Der Verbrauch von KI-Token könnte bis 2030 um das 24-Fache steigen, da günstigere Modelle und autonome Agenten die Nutzung ausweiten, so Zach Pandl, Head of Research beim Asset-Manager Grayscale. Der Ausblick, der im Unternehmensbericht „Investing for the Compute Bottleneck“ dargelegt wird, weist auch darauf hin, dass die physische Infrastruktur, die für den Betrieb dieser Systeme benötigt wird, weiterhin begrenzt bleibt. Grayscale argumentiert, dass die steigende Nachfrage nach Rechenleistung die Effizienzgewinne übersteigen und den Druck auf verfügbare Rechenzentren, Stromversorgung und GPUs erhöhen könnte.

Günstigere KI-Modelle könnten die Nutzung ausweiten

Sinkende Kosten machen künstliche Intelligenz für Anwendungen und automatisierte Workflows zugänglicher. Das neueste Sonnet-Modell von Anthropic kostet laut dem Unternehmen nun bis zu 30 % weniger pro Aufgabe, während der Wettbewerb durch günstigere Open-Weight-Modelle – deren Parameter öffentlich verfügbar sind und von jedermann heruntergeladen und betrieben werden können – kontinuierlichen Abwärtsdruck auf die Tokenpreise ausübt.

Token messen den Text, den KI-Modelle verarbeiten und generieren, und Entwickler zahlen für deren Verbrauch. Da die Preise sinken, könnten Unternehmen neue Einsatzmöglichkeiten für KI finden, die zuvor zu teuer waren. Der Bericht untersucht, wie günstigere Intelligenz eine breitere Einführung unterstützen könnte.

KI-Agenten könnten die Rechennachfrage vervielfachen

OpenAIs kürzlich eingeführte „dots“ sind durchgehend aktive Agenten, die darauf ausgelegt sind, rund um die Uhr an den Zielen der Nutzer zu arbeiten. Anders als Chatbots, die auf einzelne Fragen antworten, können Agenten mehrere Schritte innerhalb eines einzelnen Workflows abschließen. Die Vorbereitung eines Kundentermins könnte beispielsweise die Durchsicht von Notizen, die Analyse von Portfolioveränderungen und das Erstellen einer Agenda erfordern.

Laut Grayscale können Aufgaben dieser Art, je nach Komplexität, fünf- bis 50-mal mehr Token verbrauchen als eine Standard-Chatbot-Interaktion. Agenten könnten dadurch erhebliches Wachstum bei der Inferenz vorantreiben, der Berechnung, die für den Betrieb von KI-Modellen erforderlich ist. Goldman Sachs geht davon aus, dass der Tokenverbrauch bis 2030 um das 24-Fache steigen könnte, wobei die Bank den Anstieg hauptsächlich auf die Einführung von Agenten zurückführt.

Physische Infrastruktur bleibt ein Rechenengpass

Obwohl KI-Modelle effizienter werden, kann die Gesamt Nachfrage nach Rechenleistung dennoch steigen, wenn die Nutzung schneller wächst, als die Effizienzgewinne ausgleichen können – eine Dynamik, die an das Jevons-Paradoxon erinnert, die volkswirtschaftliche Beobachtung aus dem 19. Jahrhundert, dass höhere Effizienz den Gesamtverbrauch einer Ressource erhöhen statt verringern kann. Der Aufbau der erforderlichen Infrastruktur braucht Zeit. Stromverfügbarkeit, Rechenzentren und GPUs bleiben unverzichtbar, um wachsend Workloads zu bewältigen, und deren begrenztes Angebot könnte einschränken, wie schnell die Rechenkapazität mit der KI-Einführung mitwachsen kann.

Grayscale verwies zudem auf CoreWeave, das kürzlich den Abschluss neuer Verträge zu höheren Rechenpreisen meldete – ein Beispiel für anhaltenden Preisdruck auf die Infrastruktur, obwohl die Kosten einzelner KI-Aufgaben sinken.

Pandls Analyse argumentiert, dass günstigere Modelle und leistungsfähigere Agenten die Nutzung so weit steigern könnten, dass sie die Effizienzgewinne übersteigt. In diesem Szenario könnten Eigentümer knapper physischer Recheninfrastruktur von der Nachfrage profitieren. Wie sich das Gleichgewicht zwischen sinkenden Tokenkosten und steigender Infrastrukturpreisgestaltung entwickelt, könnte sich in weiteren Modellpreissenkungen von Anbietern wie Anthropic, in Vertragsoffenlegungen von Betreibern wie CoreWeave und in Überarbeitungen von Nachfrageschätzungen wie der 24-fach-Prognose von Goldman Sachs zeigen.