der Bewertungsprozesse. Sie hörten auf, weiterhin zu versuchen, neue Versionen zu entwickeln – stattdessen konzentrierten sie sich auf die bestehenden Versionen.

Die Erschöpfung dringt auch in die Labore selbst ein. Ende Juli 2026…Mehr als 1.200 Mitarbeiter bei OpenAI, Anthropic und Google DeepMind haben einen Brief unterzeichnet, in dem sie die US-Regierung dazu aufgefordert haben, „die Entscheidungen absichtlich langsam zu treffen“.Die Entwicklung von KI auf Grenzgebieten – eine ungewöhnliche öffentliche Forderung nach einer verlangsamten Geschwindigkeit in dieser Wettbewerbslandschaft. Die Unternehmen geben jedes Jahr Hunderte von Milliarden an Ressourcen aus, um zu gewinnen. Wenn die Entwickler eine langsamere Geschwindigkeit wünschen, dann ist das nicht nur eine Meinung der Entwickler.

Der Preiskollaps, der beunruhigend erscheint

Diese gleichen Kräfte sind jetzt auch im Preis von Informationen sichtbar.Ein Index, der die Preise für die Abwicklung von Dienstleistungen zwischen den Anbietern normalisiert, fiel von etwa 2,0 Ende Mai auf etwa 1,0 Mitte August.Der wirtschaftliche Wert einer Einheit an KI-Inferenzen ist in weniger als drei Monaten halbiert worden. Chinesische Modelle mit offener Architektur haben die US-Labore dazu gezwungen, ihre Preise zu senken, um konkurrenzfähig zu bleiben. Auf den ersten Blick scheint das wie eine Abnahme der Nachfrage nach KI-Technologien zu sein.

Meine Ansicht ist das Gegenteil: Denn der Mechanismus hinter dem „Drop“ ist das Wichtigste. Hier hört der Wert auf, nur im Modell zu existieren – und beginnt stattdessen in allem unter ihm zu existieren. Entwickler schätzen nun, dass das Modell selbst nur etwa 30 Prozent der Output-Qualität ausmacht. Der Rest entsteht durch die Orchestrierung, den Arbeitsablauf sowie die Berechnungen, die unter dem Modell stattfinden – also die Schichten, die noch nicht billiger geworden sind.

Was der sinkende Preis tatsächlich finanziert

Der fallende Einzelpreis wurde durch eine Steigerung des Volumens ausgeglichen – das ist das Phänomen, das die Ökonomen als „Jevons’ Paradox“ bezeichnen: Wenn etwas viel günstiger wird, konsumieren die Menschen viel mehr davon, nicht weniger. Nachdem OpenAI den Preis eines Modells um etwa 80% reduziert hatte, stieg der Einsatz dieser Lösungen um etwa vierzehnmal an. Die Einnahmen nahmen ebenfalls zu, trotz des niedrigeren Preises. Der Grund dafür, dass die Nutzung von KI-Systemen vorher so teuer war, war nicht, dass niemand weniger davon haben wollte – sondern weil die Nutzung begrenzt war. Agentische Arbeitsabläufe – also Situationen, in denen eine KI-Agentin einen gesamten Codekode liest, Tools verwendet und ihre eigenen Ergebnisse überarbeitet – können Millionen von Tokens für eine einzige Aufgabe verbrauchen, während eine Chatbot-Anfrage nur Tausende von Tokens verbrauchte.

Die Folge ist, dass die Preisreduzierung auf der Modell Ebene wirkt – nicht auf der Berechnungs Ebene. Die Labore, die das intelligenteste Modell trainiert haben, sehen einen Rückgang der Kosten, da die Kunden den normalen 80% der Arbeit an das günstigste Modell übergeben, das die Anforderungen erfüllt. Doch die Infrastruktur selbst erhält die Kosten für jedes Token, unabhängig davon, welches Modell es produziert hat. Google hatte Anfang 2025 etwa 480 Billionen Tokens pro Monat – bis Oktober letzten Jahres waren es bereits 1,3 Quadrillionen Tokens. Der Kostenaufwand für die Inference mit festgelegten Fähigkeiten ist in zwei Jahren um mehr als 280-fach gesunken.Nach Stanfords MaßstabKeine dieser Geräte benötigt ein „bester“ Modell. Sie braucht nur einen günstigen und zuverlässigen Betriebspunkt.

Der Beweis dafür wurde vor elf Tagen vorgelegt.

Hier trennen sich die beiden Interpretationen bei bestimmten Zahlen – nicht jedoch bezüglich der Stimmung. Am 26. August 2026…Nvidia meldete für den Quartal bis zum 26. Juli Einnahmen von 96,2 Milliarden US-Dollar. Das ist ein Anstieg von 18 Prozent im Vergleich zum Vorjahresquartal und 106 Prozent im Vergleich zum Vorjahr.Mit einem Bruttomarge von 75%. Ein Unternehmen, dessen Chips die „Tollbooth of Inference“ darstellen, verzeichnete den größten sequenziellen Dollargewinn in der Geschichte – während das Modell-Team seine eigenen Entwickler erschöpfte.

Die Nachfrage bleibt auch nicht rückläufig. Die fünf größten US-amerikanischen Cloud- und KI-Anbieter – Microsoft, Alphabet, Amazon, Meta und Oracle –In diesem Jahr werden etwa 660 bis 690 Milliarden Dollar für Kapitalausgaben verwendet werden – das ist fast das Doppelte von 2025.Das ist der wichtigste Faktor, den man gegen das Wort „Fatigue“ anführen kann. Model Fatigue handelt von der Struktur des Modelllagers. Der Kreislauf, der den Bereich unterhalb des Rechenlagers versorgt, beschleunigt sich – er ist nicht anstrengend.

Was die beiden Lesarten voneinander unterscheidet

Die wichtige Unterscheidung ist nicht „Künstliche Intelligenz ist vorbei“ gegenüber „Künstliche Intelligenz ist in Ordnung“. Es geht vielmehr darum, wo der wirtschaftliche Wert entsteht – jetzt, da das „Frontier-Modell“ nicht mehr der entscheidende Faktor ist.

Zwischen GPT-4.5 und allen nachfolgenden Modellen war das Wichtigste die Marke des „smartsten“ Modells. Diese Marktmacht hat dazu geführt, dass die Preise für die jeweiligen Modelle innerhalb eines Quartals halbiert wurden. Die heutige Marktmacht besteht aus den Elementen, die auch dann wichtig sind, wenn das Modell zu einem Konsumgut wird: der Siliziummaterialien, die Softwarestacks, die Cloud, die Tokens bereitstellt, sowie die Systeme, die entscheiden, welches Modell für eine Anfrage geeignet ist. Die Modell- und Anwendungsschichten sind jedoch unter starkem Preisdruck. Die Komponenten wie GPUs, Netzwerke, Energiequellen und Data Centers übernehmen die wachsende Arbeitslast.

Das macht den Handelsrisiko jedoch nicht zu einem risikofreien Geschäft. Die eigentlichen Kursentwicklungen sind spezifisch und erkennbar: Die Preise der Tokens sinken, während die Umsätze flach bleiben. Die Einnahmen aus dem Verkauf der Tokens stagnieren. Die Nutzung der Server durch die Großkonzerne nimmt ab. Die Investitionsvorhaben bleiben ebenfalls unverändert. Im Moment zeigen die Indikatoren auf der anderen Seite eine positive Entwicklung. Wenn sich das ändert – wenn die „Model Fatigue“ nicht mehr nur eine Problematik der Labore ist, sondern ein Problem bezüglich des Geldes, das nicht mehr für Chips verwendet wird – dann wird die „Model Fatigue“ die Aufmerksamkeit der Investoren verdienen. Bis dahin ist „Model Fatigue“ noch nicht das Ende des AI-Zyklus. Es ist vielmehr ein Zeichen dafür, dass der Schwerpunkt des Zyklus von den Modellen auf die Maschinenräume übergegangen ist – und der Handel folgt diesem Wandel.