KI-Startups versprechen himmelhohe Margen. Aber ein 160 Jahre altes Konzept, bekannt als das Jevons-Paradoxon, könnte sie auf den Boden der Tatsachen zurückholen.
Getty Images
In den letzten Monaten hat sich das Silicon Valley in eine 160 Jahre alte ökonomische Theorie aus der Zeit der Eisenbahnen und Kohle verliebt: das Jevons-Paradoxon.
Ursprünglich auf Dampflokomotiven und Energieverbrauch angewandt, besagt das Konzept, dass Effizienzsteigerungen den Ressourcenverbrauch nicht reduzieren. Stattdessen erhöhen sie dies, indem sie die Ressource breiter nutzbar machen. Die Dynamik sah im Zeitalter der Eisenbahnen folgendermaßen aus: Die Motoren werden energieeffizienter und benötigen weniger Kohle, doch die Kohlenachfrage explodiert trotzdem. Warum? Weil die Effizienzgewinne eine breitere Nutzung der energieeffizienten Motoren vorantreiben.
Schließen Sie sich über 500.000 Lesern an, die ihren Tag mit Quartz beginnen.
Mit dem Abonnieren stimmen Sie unseren Nutzungsbedingungen und unserer Datenschutzrichtlinie zu.
In unserem eigenen Zeitalter wird das Jevons-Paradoxon auf KI angewandt, die, wie Eisenbahnen und Dampflokomotiven, enorme Mengen an Energie erfordert und daher von der Energieversorgung abhängt. Befürworter wie Microsoft $MSFT CEO Satya Nadella neigen jedoch dazu, die Energieseite der Gleichung zu übersehen, indem sie das Jevons-Paradoxon beschwören, um einfach darauf hinzuweisen, dass die Nachfrage nach KI, je günstiger und effizienter sie wird, nicht schrumpft, sondern explodiert – und damit die Gewinne in die Höhe treibt.
Aber einer Industrieforscher argumentiert, dass diese Vision, so verführerisch sie auch ist, irreführend ist. In einem einflussreichen Substack-Postargumentiert der unabhängige Analyst Dave Friedman, dass das Jevons-Paradoxon in der KI-Wirtschaft kein Fußnote ist – es ist die gesamte Handlung und weist auf eine ernsthafte und wachsendes Risiko in Bezug auf die Rentabilität von KI-Unternehmen hin.
Sein Argument? Ja, KI wird möglicherweise allmählich effizienter. Gleichzeitig frisst die steigende Nachfrage jegliche Effizienzgewinne auf. Und ohne einen massiven, bahnbrechenden Durchbruch bei Energie und Rechenleistung (oder Betriebs- und Hardwarekosten), die zum Betrieb von KI erforderlich sind, gibt es keine Möglichkeit, dass einige KI-Unternehmen so profitabel werden, wie es Risikokapitalgeber und Wall Street erhoffen.
Das Problem ist am deutlichsten am unteren Ende des Marktwerts-Spektrums bei Start-ups sichtbar. Wie Friedman darauf hinweist, KI-Startups sind sich selbst darzustellen für Investoren als softwareähnliche Dienstleistungen, bekannt als SaaS (Software-as-a-Service), ein berühmtes Hochmargengeschäft und ein Goldrausch, der kürzlich genug Erinnerung ist, um VC-Herzen höher schlagen zu lassen.
Mit dem SaaS-Geschäftsmodell kostet es Unternehmen nicht viel mehr, zusätzliche Kunden zu bedienen, sodass die Abonnementgebühren jedes zusätzlichen Kunden mehr oder weniger direkt auf das Endergebnis fallen. Die besten SaaS-Geschäfte können Margen von bis zu 80 oder 90% haben, was sie in dieser Hinsicht zu den besten Unternehmen der Welt macht und Kapital wie Fliegen auf Honig anzieht.
Aber AI-Startups ähneln nur oberflächlich Softwareunternehmen, argumentiert Friedman, und das liegt am Jevons-Paradoxon. Bei AI-Unternehmen – im Gegensatz zu SaaS-Unternehmen – sind die Energiekosten und die damit verbundenen Nutzungskosten nicht fix. Daher wird AI durch die Bedienung zusätzlicher Kunden und die breitere Nutzung nicht günstiger. Die Kosten steigen mit der Nutzung.
„Diese Dynamik erklärt, warum so viele AI-Startups auf dem Papier großartig aussehen, aber möglicherweise nie gesunde Gewinnmargen erreichen“, sagte Friedman, ein Startup-Berater und ehemaliger Analyst bei Citigroup $C und Bloomberg, gegenüber Quartz. „Wenn Ihr Kernprodukt teurer wird, je mehr es verwendet wird, ist das ein strukturelles Problem, kein vorübergehender Fehler.“
Aus Friedmans Sicht bepreist das Silicon Valley die Physik falsch. Die Leute tun so, als ob die Inferenzkosten Betriebskosten wären, schrieb er in seinem Beitrag und bezog sich dabei auf die Art und Weise, wie einige Unternehmen AIs laufenden Rechenbedarf als feste (oder zumindest halb-feste) Ausgaben gemäß GAAP-Bilanzierung darstellen. In Wirklichkeit, sagt er, steigen diese Kosten mit der Nutzung, daher wären sie besser als COGS oder die Kosten der verkauften Waren zu verstehen, die die Nutzungskosten genauer widerspiegeln.
Tatsächlich werden in einigen anderen energieintensiven Branchen Energieverbrauch und Rechenkosten als COGS erfasst. Die Energie, die benötigt wird, um eine Tonne Aluminium zu schmelzen, wird beispielsweise dieser Tonne direkt zugerechnet. in den COGS enthalten. The same is true of some tech businesses. AWS includes Server-Strom und -Kühlung als COGS wenn sie mit der Bereitstellung von Kunden-Workloads verbunden sind.
Es könnte wie eine kleine buchhalterische Nuance erscheinen, aber in der Praxis kann es der Unterschied zwischen einem genauen Bild der zugrunde liegenden Unternehmensökonomie und einem ungenauen sein.
Schlimmer noch, sagte Friedman, das Missverständnis ist weit verbreitet, teilweise aufgrund eines verzerrenden Faktors: Compute-Gutschriften. Viele LLM-Startups laufen auf kostenloser oder stark vergünstigter Infrastruktur von Hyperscalern wie AWS, Google $GOOGL und Microsoft. Das kann verschleiern, wie viel es tatsächlich kostet, Kunden zu bedienen, und P&Ls künstlich gesund aussehen lassen.
Historisch gesehen ist das nicht neu – von Telekommunikation über Cloud bis hin zu Energie haben Anleger wiederholt frühe Margen in infrastrukturintensiven Ausbauten überschätzt. Was KI laut Friedman anders macht, ist die Geschwindigkeit. „Ein bahnbrechendes Modell kann über Nacht Ihren gesamten Stack obsolet machen“, sagte er Quartz. „Und die Open-Source-Community bringt diese Durchbrüche schneller als je zuvor hervor.“
Die Dynamik ist besonders für Startups bestrafend. Giganten wie Google und Microsoft besitzen ihre Rechenzentren, verhandeln Strom zu Industrietarifen und haben Jahrzehnte in den Aufbau der Infrastruktur investiert, die KI antreibt. Startups hingegen sind darauf angewiesen, solche Ressourcen zu mieten, oft von denselben etablierten Unternehmen, die sie stören wollen. Das macht sie hypersensibel für die Kostenstruktur.
„Und obendrein haben sie nicht das finanzielle Polster, um Margenauswirkungen so abzufedern, wie es Big Tech kann", sagte Friedman. "Selbst wenn zwei Unternehmen dasselbe Modell betreiben, zahlt das Startup viel mehr und spürt es stärker."
Das bedeutet nicht, dass wir einen Massenfehlschlag von KI- und LLM-Startups sehen werden. Aber es könnte eine Neuausrichtung bedeuten. Aus Friedmans Sicht werden viele KI-Startups gezwungen sein, unangenehme Entscheidungen zu treffen: die rechenintensivsten Funktionen trimmen, Preise erhöhen oder sich auf dauerhaft margenschwache Operationen einlassen.
"Sie werden überleben", sagte Friedman, "aber sie werden nicht wie klassische SaaS-Unternehmen mit Margen von 80-90% aussehen. Sie werden eher wie Infrastrukturunternehmen aussehen, wo die Gewinne geringer sind und das Wachstum länger dauert."
Mit anderen Worten könnte das Jevons-Paradox in unserer eigenen Zeit mehr Effizienz und mehr Nachfrage bedeuten – aber zumindest für Startups nicht unbedingt mehr Geld.
