KI-Rechnerkosten könnten um das 10-fache steigen? Dwarkesh Patel interpretiert das Anthropic-Szenario
Im Großteil des Computerzeitalters schien der Trend offensichtlich: Die Chipleistung verbesserte sich stetig, die Cloud-Infrastruktur expandierte kontinuierlich, und der effektive Preis für Rechenleistung sank. Doch KI könnte diesen Trend verändern.
Wird KI-Rechenleistung 10-mal teurer? Eine Analyse von Dwarkesh Patels Anthropic-Szenario
Einleitung
Während des größten Teils des Computerzeitalters schien die Entwicklungsrichtung offensichtlich: Die Chip-Leistung verbesserte sich stetig, die Cloud-Infrastruktur expandierte kontinuierlich, und der effektive Preis für Rechenleistung sank.
KI könnte dieses Muster durchbrechen.
In einem Artikel vom 29. Juli 2026 stellte der Tech-Interviewer und Autor Dwarkesh Patel ein bewusst aggressives Szenario vor: Die Fähigkeit von Spitzen-KI, Rechenleistung in wirtschaftlichen Wert umzuwandeln, steigt drastisch, während sich das physische Angebot an fortschrittlicher Rechenleistung deutlich langsamer ausweitet.
In diesem Szenario könnte der Marktpreis für hochwertige KI-Rechenleistung um das Zehnfache oder mehr steigen, bevor er schließlich wieder auf den langfristigen Pfad fallender Kosten zurückkehrt.
Das Argument beginnt mit einem provokativen Vergleich.
Wenn ein KI-Agent, der auf der Rechenleistung einer einzelnen NVIDIA H100 läuft, die Arbeit eines hochbezahlten Softwareingenieurs erledigen könnte, warum sollte der Mietpreis dieser GPU dann weiterhin hauptsächlich durch Hardware-Abschreibung und Cloud-Wettbewerb bestimmt werden?
Warum sollte der Preis nicht näher am wirtschaftlichen Wert der menschlichen Arbeit liegen, die er ersetzt oder verstärkt?
Der Originalartikel erweitert dieses Gedankenexperiment zu einer breiteren Prognose über KI-Labore, Rechenzentren, fortschrittliche Halbleiterkapazitäten und die Möglichkeit, dass die Welt eine Phase erheblicher Rechenleistungsinflation betritt.
Von Anfang an müssen mehrere wichtige Grenzen klargestellt werden:
- Ein menschlicher Softwareingenieur, der auf der Rechenleistung einer H100 läuft, ist eine hypothetische zukünftige Fähigkeit, kein aktuelles Benchmark-Ergebnis.
- Der von Anthropic offiziell bestätigte annualisierte Umsatz überschritt im Mai 2026 47 Milliarden US-Dollar, aber die von Patel vorgeschlagenen Zahlen von 100–150 Milliarden US-Dollar bis Jahresende und 1 Billion US-Dollar im Folgejahr sind Szenario-Annahmen, keine Unternehmensprognosen von Anthropic.
- Ein zehnfacher Preisanstieg bei Rechenleistung ist ein wirtschaftliches Argument, keine bestätigte Marktprognose.
- Cloud-GPU-Preise variieren je nach Chiptyp, Vertragslaufzeit, Auslastung, Netzwerk, Sicherheit und Servicelevel; es gibt keinen einheitlichen H100-Preis.
Unter den oben genannten Voraussetzungen ist dieses Gedankenexperiment wertvoll, weil es eine Frage aufwirft, die die Branche oft vermeidet:
Was passiert, wenn der von KI geschaffene wirtschaftliche Wert schneller steigt als die Fähigkeit der Welt, die Infrastruktur zu produzieren, die ihren Betrieb unterstützt?
Silizium-Arbeitskraft: Wenn eine H100 wie ein Ingenieur mit 250.000 US-Dollar Jahresgehalt wird
Das Argument beginnt mit einer Änderung der Vergleichseinheit.
Heutzutage wird Rechenleistung üblicherweise als Infrastruktur bepreist:
- Preis pro GPU-Stunde
- Preis pro Token
- Preis pro Server-Monat
- Preis pro reserviertem Cluster
- Preis pro Watt oder Megawatt
Patels Frage lautet: Was passiert, wenn dieselbe Hardware zum Behälter für autonome Arbeitskraft wird?
Stellen Sie sich einen KI-Softwareingenieur vor, der in der Lage ist:
- Große Codebasen zu lesen
- Funktionen zu implementieren
- Fehler zu debuggen
- Tests auszuführen
- Pull-Requests zu überprüfen
- Vorfälle zu untersuchen
- Kontinuierlich zu arbeiten
- Ergebnisse zu liefern, die denen eines erfahrenen menschlichen Ingenieurs entsprechen
Wenn dieser Agent während des Betriebs etwa eine H100-äquivalente Rechenleistung benötigt, ist die GPU nicht mehr nur eine
Serverkomponente. Sie ist Teil eines digitalen Produktionssystems.
Das 250.000-Dollar-Gedankenexperiment
Patel verwendet den ganzzahligen Referenzwert von 250.000 US-Dollar pro Jahr für den Marktwert eines leistungsstarken Silicon-Valley-Softwareingenieurs.
Dann vergleicht er dies mit der jährlichen Schätzung für die Spot-Miete einer H100 (ca. 16.000 US-Dollar).
Die implizite Lücke beträgt:
250.000 / 16.000 ≈ 15,6-fach
In diesem vereinfachten Gedankenexperiment erscheint eine GPU, die eine gleichwertige digitale Arbeitskraft beherbergen kann, im Verhältnis zum Arbeitswert, den sie erzeugen kann, erheblich unterbewertet.
