Kosten für KI-Leistung fallen schneller als bei jeder anderen Technologie zuvor

Eine parallele Studie am Massachusetts Institute of Technology kommt mit vergleichbaren Daten auf einen Rückgang um den Faktor 5 bis 10 pro Jahr. Bereinigt um Hardware-Preisrückgänge und Wettbewerbseffekte schätzen die MIT-Autoren den engeren Fortschritt der algorithmischen Effizienz auf rund den Faktor 3 jährlich. Zugleich kann Spitzenleistung pro Ausführung teurer werden, weil neue Reasoning-Modelle deutlich mehr Rechenaufwand pro Aufgabe einsetzen.

Die Differenz der beiden Studien löst sich auf, wenn man zwei Fragen trennt: Was kostet heute eine Fähigkeit, die vor einem Jahr auf dem neuesten Stand war? Und was kostet das jeweils Beste am Markt? Für ein früheres Spitzen-Leistungsniveau wird die Ausführung meist deutlich billiger. Aktuelle Spitzenmodelle können dagegen pro Anfrage erheblich teurer sein.

Ein Rechenbeispiel

Epoch veranschaulicht die Entwicklung am Beispiel des OpenAI-Modells o3. Anfang 2025 löste es den Naturwissenschaftstest GPQA Diamond auf Doktorandenniveau mit einer Trefferquote von 75 Prozent. Die geschätzten Kosten pro Frage lagen bei rund 30 Cent. Nur 18 Monate später erreichte ein Modell aus der GPT-5.6-Familie dieselbe Trefferquote für vier Hundertstel Cent. Laut Epoch entspricht das einem 725-stel des Ursprungspreises. Übertragen auf einen Neuwagen wäre das ein Sturz von 50.000 Euro auf unter 70 Euro.

Solche Testreihen, sogenannte Benchmarks, prüfen KI-Modelle mit einheitlichen Aufgaben. Epoch stützt sich auf fünf davon aus Mathematik, Naturwissenschaften und Denksport. Wegen der schmalen Datenbasis bezeichnet Epoch seine Resultate selbst als "vernünftige, aber grobe Schätzungen".

Was übrig bleibt, wenn man Hardware und Wettbewerb abzieht

Die MIT-Forscher um Hans Gundlach nutzen Preisdaten der Vergleichsplattform Artificial Analysis von April 2024 bis November 2025 und werten pro Test deutlich mehr Modelle aus als frühere Untersuchungen.

Die Differenz zu Epoch liegt in der Rechenweise. Neuere Reasoning-Modelle können für schwierige Aufgaben zusätzlichen Testzeit-Rechenaufwand einsetzen. Das kann die Kosten pro Antwort oder pro erfolgreich gelöster Aufgabe erhöhen, obwohl der Preis pro Token, also der Textbausteine, nach denen Anbieter typischerweise abrechnen, sinkt. Wer ausschließlich Tokenpreise vergleicht, erfasst diese Unterschiede daher nicht zuverlässig.

Das MIT-Team zerlegt den Preisverfall in seine Ursachen. Ein Teil geht auf sinkende Kosten der Rechenhardware zurück und spiegelt keinen Fortschritt der algorithmischen Effizienz im engeren Sinn. Wettbewerbseinflüsse versuchen die Autoren zu kontrollieren, indem sie offene Modelle gesondert betrachten. Nach dieser Bereinigung schätzen sie den Fortschritt der algorithmischen Effizienz auf rund Faktor 3 pro Jahr. Das ist deutlich weniger als der von Epoch gemessene Marktpreisrückgang, bei dem Hardware- und Wettbewerbseffekte nicht herausgerechnet werden.

Ein Teil der Fortschritte geht mit mehr Rechenaufwand einher

Ein weiterer MIT-Befund verdient Aufmerksamkeit: Wenn ein neues Modell im Naturwissenschaftstest GPQA Diamond besser abschneidet als das alte, wirkt das nach außen wie technischer Fortschritt. Die Autoren schätzen jedoch, dass ein beträchtlicher Teil der Leistungssteigerung mit zusätzlichem Inferenzaufwand zusammenhängt: Das neue Modell verbraucht schlicht mehr Rechenleistung pro Frage und ist dadurch teurer. Bei Programmier- und Mathematiktests fällt der Effekt kleiner aus, ist aber vorhanden.

Für die Deutung von Fortschrittsraten heißt das: Ein Teil des Benchmark-Fortschritts lässt sich nicht allein als Effizienzgewinn interpretieren. Neue Modelle kombinieren bessere Trainingsverfahren, Daten, Architektur und mehr Testzeit-Rechenaufwand. Diese Faktoren vermischen sich in einer einzelnen Durchschnittszahl.

Ein weiteres Risiko ist benchmark-spezifische Optimierung, auch "Benchmaxxing" genannt: KI-Hersteller könnten ihre Modelle gezielt auf bekannte Testreihen trainieren und die Ergebnisse ohne realen Nutzen aufhübschen.

Epoch versucht das einzugrenzen, indem eine der fünf Testreihen (die "Mystery Game Puzzles") auf einem geheim gehaltenen Spiel basiert. Dass der Preisrückgang gerade dort am langsamsten ausfällt, ist mit dieser Hypothese vereinbar, liefert dafür allein aber keinen Nachweis. Der Effekt kann ebenso am Aufgabenformat, Messrauschen oder Besonderheiten dieses Benchmarks liegen.

Preis allein taugt nicht als Auswahlkriterium

Wer heute ein KI-Modell auswählt, sollte sich nicht von pauschalen Durchschnittswerten blenden lassen. Vergleichsplattformen wie Artificial Analysis stellen Modelle nach Qualität, Preis, Antwortzeit, verarbeitbarer Textlänge und Ausgabegeschwindigkeit gegenüber. Dort zeigt sich, dass die günstigste Lösung selten die beste für einen konkreten Einsatz ist.

Ein billiges Modell mit langer Antwortzeit taugt etwa nicht für Chatbots mit Echtzeitanspruch. Ein starkes Reasoning-Modell kann für automatisierte Arbeitsabläufe zu langsam sein. Ob ein teureres Spitzenmodell wirtschaftlich ist, hängt zudem davon ab, ob es weniger Fehlversuche oder Nacharbeit verursacht. Solche Faktoren tauchen in reinen Preisvergleichen nicht auf. Im Detail haben wir uns diese Token-Ökonomie im KI-Radar #3 angeschaut.