Update vom 3.8.2026: Zahlen zu Modellpreisen sind in dieser Geschichte eine besonders vergängliche Ware. Während dieser Artikel entstand, hat OpenAI seine Preise für GPT-5.6 Luna um 80 Prozent gesenkt — ein schönes Beispiel für das Tempo, das im Folgenden beschrieben wird. Alle Preisangaben sind entsprechend auf diesen Stand gebracht und mit Datum versehen.
Noch vor ein paar Monaten war es in amerikanischen Unternehmen ein Statussymbol, möglichst viele Tokens zu verbrennen. Es gab intern Leaderboards, auf denen Teams gefeiert wurden, wenn sie besonders viel für KI-Anfragen ausgegeben hatten. “Tokenmaxxing” nannte man das, in Anlehnung an den Silicon-Valley-Slang, in dem man alles maxxt, was sich maxxen lässt. Wer viel ausgab, bewies damit vermeintlich: Wir sind vorne dabei.
Zur englischen Version:
Diese Logik ist innerhalb weniger Wochen gekippt. Aus Tokenmaxxing wurde, wie das Wall Street Journal es Ende Juli beschreibt, “Thrift-Maxxing” — Unternehmen wetteifern jetzt darum, wer am geschicktesten spart. Der Wandel ist so schnell gekommen, dass er selbst Leute überrascht, die beruflich nichts anderes tun, als Firmen bei genau dieser Frage zu beraten.
Der Lamborghini fürs Milchholen
Mike Saeks ist so jemand. Der ehemalige Investmentbanker wurde vor zwei Monaten von Cursor angeheuert, jenem Coding-Startup, das gerade für 60 Milliarden Dollar an Elon Musks SpaceX verkauft wird. Seine Aufgabe als “Field Chief Technology Officer”: Unternehmen dabei helfen, ihre KI-Ausgaben zu messen und zu verbessern. Cursor nennt das intern “Tokenomics” — ein Wortspiel, das inzwischen so geläufig ist, dass man fast vergisst, wie neu die Denkweise dahinter eigentlich ist.
Saeks bringt sie auf einen Punkt, der sich lohnt, im Kopf zu behalten: “It’s like driving a Lamborghini to go to the grocery store to pick up milk when that was designed to be raced around a track.” Das teuerste, leistungsfähigste Modell für jede Anfrage einzusetzen, ist ungefähr so sinnvoll wie ein Rennauto für den Wocheneinkauf.
Wie teuer der Unterschied tatsächlich sein kann, hat Cursor selbst durchgerechnet. Der komplette Bau eines Webbrowsers — nur mit OpenAIs GPT-5.5 — kostete gut 10.000 Dollar. Derselbe Job im Mix aus Cursors eigenem Composer-Modell und Anthropics Opus 4.8: 1.339 Dollar. Eine Ersparnis von 87 Prozent, bei vergleichbarem Ergebnis. Saeks’ Fazit ist fast schon beiläufig hingeworfen, aber es beschreibt die neue Realität ziemlich genau: “The best model for a task used to change every few months. Now it feels like it’s happening multiple times per week.”
Vom Wettbewerb ums Verprassen zum Wettbewerb ums Sparen
Marty Kausas, CEO der KI-Kundensupport-Plattform Pylon, bringt es drastischer auf den Punkt: “There’s zero loyalty that I’m seeing. It really feels like a bloodbath right now.” Sein Unternehmen hat allein 2026 rund 1,6 Millionen Dollar an Gratis-Tokens von einem Anbieter bekommen, dazu 65.000 Dollar von einem zweiten und 10.000 Dollar von einem dritten. Die KI-Labore kämpfen mit Rabatten “like crazy” um ihre Bestandskunden — ein Verhalten, das in einer Branche, die eben noch von Knappheit und Wartelisten sprach, bemerkenswert wirkt.
Was ist passiert? Kurz gesagt: Unternehmen haben aufgehört, KI wie eine strategische Glaubensfrage zu behandeln, und fangen an, sie wie jedes andere Einkaufsprodukt zu behandeln — man vergleicht, man verhandelt, man mischt. Und dabei tauchen auf einmal Namen in den Einkaufslisten großer amerikanischer Firmen auf, die vor zwei Jahren noch als exotische Randerscheinung galten: DeepSeek, Moonshot, Zhipu, Alibabas Qwen.