Diese Berechnung ist keine direkte Prognose, dass jede H100 für 250.000 US-Dollar vermietet wird.
Sie ignoriert mehrere wichtige Faktoren:
- Ein Agent benötigt möglicherweise mehr als die Rechenleistung einer H100.
- Eine GPU kann nicht das ganze Jahr über eine perfekte Auslastung erreichen.
- Die Service-Infrastruktur umfasst CPU, Speicher, Netzwerk, Storage, Strom, Kühlung und Betrieb.
- Menschliche Ingenieure tun mehr, als nur Code zu generieren.
- Wenn die digitale Arbeitskraft schnell expandiert, könnten sich die Löhne verändern.
- Modellanbieter könnten den Großteil des wirtschaftlichen Werts über API-Preise statt über GPU-Vermietung abschöpfen.
- Wettbewerb und Effizienzsteigerungen könnten die für jede Aufgabe benötigte Rechenmenge reduzieren.
Patels enger gefasste Aussage ist, dass die Zahlungsbereitschaft für Rechenleistung drastisch steigen könnte, wenn Rechenleistung wertvollere Ergebnisse erzeugen kann.
Warum der Arbeitswert nicht sofort kollabiert
Ein natürlicher Einwand ist, dass die Hinzufügung von Millionen von KI-Softwareingenieuren den Marktwert von Software-Engineering-Arbeit senken würde.
Wenn Software reichlich vorhanden wird, könnte ein digitaler Ingenieur nicht mehr 250.000 US-Dollar wert sein.
Patel räumt diese Möglichkeit ein, argumentiert jedoch, dass dies nicht automatisch geschieht.
Die Standard-Logik der Wirtschaftswissenschaften lehnt typischerweise die Vorstellung ab, dass die Menge „nützlicher Arbeit“ festgelegt ist. Zusätzliche qualifizierte Arbeitskräfte können neue Produkte, neue Unternehmen, neue Spezialisierungen und neue Nachfrage schaffen.
Aus dieser Perspektive erweitert eine massive Zunahme fähiger Arbeitskräfte nicht nur die Aufteilung bestehender Arbeit auf mehr Teilnehmer. Sie erweitert den Bereich des wirtschaftlich Möglichen.
KI könnte einen ungewöhnlich schnellen Arbeitsangebotsschock mit sich bringen, daher könnten historische Vergleiche nicht anwendbar sein. Selbst dann argumentiert Patel, dass es vernünftig ist, dass der Grenzwert von KI-Rechenleistung hoch bleibt, da neue Software und Dienstleistungen machbar werden.
Das Argument ist bei vollständig digitaler Arbeit am überzeugendsten
Ein nützlicher Gegenpunkt aus der Diskussion unter Patels Artikel ist, dass der Arbeitswertvergleich am stärksten ist, wenn die gesamte Aufgabe in einer digitalen Umgebung abgeschlossen werden kann.
Software-Engineering kommt diesem Idealzustand nahe:
- Die Eingaben sind digital.
- Die Ausgaben sind digital.
- Tests können typischerweise automatisiert werden.
- Die Verteilung ist schnell.
- Viele Rückkopplungsschleifen laufen mit Maschinengeschwindigkeit.
Der Vergleich wird schwächer, wenn physische Engpässe dominieren.
Ein KI-System
mag schnell ein Medikament entwerfen können, aber klinische Studien erfordern weiterhin Patienten, Regulierung, Herstellung und Zeit. Es mag eine Fabrik optimieren können, aber Bau, Genehmigungen, Lieferketten und Ausrüstung unterliegen weiterhin physischen Bedingungen.
In diesen Bereichen könnte Intelligenz aufhören, der primäre Engpass zu sein, bevor die Rechenleistung in der Lage ist, den vollen Wert der ersetzten menschlichen Arbeit zu übernehmen.
KI-Umsätze könnten schneller wachsen als das Angebot an KI-Rechenleistung
Der zweite Teil des Arguments wechselt von einer einzelnen GPU zu den Finanzen von Spitzen-KI-Labors.
Anthropic ist das Hauptbeispiel, da das Umsatzwachstum in jüngster Zeit außergewöhnlich schnell war.
Von Anthropic offiziell gemeldete Daten:
- Ende 2025: annualisierte Umsatzrate von etwa 9 Milliarden US-Dollar
- April 2026: annualisierte Umsatzrate von über 30 Milliarden US-Dollar
- Anfang Mai 2026: annualisierte Umsatzrate von über 47 Milliarden US-Dollar
Dies sind annualisierte Umsatzraten, keine geprüften Jahresumsätze.
Sie beschreiben die Wachstumsgeschwindigkeit, die in den Umsätzen zu einem bestimmten Zeitpunkt impliziert ist.
Patels Ausgangspunkt ist eine Beobachtung: Der Umsatz von Anthropic ist im Jahresvergleich um etwa eine Größenordnung gestiegen.
Anschließend konstruierte er ein bewusst extremes Extrapolationsszenario:
- Anthropic erreicht Ende 2026 einen annualisierten Umsatz von etwa 100 bis 150 Milliarden US-Dollar.
- Derselbe große Trend setzt sich fort.
- Bis Ende des Folgejahres nähert sich der Umsatz der Marke von einer Billion US-Dollar.
Patel stellt klar, dass diese Entwicklung nicht zwangsläufig eintreten muss und keine tiefere Ursache hat. Sie hängt von künftigen KI-Fähigkeiten, der Produktakzeptanz, der Preisgestaltung und dem Wettbewerb ab.
