Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch22. September 2026 · Q005367

The plunging price of thought

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI schätzt, dass die Kosten für ein festes KI-Benchmark-Leistungsniveau über fünf Haupttests hinweg in rund drei Jahren durchschnittlich um 47 Prozent pro Quartal sanken; bei neuen Spitzenleistungen sei der Rückgang zunächst oft noch schneller. Die Autoren betonen, dass lückenhafte Daten, mögliche Benchmark-Optimierung, die begrenzte Übertragbarkeit von Testergebnissen auf praktische Arbeit und die gewählte Mittelungsmethode diese Näherungswerte einschränken.

Mittel

Epoch AI schätzt, dass die Kosten, mit denen KI-Modelle ein festes Leistungsniveau auf fünf Mathematik-, Naturwissenschafts- und Spielbenchmarks erreichen, in den untersuchten rund drei Jahren durchschnittlich um 47 Prozent pro Quartal sanken – etwa um den Faktor 13 pro Jahr. Die Autoren vergleichen dabei geschätzte Kosten pro erreichtem Ergebnis, nicht nur Tokenpreise. Dafür leiten sie aus Benchmark-Protokollen Kosten-Leistungs-Kurven ab und untersuchen jeweils die günstigste verfügbare Modelloption. Eigene Tests mit offenen Modellen ergänzen die Daten; bei fünf Modellen lagen die ermittelten Kosten laut Bericht weniger als 30 Prozent von den API-Preisen entfernt.

Die Entwicklung variiert je nach Aufgabe: Mathematik zeigt teils stärkere Rückgänge als Spielrätsel. Bei neuen Spitzenleistungen fällt der Preis laut Modell zunächst besonders schnell; der mittlere Quartalsrückgang sinke von etwa 66 Prozent beim erstmaligen Erreichen eines Leistungsniveaus auf rund 32 Prozent zwei Jahre danach. Diese Werte sind Näherungen: Die Daten umfassen nur etwa drei Jahre, sind lückenhaft und können durch gezieltes Benchmark-Training verzerrt sein. Benchmark-Ergebnisse stehen zudem nicht automatisch für nützliche Arbeit, und reale Nutzer suchen nicht ständig das jeweils günstigste Modell. Auch ist „Preis des Denkens“ keine einheitliche Leistung, weshalb Vergleiche mit anderen Technologien nur eingeschränkt direkt sind.

Ausführlich lesen

Der Bericht von Epoch AI untersucht, wie schnell die Kosten sinken, mit denen KI-Modelle bestimmte Leistungen in Mathematik, Naturwissenschaften und Geschicklichkeitsspielen erreichen. Seine zentrale Schätzung lautet: Über fünf Hauptbenchmarks hinweg fiel der Preis für ein festes Leistungsniveau in den ausgewerteten rund drei Jahren im Durchschnitt um etwa 47 Prozent pro Quartal – laut Autor entspricht das ungefähr dem 13-Fachen pro Jahr. Der Bericht stellt diese Entwicklung als außergewöhnlich schnell dar, betont aber, dass die Zahl eine grobe Schätzung und kein exaktes oder allgemeingültiges Maß ist.

Als anschauliches Beispiel nennt der Autor OpenAIs o3, das laut Bericht Anfang 2025 bei einem geschätzten Aufwand von 30 Cent pro Frage 75 Prozent auf GPQA Diamond erreicht habe. Ein späteres Modell habe dieselbe Leistung für 0,0004 Dollar pro Frage erzielt; daraus leitet der Bericht einen Kostenrückgang um den Faktor 725 in weniger als 18 Monaten ab. Die Werte beziehen sich auf ein bestimmtes Benchmarkziel und die vom Bericht verwendete Kostenmessung.

Methodisch wertet Epoch AI fünf primäre Benchmarks sowie weitere ergänzende Tests aus. Die Analyse soll nicht bloß Tokenpreise vergleichen, sondern die tatsächlichen geschätzten Kosten, um ein bestimmtes Ergebnis zu erzielen. Dazu rekonstruiert sie für einzelne Modelle Kosten-Leistungs-Kurven aus Benchmark-Protokollen: Für verschiedene Tokenbudgets wird gezählt, wie viele Fragen ein Modell innerhalb des Budgets korrekt beantwortet. Die jeweils günstigste verfügbare Kombination aus Modell und Aufwand bildet die Kostenfrontier. Zusätzlich sammelte das Team Daten zu kleineren und effizienteren Modellen und führte eigene Tests mit offenen Modellen durch. Für fünf Modelle, die auch über eine Inferenz-API verfügbar waren, lagen die eigenen Kostenschätzungen laut Bericht weniger als 30 Prozent von den API-Preisen entfernt.

