Der Token wird billiger. Der Umbau nicht.
Warum die eigentliche KI-Rechnung längst außerhalb des Modells entsteht
Google bindet seinen KI-Ausbau 22 Jahre an Atomstrom, Oracle investiert in einem Quartal 28,5 Milliarden Dollar und Wipro verteilt Kapazität im Umfang von 20.000 Vollzeitäquivalenten neu und gleichzeitig fällt der effektive Tokenpreis.
Diese Woche klingt widersprüchlich. Ramp misst einen effektiven Preis von 0,68 Dollar je Million Tokens, 41 Prozent weniger als beim Höchststand im März. Gleichzeitig kündigt Google mindestens 13 Milliarden Euro für finnische KI-Infrastruktur an, Oracle finanziert seinen Ausbau mit gewaltigen Vorleistungen, und Mistral nimmt drei Milliarden Euro auf.
Der Widerspruch löst sich auf, sobald du nicht mehr nur auf das Modell schaust. Die Recheneinheit wird billiger. Dafür wandert die Rechnung in Stromverträge, Rechenzentren, Datenzugriffe, Prozessumbauten, Berechtigungen und Kontrolle.
Auch Wipros Zahl von 20.000 Vollzeitäquivalenten bedeutet nicht, dass KI 20.000 Menschen ersetzt hat. Das Unternehmen sagt, es habe die freigewordene Kapazität anders eingesetzt. Genau dort beginnt die Unternehmerfrage.
Die naive Frage lautet: Wie günstig wird KI noch?
Die bessere lautet: Welche Kosten senkt KI tatsächlich, und welche verlagert sie nur?
1. Google bindet seinen finnischen KI-Ausbau 22 Jahre an Atomstrom
Google will 2027 und 2028 mindestens 13 Milliarden Euro in finnische KI- und Digitalinfrastruktur investieren. Parallel vereinbarte der Konzern mit Fortum einen Stromabnahmevertrag über 22 Jahre. Er startet 2028, kann ab 2030 bis zu 50 Prozent der Leistung des Kernkraftwerks Loviisa umfassen und soll dessen Weiterbetrieb bis 2050 unterstützen. Fortum veröffentlichte die Vertragsdetails als regulierte Insiderinformation.
Was die Belege nicht zeigen: Die 13 Milliarden Euro sind angekündigt, nicht ausgegeben. Der Strompreis bleibt vertraulich, auch ist nicht belegt, dass anderen Unternehmen dadurch zusätzliche Energie zur Verfügung steht.
Meine Einordnung: Der Einstiegspunkt für KI-Infrastruktur ist inzwischen der Stromanschluss. Wer Kapazität über Jahrzehnte reserviert, sichert sich Energie, planbarere Kosten und einen Standortvorteil. Für Mittelständler heißt das nicht, ein Kraftwerk zu kaufen. Es heißt, Cloudpreise nicht als dauerhaft gegeben zu behandeln.
Was zu machen ist:
1. Lass dir bei kritischen Cloudverträgen Region, Energieabhängigkeit und Regeln für Preisänderungen erklären.
2. Rechne größere KI-Anwendungen zusätzlich mit höheren Infrastrukturpreisen und einem zweiten Standort durch.
2. Oracle zeigt, wie teuer schnelles KI-Wachstum wird
Oracle meldet für das erste Quartal 19,3 Milliarden Dollar Umsatz. Der Umsatz mit Cloud-Infrastruktur stieg um 121 Prozent auf 7,4 Milliarden Dollar, gleichzeitig investierte Oracle 28,5 Milliarden Dollar. Der freie Cashflow lag im Wortlaut der Firma bei “negative $5 billion for Q1”.
Der Ausbau wird nicht allein aus laufenden Einnahmen bezahlt. Oracle nahm über eine Aktienplatzierung rund 20 Milliarden Dollar auf, Kunden zahlten weitere 11,36 Milliarden Dollar im Voraus. Die verbleibenden Leistungsverpflichtungen stiegen auf 664 Milliarden Dollar.
Was die Belege nicht zeigen: Auftragsbestand ist kein Umsatz. Ein großer Teil wird erst über Jahre abgearbeitet. Die Zahlen belegen Nachfrage und Kapitalbedarf, aber noch nicht, wie profitabel die neuen Kapazitäten werden.
Meine Einordnung: Der KI-Boom wird zunehmend vorfinanziert, von Aktionären, Kunden und Anbietern. Wer heute mehrjährige Cloudkapazität reserviert, finanziert damit oft Infrastruktur, die erst gebaut wird. Vorauszahlungen und lange Bindungen übertragen einen Teil des Auslastungs- und Lieferrisikos auf den Kunden.
Was zu machen ist:
1. Trenne in deinen Verträgen echte Nutzung von bloß reservierter Kapazität, und verlange für Reservierungen einen Liefertermin.
2. Verlange Ausstiegsklauseln, wenn Liefertermine, Leistung oder eigener Bedarf von der Planung abweichen.
3. Mistral sammelt drei Milliarden Euro für europäische KI-Souveränität ein
Mistral hat drei Milliarden Euro aufgenommen. Die Finanzierungsrunde bewertet das französische Unternehmen mit mehr als 21 Milliarden Euro. Samsung, der EU-gestützte Scaleup Europe Fund und PSG Equity führen die Runde gemeinsam. Das Geld soll Modelle, Rechenkapazität und die internationale Expansion finanzieren.
Was die Belege nicht zeigen: Die hohe Bewertung beweist weder Profitabilität noch dauerhafte Wettbewerbsfähigkeit. Mistrals Ziel von einer Milliarde Dollar jährlich wiederkehrendem Umsatz bis Jahresende ist eine Prognose des Finanzchefs, kein erreichtes Ergebnis.
Meine Einordnung: Europas KI-Chance liegt nicht im Nachbau jedes US-Anbieters. Interessant wird Mistral dort, wo Unternehmen Modelle selbst betreiben, anpassen oder den Anbieter wechseln wollen. Souveränität ist aber kein Herkunftssiegel. Sie muss sich in Hosting, Datenzugriff, Portabilität und Vertragsrechten zeigen.
Was zu machen ist:
1. Nimm bei der nächsten Modellauswahl mindestens eine europäische oder offen betreibbare Alternative in den Test.
2. Lass dir vertraglich bestätigen, wo Daten und Modelle laufen und wie du Anwendung und Daten wieder herausbekommst.
4. Wipro verteilt KI-Kapazität im Umfang von 20.000 Vollzeitäquivalenten neu
Wipros Technikchefin Sandhya Arun sagte Reuters, KI-Initiativen hätten Kapazität im Umfang der Arbeit von rund 20.000 Beschäftigten freigesetzt. Entlassen worden seien diese Menschen deshalb nicht; die Kapazität sei neu eingesetzt worden. Mehr als 100.000 Beschäftigte wurden in fortgeschrittener KI geschult.
Was die Belege nicht zeigen: Wipro hat die Messmethode nicht veröffentlicht. Die Zahl wurde nicht unabhängig geprüft und sagt nichts darüber aus, wie viel zusätzlicher Umsatz oder Gewinn entstanden ist. Wipro verkauft selbst KI-Transformation.
Meine Einordnung: Produktivität ist erst dann ein Ergebnis, wenn klar ist, was mit der gewonnenen Zeit passiert. Bleiben Aufgaben, Rollen und Ziele unverändert, wird aus Automatisierung freie Kapazität ohne wirtschaftliche Wirkung. Entscheidend ist deshalb nicht nur, wie viel Zeit KI spart, sondern wohin diese Zeit anschließend fließt.
Was zu machen ist:
1. Lege vor jedem KI-Projekt fest, wofür eingesparte Stunden verwendet werden: mehr Volumen, schnellere Lieferung, bessere Qualität oder weniger Kosten.
2. Miss nach 90 Tagen die Zeitersparnis und zusätzlich, ob die freigewordene Kapazität tatsächlich neu eingesetzt wurde.
5. OpenAI baut mit dem Data Agent einen Unternehmensarbeitsplatz
Der neue Data Agent in ChatGPT Work verbindet sich mit freigegebenen Quellen wie BigQuery, Databricks, Snowflake, Redshift, MongoDB, SharePoint oder Google Drive. Nutzer stellen Fragen in normaler Sprache und erzeugen daraus Analysen oder Dashboards. Bestehende Rechte auf Tabellen-, Zeilen- und Spaltenebene sollen übernommen werden. Neu ist damit nicht ChatGPT Work selbst, sondern der direkte Zugang zu Unternehmensdatenbanken.
