Einige tiefgehende Überlegungen zum Frontier-Modell-Geschäftsmodell. All dies basiert auf Zahlen, die von The Information, NYT usw. durchgesickert sind. 🔵Der Kern: Es ist eine Compute-Burn-Maschine Im Kern ist das Modell brutal einfach: Fast alle Kosten stammen von Compute – Inferenz und insbesondere Training. Das Training folgt etwas wie einem Skalierungsgesetz. Nehmen wir an, die Kosten steigen jedes Jahr um ~5x; und der ROI auf die Trainingskosten beträgt 2x. Das schafft eine seltsame Dynamik: Jahr 1 Trainingskosten: 1 Jahr 2 Einnahmen aus diesem Modell: 2 Aber die Trainingskosten für das nächste Modell im Jahr 2: 5 Netto: +2 - 5 = -3 Wenn man es weiterführt, wird es schlimmer: Jahr 3 Einnahmen: +10 Jahr 3 Trainingskosten: -25 Netto: -15 Frontier-Modelle, wie sie derzeit betrieben werden, sind negative Cashflow-Schneebälle. Jede Generation verbrennt mehr Geld als die vorherige. Damit sich das jemals in einen positiven Cashflow umkehrt, können nur zwei Dinge logisch geändert werden: A. Die Einnahmen wachsen viel schneller als 2x, oder B. Das Wachstum der Trainingskosten verlangsamt sich von 5x pro Jahr auf etwas wie <2x Darios Amodei, CEO von Anthropic, hat Szenario B („Trainingskosten hören auf, exponentiell zu wachsen“) in zwei mögliche Realitäten unterteilt: 1/ Physische/wirtschaftliche Grenzen: Man kann ein Modell einfach nicht 5x größer trainieren – nicht genug Chips, nicht genug Energie, oder die Kosten nähern sich dem weltweiten BIP. 2/ Abnehmende Erträge: Man könnte ein größeres Modell trainieren, aber die Skalierungskurve flacht ab. Weitere 10x auszugeben, hört auf, sich zu lohnen. Was die Zahlen von OpenAI und Anthropic offenbaren: Die durchgesickerten Finanzprognosen beider Unternehmen validieren im Grunde dieses Framework. OpenAI: Der Plan von OpenAI geht effektiv davon aus, dass die gesamte Compute-Kapazität nach 2028 nicht mehr wächst. Übersetzung: Die Margen verbessern sich, weil die Trainingskosten stagnieren. Das ist Szenario B. Anthropic: 1/ Sie gehen davon aus, dass der ROI pro Modell jedes Jahr steigt. Ausgeben 1, zurückbekommen sagen wir 5 statt 2. 2/ Ihr Wachstum der Compute-Ausgaben ist ebenfalls viel gedämpfter. Von FY25 bis FY28: Das Wachstum der Compute-Kosten von OpenAI >> Anthropics Mit dem obigen Framework zählen sie sowohl auf A Einnahmensteigerung als auch auf B langsameres Kostenwachstum. 🔵 $NFLX ist die nächste Analogie In der Technologie sind kapitalintensive Modelle selten, wenn auch nicht ohne Präzedenzfall. $NFLX ist eine gute Analogie: Über Jahre hatte es einen tief negativen Cashflow, der jährlich schlimmer wurde. Sie mussten Geld in Inhalte im Voraus investieren, und diese Vermögenswerte werteten über vier Jahre ab. In vielerlei Hinsicht ähnelt es den Wirtschaftsmodellen von Rechenzentren und Modelltraining. Höchststand der Cash-Burn im Jahr 2019: -3B Cashflow 2020: +2B Warum der plötzliche positive Umschwung? COVID stoppte die Produktion. Die Ausgaben für Inhalte hörten auf zu wachsen. Der Cashflow drehte sich sofort um. 🔵Das Endspiel: Margen erscheinen, wenn das Kostenwachstum sich verlangsamt $NFLX hat nicht ganz aufgehört, in Inhalte zu investieren – es hat einfach aufgehört, diese Investition aggressiv zu *vergrößern*, als es ~300M globale Abonnenten erreichte. In diesem Maßstab ist die Bindung hoch, und sie müssen nur ihre Position halten, nicht die Ausgaben für Inhalte um 10x pro Jahr erhöhen. Ich glaube nicht, dass OpenAI oder Anthropic jemals ganz mit dem Training aufhören werden. Aber sie werden nicht für immer die Trainingsausgaben um Vielfaches erhöhen müssen. Irgendwann: Der ROI pro Modell steigt, oder Skalierungsgrenzen treten ein, oder beides. Und in dem Moment, in dem die jährlichen Trainingsausgaben aufhören, um 5x pro Jahr zu wachsen, zeigen sich die Gewinnmargen fast sofort. Das ist das Seltsame an der LLM-Ökonomie: Es ist eine Brennmaschine… bis es plötzlich nicht mehr so ist. Quellen: ++ Vollständiger Artikel: