LLM-Flation: KI-Kosten-Entwicklung im Sturzflug, Ihre KI-Abos nicht

Herbst 2024, Besprechungsraum eines Lebensmittelgroßhändlers in Osnabrück. Geschäftsführer Martin Krüger blättert durch ein Angebot für KI-gestützte Dokumentenverarbeitung: Eingangsrechnungen, Lieferscheine und Reklamationen, alles automatisch erfasst. Dann bleibt sein Blick an den laufenden Modellkosten hängen. Er rechnet kurz nach, legt das Angebot beiseite und sagt den Satz, der so in vielen deutschen KMU fällt: „Zu teuer. Wir warten." Achtzehn Monate später kostet dieselbe Rechenleistung weniger als ein Hundertstel. Genau darum geht es hier: Die KI-Kosten-Entwicklung ist die am meisten unterschätzte Planungsgröße im Mittelstand. KI-Leistung wird jedes Jahr drastisch billiger, schneller als jede Technologie zuvor. Für die Flatrate-Abos der großen Anbieter gilt dieser Effekt jedoch nicht, im Gegenteil. Wer beide Kurven kennt, budgetiert anders: mutiger bei Projekten, wachsamer bei Abos. Die folgenden Zahlen stammen aus verifizierten Studien, von Stanford bis Bitkom, und zeigen, was die sogenannte LLM-Flation für Ihr KI-Budget bedeutet.

Von 20 Dollar auf 7 Cent: Die KI-Kosten-Entwicklung sprengt jede Erfahrung

Die Kernzahl vorweg: Gleiche KI-Leistung ist zwischen November 2022 und Oktober 2024 um mehr als das 280-Fache günstiger geworden. Laut Stanford AI Index Report (2025) fiel der Preis für die Abfrage eines Modells auf GPT-3,5-Niveau (64,8 Punkte im Benchmark MMLU) von 20,00 US-Dollar je Million Token auf 0,07 US-Dollar. Je nach Aufgabe sanken die Preise für Modellabfragen laut derselben Untersuchung um das 9- bis 900-Fache pro Jahr.

Ein Token ist die Abrechnungseinheit der KI-Anbieter, grob ein Wortbestandteil. Eine Million Token entsprechen mehreren hundert Seiten Text. Diese Menge Textverarbeitung kostete Ende 2022 noch 20 US-Dollar, heute liegt sie bei gleicher Modellqualität bei sieben US-Cent. Die wichtigsten Meilensteine im Überblick:

Für Martin Krüger heißt das übersetzt: Der Kostenblock, an dem sein Projekt 2024 scheiterte, ist rechnerisch auf unter ein Prozent geschrumpft. Die Kalkulation, die damals gegen das Projekt sprach, ist heute schlicht veraltet.

LLM-Flation: Warum KI-Leistung schneller billiger wird als jede Technik zuvor

LLM-Flation bezeichnet den Effekt, dass Unternehmen für konstantes Geld jedes Jahr ein Vielfaches an KI-Leistung erhalten. Geprägt hat den Begriff die Investmentfirma Andreessen Horowitz: Laut a16z (2024) fallen die Kosten für gleichbleibende Sprachmodell-Leistung um rund das Zehnfache pro Jahr. Für Leistung auf GPT-3-Niveau sanken die Preise demnach von 60 US-Dollar je Million Token im November 2021 auf 0,06 US-Dollar drei Jahre später, ein Faktor von 1.000. Zur Einordnung: Das Mooresche Gesetz, über Jahrzehnte der Maßstab für technischen Fortschritt, beschreibt eine Verdopplung etwa alle zwei Jahre. Die LLM-Flation läuft um ein Vielfaches schneller.

Warum werden KI-Modelle so schnell billiger? Drei technische Treiber

Der stärkste Motor ist algorithmische Effizienz. Laut Epoch AI (2024) halbiert sich der Rechenbedarf für eine feste Sprachmodell-Leistung etwa alle acht Monate; die Forscher werteten dafür 231 Sprachmodelle aus. Dazu kommen zwei Architektur-Hebel: Quantisierung lässt Modelle mit geringerer Zahlengenauigkeit rechnen, was Speicher und Strom spart, ohne die Qualität spürbar zu senken. Mixture-of-Experts-Architekturen aktivieren pro Anfrage nur einen kleinen Teil des Modells, was die Kosten je Antwort weiter drückt. Auch die Hardware trägt bei: Der Stanford AI Index beziffert den jährlichen Rückgang der Hardwarekosten auf rund 30 Prozent, bei jährlich 40 Prozent besserer Energieeffizienz.

Der vierte Treiber ist ökonomisch: Offene Modelle, die jedes Unternehmen auf eigener Infrastruktur betreiben kann, setzen kommerzielle Anbieter dauerhaft unter Preisdruck. Warum dieselbe Dynamik inzwischen ganze Softwarekategorien erfasst, zeigt unsere Analyse Wird Software durch KI billiger?

Warum Ihre KI-Abos trotzdem nicht billiger werden

Die fallende Kurve gilt für Rechenleistung, nicht für Abo-Preise: Flatrate-Abos großer KI-Anbieter sind heute vielfach subventioniert und dürften eher teurer werden. Die Rechnung dahinter ist einfach. Ein Power-User, der den ganzen Arbeitstag Texte, Analysen und Code generieren lässt, verbraucht ein Vielfaches dessen an Rechenleistung, was sein Monatsabo kostet. Würde dieselbe Menge über nutzungsbasierte API-Preise abgerechnet, läge die Rechnung oft um ein Mehrfaches höher. Die Differenz zahlen bislang Investoren, denn Marktanteile gelten in der Branche aktuell mehr als Gewinne.

Diese Subventionsphase ist endlich. Spätestens wenn Anbieter an die Börse streben oder Geldgeber Renditen sehen wollen, müssen die Zahlen stimmen: Dann sind Preiserhöhungen, engere Nutzungslimits und gedrosselte Leistung in Flatrate-Tarifen die absehbaren Stellschrauben. Erste Vorboten gibt es bereits, etwa Nutzungsobergrenzen selbst in teuren Tarifen. Welche Erlösquellen die Anbieter darüber hinaus anzapfen, haben wir in unserem Beitrag zum wahren Geschäftsmodell der KI-Konzerne analysiert.

Zwei Größen, die Sie strikt trennen sollten

Für die Budgetplanung zählt bei der KI-Kosten-Entwicklung eine Unterscheidung: Der Preis je Rechenleistung fällt verlässlich, der Abo-Preis ist dagegen eine geschäftspolitische Entscheidung des Anbieters und kann jederzeit steigen. Wer seine KI-Nutzung ausschließlich über Flatrate-Abos abbildet, koppelt sein Budget an genau die Größe, die nicht der fallenden Kurve folgt. Nutzungsbasierte Abrechnung und eigene Infrastruktur folgen ihr dagegen direkt.

Was die KI-Kosten-Entwicklung für Ihr KI-Budget konkret bedeutet

Die wichtigste Konsequenz: Ein Anwendungsfall, der heute an laufenden Modellkosten scheitert, ist in zwölf Monaten voraussichtlich wirtschaftlich. Die Frage „Was kostet KI im Unternehmen?" hat damit keine feste Antwort mehr, sondern ein Verfallsdatum. Wer Projekte mit den Token-Preisen von heute für drei Jahre kalkuliert, ignoriert die KI-Kosten-Entwicklung, rechnet systematisch zu teuer und lehnt Vorhaben ab, die im Betriebsjahr längst profitabel wären.

Der Blick auf Deutschland zeigt, wie viel Potenzial dadurch brachliegt. Laut Statistischem Bundesamt (2024) nutzte 2024 erst jedes fünfte Unternehmen in Deutschland KI; als Hindernis nannten 71 Prozent der Nichtnutzer fehlendes Wissen, aber nur 28 Prozent zu hohe Kosten. Ein Jahr später meldete Bitkom (2025) bereits 36 Prozent KI-Nutzung, nach 20 Prozent im Vorjahr. Die Aufholjagd läuft, und sinkende KI-Preise beschleunigen sie weiter.

In unserer Praxis bei DigiRift kalkulieren wir Wirtschaftlichkeitsrechnungen deshalb zweigleisig: einmal mit aktuellen Token-Preisen, einmal mit konservativ angesetztem Kostenverfall. Regelmäßig kippt dabei die Bewertung von „lohnt sich nicht" zu „lohnt sich ab dem dritten Quartal". Wie stark dieser Effekt Projektbudgets verändert, zeigen unsere Beiträge zur Wirtschaftlichkeit von KI-Software und zum ROI von KI-Software.

Zur Wahrheit gehört aber auch: Der Modellpreis ist selten der größte Posten. Bei individuellen Lösungen entfallen die Hauptkosten auf Integration, Prozessdesign, Schulung und Betrieb, und diese Positionen fallen nicht um den Faktor 10 pro Jahr. Der Kostenverfall entscheidet vor allem darüber, welche Anwendungsfälle überhaupt wirtschaftlich werden: Je höher der Token-Verbrauch eines Prozesses, desto stärker profitiert er von der Kurve.