Der Zweck dieses Szenarios ist nicht die Behauptung, Anthropic prognostiziere einen Umsatz von einer Billion Dollar, sondern die Frage: Wenn ein KI-Unternehmen tatsächlich so schnell wächst, welche weiteren Bedingungen müssen erfüllt sein?
Umsatzwachstum und Rechenleistungswachstum sind nicht deckungsgleich
Patel vergleicht ein hypothetisches zehnfaches Umsatzwachstum mit einer geschätzten jährlichen Verdreifachung der KI-Rechenleistung.
Epoch AI schätzt, dass der globale KI-Rechenleistungsbestand im Jahr 2025, gemessen in H100-Äquivalenten, etwa um das Dreifache gestiegen ist – allerdings betont die Organisation auch, dass unternehmensbezogene und zukunftsgerichtete Schätzungen weiterhin mit Unsicherheiten behaftet sind.
Die daraus resultierende Diskrepanz beträgt etwa:
Wachstum der KI-Geschäftsnachfrage: 10-fach
Wachstum der physischen Rechenleistung: 3-fach
Lücke: ca. 3,3-fach
Wenn ein führendes Labor schneller wächst, als es seine verfügbare Rechenleistung ausbauen kann, dann muss eine Kombination aus den folgenden drei Dingen eintreten:
- Das Labor erzielt höhere Gewinnmargen.
- Die Marktpreise für Rechenleistung steigen.
- Ein größerer Anteil der Rechenleistung des Labors wird von Forschung und Training auf umsatzgenerierende Inferenzdienste umgewidmet.
Patel ist der Ansicht, dass sich alle drei Faktoren bereits in gewissem Maße im Wandel befinden.
Option 1: Steigende Gewinnmargen bei führenden Labors
Modellanbieter investieren hohe Fixkosten in das Training von Modellen und verkaufen anschließend die erlernten Fähigkeiten an zahlreiche Kunden.
Dies birgt potenzielle Skaleneffekte.
Dieselben trainierten Fähigkeiten können über folgende Kanäle vermarktet werden:
- Verbraucherabonnements
- Unternehmenslizenzen
- API
- Programmierprodukte
- Agentenplattformen
- Cloud-Partnerschaften
Die Grenzkosten einer einzelnen zusätzlichen Anfrage können weit unter dem Wert liegen, den diese Anfrage schafft.
Patel weist darauf hin, dass sich die Inferenzmargen führender Labors bereits erheblich verbessert haben. Allerdings werden seine konkreten Margendaten für den Fable-Inferenzdienst von Anthropic ausdrücklich als grobe Schätzung präsentiert, nicht als geprüfte Unternehmensangaben.
Hohe Margen können einen Teil der Kluft zwischen Umsatzwachstum und Rechenleistungswachstum absorbieren.
Die Herausforderung liegt im Maßstab.
Im von Patel skizzierten Billionen-Dollar-Szenario müssten die Gewinnmargen – falls Preise und Rechenleistungsallokation nicht ausreichend angepasst werden – auf ein hohes Niveau von etwa 95 % steigen. Seiner Ansicht nach wäre selbst für führende Technologieplattformen ein solches Niveau außergewöhnlich hoch.
Die exakt erforderliche Gewinnmarge hängt von vielen Variablen ab, doch der zentrale Punkt bleibt bestehen: Gewinnmargen allein dürften kaum ausreichen, um die explosive Nachfrage mit der begrenzten Infrastruktur in Einklang zu bringen.
Option 2: Mehr Rechenleistung vom Training zur Inferenz
Die zweite Option besteht darin, einen größeren Anteil der Rechenleistung der Kundenbetreuung zuzuordnen.
Epoch AI schätzt, dass OpenAI im Jahr 2024 etwa 1,8 Milliarden US-Dollar für Inferenzrechenleistung und etwa 5 Milliarden US-Dollar für Forschungs- und Entwicklungsrechenleistung ausgegeben hat. Demnach entfällt auf Inferenzausgaben rund ein Viertel der gemeldeten Gesamtausgaben für Rechenleistung.
Mit zunehmender kommerzieller Nutzung kann der Inferenzanteil weiter steigen.
Dies stützt den Umsatz, stellt die führenden Labors jedoch vor ein strategisches Dilemma.
Inferenzdienste finanzieren die laufenden Rechnungen.
Training und Experimente hingegen erzeugen die Modelle, die die Produkte der nächsten Generation definieren könnten.
Ein Labor, das den Großteil seiner Rechenleistung für die Betreuung aktueller Modelle einsetzt, mag zwar unmittelbarere Einnahmen erzielen, verfügt aber über entsprechend weniger Infrastruktur für:
- das Training größerer Modelle
- die Durchführung von Experimenten
- Reinforcement Learning
- Evaluierungen
- Datengenerierung
- Architekturforschung
- langfristige Modellentwicklung
Patel beschreibt einen Silicon-Valley-Schwungradeffekt: Die aktuellen Inferenzeinnahmen tragen zur Finanzierung bei, die Finanzierung kauft mehr Rechenleistung, die Rechenleistung trainiert stärkere Modelle, und stärkere Modelle generieren mehr Umsatz.
Diese Labors betrachten ihre heutigen Modelle in der Regel nicht als Endpunkt. Sie gehen davon aus, dass die aktuellen Spitzensysteme bald übertroffen werden.
Das macht sie zurückhaltend, sich vollständig in hochmargige Cloud-Dienstleister zu verwandeln, die statische Modelgenerationen bedienen.
Option 3: Die Preise für Spitzenrechenleistung
steigen
Die verbleibende Anpassung ist der Preis.