Was die Zahlen zeigen
Wie groß die Verschiebung wirklich ist, lässt sich am ehesten über OpenRouter ablesen, die größte modellneutrale Vermittlungsplattform der Branche. Ende 2024 machten chinesische Open-Weight-Modelle dort weniger als 1,2 Prozent des Token-Volumens aus. Im Frühjahr 2026 lag ihr Anteil an manchen Tagen bei über 50 Prozent, im Juni pendelte er sich bei rund 44 bis 46 Prozent unter den zehn größten Anbietern ein — DeepSeek allein liegt inzwischen bei etwa 16 Prozent, noch vor Google, Anthropic und OpenAI einzeln betrachtet. Die genaue Zahl schwankt je nach Stichtag und Messmethode; Größenordnung und Richtung sind aber über mehrere Quellen hinweg konsistent.
Die Analysten von Citi kommen mit einer anderen Metrik auf ein ähnliches Bild: Der Open-Source-Anteil an den auf OpenRouter verarbeiteten Tokens sprang von 34 Prozent im Januar 2026 auf 65 Prozent im Juni.
Und der Kostenunterschied, der diese Verschiebung antreibt, ist real und nicht klein. Die Benchmarking-Firma Artificial Analysis ließ im Mai 2026 jedes große Modell dieselben zehn Testaufgaben durchlaufen und addierte die Kosten. Ergebnis damals: Anthropics Topmodell kam auf 4.811 Dollar, OpenAIs auf 3.357 Dollar — DeepSeek dagegen auf 1.071 Dollar, Kimi von Moonshot auf 948 Dollar, Zhipus GLM auf gerade einmal 544 Dollar. Claude war damit fast neunmal so teuer wie die günstigste chinesische Alternative, für praktisch dieselbe Aufgabe.
Nur: Diese Momentaufnahme ist schon wieder überholt — und zwar von den US-Laboren selbst. Am 30. Juli 2026, mitten in der Recherche zu diesem Artikel, senkte OpenAI die API-Preise für sein schnellstes Modell GPT-5.6 Luna um 80 Prozent (von 1,00 $/6,00 $ auf 0,20 $/1,20 $ pro Million Input-/Output-Token), für das mittlere Modell Terra um 20 Prozent (neu: 2,00 $/12,00 $). Das teuerste Modell, Sol, blieb beim alten Preis von 5,00 $/30,00 $. Begründung: Effizienzgewinne in Modell, Server-Software und Agenten-Infrastruktur — einen Teil davon hat laut OpenAI das Modell Sol selbst erarbeitet, indem es autonom Produktions-Code umschrieb und die Server-Kosten so um 20 Prozent senkte. Damit landet Luna in einer Preisregion, die bislang chinesischen Open-Weight-Modellen vorbehalten war: Auf dem sogenannten “Agents’ Last Exam”-Benchmark soll Luna Anthropics Spitzenmodell Fable 5 laut OpenAI bei rund 99 Prozent niedrigeren Kosten pro Aufgabe schlagen. Replits KI-Chef Michele Catasta formuliert es so: “GPT-5.6 Luna is the closest we’ve come to intelligence too cheap to meter. I’ve never seen a model this affordable be this powerful.”
Die Preislandschaft Anfang August 2026
Offizielle API-Preise, Dollar pro Million Token, Input/Output:
Anthropic Fable 5 liegt bei 10/50, Claude Opus 5 — seit 24.7. im Angebot, laut Anthropic zum halben Preis von Fable 5 — bei 5/25.
OpenAI Sol liegt bei 5/30, Terra bei 2/12, Luna bei 0,20/1,20.
Google Gemini 3.1 Pro bei 2/12 — zufällig fast identisch mit OpenAIs Terra.
Bei den chinesischen Open-Weight-Modellen ist das Bild uneinheitlicher, als das Narrativ “China ist billig” suggeriert:
DeepSeek V4 Flash bleibt mit 0,14/0,28 das mit Abstand günstigste Modell im Vergleich,
Zhipu GLM-5.2 liegt bei 1,40/4,40 —
aber Moonshot Kimi K3 kostet mit 3,00/15,00 pro Million Token mehr als Googles Gemini oder OpenAIs Terra.
Der Rabatt aus China ist also kein Naturgesetz, sondern von Modell zu Modell verhandelbar.