Was die Belege nicht zeigen: OpenAI veröffentlicht weder Genauigkeitswerte noch Preise, Nutzerzahlen oder unabhängige Produktivitätsdaten. Die genannten Kundenergebnisse stammen aus einem Alpha-Programm und aus OpenAIs eigener Darstellung.
Meine Einordnung: Der Nutzen liegt darin, dass Managementfragen nicht erst mehrere Tage durch eine Reporting-Schleife laufen. Das Rechtemodell ist zugleich die Schwachstelle: Der Agent erbt die Rechte des verbundenen Kontos. In vielen Betrieben sind diese historisch zu weit gefasst, weil bisher ein Mensch davorsaß, der wusste, was er nicht abfragt.
Was zu machen ist:
1. Starte mit einem Datensatz, dessen Definitionen und Zugriffsrechte bereits sauber sind. Prüfe Zeilen und Spalten, nicht nur Tabellen.
2. Vergleiche zwanzig echte Fragen mit deinem bestehenden Reporting und dokumentiere Abweichungen, Nacharbeit und Zeitgewinn.
6. Google, Accenture und Eagle Hill zeigen: Der Engpass liegt im Betriebsmodell
Google Cloud und Accenture bauen eine gemeinsame Einheit für Gemini Enterprise auf. Geplant sind 1.000 sogenannte Forward-Deployed Engineers, die direkt bei Kunden an Datenintegration, Prozessen und Einführung arbeiten. Grundlage sind fast 50.000 bereits auf Google Cloud geschulte Fachkräfte bei Accenture.
Am selben Tag veröffentlichte Eagle Hill Consulting eine von Ipsos erhobene Befragung von 306 Führungskräften. 84 Prozent nennen mindestens eine kulturelle Hürde. Gleichzeitig halten nur 18 Prozent die Neugestaltung der Arbeit und 9 Prozent die Kultur für entscheidende Erfolgsfaktoren.
Was die Belege nicht zeigen: Die 1.000 Personen sind ein Aufbauziel und nicht zwingend neue Stellen. Eagle Hill verkauft selbst Beratungsleistungen rund um Arbeit und Organisation. Die Befragung beruht auf Selbstauskünften und erfasst Führungskräfte größerer Unternehmen; eine Kausalität beweist sie nicht.
Meine Einordnung: Die Lücke zwischen 84 und 18 Prozent ist die interessanteste Zahl dieser Ausgabe. Fast alle spüren die Hürde, kaum jemand hält sie für den Punkt, an dem gearbeitet werden muss. Modelle sind verfügbar. Knapp sind Menschen, die Daten, Prozesse, Verantwortung und Anreize gleichzeitig verändern können. Eine Lizenz plus Schulung ist noch keine Transformation.
Was zu machen ist:
1. Gib jedem größeren KI-Prozess einen fachlichen Eigentümer mit Ergebniskennzahl, nicht nur einen technischen Projektleiter.
2. Bezahle interne und externe Experten für veränderte Abläufe, nicht für die Anzahl eingeführter Tools.
7. ChatGPT Images 2.5 wird für Produktionsabläufe interessanter
OpenAI hat ChatGPT Images 2.5 für ChatGPT, ChatGPT Work und Codex veröffentlicht. Das Modell soll Motive aus Referenzbildern besser erhalten, einzelne Bereiche gezielter verändern und über mehrere Bearbeitungsschritte konsistenter bleiben. OpenAI nennt bis zu 50 Prozent weniger Latenz und mehr als drei Milliarden erzeugte Bilder pro Woche. Neu sind Skizzen als Vorlage, Formatvorlagen und Kommentare direkt auf Bildern. Die Dateien enthalten C2PA-Metadaten und unsichtbare Wasserzeichen.
Was die Belege nicht zeigen: Qualität und Geschwindigkeitsgewinn stammen von OpenAI und frühen Partnern. Sie garantieren weder Markentreue noch weniger Korrekturschleifen im eigenen Betrieb. OpenAI warnt selbst, dass höhere Realistik überzeugendere Fälschungen ermöglichen kann.
Meine Einordnung: Für Unternehmen ist nicht das schönere Einzelbild entscheidend. Wert entsteht, wenn Produktfotos, Anzeigen oder Präsentationsgrafiken nach fünf Änderungen noch konsistent aussehen. Genau das sollte der Test prüfen. Die Herkunftsmarkierung ist der Punkt, den du kennen musst. Wer solche Bilder in Anzeigen oder Produktdarstellungen einbaut, verteilt Dateien, deren Ursprung technisch erkennbar bleibt.
Was zu machen ist:
1. Lass zehn reale Motive erstellen und jeweils dreimal gezielt überarbeiten. Miss Zeit, Korrekturen und Wiederverwendbarkeit.
2. Lege für Kundenmaterial Freigabe, Kennzeichnung und Ablage der Originale fest, bevor das Werkzeug breit eingesetzt wird.
8. Meta Muse bekommt Zugriff auf E-Mail, Kalender und Zahlungen
Meta hat in den USA den persönlichen Agenten Muse gestartet. Nutzer können unter anderem E-Mail, Kalender, Einkauf und Zahlungen verbinden. Muse arbeitet in einem sichtbaren Browser und kann Aufgaben im Hintergrund ausführen. Das Berechtigungssystem Sentinel trennt Lese- und Schreibrechte und kann je Aktion erlauben, blockieren oder nachfragen. Berichte über interne Tests beschreiben zugleich umgangene Schutzmaßnahmen, Zugriffe auf private Fotos und unzuverlässig abgebrochene Aufgaben.
Zur Einordnung: Muse ist nicht Muse Spark 1.3. Das Modell vom 4. September hatten wir letzte Woche, hier geht es um ein Produkt mit demselben Markennamen.
Was die Belege nicht zeigen: Einzelne interne Vorfälle sind keine Fehlerquote für den Produktivbetrieb, und sie stammen aus Berichten über Leaks, nicht von Meta. Muse ist zunächst nur in den USA verfügbar, Erfahrungen aus europäischen Unternehmen gibt es deshalb noch nicht.
Meine Einordnung: Je persönlicher ein Agent wird, desto weniger reicht eine Liste erlaubter Apps. Entscheidend sind die einzelnen Rechte innerhalb dieser Apps. Ein Agent, der Termine lesen darf, muss sie nicht löschen dürfen. Einer, der Warenkörbe füllt, braucht kein Zahlungsrecht. Die vier Dimensionen von Sentinel kannst du sofort auf deine eigenen Agenten anwenden, auch ohne Muse.
Was zu machen ist:
1. Trenne bei jedem Agenten Lesen, Schreiben, Löschen und Bezahlen als eigene Berechtigungen.
2. Verlange für irreversible Aktionen eine Bestätigung und protokolliere, wer sie ausgelöst hat.
9. Anthropic zeigt KI als Orchestrator realer Cyberangriffe
Anthropics neuer Sicherheitsbericht beschreibt Angriffe, bei denen Claude größere Teile der Angriffskette koordinierte. Ein mutmaßlich russlandnaher Akteur kompromittierte mindestens drei Anbieter von Hotel-WLAN, übernahm Administratorzugänge und leitete DNS-Einträge auf eigene Server um. Gäste übermittelten dadurch unbemerkt Datenverkehr, Gerätekennung und IP-Adresse an den Angreifer. Derselbe Akteur übernahm WhatsApp-Konten, passte Schadsoftware laufend an und zielte auf mehr als 20 Organisationen.
Was die Belege nicht zeigen: Anthropic ist gleichzeitig Plattformbetreiber, Ermittler und Quelle. Namen und technische Details bleiben teilweise verborgen. Die ausgewählten Fälle sind nicht repräsentativ für die gesamte Claude-Nutzung.
Meine Einordnung: Die neue Gefahr heißt Koordination. Ein Angreifer, der Recherche, Priorisierung und Anpassung parallelisiert, braucht weniger Leute und bearbeitet mehr Ziele gleichzeitig. Beide Fälle enden bei Identität und Berechtigungen: Muse braucht dort klare Grenzen, Angreifer suchen genau dort nach offenen Türen.