Wenn KI-Labors und ihre Kunden aus jeder Einheit Rechenleistung mehr wirtschaftlichen Wert schöpfen können, sind sie in der Lage, aggressiver um knappe Infrastruktur zu bieten.
Das bedeutet nicht, dass der Preis pro GPU-Stunde überall gleichermaßen steigt.
Spitzenlabors benötigen eine spezialisierte Klasse von Rechenleistung:
- große zusammenhängende Cluster
- Hochgeschwindigkeits-Verbindungen
- planbare Verfügbarkeit
- robuste Sicherheit
- hohe Auslastung
- stabile Stromversorgung
- schnelle Bereitstellung
- langfristigen Zugang
- Schutz von Modellgewichten und Kundendaten
Spot-Instanzen aus offenen Märkten sind kein gleichwertiger Ersatz für einen sicheren, mehrjährigen Vertrag über Infrastruktur im Multi-Gigawatt-Maßstab.
Anthropics und Googles SpaceXAI-Rechenleistungsdeals
Jüngste Verträge verdeutlichen die Prämie für sofort verfügbare Kapazität.
Anthropic hat die Vereinbarung mit SpaceXAI für den Zugang zu Colossus 1 offiziell bestätigt und anschließend angegeben, die Kapazitäten bei Colossus 1 und Colossus 2 erweitert zu haben.
SpaceXAI beschreibt Colossus 1 als Anlage mit mehr als 220.000 NVIDIA-GPUs, darunter H100-, H200- und GB200-Systeme.
Axios berichtete, dass Anthropic zugestimmt hat, bis 2029 monatlich rund 1,25 Milliarden US-Dollar für diese Vereinbarung zu zahlen.
Eine anschließend von TechCrunch berichtete Regulierungsdatei zeigt, dass Google von Oktober 2026 bis Juni 2029 monatlich rund 920 Millionen US-Dollar an SpaceX zahlen wird, um Zugang zu etwa 110.000 GPUs und zugehörigen Komponenten zu erhalten.
Dies sind keine gewöhnlichen On-Demand-Cloud-Einkäufe.
Sie spiegeln den Wert wider, in einer Situation, in der der Bau neuer Rechenzentren, die Netzanbindung und die Chip-Lieferung Jahre dauern können, schnell Zugang zu massiver nutzbarer Infrastruktur zu erhalten.
Patel schätzt, dass der im Google-Deal implizite Preis pro GPU-Stunde etwa doppelt so hoch liegt wie der aktuelle Spotpreis der relevanten gemischten Hardware.
Dieser Vergleich ist näherungsweise, da der Vertrag mehr als nackte GPUs umfasst und die Hardware-Mischung verschiedene Generationen von Beschleunigern beinhaltet.
GPUs werden zu Fabriken, nicht nur zu Servern
Der ursprüngliche Artikel verwendet industrielle Analogien.
Im Internetzeitalter kämpften Unternehmen um:
- Traffic
- Distribution channels
- Search rankings
- App store visibility
Frontier AI competition adds a more physical dimension:
- Electricity
- Advanced chips
- Memory
- Data center land
- Cooling
- Grid connections
- Networking
- Large synchronized clusters
Frontier GPU clusters resemble industrial production lines more than collections of ordinary rented servers.
Their output is not physical products but economically valuable intelligence:
- Code
- Research
- Support
- Design
- Analysis
- Media
- Decisions
- Agent actions
Companies that control the most powerful models and the most reliable compute are likely to produce more of such digital work.
Why Large Labs Cannot Rely Only on the Spot Market
Spot capacity has several disadvantages for frontier workloads:
- Instances can be interrupted.
- Hardware can be distributed across locations.
- Network performance can be unstable.
- Capacity can disappear during peak demand.
- Security and data processing requirements may be difficult to meet.
- Long training runs require stable, coordinated infrastructure.
Labs training or running frontier models therefore value guaranteed compute more than buyers running short batch jobs.
This helps explain why contracted compute can command a premium even when public cloud offers appear cheaper.
Supply Is Constrained by Physical Multipliers
Patel's argument relies on the claim that compute supply cannot react quickly enough to major demand shocks.
He summarizes annual compute growth as the product of three broad multipliers:
Annual AI compute growth ≈
1.4× hardware improvement
× 1.2× new wafer capacity
× 1.8× reallocation of leading-edge wafers to AI
≈ 3.0×
These numbers are estimates, not invariant physical constants.
They are meant to illustrate where recent growth comes from.
Multiplier One: Better Chips
Semiconductor improvements increase effective compute delivered per watt, per chip, and per dollar.
Potential gains come from:
- Smaller process nodes
- Better architectures
- Lower-precision arithmetic
- Higher memory bandwidth
- Advanced packaging
- Faster interconnects
- Better software and kernels
Progress is not without limits.
Each new process generation becomes more difficult and more expensive. Power density, leakage, yield, memory movement, and packaging increasingly determine actual performance.
AI systems can also gain efficiency through model and software improvements, which may offset hardware scarcity to some degree. Therefore, any compute price forecast depends on the speed of efficiency gains relative to demand growth.
Multiplier Two: More Fabs and Equipment
New semiconductor capacity takes years for planning, financing, construction, equipment installation, qualification, and ramp-up.
The supply chain depends heavily on specialized systems, including extreme ultraviolet lithography equipment.
Advanced fabs also require:
- Skilled labor
- Reliable utilities
- Chemical supplies
- Water
- Packaging capacity
- Testing capacity
- Long-lead-time equipment
Patel argues that EUV equipment availability constrains rapid capacity expansion at least until the end of the decade.
Higher prices can stimulate investment, but they cannot instantly produce a fully qualified leading-edge fab.
