UBS: Niedrigkostenmodelle werden den KI-Investitionszyklus nicht stören, Chip- und Cloud-Giganten werden die endgültigen Gewinner sein

Nach Informationen von Smart Finance APP verändert die rasche Verbreitung kostengünstiger Open-Source-KI-Modelle grundlegend die Art und Weise, wie Unternehmen KI einsetzen. Die UBS betont jedoch in einem aktuellen Bericht, dass dieser Wandel den KI-Investitionszyklus keineswegs stören wird. Im Gegenteil, Chip-Hersteller und Anbieter von Cloud-Infrastruktur werden als die endgültigen Gewinner hervorgehen, während Softwareunternehmen vor neuen Profitabilitätsherausforderungen stehen.

Karl Keirstead, Analyst bei UBS, stellte in seinem am 21. Juli veröffentlichten Bericht fest, dass der Fokus der Investoren sich nun auf zwei eng miteinander verbundene Trends richtet: die systematische Reduzierung der Token-Kosten in Unternehmen sowie die Beschleunigung der Verlagerung von Arbeitslasten hin zu günstigeren Open-Source-Modellen. Der Bericht stützt sich auf eingehende Gespräche mit mehr als 15 privaten KI-Unternehmen – darunter Perplexity, Harvey, Glean, Cursor, ElevenLabs und Fireworks – und kommt zu einer zentralen Schlussfolgerung: Die KI-Branche bewegt sich vom "undifferenzierten Einsatz des stärksten Modells" hin zu einer neuen Phase, in der je nach Aufgabenkomplexität eine effiziente und differenzierte Modellwahl getroffen wird.

Von „Token-Maximierung“ zur „Wert-Maximierung“: Der grundlegende Wandel der KI-Ausgabenstrategie in Unternehmen

Das Team von UBS-Analyst Karl Keirstead veröffentlichte am 21. Juli einen Bericht, der darauf hinweist, dass sich der Fokus der Investoren auf zwei eng miteinander verbundene Trends verschiebt: die systematische Senkung der KI-Token-Kosten in Unternehmen und eine zunehmende Bereitschaft, Open-Source-Modelle (einschließlich der in China entwickelten Modelle) für Aufgaben einzusetzen, die keine fortschrittlichen inferenziellen Fähigkeiten erfordern.

Diese Veränderung resultiert nicht aus einer schwächeren KI-Nachfrage. Ganz im Gegenteil – UBS hat basierend auf Rückmeldungen von über 75 privaten Unternehmen auf ihrer jährlichen privaten KI- und Software-Konferenz festgestellt, dass die Einführung von KI in Unternehmen weiterhin stark wächst. Zahlreiche KI-nativen Unternehmen verzeichneten im vergangenen halben Jahr ein rapides Umsatzwachstum: Einige Unternehmen steigerten ihren Umsatz von 400 Millionen US-Dollar im Januar dieses Jahres auf 1 Milliarde US-Dollar, andere verdreifachten ihren Umsatz innerhalb eines Jahres und durchbrachen die 500 Millionen US-Dollar-Marke, und wieder andere wachsten von Null auf 500 Millionen US-Dollar in 14 Monaten. Die Umsatzbeschleunigung ist hauptsächlich auf verbesserte Modellfähigkeiten, die Ausweitung von Anwendungen mit höherem Token-Verbrauch und auf die Umstellung von Sitzplatz-zu Token- oder Nutzungsbasierten Gebühren zurückzuführen.

Mit zunehmender KI-Einführung rückt das Kostenproblem jedoch schnell in den Fokus. UBS schätzte zuvor, dass etwa 60 % der Unternehmen KI-Computing und Token-Ausgaben als ein reales Problem betrachten, und nach der aktuellen Untersuchung könnte dieser Anteil noch höher sein. Die Token-Kosten steigen rasant: Ein Finanzinstitut verpflichtete sich zunächst zur Zahlung von 10 Millionen US-Dollar für Claude, nach drei Monaten waren es 60 Millionen US-Dollar; ein KI-Unternehmen steigerte seine Anthropic-Ausgaben von 20.000 US-Dollar im Dezember letzten Jahres auf fast 1 Million US-Dollar im Juli dieses Jahres – ein Anstieg um das 50-fache in sieben Monaten; manche Unternehmen sahen ihre Token-Rechnungen in kurzem Zeitraum um das 10- oder sogar 100-fache steigen.

Unternehmen stoppen die Nutzung von KI nicht, sondern reduzieren die Verschwendung. Viele Routine-Aufgaben wurden bislang den teuersten Topmodellen anvertraut – eine Bank gab monatlich Hunderttausende Dollar für hochpreisige Modelle aus, die Mitarbeiter setzten sie jedoch lediglich für Wetter-, Restaurant- und Meetinganfragen ein. Der Fokus im KI-Management wandelt sich von „Token-Maximierung“ hin zu „Wert-Maximierung“, das heißt, es wird gemessen, wie viel Geschäftsertrag jede Token-Einheit generiert. UBS zitierte einen befragten Kunden mit den Worten: „Wir hatten ursprünglich intern fünf KI-Tools im Einsatz, das Token-Jahresbudget war fast komplett im Voraus aufgebraucht. Aktuell behalten wir nur zwei und kontrollieren den Verbrauch streng.“

„Multi-Modell" als neue Normalität: Chinesische Open-Source-Modelle dringen schneller vor

Unternehmen sehen den KI-Markt nicht mehr als ein Nullsummenspiel zwischen einigen wenigen Topmodell-Entwicklern, sondern wechseln rasch zur „Multi-Modell“-Strategie – sie kombinieren Spitzenmodelle von OpenAI, Anthropic mit Open-Source- und maßgeschneiderten Modellen. Die Vermeidung der Abhängigkeit von einem einzigen KI-Anbieter ist für große Unternehmen zu einem wichtigen Aspekt geworden.

