Wenn KI teurer ist als der Mensch: Was der NVIDIA-Befund über den KI-Boom verrät

Die Rechnung, die niemand laut aufmachen wollte

Es war eine der ungewöhnlichsten Aussagen der jüngeren Tech-Geschichte — nicht wegen ihrer Komplexität, sondern wegen ihrer Direktheit. Bryan Catanzaro, Vice President of Applied Deep Learning bei NVIDIA, erklärte gegenüber Axios: „For my team, the cost of compute is far beyond the costs of the employees.” Diese Aussage verdient Aufmerksamkeit, weil sie nicht aus dem Mund eines KI-Kritikers stammt. Das ist kein zufälliges Start-up, das Investorenkapital verbrennt — das ist NVIDIA, das Unternehmen, das die Infrastruktur des KI-Booms verkauft, und das zugibt, dass die eigene KI mehr kostet als die eigenen Ingenieure.

Die Erzählung, die seit Jahren die Boardrooms dominiert, lautet: KI ersetzt teure Arbeitskräfte und senkt so Betriebskosten. Dieser Satz galt als nahezu unumstößlich. Was Catanzaro nun beschreibt, ist das exakte Gegenteil. Die eskalierende Nachfrage nach KI beginnt, die Art und Weise zu verändern, wie Unternehmen ihre Technologiebudgets aufteilen — mit Rechenkosten, die in manchen Fällen traditionelle Personalausgaben übersteigen. Führungskräfte, die eng mit großen KI-Systemen arbeiten, berichten, dass sich das Verhältnis zwischen menschlichen und maschinellen Kosten in einer Weise verschiebt, die vor wenigen Jahren noch undenkbar schien. Für uns als Initiative, die bewusste KI-Nutzung jenseits von Hype und Slop-Falle fördern will, ist das kein Nebenbefund. Es ist der Kern einer Debatte, die längst überfällig ist.

Das Phänomen ist dabei kein NVIDIA-Einzelfall. Bei Uber hat die Ausgabe für KI-Coding-Tools so schnell zugenommen, dass das für 2026 geplante KI-Budget des Unternehmens bereits aufgebraucht ist — maßgeblich aufgrund von Token-Kosten durch intensiven Modellgebrauch. KI-Software-Abonnementgebühren sind im vergangenen Jahr laut dem Ausgabenmanagement-Unternehmen Tropic um 20 bis 37 Prozent gestiegen. Die Ressourcenexplosion ist kein theoretisches Risiko mehr — sie ist betriebliche Realität.

Das MIT-Paradox: Wirtschaftlichkeit nur in einem Viertel der Fälle

Hinter der spektakulären Einzelaussage aus dem Hause NVIDIA steckt eine strukturelle Erkenntnis, die empirisch gut belegt ist. Eine MIT-Studie aus dem Jahr 2024 kommt zu dem Ergebnis, dass KI-Automatisierung in lediglich 23 Prozent jener Berufsfelder wirtschaftlich tragfähig ist, in denen Computer Vision eine zentrale Rolle spielt. In den verbleibenden 77 Prozent ist menschliche Arbeit schlicht günstiger — nicht notwendigerweise besser, aber günstiger.

Dieses Verhältnis deckt sich mit Beobachtungen aus der Unternehmenspraxis. Die Wirtschaftswelt ringt mit einem KI-Paradox: Adoption und Investitionen wachsen, doch ein nachhaltiger Effekt auf die Unternehmensperformance bleibt schwer greifbar. Dieses Muster erinnert an das „Solow-Paradox” — man sieht das Computerzeitalter überall, nur nicht in den Produktivitätsstatistiken. Ende 2025 hatten zwar fast neun von zehn Unternehmen KI in mindestens einer Funktion eingesetzt, doch 94 Prozent der Befragten berichten, keinen „signifikanten” Mehrwert aus diesen Investitionen zu ziehen.

Das Dual-Use-Dilemma der KI-Technologie zeigt sich hier besonders deutlich: Dieselben Werkzeuge, die in spezifischen, klar definierten Kontexten produktivitätssteigernd wirken, verursachen in breiter, unreflektierter Anwendung eine Kostenstruktur, die jede Effizienzrechnung unterläuft. Unternehmen geben historisch hohe Summen für KI aus, während die Wirtschaftlichkeit im Vergleich zu menschlicher Arbeit ungünstig bleibt. Keith Lee, KI- und Finanzprofessor am Gordon School of Business des Swiss Institute of Artificial Intelligence, beschreibt dies als ein „kurzfristiges Missverhältnis”, das durch Hardware- und Energiekosten entsteht, welche die Betriebskosten für KI-Anbieter in die Höhe treiben.

antislop ist eine Initiative von der pixologe, Dipl. Designer aus Königswinter.
Du möchtest dich zu diesem Thema austauschen oder brauchst Unterstützung bei deinen KI-Vorhaben? Ich freue mich über deine Nachricht.

Kontakt

Die verborgenen Kosten: Strom, Wasser, Ressourcen

Was die betriebswirtschaftliche Analyse zuweilen ausblendet, ist die ökologische Dimension dieser Ressourcenexplosion. Der KI-Boom führt dazu, dass immer mehr Ressourcen in die KI-Industrie fließen — von der Herstellung von Computerchips über den Ausbau und Betrieb von Rechenzentren bis hin zum Training und der täglichen Anwendung von KI-Systemen brauchen KI-Systeme Strom, Wasser und Rohstoffe in immer größeren Mengen.

Die Zahlen des Öko-Instituts untermauern diesen Trend eindrücklich: Der weltweite Stromverbrauch von KI-Rechenzentren wird vom Basisjahr 2023 bis zum Jahr 2030 um das Elffache ansteigen — von 50 Milliarden Kilowattstunden auf rund 550 Milliarden Kilowattstunden. Damit verbunden ist ein Anstieg der Treibhausgasemissionen von Rechenzentren von 212 Millionen Tonnen im Jahr 2023 auf 355 Millionen Tonnen im Jahr 2030. Weitere Belastungen entstehen durch den Wasserbedarf für die Kühlung, der sich im gleichen Zeitraum auf 664 Milliarden Liter nahezu vervierfacht, sowie die bis zu fünf Millionen Tonnen zusätzlich anfallender Elektronikabfälle.

AlgorithmWatch weist darüber hinaus auf ein strukturelles Transparenzproblem hin: Es gibt kaum Informationen über den Energieverbrauch von KI-Systemen und die von ihnen verursachten Emissionen. Die KI-Industrie versucht vieles, um ihren Strom-, Wasser- und Ressourcenverbrauch geheim zu halten. Das erschwert es, politische Lösungsansätze zu entwickeln, um die Emissionen zu reduzieren. Die Kosten, die NVIDIA-VP Catanzaro intern beschreibt, sind also nur die betriebswirtschaftlich sichtbare Spitze. Die gesellschaftlichen und ökologischen Folgekosten dieser Ressourcenintensität bleiben weitgehend externalisiert.

Investitionsspirale ohne klares Fundament

Was diese Dynamik besonders beunruhigend macht, ist die Wucht, mit der weiter investiert wird — trotz fehlender Belege. Trotz fehlender klarer Belege für Produktivitätssteigerungen durch KI und trotz des Yale Budget Lab, das keine flächendeckenden Daten für eine Verdrängung von Arbeitsplätzen durch KI liefert, haben Big-Tech-Konzerne laut Morgan Stanley 740 Milliarden Dollar an Investitionsausgaben in diesem Jahr angekündigt — ein Anstieg von 69 Prozent gegenüber 2025.

Dieser Anstieg der Ausgaben fällt zeitlich zusammen mit einer Zunahme von Entlassungen im Technologiesektor. Laut Daten von Layoffs.fyi gab es 2026 bisher mehr als 92.000 Entlassungen in der Tech-Branche, verteilt auf nahezu 100 Unternehmen. Die Gleichzeitigkeit dieser Entwicklungen — steigende KI-Ausgaben, sinkende Beschäftigung, fehlende Produktivitätsnachweise — beschreibt eine Logik, die wir als klassische Slop-Falle identifizieren: Investitionen, die primär Signal-Funktion haben, aber keine nachhaltige Wertschöpfung erzeugen.

73 Prozent der Unternehmen nutzen KI in weniger als 30 Prozent ihrer Prozesse; spürbare Produktivitäts- und Beschäftigungseffekte werden erst bei einer Automatisierungstiefe von 30 bis 50 Prozent erwartet. Das bedeutet: Der Großteil der Unternehmen befindet sich noch weit unterhalb der Schwelle, ab der KI-Investitionen messbare Rückflüsse erzeugen. Die Schere zwischen Investitionsvolumen und realem Nutzen ist noch immer groß.

Fazit

Wenn ein Vizepräsident des weltgrößten KI-Chip-Herstellers einräumt, dass seine KI mehr kostet als seine Belegschaft, dann sollte das den Diskurs über KI-Einführung grundlegend verändern. Die entscheidende Frage ist nicht, ob KI eingesetzt werden soll — sie ist, wie, wofür und mit welcher Rechenschaftspflicht. Hast du als Entscheider, als Entwicklerin oder als Anwender wirklich einmal nachgerechnet, ob der KI-Einsatz, den du planst oder bereits praktizierst, das leistet, was er kosten darf?

Die Antwort auf diese Frage ist kein Argument gegen KI. Sie ist die Voraussetzung dafür, KI nicht als Slop zu betreiben — als lieblose Automatisierung ohne Sinn für Kontext, Kosten und Konsequenz. Bewusste KI-Nutzung beginnt genau dort: beim ehrlichen Blick auf die Rechnung.

Häufige Fragen (FAQ)

Was meinte NVIDIA-VP Bryan Catanzaro mit seiner Aussage zu den KI-Kosten?

Catanzaro gab in einem Gespräch mit Axios an, dass für sein Team die Rechenkosten die Personalkosten mittlerweile deutlich übersteigen. Diese Aussage beschreibt eine spezifische Realität im Hochleistungs-KI-Umfeld bei NVIDIA. Sie steht exemplarisch für eine breitere Entwicklung: Token-basierte Nutzung und KI-Agenten erzeugen laufende Betriebskosten, die klassische Personalbudgets übersteigen können.

Stimmt es, dass KI in den meisten Fällen teurer ist als menschliche Arbeit?

Eine MIT-Studie aus dem Jahr 2024 kommt zu dem Schluss, dass KI-Automatisierung nur in rund 23 Prozent bestimmter Tätigkeitsfelder wirtschaftlich vorteilhaft gegenüber menschlicher Arbeit ist. In den verbleibenden Fällen ist die menschliche Arbeitskraft günstiger. Das bedeutet nicht, dass KI keinen Nutzen bringt, sondern dass eine pauschale Kostenersparnis durch KI-Einsatz empirisch nicht belegt ist.

Welche ökologischen Kosten entstehen durch den KI-Betrieb?

Das Öko-Institut prognostiziert, dass der weltweite Stromverbrauch von KI-Rechenzentren bis 2030 auf das Elffache des Wertes von 2023 ansteigen wird. Hinzu kommen ein stark wachsender Wasserverbrauch für die Kühlung sowie Millionen Tonnen zusätzlicher Elektronikabfälle. Diese Kosten werden bislang kaum in betriebswirtschaftliche KI-Kosten-Nutzen-Rechnungen einbezogen.

Warum investieren Unternehmen weiter massiv in KI, obwohl der ROI unklar ist?

Ein Teil der Erklärung liegt in strategischem Signaling: KI-Investitionen werden als Zukunftsfähigkeit kommuniziert, auch wenn der konkrete Return noch aussteht. Daneben spielen Wettbewerbsdruck und die Erwartung fallender Compute-Preise eine Rolle. McKinsey beobachtet, dass der Fokus bislang überwiegend auf Piloten liegt, die inkrementelle Verbesserungen suchen, statt auf tiefgreifende Transformationen.

Werden die KI-Kosten in Zukunft sinken?

Gartner prognostiziert, dass Inferenzkosten für große Sprachmodelle bis 2030 um mehr als 90 Prozent fallen könnten. Das würde die wirtschaftliche Kalkulation grundlegend verändern. Allerdings ist zu beachten, dass sinkende Preise historisch auch zu einer massiven Ausweitung der Nutzung führen — mit entsprechenden Auswirkungen auf Energieverbrauch und ökologischen Fußabdruck.