Multiplier Three: Reallocating Existing Advanced Capacity to AI
Much of the recent AI chip growth comes from shifting advanced manufacturing capacity from other products.
Smartphones, PCs, networking chips, and other devices compete for the same leading-edge process and packaging resources.
Patel cites an estimate that AI could rise from about 60% to 86% of TSMC's N3 capacity by the end of 2027.
This is a supply-model estimate, not publicly announced TSMC capacity guidance.
The implication is straightforward: the reallocation lever works only as long as non-AI demand still occupies transferable capacity.
Once AI already consumes most capacity at a given node, this growth lever weakens considerably.
Other Bottlenecks May Appear Earlier
Even if wafer supply expands, the whole system can still be constrained by:
- High-bandwidth memory
- Advanced packaging
- Optical networking
- Transformers and grid equipment
- Data center construction
- Power generation
- Cooling
- Permits and approvals
- Financing
Compute supply therefore resembles a chain, not a single factory's output.
Effective capacity is limited by the slowest critical link.
Why High Compute Costs Might Favor the Strongest Models
The source then makes a counterintuitive argument: if compute becomes more expensive, buyers might not switch to weaker models.
They might even prefer the strongest models even more.
Patel connects this to the Alchian–Allen effect.
When a fixed cost is added to goods of different quality, the higher-end version can become relatively more attractive because the quality premium shrinks as a share of the total price.
A Simplified Example
Assume underlying compute costs $20 per hour.
A strong model completes a task in one hour with a $5 model premium:
Strong model:
$20 compute + $5 premium = $25
A weak model has no premium but needs two hours due to retries and inefficient inference:
Weak model:
2 × $20 compute = $40
A model that appears free is actually more expensive on a per-completed-task basis.
The key metric is not price per token or model license fee, but cost per successful outcome.
Efficiency Becomes a Pricing Advantage
More powerful models can reduce costs through:
- Fewer tokens
- Fewer attempts
- Fewer tool calls
- Less human correction
- Shorter task duration
- Better planning
- More reliable execution
If compute is cheap, the cost of inefficient attempts may be bearable.
If compute is expensive, wasted compute hurts more.
Labs that can extract the most useful output from every scarce GPU hour may be able to charge a significant premium.
This Does Not Mean Small Models Disappear
The most aggressive version of the source article claims mediocre models may have no future.
That conclusion is too broad.
Smaller and specialized models remain attractive when:
- Lower latency matters
- Lower memory requirements matter
- On-device deployment matters
- Privacy protection matters
- Predictable structured outputs matter
- Quality is sufficient for narrow tasks
- Compute consumption is far below average
- Open-weight customization is desired
A lightweight classifier does not need to become a frontier programming agent.
The Alchian–Allen argument applies when both models consume similar expensive infrastructure and the weaker model needs significantly more work to reach the same result.
When a smaller model is genuinely more efficient for a given task, the argument loses force.
Some Current AI Applications May Be Priced Out
Patel argues that rising compute prices could shift capacity away from low-value uses.
If a GPU can run an agent producing high-value software or business output, the opportunity cost of using the same hardware for one-off media content becomes much higher.
This could affect:
- Low-value short-form content
- Mass-produced fake engagement
- Repetitive image or video generation
- Extremely cheap consumer inference
- Products with weak willingness to pay
Markets do not necessarily eliminate content itself.
They may instead push it toward:
- Smaller models
- Older hardware
- On-device inference
- Cached outputs
- More efficient architectures
- Lower-resolution generation
- Off-peak compute
The key is resource allocation.
Frontier compute will tend to flow toward workloads with the highest willingness to pay.
Why This Forecast Could Be Wrong
The source article also raises several objections.
These matter because predictions of permanent resource scarcity are often proven wrong.
Counterargument One: Human Labor Is Not the Right Price Anchor
The $250,000 engineer comparison assumes GPUs can capture returns close to the current economic value of an engineer.
This assumption could fail because:
- Software engineering wages may fall.
- AI may produce abundant but hard-to-monetize output.
- Human trust, accountability, relationships, and judgment may still hold value.
- Agents may require human oversight.
- Physical bottlenecks may dominate.
- Competition may push model prices toward cost.
Some commentators note that digital workers may initially be highly valuable, but once AI labor becomes abundant, the value could settle around $50,000.
In that scenario, the value of compute could still rise, but not necessarily by 15 times.
Counterargument Two: Efficiency Gains May Outpace Demand Growth
Token prices are not the same as compute prices.
Models and serving systems keep improving through:
- Quantization
- Distillation
- Sparsity
- Better kernels
- Speculative decoding
Cache
- Routing
- Verbesserte Architektur
- Bessere Hardware-Auslastung
Zukünftige kostengünstige Video- oder Chat-Antworten könnten nur einen Bruchteil der aktuellen Rechenleistung benötigen.
Selbst wenn die Berechnung für Spitzen-Agenten teuer wird, könnten allgemeine KI-Dienste weiterhin billiger werden, da sie auf effizientere Modelle und Hardware umsteigen.
Gegenargument 3: Open-Source-Modelle verschärfen den Wettbewerb
Modelle mit offenen Gewichten könnten Druck auf die Preisgestaltung von Frontier-APIs ausüben.
Wenn mehrere Modelle ähnliche Fähigkeiten bieten, können Nutzer zwischen folgenden Optionen wechseln:
- Gehostete kommerzielle APIs
- Cloud-Bereitstellung mit offenen Gewichten
- Private Cluster
- Inländische Anbieter
- Spezialisierte Modelle
Dies begrenzt die Fähigkeit eines einzelnen Labors, extrem hohe Gewinnmargen zu erzielen.