Wer selbst mit Volumen und Modell-Mix spielen will, um zu sehen, wie stark sich die Kosten je nach Anteil und Modellwahl verschieben, kann es hier direkt ausprobieren — der Rechner arbeitet mit den aktuellen Preisen von Anfang August.
Interessant wird es, wenn man sich anschaut, wie Unternehmen diesen Mix konkret bauen — denn “wir nehmen jetzt das billige Modell” ist selten die ganze Wahrheit.
Bei Telnyx, einem Infrastruktur-Anbieter für Echtzeit-KI-Agenten, lief das über einen Umweg, den sich das Unternehmen nicht ausgesucht hatte. 1.000 Agenten liefen dort auf einem Top-Anthropic-Modell plus einem offenen Betriebssystem, zum Preis von 200 Dollar pro Mitarbeiter und Monat im Abo. Dann untersagte Anthropic Drittsystemen die Nutzung auf Abo-Basis — ein Verstoß gegen die Geschäftsbedingungen, wie das Unternehmen erklärte. Der Umstieg auf Pay-per-Use hätte laut CEO David Casem rund 100.000 Dollar am Tag gekostet: “We did the math and it was going to be like 100 grand per day.” Also wechselte Telnyx. Heute treibt eine Modellfamilie des chinesischen Anbieters Z.AI die inzwischen 1.400 Agenten des Unternehmens an, zu Kosten von etwa 100 Dollar pro Agent und Tag. Anthropics leistungsstärkstes Modell, intern “Fable” genannt, plant dabei weiterhin als eine Art Dirigent die Arbeit, OpenAIs “Sol” prüft die Ergebnisse der offenen Modelle. Casems Fazit klingt fast versöhnlich: “It’s not like we don’t use OpenAI or Anthropic models, we still do. They just don’t do everything anymore.”
Bei Harvey, einem KI-Startup für Anwaltskanzleien, läuft dasselbe Prinzip andersherum: Das Unternehmen hat ein eigenes GLM-5.2 — das Modell des chinesischen Anbieters Zhipu — trainiert und mit einem Werkzeug ausgestattet, das bei besonders schwierigen Fällen automatisch Anthropics Fable 5 hinzuruft. “We work with all of them”, sagt Präsident Gabe Pereyra dazu, “we’re figuring out a bunch of solutions like this to maintain performance or improve performance and get much better cost.”
Genau dieses Muster — ein günstiges Modell als Standard, ein teures nur auf Zuruf — hat einen Namen bekommen. Databricks-CEO Ali Ghodsi nennt es das “Advisor-Modell”: Ein günstiges Open-Source-Modell erledigt den Großteil der Arbeit; trifft es auf eine Aufgabe, die es nicht lösen kann, bekommt es ein Werkzeug an die Hand, mit dem es ein Frontier-Modell von OpenAI oder Anthropic um Hilfe bitten kann. “You can curb costs really well this way”, so Ghodsi. Sein Unternehmen betreibt ein KI-Gateway, über das täglich Tausende von Unternehmenskunden ihre Modellanfragen leiten — Ghodsi hat also einen ziemlich direkten Blick auf den Trend, bevor er in der Presse landet.
Bei Hex, einem Anbieter für KI-Datenanalyse, ging der Wechsel auffällig schnell: CEO Barry McCardel berichtet, dass innerhalb von zwei Wochen rund die Hälfte der Kunden Kimi, das Modell von Moonshot, in ihren Workflow aufgenommen hat. Seine Begründung ist bezeichnend für die Verunsicherung, die gerade in der Branche herrscht: “We are continually assessing how much we want to commit to any one lab given how dynamic a moment this is. Any day, the labs can drop a model that hits the frontier.”
Und selbst dort, wo der Wechsel schon länger läuft, wird er jetzt zum Vorbild erklärt: Zoom nutzt seit drei Jahren ein fein getuntes, offenes Llama-Modell von Meta, kombiniert mit Anthropic- und OpenAI-Diensten. CTO Xuedong Huang beschreibt das Prinzip mit einem chinesischen Sprichwort, in dem drei gewöhnliche Menschen gemeinsam die Weisheit eines Genies erreichen — seine “secret sauce” für Unternehmen.
Die Mixer: Elf Unternehmen im Fokus — darunter Coinbase, Microsoft und Cursor — lassen sich hier im Detail durchklicken.
