Der Anthropic-Prospekt: KI wird effizienter. Aber wer kennt die wirklichen Kosten?

Ok, zuerst das: Gratuliere. Was Anthropic in diesem Jahr hingelegt hat, ist eine Top-Leistung, und die Alt-Investoren dürfen sich freuen, und mit ihnen alle, die in den Finanzierungsrunden vor dem geplanten Börsengang Anteile kaufen konnten; an der Börse ist die Firma noch nicht, der Prospekt ist eingereicht, ein Datum gibt es nicht. Die letzte Runde im Mai bewertete die Firma mit 965 Milliarden Dollar, und per Ende Juni lagen laut Prospekt 112 Milliarden Cash und 19 Milliarden kurzfristige Anlagen in der Kasse, zusammen rund 130 Milliarden. Da liegt noch viel Geld. So, und jetzt so viel vorweg: Alle Zahlen in diesem Artikel stehen im Börsenprospekt, den Anthropic am 26. Oktober eingereicht hat, oder in Berichten, die ihn auswerten, und sie sind unten verlinkt. Was ich daraus lese, ist meine Meinung, und ich markiere sie als solche. Was ich nicht gelesen habe, sage ich auch. Die KI-Branche zeigt gerade beeindruckende Zahlen: Umsätze steigen schneller als bei jeder Technik zuvor, Modelle werden besser, die Kosten pro Token sinken. Und eine Frage wird erstaunlich selten gestellt: Was kostet es tatsächlich, mit KI ein Problem vollständig, zuverlässig und dauerhaft zu lösen? Nicht pro Token. Pro gelöstem Problem.

Die Zahlen aus dem Prospekt

Das ist die Tabelle aus dem Prospekt, die zählt, gekürzt auf das, was ich hier brauche. Alles in Millionen Dollar, aus dem Abschnitt „Summary Consolidated Financial Data".

Was daraus folgt, rein rechnerisch: Rechenleistung und Infrastruktur entsprachen im Halbjahr 55 Prozent des Umsatzes, im zweiten Quartal laut Berichten 48 Prozent, bei 5,6 Milliarden Kosten und 11,6 Milliarden Umsatz. Das Unternehmen selber formuliert es so, dass der Umsatz im zweiten Quartal um 1'368 Prozent gewachsen sei, die Rechenkosten um 300 Prozent. Als eine Zahl, aus der Tabelle gerechnet: Pro Dollar Rechenleistung kamen 2025 rund 63 Cent Umsatz zurück. Im ersten Halbjahr 2026 ein Dollar 82. Im zweiten Quartal zwei Dollar acht. Nicht weniger Rechenleistung, die ist gestiegen. Aber pro Rechendollar mehr als das Dreifache an Umsatz innerhalb von anderthalb Jahren. Das ist für mich die bemerkenswerteste Zahl im ganzen Prospekt. Und die Zahl, die in der Blasen-Diskussion fast untergeht: Der Betriebsverlust ist im Halbjahr auf 693 Millionen geschrumpft, von 8 Milliarden im ganzen Vorjahr. Und im zweiten Quartal allein stand laut Auswertungen des Prospekts erstmals ein Betriebsgewinn, rund 970 Millionen auf 11,6 Milliarden Umsatz. Der riesige Nettoverlust ist zu 72 Milliarden ein Buchposten aus der Neubewertung von Wandelanleihen, weil die Firma mehr wert geworden ist. Kein Geld, das abgeflossen ist. Das steht so im Prospekt, in der Fussnote zur Tabelle.

Und ich sage auch, warum mich gerade diese Zahl so interessiert, damit niemand denkt, ich lese Prospekte zum Vergnügen. Es ist genau die Zahl, auf die wir bei unseren Kunden schauen: Was kommt pro Rechendollar zurück, nicht als Umsatz, sondern als erledigte Arbeit. Jede Aufgabe trägt bei uns ihren Kostenbericht, Prompts, Tokens, Nacharbeit, und daneben steht, was der Kunde davon hat. Und es ist die Zahl, an der wir unsere eigene Trainingsumgebung optimieren: kleine Modelle statt grosse, wo es reicht, Scripts statt Modellaufrufe, wo es geht, Budget und Frist an jedem Lauf. Wenn ein Anbieter dieser Grösse sein Verhältnis in anderthalb Jahren verdreifacht, dann ist das für mich kein Börsenthema. Es ist die Bestätigung, dass Effizienz pro Rechendollar der Hebel ist, um den sich in diesem Geschäft alles dreht. Und, ganz offen: Wir hoffen, dass uns dasselbe gelingt, in unserem Massstab. Mehr erledigte Arbeit pro Rechendollar. Daran messen wir uns, und daran wird man uns messen.

Dazu: Verpflichtungen für Rechenkapazität in der Grössenordnung von 540 bis 570 Milliarden Dollar über mehrere Jahre, laut der Auswertung von Fortune. Und, zu meiner eigenen Überraschung beim Lesen: Vertrieb, Marketing und Partnerschaften haben sich in einem halben Jahr fast versechsfacht gegenüber dem ganzen Vorjahr, auf 3,2 Milliarden. Das ist mehr als das gesamte Personal.

Und das sage ich, bevor ich kritisch werde, damit es nicht untergeht: Was Anthropic dieses Jahr hingelegt hat, ist eine Top-Leistung. Vom Zuschussgeschäft zum Betriebsgewinn in anderthalb Jahren, bei einem Umsatz, der sich im Halbjahr mehr als verdreifacht hat, mit Modellen, die ich jeden Tag benutze und die jeden Monat besser werden. Das ist nicht nur ein gutes Jahr, das ist eines der besten, die ich in dieser Branche gesehen habe. Und wer die Tabelle liest, sieht auch: Da liegt noch viel Geld. 112 Milliarden Cash und 19 Milliarden kurzfristige Anlagen per Ende Juni, laut Prospekt. Wer vor zwei Jahren gesagt hätte, ein Anbieter verdient in einem Quartal elf Milliarden mit Modellen und hat dabei einen Betriebsgewinn, hätte Gelächter geerntet. Ich rede das nicht klein. Ich schaue nur auf die Rechnung, die danach kommt.

Was die 48 Prozent messen, und was nicht

Was ich aus der Tabelle weiss: die Posten und ihre Grössenordnung. Was ich daraus nicht weiss, und das ist keine Unterstellung, sondern eine Grenze dessen, was in der Zusammenfassung steht: Was genau in „Rechenleistung und Infrastruktur" enthalten ist. Wie viel davon für zahlende Kunden gerechnet wurde und wie viel für Forschung, Training und interne Nutzung. Der Prospekt selber sagt, dass die Rechenleistung beides trägt, Kundenbetrieb und Modellentwicklung. Wie das aufgeteilt ist, steht auf den Seiten, die ich gelesen habe, nicht. Ebenso wenig, über wie viele Jahre eigene Hardware abgeschrieben wird. Das steht im Detailteil des Prospekts, und den habe ich nicht vollständig gelesen. Das ist mein Stand, nicht der Stand der Welt.

Meine Meinung, als Meinung: Ein Prospekt ist so aufbereitet, wie er aufbereitet werden darf und soll. Das ist nicht falsch, das ist sein Zweck. Darum lese ich ihn als das, was er ist: die Sicht des Anbieters auf den Anbieter. Die Rechnung, die mich interessiert, fängt dort an, wo der Prospekt aufhört.

Eine billigere Komponente macht kein billigeres System

In der Softwarearchitektur kennen wir das seit Jahrzehnten. Der Datenbankserver wird schneller. Die Cloud bietet billigere Instanzen. Eine neue Bibliothek beschleunigt einen Schritt um das Zehnfache. Und das Gesamtsystem ist trotzdem nicht billiger geworden, weil Integration dazukam, Komplexität, Überwachung, Wartung. Entscheidend ist immer die Gesamtrechnung.

Bei KI ist es nicht anders. Ein Modell, das eine Aufgabe für ein paar Rappen bearbeitet, klingt effizient. Aber was, wenn das Ergebnis falsch ist? Wenn der Kontext verloren geht? Wenn drei weitere Aufrufe nötig sind? Wenn ein Mensch das Ergebnis prüfen, korrigieren oder ganz neu machen muss? Dann ist aus der billigen Operation ein teurer Geschäftsprozess geworden. Ich habe das bei der Harvard-Studie beschrieben: 30 Prozent mehr Code, 49 Prozent längeres Review, null Effekt am Ende. Die Kosten einer Modellantwort sind nicht die Kosten einer gelösten Aufgabe.

Zwanzig Dollar gegen achtzig Dollar

Ein Beispiel, erfunden, aber so, wie ich es jede Woche sehe. Eine Firma lässt einen Coding-Agenten eine Funktion in eine bestehende Anwendung einbauen. Er analysiert den Code, legt Klassen an, ändert Schnittstellen, ergänzt Abfragen. Modellkosten: zwanzig Dollar. Beeindruckend. Dann zeigt sich: Die Funktion greift direkt auf Daten einer anderen Domäne zu, Sicherheitsprüfungen fehlen, bestehende Schnittstellen wurden umgangen, die Implementierung lässt sich kaum erweitern. Ein erfahrener Entwickler braucht einen halben Tag, um das zu finden und zu korrigieren. Aus zwanzig Dollar sind mehrere hundert geworden.