Die Forschenden vergleichen modellfreie Durchschnittswerte mit mehreren statistischen Ansätzen. Sie bevorzugen flexible, monotone Modelle, die an die empirische Kostenfrontier angepasst werden. Andere Varianten lieferten teils wenig plausible Ergebnisse. Weil die Daten lückenhaft und die Extremwerte der Frontier empfindlich gegenüber einzelnen Beobachtungen sind, verzichten die Autoren auf Standardfehler und formale Signifikanztests. Sie beschreiben ihre Ergebnisse als vernünftige, aber grobe Messungen.

Die geschätzten Rückgänge unterscheiden sich nach Aufgabe: Bei Rätselbenchmarks seien sie langsamer, bei Mathematik schneller. Außerdem sinke die Rate häufig mit der Zeit: Im Mittel über die Hauptbenchmarks liege sie beim erstmaligen Erreichen eines neuen Spitzenleistungsniveaus bei rund 66 Prozent pro Quartal und zwei Jahre später bei rund 32 Prozent. Der Bericht vermutet als mögliche Erklärung, dass neue Spitzenleistung zunächst teuer angeboten werden kann, während Wettbewerb und technische Verbesserungen die Kosten anschließend drücken.

Als wesentliche Grenzen nennt der Bericht mögliches gezieltes Training auf bekannte Benchmarks, die nur eingeschränkte Aussagekraft von Testleistungen für praktisch nützliche Arbeit, die kurze Beobachtungsdauer, fehlende oder unvollständige Modell-Benchmark-Kombinationen und unterschiedliche plausible Arten, die Ergebnisse zu mitteln. Auch bildet die Frontier Nutzer ab, die fortlaufend das günstigste Modell auswählen; das entspreche nicht unbedingt dem Verhalten realer Anwender. Schließlich sei „Preis des Denkens“ keine einheitliche Ware wie eine Kilowattstunde: Vergleiche mit Strom, Batterien, Rechenleistung oder DNA-Sequenzierung seien daher nur bedingt direkt. Der Bericht hält den Vergleich dennoch für nützlich, vorbehaltlich dieser Unterschiede.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassung ist inhaltlich treu, lässt aber den zentralen Vergleich mit anderen Technologien und das 725-fach-Beispiel aus. Bei den Sammelfragen und Teilfragen zu Ausrichtung und Cyber-Schwellen liefert der Bericht kaum Belege; Lunas Stufen 3 und 4 sind dort überhöht, und nur SF-V5-T03 erhält eine teilweise Antwort.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht stellt den Preisverfall von KI-Leistung als beispiellos schnell dar, im Vergleich zu Strom, Batterien, DNA-Sequenzierung und Rechenleistung
  • Beispiel: gleiche Leistung bei GPQA Diamond fiel von o3 (Januar 2025) zu GPT-5.6 Luna um den Faktor 725 in unter 18 Monaten

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 24 %Hintergrund, keine Belege
    • Luna 37 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 42 %gleiches Oberthema, hilft nicht
    • d3-ultra offen

    • SF-F1-T04 Welcher gemeinsame, neutrale und offene Maßstab (Aufgaben, Erfolgsrate, abgeschirmte Testumgebung, Belege) zeigt, dass eine Cyber-Schwelle überschritten ist? Würden ein Ministerium und ein Labor in verschiedenen Staaten ihn annehmen, bevor das nächste Modell als Überschreitung eingestuft wird, damit Schwellen gemessen und nicht behauptet werden? Und dient derselbe Maßstab dann sowohl dazu, ein Modell einzustufen, als auch dazu, das Tempo seiner Entwicklung zu steuern? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 3 · 31 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 2 · nur am Rande erwähnt
Unabhängig prüfen
  1. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 53 %einzelne zitierbare Belege
    • JEV 30 %umfangreiche Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 71 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 45 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 75 %Hintergrund, keine Belege
    • JEV 41 %einzelne zitierbare Belege
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-V5-T03 Ist es wirtschaftlich klug, Modelle mit geringem Denkaufwand zu betreiben, oder wird das Ausrichtungsproblem (Modelle dazu zu bringen, den vorgesehenen Zielen und Werten zu folgen) dadurch nur schwerer sichtbar? Luna: Stufe 3 · 38 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
Modelle teilen und schützen
  1. SF-H5 Wann sind Chip- und Exportkontrollen eine Sicherheitsmaßnahme, und wann ein dauerhafter Vorteil?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 33 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 59 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra offen
Beteiligung und Gemeinwohl
  1. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 31 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 27 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 30 %nur am Rande erwähnt
    • d3-ultra offen
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 69 %Hintergrund, keine Belege
    • JEV 29 %Hintergrund, keine Belege
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
    • Haiku-Prüfung nur am Rande erwähnt

  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 47 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra offen
Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →