KI-Capex-Kater
Als KI-Capex-Kater bezeichnet man die wirtschaftliche Nachwirkung überproportionaler Investitionen in KI-Infrastruktur: hohe Fixkosten und kurze Abschreibungszyklen für Beschleunigerhardware treffen auf Umsätze, die erst mit Verzögerung und geringerer Marge realisiert werden.
Der KI-Capex-Kater beschreibt die Phase nach massiven Rechenzentrums- und Chipinvestitionen, in der Abschreibungen und Kapitalkosten auf die Ergebnisse drücken, während die versprochenen Erträge langsamer eintreffen als geplant.
Erklärung
Der Effekt entsteht aus drei Faktoren: der Kapitalintensität von Rechenzentren, der schnellen Alterung von Beschleunigerhardware und dem gleichzeitig fallenden Preis pro Token durch Effizienzfortschritte. Wer heute für hohe Kapazität baut, verkauft die daraus entstehende Leistung morgen möglicherweise deutlich günstiger. Für Kunden ist das zunächst positiv, weil Inferenz billiger wird. Mittelfristig kann es jedoch zu Konsolidierung, Preisanpassungen und der Abkündigung margenschwacher Dienste führen. Marketing-Organisationen sollten daher Anbieterabhängigkeit begrenzen, Wechselkosten niedrig halten und ihre Wirtschaftlichkeitsrechnungen nicht auf dauerhaft subventionierte Preise stützen.
Relevanz für Marketing
Für Werbetreibende ist relevant, dass heutige Preise nicht garantiert sind. Wer Anwendungsfälle so baut, dass Modelle austauschbar bleiben, ist gegen Preis- und Portfolioänderungen der Anbieter deutlich besser abgesichert.
Beispiel
Ein Unternehmen kalkuliert eine Content-Pipeline mit den Einführungspreisen eines Anbieters. Nach zwölf Monaten wird die günstige Modellvariante abgekündigt, der Nachfolger kostet das Dreifache – die Wirtschaftlichkeitsrechnung kippt über Nacht.
Häufige Fallstricke
Der klassische Fehler ist eine Architektur, die fest an einen Anbieter und ein Modell gebunden ist. Sie macht jede Preisänderung zu einem Projektrisiko statt zu einer Konfigurationsfrage.
Entstehung & Geschichte
Nach Rekordinvestitionen in KI-Infrastruktur zwischen 2024 und 2026 mehrten sich Analysen zur Frage, wann diese Ausgaben Erträge erwirtschaften. Vergleiche mit dem Glasfaserausbau um das Jahr 2000 prägten die Debatte: nützliche Infrastruktur, aber schmerzhafte Bilanzen für die Erbauer.
Anwendungsfälle im Marketing
Modellabstraktion im Code, damit Anbieter ohne Umbau gewechselt werden können.
Wirtschaftlichkeitsrechnung mit Sensitivitätsanalyse für steigende Tokenpreise.
Regelmäßiger Preis- und Leistungsvergleich der eingesetzten Modelle je Anwendungsfall.
Vertragliche Absicherung von Preisen und Vorlaufzeiten bei Abkündigung von Modellen.
Häufige Fragen
Bedeutet der Capex-Kater, dass KI-Preise steigen werden?
Nicht zwingend. Wahrscheinlicher ist eine Spreizung: Effiziente kleine Modelle werden weiter günstiger, während Spitzenmodelle und garantierte Kapazitäten teurer oder knapper werden können.
Wie schützt man Anwendungsfälle dagegen?
Durch Austauschbarkeit. Wer Prompts, Evaluationen und Schnittstellen so gestaltet, dass ein Modellwechsel in Stunden statt Wochen möglich ist, verwandelt ein wirtschaftliches Risiko in eine Betriebsentscheidung.
Ist der Vergleich mit der Dotcom-Blase treffend?
Nur teilweise. Anders als damals gibt es heute reale, zahlende Nutzung in großem Umfang. Die offene Frage ist nicht, ob KI genutzt wird, sondern ob die Erträge die Kapitalkosten der Infrastruktur decken.
Verwandte Services
Tiefer einsteigen: Measurement & Attribution · Modellvergleich 2026