Ein anderer Agent hätte vielleicht achtzig Dollar gekostet, weil er zuerst das System gelesen hat. Dafür hat er die Architektur respektiert, Vorhandenes wiederverwendet, Tests geschrieben, etwas Wartbares geliefert. Welcher war wirtschaftlicher? Die Antwort ist offensichtlich. Trotzdem vergleichen fast alle Werkzeuge nach Kosten pro Token oder nach einem Benchmark.

Die Kennzahl, die fehlt

Bei uns trägt jede Arbeit ihren Kostenbericht, das habe ich beim Werkstatt-Tag gezeigt: ein normaler Auftrag, zwanzig Prompts, rund hunderttausend Tokens, gemessen. Das ist der Anfang. Die zweite Hälfte ist, wie viel ein Mensch danach noch anfassen musste, wie viele Regeln verletzt wurden, wie viel nachträglich korrigiert wurde. Erst beides zusammen ist eine Zahl, mit der man entscheiden kann.

Vier Ebenen von Effizienz

Ein Modell kann auf der ersten Ebene glänzen und auf den anderen drei unwirtschaftlich sein. Umgekehrt kann ein teureres Modell in einer gut gebauten Architektur die bessere Entscheidung sein. Und das gilt doppelt für Agentensysteme: Wenn mehrere Agenten delegieren, prüfen und bei Fehlern neu beginnen, kostet jede Rolle. Manche Rollen bringen nachweislich etwas, der Prüfer, der nicht der Schreiber ist, zum Beispiel. Nicht jede. Manchmal ist ein einzelner, gut geführter Agent billiger als ein Schwarm. Komplexität muss einen nachweisbaren Nutzen liefern, sonst ist sie nur Aufwand. Das ist Architektur, nicht KI.

Die Verpflichtungen dahinter

Zurück zum Prospekt. Die Nachfrage ist offensichtlich enorm. Genauso offensichtlich ist die Grössenordnung dessen, was dafür gebunden wird: über eine halbe Billion Dollar an Rechenkapazität über mehrere Jahre. Das sind keine entstandenen Verluste, und nicht jede angekündigte Vereinbarung ist am Ende verbindlich. Aber es zeigt, wie viel künftige Nachfrage nötig ist, damit sich diese Kapazität auslastet. Und die grossen Cloud-Anbieter sind dabei mehreres zugleich: Der Prospekt nennt Amazon als Gläubiger von Wandelanleihen, AWS, Google Cloud und Azure als Vertriebsplattformen, und AWS Trainium und Google TPUs als Rechenbasis. Dass dieselben Konzerne eigene Modelle anbieten, ist bekannt. Das ist nicht verwerflich. Es macht die Rechnung nur schwerer lesbar.

Für ein Urteil über die Wirtschaftlichkeit der Technik reicht Umsatzwachstum plus sinkende relative Rechenkosten darum nicht. Man müsste wissen, wie sich Training, Inferenz, Infrastrukturverpflichtungen, Finanzierung, Forschung und Kundenbetrieb langfristig verteilen. Und vor allem: wie viel Nutzen am Ende beim Kunden entsteht. Das ist dieselbe Trennung, die ich bei OpenAI gemacht habe: Nutzen der Technik und Rendite der Investoren sind zwei Fragen.

Was ich messe

Ein System, das zehnmal schneller Code erzeugt und doppelt so hohe Wartungskosten verursacht, ist kein Fortschritt. Erst solche Kennzahlen erlauben eine belastbare Aussage über Produktivität.

Was bleibt

Die Fortschritte sind real, und es wäre falsch, sie kleinzureden. Genauso falsch wäre es, aus einzelnen Kennzahlen auf die Wirtschaftlichkeit der ganzen Technik zu schliessen. Die eigentliche Aufgabe ist, KI nicht als Modell zu betrachten, sondern als Teil eines technischen und wirtschaftlichen Systems, und die Qualität und die Kosten vollständiger Lösungen zu messen, nicht die Leistung einzelner Modelle. Das braucht Architekturverständnis, stabile Kontexte, klare Domänengrenzen, kontrollierte Prozesse, nachvollziehbare Qualitätskriterien. Die besten Modelle spielen dabei eine Rolle. Sie sind eine Komponente.

Quellen und Stand