Vier Schritte, mit denen KMU die Kostenkurve für sich arbeiten lassen

KI-Budget planen heißt ab sofort: die fallende Kostenkurve aktiv einplanen, statt einmalig Preise zu vergleichen. Vier Schritte haben sich in der Praxis bewährt:

1. Kostenkurve einplanen: Kalkulieren Sie KI-Projekte mit einem 12-Monats-Blick. Ein Vorhaben, das heute knapp unwirtschaftlich ist, gehört auf Wiedervorlage, nicht in den Papierkorb.
2. Abo-Inventur machen: Erfassen Sie sämtliche KI-Abos im Unternehmen, inklusive der Einzel-Accounts, die Fachabteilungen selbst abgeschlossen haben. Stellen Sie Abopreis und tatsächliche Nutzung gegenüber.
3. Exit-Kriterien definieren: Legen Sie vor der nächsten Preisrunde fest, ab welcher Preiserhöhung oder welchem Nutzungslimit Sie wechseln, und prüfen Sie Kündigungsfristen und Datenexport schon heute.
4. Alternativen kennen: Offene Modelle und eigene Infrastruktur werden durch den Preisverfall laufend attraktiver. Rechnen Sie diese Szenarien einmal pro Jahr gegen Ihre KI-Abo-Kosten.

Und Martin Krüger? Im Frühjahr 2026 hat er das Projekt neu ausschreiben lassen. Die Modellkosten, 2024 noch der Streichgrund, tauchen in der neuen Kalkulation nur noch als Nebenposten auf. Gestartet ist er trotzdem größer als geplant, denn bei den heutigen KI-Token-Kosten lautete die Frage nicht mehr, ob sich die Dokumentenverarbeitung rechnet, sondern welche Prozesse gleich mit automatisiert werden.

In unserer Arbeit bei DigiRift übernehmen wir genau diese Rechnung komplett: Wir inventarisieren Ihre KI-Nutzung, stellen Abos gegen API- und Eigenbetriebs-Szenarien und bauen den Kostenverfall in Ihre Projektplanung ein. Sie müssen dafür weder Token zählen noch Benchmarks lesen, ein Erstgespräch mit unserem Team genügt als Startpunkt.

Wenn Sie Preisbewegungen und Modellsprünge künftig selbst im Blick behalten möchten, ohne täglich Fachmedien zu verfolgen: Unser kostenloser KI-Newsletter ordnet solche Entwicklungen regelmäßig für Entscheider im Mittelstand ein.

Fazit: Die Kurve arbeitet für Sie, wenn Sie sie einplanen

Die KI-Kosten-Entwicklung verläuft auf zwei gegenläufigen Linien: Rechenleistung wird pro Jahr rund zehnmal billiger, belegt durch Stanford, a16z und Epoch AI, während Flatrate-Abos vor Preiserhöhungen und Limits stehen, sobald der Profitabilitätsdruck der Anbieter steigt. Für KMU ist das eine gute Nachricht, sofern beide Linien in die Planung einfließen: Gestern unwirtschaftliche Projekte werden reihenweise rentabel, während blinde Abo-Abhängigkeit zum Kostenrisiko wird. Inventarisieren Sie Ihre KI-Abos, definieren Sie Exit-Kriterien und kalkulieren Sie neue Vorhaben mit der fallenden Kurve statt mit Momentaufnahmen. In einem 30-minütigen Gespräch rechnen wir von DigiRift mit Ihnen durch, welche Ihrer Prozesse sich bei heutigen Token-Preisen bereits automatisieren lassen, welche in zwölf Monaten dazukommen und wo Ihre KI-Abo-Kosten aus dem Ruder laufen: Sprechen Sie direkt mit unserem Team. Sie gehen mit einer belastbaren Budget-Grundlage für 2026 und 2027 heraus statt mit einer Bauchentscheidung.

Quellen

1. Stanford HAI: AI Index Report 2025. hai.stanford.edu/ai-index/2025-ai-index-report
2. Andreessen Horowitz (a16z): LLMflation. LLM inference cost is going down fast. a16z.com/llmflation-llm-inference-cost
3. Epoch AI: Algorithmic progress in language models. epoch.ai/blog/algorithmic-progress-in-language-models
4. Statistisches Bundesamt (Destatis): Jedes fünfte Unternehmen nutzt künstliche Intelligenz. destatis.de
5. Bitkom e. V.: Durchbruch bei Künstlicher Intelligenz. bitkom.org