Warum ausgerechnet China
Dass ausgerechnet chinesische Modelle diese Rolle des günstigen Arbeitspferds übernehmen, hat einen strukturellen Grund. Die bekanntesten US-Modelle sind geschlossen: Sie laufen ausschließlich über die Infrastruktur ihrer Hersteller, trainiert mit den teuersten verfügbaren Chips, in einem Stromnetz, das kaum hinterherkommt — Kosten, die zwangsläufig an die Kunden weitergereicht werden. Chinesische Labore dagegen arbeiten unter US-Exportbeschränkungen für Hochleistungschips und mussten aggressiv optimieren, um mit weniger Rechenleistung konkurrenzfähige Modelle zu trainieren und effizient zu betreiben. Aus der Not wurde eine Strategie — und die Modelle sind zusätzlich meist “open-weight”: Ihre Trainingsparameter lassen sich herunterladen und auf eigenen Servern betreiben. Niemand kann per Dekret den Zugriff kappen.
Genau das ist inzwischen kein theoretisches Risiko mehr. Die Trump-Administration untersagte Anthropic zeitweise, sein leistungsstärkstes Modell — intern “Mythos”, öffentlich abgeschwächt als “Fable 5” verfügbar — an Ausländer zu verkaufen. Das Verbot wurde erst Anfang Juli 2026 unter neuen Sicherheitsauflagen wieder aufgehoben. Für viele in der Branche war das ein Weckruf: Ein US-Frontier-Modell ist politisch widerrufbar. Ein Modell, das auf dem eigenen Server liegt, nicht.
Wie schnell die Lücke zwischen den Systemen schrumpft, ist naturgemäß umstritten — das US-Standardisierungsinstitut CAISI bezifferte den Rückstand chinesischer Modelle im Mai 2026 auf rund acht Monate, eine Schätzung, die man mit der gebotenen Vorsicht lesen sollte. Aber selbst Anthropic gibt in einem eigenen Policy-Paper zu, die eigenen Modelle seien den chinesischen nur noch “several months ahead” — und warnt, Peking gewinne “in global adoption on cost”.
Ob das ein Sicherheitsproblem oder eine Chance ist, wird in Europa bereits kontrovers verhandelt. Ein Pro-und-Contra im Handelsblatt bringt beide Seiten auf den Punkt: Die eine Position warnt, chinesische Open-Source-Modelle könnten Backdoors enthalten, die sich bei bestimmten Ereignissen selbstständig aktivieren — schließlich sei jedes Unternehmen in China gesetzlich zur Kooperation mit der Kommunistischen Partei verpflichtet. Die Gegenposition hält dagegen: Anders als bei Anthropic oder OpenAI ließen sich die leistungsfähigsten chinesischen Modelle frei herunterladen und lokal, unter voller Kontrolle des Anwenders, betreiben. Selbst wenn Peking eines Tages ein Exportverbot verhängen sollte — die Modelle liefen auf den Servern der europäischen Kunden einfach weiter. Ein Anthropic-Moment, wie ihn die USA gerade erlebt haben, sei bei offenen Modellen strukturell ausgeschlossen.
Auf US-Seite formiert sich unterdessen eine ungewöhnliche Koalition: Nvidia, Microsoft und Palantir unterzeichneten Ende Juli gemeinsam einen offenen Brief zur Unterstützung offener Modelle und mahnten die eigene Regierung zur Zurückhaltung bei möglichen Restriktionen — ein Hinweis darauf, dass die Frontlinien in dieser Debatte längst nicht entlang der erwarteten nationalen Interessen verlaufen.
Die Gegenwehr der Platzhirsche
Für Anthropic und OpenAI ist das mehr als eine unangenehme Randnotiz. Beide Unternehmen bereiten milliardenschwere Börsengänge vor, deren Bewertung — jeweils weit jenseits von 800 Milliarden Dollar — auf der Annahme beruht, dass Unternehmenskunden dauerhaft einen Aufpreis für das jeweils beste Modell zahlen. Genau diese Prämie erodiert gerade am schnellsten in exakt dem Marktsegment, das für die IPO-Story entscheidend ist.