Rechenknappheit kann die zugrunde liegenden Infrastrukturkosten immer noch in die Höhe treiben, aber der Modellwettbewerb bestimmt, wie viel Wert das Labor behalten kann.
Gegenargument 4: Das Angebot reagiert auf hohe Preise
Die klassische Antwort auf Knappheit ist Investition.
Höhere Rechenpreise würden fördern:
- Mehr Fabriken
- Mehr Verpackungskapazität
- Mehr Speicherproduktion
- Mehr Stromerzeugungskapazität
- Bessere Kühlung
- Alternative Beschleuniger
- Neue Cloud-Anbieter
- Effizientere Software
Patel stimmt ebenfalls zu, dass Rechenleistung letztendlich wieder günstig werden dürfte.
Sein Argument zielt auf die aktuelle Übergangsphase ab, in der das Nachfragewachstum schneller sein könnte als die Reaktion der langfristigen physischen Infrastruktur.
Die Simon-Ehrlich-Wette
Die Quelle vergleicht die Rechenvorhersagen mit der berühmten Wette zwischen dem Biologen Paul Ehrlich und dem Ökonomen Julian Simon.
1980 wählte Ehrlich einen Korb aus fünf Metallen und wettete, dass deren reale Preise im nächsten Jahrzehnt steigen würden.
Bis 1990 war der inflationsbereinigte Preis des Korbs gefallen, und Ehrlich zahlte Simon die Wette.
Diese Wette wird oft genutzt, um zu argumentieren, dass Knappheitsprognosen Innovation, Substitution und Angebotsreaktionen unterschätzen.
Die historische Interpretation ist
komplexer. Die Analyse weist darauf hin, dass andere Startjahrzehnte andere Gewinner hervorgebracht haben könnten.
Patel räumt ein, dass sein Rechenargument ähnlich ist wie Knappheitsprognosen, die sich oft als falsch erwiesen haben.
Er argumentiert, dass sich Rechenleistung vom Metallabbau unterscheiden könnte, da ihre kurzfristige Angebotselastizität geringer ist:
- Es gibt wenige Alternativen zu Frontier-KI-Beschleunigern.
- Fortschrittliche Fabriken können nicht schnell entstehen.
- EUV-Geräte werden von einer hochkonzentrierten Lieferkette produziert.
- Der Aufbau von Rechenzentrumsstrom und Netzwerken benötigt Zeit.
- Frontier-Labore benötigen große, koordinierte Cluster und keine beliebigen Handelschips.
Daher liegt der Hauptunterschied in der Zeitfrage.
Können Preissignale und Innovation das effektive Rechenangebot erweitern, bevor die KI-Nachfrage den aktuellen Ausbau überfordert?
Ein ausgewogenerer Rahmen für Rechenpreise
Anstatt den „10-fachen“ als feste Prognose zu betrachten, lässt sich das Argument in eine Reihe messbarer Variablen übersetzen.
Nachfrageseitige Variablen
- Wachstum der Frontier-Modellfähigkeiten
- Umsatz pro GPU-Stunde
- Akzeptanzrate von Agenten
- Zahlungsbereitschaft von Unternehmen
- Grad der Arbeitsplatzsubstitution
- Schaffung neuer Anwendungen
- Anteil der Inferenz an der Rechenleistung
- Gewinnmargen der Modellanbieter
Angebotsseitige Variablen
- Auslieferungen von Beschleunigern
- Hardwareleistung pro Watt
- Waferangebot auf fortgeschrittenen Knoten
- Verpackungskapazität
- Angebot an Hochbandbreitenspeicher
- Rechenzentrumsstrom
- Geschwindigkeit des Netzzugangs
- Cluster-Auslastung
- Serviceeffizienz
- Alternative Chips
Marktstrukturvariablen
- Anzahl wettbewerbsfähiger Frontier-Modelle
- Qualität von Modellen mit offenen Gewichten
- Konzentration der Cloud-Anbieter
- Langfristige Infrastrukturverträge
- Geografische und regulatorische Beschränkungen
- Kapitalverfügbarkeit
- Fähigkeit, Arbeitslasten auf günstigere Modelle zu lenken
Ein 10-facher Preisanstieg ist wahrscheinlicher, wenn:
- Fähigkeiten und Monetarisierung schnell zunehmen.
- Frontier-Labore um begrenzte Cluster bieten.
- Das Angebot nur um etwa das Dreifache pro Jahr expandiert.
- Effizienzsteigerungen das Nachfragewachstum nicht ausgleichen.
- Ein oder zwei Labore einen deutlichen Qualitätsvorsprung behalten.
Er ist weniger wahrscheinlich, wenn:
- Das Fähigkeitswachstum sich verlangsamt.
- Das Umsatzwachstum sich normalisiert.
- Offene Modelle zu nahen Substituten werden.
- Effiziente kleine Modelle den Großteil der Arbeitslasten übernehmen.
- Neue Hardware und Stromversorgung schneller als erwartet verfügbar sind.
- Software die benötigte Rechenleistung pro Aufgabe erheblich reduziert.
Bedeutung des Szenarios für KI-Unternehmen
Selbst wenn die Rechenkosten nicht um das 10-fache steigen, hat das Argument praktische Bedeutung.
Messen Sie die Kosten pro abgeschlossener Aufgabe
Verfolgen Sie:
- Gesamtzahl der Eingabe- und Ausgabe-Token
- Inferenz-Token
- Anzahl der Tool-Aufrufe
- Anzahl der Wiederholungen
- Zeit für manuelle Korrekturen
- End-to-End-Latenz
- Erfolgsrate
- Infrastrukturkosten
Wenn ein günstigeres Modell wiederholt scheitert, ist es tatsächlich nicht günstig.
Einsatz von Modell-Routing
Reservieren Sie teure Frontier-Modelle für Aufgaben, die wirklich davon profitieren.
Verwenden Sie kleinere Modelle für:
- Klassifikation
- Extraktion
- Routing
- Formatierung
- Wiederholte strukturierte Operationen
Eskalieren Sie nur schwierige Fälle.
Design für Rechenportabilität
Vermeiden Sie es, das gesamte Produkt an ein einzelnes Modell oder einen einzelnen GPU-Anbieter zu binden.
Nützliche Abstraktionen umfassen:
- Modell-Gateways
- Evaluations-Suiten
- Portable Prompts
- Anbieterunabhängiger
Speicher
- Mehrere Hardware-Backends
- Batch- und asynchrone Ausführung
Optimierung von Kontext und Tool-Nutzung
Langlaufende Agentenschleifen können durch wiederholten Kontext und übermäßige Tool-Ausgaben Rechenleistung verschwenden.
Verbesserungsbereiche:
- Prompt-Caching
- Kontextabruf
- Tool-Ausgabefilterung
- Wiederholungsstrategien
- Abbruchbedingungen
- Parallele Ausführung
- Ergebnisvalidierung
Kapazität sichern, bevor sie benötigt wird
Unternehmen mit vorhersehbarem Bedarf können profitieren von:
- Reservierten Instanzen
- Mehrjährigen Cloud-Verträgen
- Rabatten für zugesicherte Nutzung
- Mehreren Infrastrukturpartnern
- Lokaler Kapazität für stabile Arbeitslasten
Die richtige Strategie hängt von der Auslastung ab. Reservierte Hardware ist bei Leerlauf teuer.
Bedeutung des Szenarios für Investoren und politische Entscheidungsträger
Das Argument verlagert den Fokus auch von Modell-Benchmarks auf Infrastruktur.
Wichtige Bereiche umfassen:
- Fortschrittliche Halbleiterfertigung
- Lithografie
- Hochbandbreitenspeicher
- Verpackung
- Rechenzentrumsstrom
- Transformatoren
- Optische Netzwerke
- Kühlung
- Netzinfrastruktur
- Cloud-Finanzierung
Wenn Intelligenz zu einem wichtigen wirtschaftlichen Input wird, wird die Kontrolle über diese Ebenen strategisch.
Das Ergebnis könnte Zentralisierung sein.
Labore mit den besten Modellen und den stärksten Einnahmen könnten neue Marktteilnehmer bei knappen Rechenressourcen überbieten. Diese Rechenressourcen helfen ihnen, ihre Modelle zu verbessern, was wiederum die Einnahmen steigert und das nächste Gebot erleichtert.
Dies ist eine sich verstärkende Schleife:
Bessere Modelle
↓
Wertvollere Produkte
↓
Mehr Einnahmen
↓
Mehr Zugang zu Rechenressourcen
↓
Mehr Training und Inferenz
↓
Bessere Modelle
Das Risiko besteht darin, dass die Intelligenzproduktion in den Händen einiger weniger Unternehmen konzentriert sein könnte, die in der Lage sind, enorme Infrastrukturinvestitionen zu stemmen.
Häufige Fragen
Warum glaubt Devak Patel, dass KI-Rechenkosten um das 10-fache steigen könnten?
Patel argumentiert, dass intelligentere KI-Modelle mehr Einnahmen pro Recheneinheit erzielen könnten, während das tatsächliche Angebot an fortgeschrittener Rechenleistung viel langsamer wächst. Wenn Nachfrage und Zahlungsbereitschaft schneller wachsen als das Angebot an Chips, Strom und Rechenzentren, könnten die Marktpreise stark steigen.
Sagt Anthropic einen Jahresumsatz von 1 Billion US-Dollar voraus?
Nein. Anthropic berichtet offiziell, dass der annualisierte Umsatz im Mai 2026 die Marke von 47 Milliarden US-Dollar überschritten hat. Die Zahlen von 100 bis 150 Milliarden US-Dollar zum Jahresende sowie 1 Billion US-Dollar im Folgejahr sind Annahmen in Patels Gedankenexperiment und keine Unternehmensprognosen.
Warum wird die H100 mit einem Softwareentwickler verglichen, der 250.000 US-Dollar pro Jahr verdient?
Dieser Vergleich untersucht, wie Rechenressourcen bewertet werden könnten, wenn ein System mit H100-Äquivalent einen KI-Agenten betreiben könnte, der die Arbeit eines hochbezahlten Ingenieurs übernimmt. Dies ist ein hypothetischer Wertmaßstab und kein Beweis dafür, dass aktuelle Agenten pro H100 einen Ingenieur ersetzen können.
Wie schnell wächst die globale KI-Rechenleistung?
Epoch AI schätzt, dass die gesamte globale KI-Rechenleistung im Jahr 2025, ausgedrückt in H100-Äquivalenten, etwa um das Dreifache gewachsen ist. Zukünftiges Wachstum ist ungewiss und hängt von Chipleistung, Fertigung, Verpackung, Strom, Bau und Investitionen ab.
Warum könnten die Rechenkosten für Frontier-Labore höher sein als für öffentliche Spot-GPU-Preise?
Frontier-Labore benötigen sichere, zuverlässige, groß angelegte Cluster mit Hochgeschwindigkeitsnetzwerk und vorhersehbarer Leistung.