Was zu machen ist:
1. Mach VPN im Hotel- und Gäste-WLAN verbindlich, technisch erzwungen und nicht als Empfehlung. Sag deinen Leuten warum, ein Verbot ohne Begründung wird umgangen.
2. Überwache Agentenidentitäten, API-Schlüssel und ungewöhnliche Werkzeugketten gemeinsam statt in getrennten Systemen. Ein missbrauchter, gültiger Zugang löst keinen Virenalarm aus.
10. Ramp misst einen um 41 Prozent niedrigeren effektiven Tokenpreis als im März
Ramps Index für US-Unternehmenskunden misst einen effektiven Preis von 0,68 Dollar je Million Tokens. Im März lag der Höchststand bei 1,15 Dollar, ein Rückgang um rund 41 Prozent. Ramp führt das unter anderem auf Preissenkungen und die stärkere Nutzung günstiger Standardmodelle zurück.
Was die Belege nicht zeigen: Das ist kein allgemeiner Marktpreis. Der Wert wird aus Ramps eigenen US-Ausgabendaten berechnet und kann nachträglich angepasst werden. Über Qualität, Nacharbeit oder Kosten einer erledigten Aufgabe sagt der Index nichts.
Meine Einordnung: Sinkende Tokenpreise lösen kein schlechtes Prozessdesign. Wenn ein günstigeres Modell doppelt so viele Rückfragen und Kontrollen braucht, ist es am Ende teurer. Die relevante Kennzahl bleibt der Preis pro brauchbarem Ergebnis.
Was zu machen ist:
1.Route einfache Aufgaben bewusst auf günstigere Standardmodelle, statt überall das Spitzenmodell voreinzustellen.
2.Vergleiche Modelle anhand der Kosten pro freigegebenem Ergebnis, inklusive Nacharbeit und menschlicher Prüfung.
Was diese Woche wirklich zu entscheiden ist
Zehn Meldungen verlangen keine zehn neuen Projekte.
Vielleicht musst du deinen Cloudvertrag auf Preis- und Kapazitätsrisiken prüfen. Vielleicht fehlt einem KI-Projekt bei dir nur ein Verantwortlicher für den Prozess. Vielleicht solltest du einem Agenten das Lesen erlauben, aber noch lange nicht das Bezahlen. Oder du testest, ob ein günstigeres Modell tatsächlich günstiger arbeitet.
Der gemeinsame Punkt ist klar: KI wird an der Oberfläche billiger und einfacher. Darunter werden Infrastruktur, Integration und Verantwortung anspruchsvoller.
Die entscheidende Frage lautet deshalb: Wo liegt bei deinem wichtigsten KI-Prozess der echte Engpass, beim Modell oder längst bei Kosten, Daten, Verantwortlichkeiten und Kontrolle?
Der Vorteil entsteht nicht beim schnellsten Einkauf eines neuen Tools. Er entsteht, wenn du das richtige Problem löst, die Gesamtkosten kennst und klar festlegst, welche Entscheidungen unter menschlicher Kontrolle bleiben.
Hör auf, ChatGPT wie Google zu benutzen
Du brauchst nicht das nächste KI-Tool. Der erste Hebel ist, mehr aus dem herauszuholen, was du ohnehin schon nutzt.
Bekommst du oft Antworten, die gut klingen, dir aber kaum Arbeit abnehmen? Meist fehlt schlicht ein klarer Arbeitsauftrag.
Genau dafür habe ich den kostenlosen Guide „ChatGPT-Durchbruch” gemacht. Auf 14 Seiten zeige ich dir in etwa zehn Minuten, wie du bessere Arbeitsaufträge formulierst, Antworten gezielt nachschärfst und ChatGPT für Texte, Recherche, Planung und wiederkehrende Aufgaben einsetzt.
Dazu bekommst du fünf Prompts zum Kopieren, acht erklärte Funktionen und einen Spickzettel zum Speichern.
KOSTENLOSEN 10-MINUTEN-GUIDE SICHERN
Julian