Beide Labore reagieren mit einer Doppelstrategie. Erstens: günstigere Modelle — und hier liefern sich Anthropic und OpenAI inzwischen ein regelrechtes Wettrennen im Wochentakt. Anthropic veröffentlichte am 24. Juli Claude Opus 5, ein Modell, das sich an die Fähigkeiten des hauseigenen Spitzenmodells Fable 5 annähern soll, aber nur die Hälfte kostet — gedacht als neuer Standard für alltägliche Büroaufgaben. Sechs Tage später zog OpenAI nach, deutlich aggressiver: Die Preise für GPT-5.6 Luna fielen um 80 Prozent, für Terra um 20 Prozent (Details und aktuelle Preistabelle im vorigen Abschnitt). Zweitens, und langfristig vermutlich wichtiger: Bindung über die Software-Schicht statt über das Modell selbst. Beide Unternehmen bauen aggressiv Werkzeuge, Coding-Agenten und tiefe Integrationen in Unternehmens-Workflows — nicht mehr das Modell soll der Burggraben sein, sondern die Implementierung darum herum. Ashwin Gopinath, ehemaliger MIT-Assistenzprofessor und heute CEO des Startups Sentra, warnt in diesem Zusammenhang vor Werkzeugen, die sich zu tief in Unternehmensprozesse einnisten: Modelle ließen sich austauschen, das “operative Gedächtnis” eines Unternehmens dagegen kaum — ein “trojanisches Pferd”, wie er es nennt.
Ob diese Rechnung aufgeht, ist offen. Was man aber festhalten kann: Die Ära, in der “das beste Modell” automatisch auch “das einzig sinnvolle Modell” war, ist in der Hyperschallgeschwindigkeit der KI-Entwicklung innerhalb weniger Monate zu Ende gegangen. An ihre Stelle tritt etwas Nüchterneres — die Frage, welches Werkzeug für welche Aufgabe tatsächlich sein Geld wert ist.
Eine nüchterne Einordnung zum Schluss
Es wäre zu einfach, aus alldem eine einfache Geschichte vom Ende des KI-Hypes zu machen. Dieselben Unternehmen, die jetzt beim Modell-Einkauf aufs Kleingeld schauen, investieren an anderer Stelle weiterhin dreistellige Milliardenbeträge in Rechenzentren und Chips — die Sparsamkeit spielt sich auf der Nutzungsebene ab, nicht auf der Infrastrukturebene. Und die Zahlen zur Marktverschiebung selbst sind, das gehört zur Sorgfaltspflicht dazu, größtenteils Plattform- und Analystendaten Dritter, keine testierten Bilanzzahlen — Momentaufnahmen, die sich in wenigen Wochen wieder verschieben können, so wie sie es in den letzten wenigen Wochen bereits mehrfach getan haben.
Was sich aber belastbar sagen lässt: Zum ersten Mal seit dem Beginn des generativen KI-Booms verhalten sich Unternehmen gegenüber KI-Anbietern wie gegenüber jedem anderen Zulieferer auch — sie vergleichen, sie verhandeln, sie sind bereit zu wechseln. Genau diese Nüchternheit, dieses Zurückgleiten in ganz gewöhnliche Marktmechanik, ist vielleicht die eigentliche Pointe des Sommers 2026: Nicht dass die KI schlechter geworden wäre. Sondern dass die Kunden aufgehört haben, sich wie Fans zu verhalten, und angefangen haben, sich wie Einkäufer zu verhalten.
Und noch etwas verschiebt sich dabei leise mit: Die Geschichte lässt sich nicht mehr sauber als “teures Amerika gegen billiges China” erzählen. Mit Luna hat OpenAI ein eigenes, geschlossenes Modell in eine Preisregion gedrückt, die bislang chinesischen Open-Weight-Anbietern vorbehalten war — während Kimi K3 aus China gleichzeitig teurer ist als Googles Gemini. Der eigentliche Bruch verläuft nicht mehr zwischen zwei Ländern, sondern zwischen zwei Fragen, die sich jedes Unternehmen jetzt für jede einzelne Aufgabe neu stellen muss: Wie viel Intelligenz braucht dieser eine Schritt wirklich — und wer bietet sie gerade am günstigsten an. Diese Antwort kann sich, wie der 30. Juli gezeigt hat, buchstäblich über’s Wochenende ändern.
Der Promptologe, 04.08.2026
Offenlegung: Dieser Beitrag entstand mit Hilfe von Anthropic Claude.
(Nein, der Gedanken — ist kein Hinweis auf die KI. Ich schreibe so. Bin altmodisch.)