Langfristige Verfügbarkeit. Öffentliche Spot-Instanzen sind nicht gleichzusetzen mit dedizierten mehrjährigen Bereitstellungen mit Hunderttausenden koordinierten Beschleunigern.
Begünstigen teure Rechenkosten immer das stärkste Modell?
Nicht unbedingt. Wenn das stärkste Modell dasselbe Ergebnis mit weniger Token, weniger Wiederholungen oder weniger Zeit erzielt, begünstigt teure Rechenleistung es tatsächlich. Für schmale, latenzempfindliche, private oder Edge-Workloads können kleinere spezialisierte Modelle jedoch weiterhin wirtschaftlicher sein.
Wird KI-Rechenleistung für immer teuer bleiben?
Patel behauptet nicht, dass Rechenleistung dauerhaft teuer bleibt.
Sein Argument betrifft eine Übergangsphase – in der die KI-Nachfrage die Expansionsfähigkeit der Halbleiter- und Rechenzentrums-Lieferketten übersteigen könnte; langfristig könnten Hardware und Automatisierung Rechenleistung wieder günstiger machen.
Welche Beweise könnten die Annahme „Rechenleistungspreis × 10" widerlegen?
Das Argument würde geschwächt, wenn das KI-Umsatzwachstum nachlässt, Modellfähigkeiten eine Obergrenze erreichen, Open-Source-Modelle zu sehr ähnlichen Alternativen werden, Effizienzsteigerungen bei Dienstleistungen schneller wachsen als die Nachfrage, oder die Expansion von Halbleiter- und Stromversorgung schneller als erwartet verläuft.
Verwandte Tools
- Epoch AI: Forschung und Daten zu KI-Rechenleistung, Modellskalierung, Infrastruktur und Ökonomie von Frontier-Laboren.
- NVIDIA H100 Tensor Core GPU: Offizielle NVIDIA-Spezifikationen für den Beschleuniger, der die zentrale Recheneinheit in Patels Gedankenexperiment darstellt.
- AWS EC2 P5-Instanzen: Offizielle AWS-Cloud-Instanzen auf Basis der NVIDIA H100 GPU für große KI-Workloads.
- Google Cloud A3-VMs: Google-Cloud-Dokumentation zu GPU-Rechenleistung, einschließlich Verfügbarkeit und Konfiguration von Beschleunigern.
- CoreWeave Cloud-GPU: Spezialisierte Cloud-Plattform für massive GPU-Infrastruktur für KI-Workloads.
- NVIDIA Triton Inference Server: Ein Inferenz-Serversystem zur Verbesserung von Auslastung, Batch-Verarbeitung und Bereitstellungseffizienz über KI-Modelle hinweg.
Verwandte Links
- Dwarkesh Patel: Warum Rechenleistung 10-mal teurer werden könnte: Originalartikel mit dem H100-Arbeitswert-Szenario und dem Argument der Rechenknappheit.
- Anthropic Series-H-Ankündigung: Offizielle Ankündigung von Anthropic im Mai 2026, die annualisierte Einnahmen von über 47 Milliarden US-Dollar und bedeutende Rechenleistungs-Partnerschaften bestätigt.
- Anthropic–Google–Broadcom-Rechenleistungspartnerschaft: Anthropics offizielle Beschreibung der Multi-Gigawatt-TPU-Expansion und der Meilenstein von 30 Milliarden US-Dollar annualisierten Einnahmen.
- SpaceXAI- und Anthropic-Rechenleistungspartnerschaft: Offizielle Ankündigung, die Anthropic Zugang zum Colossus-1-GPU-Cluster gewährt.
- Epoch AI: Frontier-Labore nutzen den Großteil der KI-Rechenleistung nicht: Schätzungen zu globaler KI-Rechenleistung, Anteilen der Frontier-Labore, Wachstumsraten und Infrastrukturbeschränkungen.
- Epoch AI: OpenAIs Rechenausgaben 2024: Schätzung der Verteilung von OpenAIs Rechenleistung auf Forschung, Training und Inferenz im Jahr 2024.
- Trends bei KI-Supercomputern: Forschung zu Leistungswachstum, Hardwarekosten, Chipherzahlen und Strombedarf von KI-Supercomputern.
Zusammenfassung
Dwarkesh Patels Argument des 10-fachen Rechenleistungspreises beginnt mit einer einfachen Idee: Wenn eine GPU KI-Agenten ausführen kann, die hochwertige Wissensarbeit leisten, könnte die Zahlungsbereitschaft für diese GPU eher am Wert dieser Arbeit gemessen werden als an den historischen Serverkosten.
In Kombination mit Anthropics schnellem Umsatzwachstum und Schätzungen, dass die globale KI-Rechenleistung jährlich um etwa das Dreifache expandiert, wird das Argument noch stärker. Wenn die kommerzielle KI-Nachfrage schneller wächst, muss die Anpassung über Gewinnmargen, Rechenleistungsallokation, steigende Infrastrukturpreise oder eine Kombination dieser drei erfolgen.
Diese Prognose ist keineswegs sicher. Energieeffizienzverbesserungen, Open-Source-Modelle, kleinere spezialisierte Systeme, neue Fabriken, neue Beschleuniger und ein verlangsamtes Fähigkeitswachstum könnten alle eine 10-fache Steigerung verhindern. Historische Prognosen über Ressourcenknappheit haben zudem oft die Fähigkeit zur adaptiven Anpassung unterschätzt.
Die wirklich bleibende Erkenntnis ist nicht, dass Rechenleistung genau um das 10-fache steigen muss, sondern dass intelligentere KI den wirtschaftlichen Wert jeder GPU schneller steigern kann, als die physische Welt neue GPUs herstellen und mit Strom versorgen kann.