In der KI hängt die 41 % von den -59 % ab

Apollos Chefökonom Torsten Slok hat eine Notiz mit vielen Diagrammen veröffentlicht, die die KI-Gewinnmargen nach Wertschöpfungsebenen aufschlüsselt. Die Überschrift: Die Gewinnmargen in der KI sind invertiert – je näher am Endnutzer, desto mehr Geld verliert man.
Die Zahlen
- Silizium & Ausrüstung (Nvidia, AMD, Broadcom, TSMC, SK Hynix, Micron usw.): +41% durchschnittliche Marge
- Energie & Netz (Constellation Energy, Vistra, NextEra, Vertiv, Eaton): +17%
- Compute & Cloud (AWS, Azure, Google Cloud, CoreWeave, Super Micro, Dell): +10%
- Modelle & Anwendungen (OpenAI, Anthropic): -59%
Das sind gleichgewichtete Mittelwerte von Bloomberg, PitchBook und der Financial Times (Schätzungen für das zweite Quartal 2026 für OpenAI und Anthropic).
Die Abhängigkeit
Die wichtigste Erkenntnis: Die 41% Margen an der Spitze werden nicht durch Einnahmen von Endkunden finanziert. OpenAI und Anthropic verbrennen Kapital in atemberaubendem Tempo, und dieses Kapital – nicht die Kundennachfrage – finanziert die GPU-Käufe, Rechenzentrums-Leasingverträge und Energielieferverträge, die flussaufwärts gehen.
In einem normalen Geschäft fließen Gewinne von der Einheit, die die Kundenbeziehung besitzt. Bei KI liegt die Preissetzungsmacht auf der Halbleiter- und Infrastrukturebene, aber diese Gewinne werden letztlich von Investoren subventioniert, die auf zukünftige Renditen aus der Modellebene wetten.
Sloks Fazit: „Der profitabelste Teil der KI-Wertschöpfungskette hängt davon ab, dass der am wenigsten profitable Teil weiterhin Umsatz erzielt oder Kapital aufnimmt.“
Kapital kann die Lücke „eine Weile, aber nicht auf unbestimmte Zeit“ überbrücken. Das Risiko, sagt er, besteht darin, ob der ROI für die Endkunden der KI schnell genug eintritt, um die Ausgaben zu stützen, die diese Upstream-Margen erzeugen.
Für KI-Ingenieure ist dies eine nützliche makroökonomische Perspektive auf die Fragilität der Branche. Die Werkzeuge, die du auf Basis von Grenzmodellen baust, sind nur so stabil wie die Risikokapitalfinanzierung, die diese Modellanbieter am Leben hält. Wenn OpenAI oder Anthropic keinen ROI für ihre kundenorientierten Produkte finden, wird die gesamte Upstream-Lieferkette neu austariert.
Es lohnt sich, die Originalnotiz für die vollständige Grafik und Datenquellen zu lesen.
📖 Die vollständige Quelle lesen: HN AI Agents
👀 Siehe auch

Claude Code 2.1.76 fügt MCP-Abfrage, Worktree-Verbesserungen und Korrekturen für Kontextlimits hinzu
Claude Code Version 2.1.76 führt MCP-Abfrageunterstützung für strukturierte Eingaben während Aufgaben ein, fügt worktree.sparsePaths für große Monorepos hinzu und behebt 'Kontextlimit erreicht'-Fehler bei 1M-Kontext-Sitzungen. Version 2.1.75 machte 1M-Kontextfenster standardmäßig für Opus 4.6 auf Max-, Team- und Enterprise-Plänen verfügbar.

Benchmark-Ergebnisse für visuelles Denken von 15 multimodalen KI-Modellen
AIMultiple hat 15 führende multimodale KI-Modelle anhand von 200 visuellen Verständnisfragen in zwei Kategorien getestet: Diagrammverständnis und visuelle Logik. Gemini-3.1-pro-preview und Gemini-3-pro-preview führen die Gesamtergebnisse an, gefolgt von GPT-5.2, Kimi-K2.5 und GPT-5.2-pro.

Anthropics März-Nutzungsaktion: Wie Nebenzeiten die Claude-Limits verdoppeln
Anthropic führt bis zum 27. März eine 2x-Nutzungspromotion außerhalb der Stoßzeiten durch, bei der Claude den verbrauchten Verbrauch während bestimmter Stunden als halb behandelt, wodurch sich Ihr 5-Stunden-Limit effektiv verdoppelt. Die Promotion funktioniert, indem die Zählung des Verbrauchs halbiert wird, anstatt einen separaten Nutzungspool bereitzustellen.

OpenClaw-Agent-Ausgabenmuster und fehlende Ausgabenobergrenzen
Ein Entwickler verfolgte die Ausgaben von OpenClaw-Agenten über zwei Monate und stellte fest, dass die meisten Agenten im Durchschnitt 40–80 US-Dollar pro Monat an API- und Dienstgebühren verursachen, wenn sie unbeaufsichtigt bleiben, wobei die Spitzen an Wochenenden und über Nacht auftreten. Das Standardverhalten ist unbegrenzt, ohne integrierte Ausgabenobergrenze.