Meine gesammelten Erkenntnisse aus der wunderbaren Welt der KI-Entwicklung
Quellenverzeichnis
WSJ: “Corporate America Has Suddenly Decided to Stop Blowing Money on AI”, 24.7.2026 — https://www.wsj.com/business/china-us-ai-model-costs-53a12e96
WSJ: “Meet the Companies Shelling Out for Top AI Models” — https://www.wsj.com/cio-journal/meet-the-companies-shelling-out-for-top-ai-models-e1fe3375
WSJ: “AI’s Wider Availability Is Good for China, Not Great for OpenAI and Anthropic” — https://www.wsj.com/tech/ai/cheaper-ai-commodity-openai-anthropic-0111da73
WSJ: “What to Know About the Chinese AI Models Rattling U.S. Stocks” — https://www.wsj.com/tech/ai/what-to-know-about-the-chinese-ai-models-rattling-u-s-stocks-1a80a479
CNBC: “Cheap AI could derail OpenAI and Anthropic’s IPOs”, 20.5.2026 — https://www.cnbc.com/2026/05/20/cheap-ai-could-derail-openai-and-anthropics-ipos.html
CNBC: “Chinese AI models are gaining ground with U.S. companies as OpenAI, Anthropic costs surge”, 7.7.2026 — https://www.cnbc.com/2026/07/07/chinese-ai-models-costs-us-openai-anthropic.html
Bloomberg: “Anthropic Unveils More Cost-Efficient Model for Everyday Tasks” — https://www.bloomberg.com/news/articles/2026-07-24/anthropic-unveils-more-cost-efficient-model-for-everyday-tasks
Bloomberg: “China’s Powerful New Moonshot AI Model Closes Gap With US Rivals” — https://www.bloomberg.com/news/articles/2026-07-17/china-s-powerful-new-moonshot-ai-model-closes-gap-with-us-rivals
Bloomberg: “Microsoft Is Replacing OpenAI Image Models in PowerPoint, Bing” — https://www.bloomberg.com/news/articles/2026-07-23/microsoft-replacing-openai-image-ai-models-in-powerpoint-bing
Bloomberg: “Washington’s Foreign Ban on Anthropic’s Top Models May Backfire” — https://www.bloomberg.com/news/newsletters/2026-06-26/white-house-s-ban-on-anthropic-ai-access-may-boost-china-s-open-source-models
Bloomberg Opinion: “China Follows Up DeepSeek Moment by Surprising Silicon Valley with Kimi” — https://www.bloomberg.com/opinion/newsletters/2026-07-17/china-follows-up-deepseek-moment-by-surprising-silicon-valley-with-kimi
manager magazin: “OpenAI vs Anthropic: Wie Anthropic die ChatGPT-Firma OpenAI bei KI-Modellen abhängt” — https://www.manager-magazin.de/unternehmen/tech/openai-vs-anthropic-wie-anthropic-die-chatgpt-firma-openai-bei-ki-modellen-abhaengt-a-b239b174-9959-42f0-a0c6-3a6ce4f58a5a
Handelsblatt: “Kommentar: KI aus China birgt ein unkalkulierbares Sicherheitsrisiko” — https://www.handelsblatt.com/meinung/kommentare/kommentar-ki-aus-china-birgt-ein-unkalkulierbares-sicherheitsrisiko/100241883.html
Handelsblatt: “Kommentar: KI aus China kann ein Segen für Europa sein” — https://www.handelsblatt.com/meinung/kommentare/kommentar-ki-aus-china-kann-ein-segen-fuer-europa-sein/100242119.html
Handelsblatt KI-Briefing: “Murati kannte Geheimnisse von OpenAI – und wählte Chinas Weg” — https://www.handelsblatt.com/technik/ki/ki-briefing/ki-briefing-murati-kannte-geheimnisse-von-openai-und-waehlte-chinas-weg/100240739.html
Handelsblatt: “Moonshot: China-Start-up fordert mit KI Anthropic und OpenAI heraus” — https://www.handelsblatt.com/technik/ki/moonshot-china-start-up-fordert-mit-ki-anthropic-und-openai-heraus/100241002.html
Tomasz Tunguz: “The Unsustainable Subsidy” — https://tomtunguz.com/ai-model-inflation/