Chinesische Open-Source-Modelle profitieren am meisten von diesem Trend. UBS nennt namentlich Modelle von Z.ai, MoonShot, Alibaba und DeepSeek, die von immer mehr Unternehmen getestet oder sogar implementiert werden. Zwar bleiben einige stark regulierte Branchen vorsichtig, doch in den sicheren Umgebungen von AWS und Microsoft Azure steigt die Akzeptanz stetig. UBS berechnet, dass die Trainingskosten führender chinesischer Modelle etwa ein Zehntel der ausländischen Topmodelle betragen, die API-Preise für die Inferenz liegen bei nur 10–20 % der ausländischen Vergleichsmodelle, wobei dennoch eine gesunde Bruttomarge von 20–40 % erhalten bleibt. Daten von OpenRouter zeigen, dass der Token-Anteil, den US-Unternehmen über die Plattform für chinesische KI-Modelle nutzen, seit Februar 2026 konstant über 30 % liegt und zeitweise sogar 46 % erreicht.

Nvidias Open-Source-Modell Nemotron war das in der UBS-Konferenz am häufigsten erwähnte US-Open-Source-Modell.

Gewinner und Verlierer: Die Umverteilung der Werte in der Lieferkette

Chip-Hersteller: Nvidia als größter Profiteur

Obwohl die Konkurrenz auf der Modellebene immer härter wird, betont UBS, dass die Nachfrage nach KI-Hardware nicht schwächer, sondern sogar weiter verschärft wird. Offen zugängliche Modelle werden den Bedarf an GPUs nicht reduzieren, sondern lenken Rechenleistung auf kosteneffizientere Inferenzaufgaben. Die meisten Open-Source-Modelle nutzen weiterhin Nvidia-Hardware für Training, Feinabstimmung und Inferenz. Günstige Modelle ermöglichen es, KI in breiteren Anwendungen zu nutzen und steigern die Nachfrage nach Rechenleistung, Speicher, Netzwerken und Infrastruktur für die Bereitstellung.

Nvidia hat selbst das Open-Source-Modell Nemotron 3 Ultra herausgebracht, mit 550 Milliarden Parametern, einer bis zu fünfmal schnelleren Inferenz und bis zu 30 % niedrigeren Nutzungskosten. Dieses Modell war das am häufigsten in UBS-Berichten erwähnte US-Open-Source-Modell.

Anbieter von Cloud-Infrastruktur: Profiteure der „Multi-Modell"-Epoche

Amazon, Microsoft und Google profitieren gleichermaßen, da ihre Plattformen bereits verschiedene KI-Modelle unterstützen. Amazon, Microsoft und Google profitieren gleichermaßen, da ihre Plattformen bereits verschiedene KI-Modelle unterstützen. AWS, Azure und andere Cloud-Plattformen verfügen über Multi-Modell-Fähigkeiten, sodass Unternehmen unabhängig vom gewählten Modell weiterhin Cloud-basierte Rechenleistung benötigen. Hyperscaler bleiben mit Lieferengpässen und starker Nachfrage ihrer Kunden nach KI-Rechenressourcen konfrontiert.

Die Umsatzdaten der KI-nativen Unternehmen bestätigen diese These. Laut UBS steigerte ein Unternehmen seinen Umsatz von 400 Millionen US-Dollar im Januar dieses Jahres auf 1 Milliarde US-Dollar, ein anderes wuchs in 14 Monaten von Null auf 500 Millionen US-Dollar. Die Umsatzbeschleunigung ist größtenteils auf verbesserte Modellfähigkeiten und den Ausbau von Anwendungen mit höherem Token-Verbrauch zurückzuführen, was darauf hinweist, dass die Unternehmens-KI-Nachfrage sich vom Programmierbereich auf breitere Geschäftsprozesse ausgedehnt hat.

Topmodell-Entwickler: Wachstumsdruck wird spürbar

OpenAI und Anthropic als Entwickler von Spitzenmodellen werden kurzfristig am stärksten vom Kostendruck betroffen sein. Zwar sieht UBS die KI-Branche weiterhin als frühphasig an, in der Open- und Closed-Source-Modelle parallel wachsen können, aber die Umsatzsteigerungsrate der Topmodell-Labore könnte unter Druck geraten.

Softwarebranche: Die konkurrenzgepresste „Zwischenschicht“

UBS sieht die Perspektiven für Softwareanbieter eher pessimistisch. Sie weist darauf hin, dass Unternehmen zur Kostenkontrolle ihre KI-Ausgaben letztlich aus dem Softwarebereich abziehen könnten; Funktionen wie Modell-Routing galten einst als Wettbewerbsvorteil, sind nun rasch zum Branchenstandard geworden und kaum noch profitabel. In einer Multi-Modell-Normalität steht das Geschäftsmodell, das ausschließlich auf Modell-Call-Middleware basiert, vor großen Herausforderungen.