metacheles.de: “Kreislauf-Invest: Wie Big Techs KI-Umsaetze sich im Kreis drehen!” (Sekundärquelle mit umfangreicher eigener Quellenliste, s. Artikel) — https://www.metacheles.de/kreislauf-invest-wie-big-techs-ki-umsaetze-sich-im-kreis-drehen/
FourWeekMBA: “OpenRouter Usage Data Shows US AI Models Fell From ~70% to ~30% of Token Volume” — https://fourweekmba.com/ai-openrouter-us-models-token-share-deepseek-volume-revenue-spl/
TechTimes: “Chinese AI Models Lead OpenRouter Traffic” — https://www.techtimes.com/articles/317352/20260529/chinese-ai-models-lead-openrouter-traffic-coding-gains-come-china-data-risk.htm
Yahoo Finance: “Chinese AI Models Now Capture Up to 46% of US Enterprise Token Usage” — https://finance.yahoo.com/technology/ai/articles/chinese-ai-models-now-capture-020440715.html
Yahoo Finance: “Citi flags open-source moment in AI as model access tightens” — https://finance.yahoo.com/technology/ai/articles/citi-flags-open-source-moment-135800457.html
Investing.com: “Open-source AI models benefit from restrictions on frontier systems, Citi says” — https://www.investing.com/news/stock-market-news/opensource-ai-models-benefit-from-restrictions-on-frontier-systems-citi-says-4764190
digitalapplied.com: “The AI Agent Build & Run Cost Index 2026” — https://www.digitalapplied.com/blog/ai-agent-build-run-cost-index-2026
Neue Quellen Stand 3.8.2026:
OpenAI: “Advancing the price-performance frontier with GPT-5.6”, 30.7.2026 https://openai.com/de-DE/index/advancing-the-price-performance-frontier-with-gpt-5-6/
VentureBeat: “AI price wars: OpenAI cuts GPT-5.6 Luna prices by 80% as model competition shifts toward cost” — https://venturebeat.com/technology/ai-price-wars-openai-cuts-gpt-5-6-luna-prices-by-80-as-model-competition-shifts-toward-cost
Axios: “OpenAI discounts GPT-5.6 Luna and Terra”, 30.7.2026 — https://www.axios.com/2026/07/30/openai-cuts-prices-gpt-terra-luna5
Forbes: “OpenAI Cuts GPT-5.6 Pricing Up To 80%, As AI Costs Come Under Scrutiny”, 31.7.2026 — https://www.forbes.com/sites/rachelwells/2026/07/31/openai-cuts-gpt-56-pricing-up-to-80-as-ai-costs-come-under-scrutiny/
qz.com / technology.org: “Anthropic launched Claude Opus 5 at half the price of its most powerful AI model”, 24.7.2026
BenchLM.ai: OpenAI/Anthropic/DeepSeek/Google API-Pricing-Übersichten (August 2026) — Sekundärquelle zum Preisabgleich, keine Primärquelle
Raindrop-Sammlung “KI-Newsletter”: Bookmark 1806200869 (”Inkling-Small, GPT-5.6 price cuts, Gemini Robotics 2”, TLDR-Newsletter 31.7.2026) und 1806134348 (”Tesla SpaceX merger, OpenAI price cuts, Stripe’s AI knowledge platform”, 31.7.2026) — Gmail-Links, Inhalt nicht direkt einsehbar, aber als Beleg, dass die Preissenkung in der Fachpresse breit aufgegriffen wurde
Kimi K3, GLM-5.2, DeepSeek V4, Gemini 3.1 Pro, Claude Fable 5/Opus 5, GPT-5.6 Sol: jeweils per Web-Suche gegen aggregierte Pricing-Tracker (pricepertoken.com, openrouter.ai, aipricing.guru u.a.) verifiziert — sind Sekundärquellen
Dass das Tokenmaxxing irgendwann endet war klar. Sobald die Werbehypes um die KI verflogen sind, müssen Unternehmen wie immer sparsam mit Ressourcen umgehen, also nicht zu viele Token einsetzen. Man stelle sich das mal bei anderen Wirtschaftszweigen vor: Der Zimmermann betreibt Nagelmaxxing. Das wäre schon absurd.
Ich denke diese Entwicklung zeigt, dass sich auch bald der Hype, um die Erreichung der AGI legen wird, weil spezialisierte Modell für die meisten Aufgaben einfach besser sind.