112 Mrd. US-Dollar Loch – die versteckte Pleite von Big Tech

Das Stargate-Projekt – Hunderte von Milliarden Dollar für den Bau riesiger Rechenzentren. Das ist kein Tippfehler: Es geht um Summen, die dem BIP kleinerer Länder entsprechen. Microsoft, Google und Meta geben jährlich Dutzende Milliarden für GPU-Infrastruktur aus: Allein Microsoft investierte 2025 über 50 Milliarden US-Dollar in Investitionsausgaben, der größte Teil davon in KI.

Das Problem ist in der Buchhaltung verborgen. GPUs der Generation H100 veralten in 2 Jahren mit der Einführung von H200, B100, B200 – jede nächste Generation ist 50–100 % schneller als die vorherige. Aber Unternehmen schreiben sie über 5–6 Jahre ab, wodurch eine buchhalterische Illusion entsteht. Beispiel: Ein Unternehmen kaufte GPUs für 20 Milliarden US-Dollar. In den Geschäftsbüchern sind sie nach 2 Jahren immer noch „13 Milliarden US-Dollar wert“ (bei linearer Abschreibung über 6 Jahre). In Wirklichkeit kosten sie ~5 Milliarden US-Dollar, weil die neue Generation die gleiche Arbeit doppelt so schnell und billiger erledigt.

Das schafft ein verstecktes Defizit: Die Differenz zwischen dem Buchwert der Vermögenswerte und ihrem realen Marktwert – Billionen von Dollar in der gesamten Branche. Wenn (nicht „ob“, sondern „wann“) die Prüfer eine Neubewertung fordern – dies könnte zu massiven Abschreibungen führen, die Aktien von KI-Unternehmen zum Absturz bringen und eine Vertrauenskrise in der gesamten Branche auslösen.

Analysten prognostizieren, dass OpenAI bis 2030 Verluste in Höhe von etwa $112 Mrd. anhäufen wird. Diese Zahl ist nicht aus der Luft gegriffen: Sie spiegelt ein grundlegendes Problem des Geschäftsmodells zentralisierter KI wider.

Einerseits wachsen die Einnahmen beeindruckend: Milliarden von Dollar jährlich durch ChatGPT-Abonnements und API. Andererseits steigen die Ausgaben noch schneller. Jede neue Modellgeneration erfordert ein Vielfaches an Ressourcen:

• GPT-3 → GPT-4: Die Trainingskosten stiegen um etwa das 10-fache
• GPT-4 → GPT-5: Ein weiteres exponentielles Wachstum
• Inference: Millionen Nutzer = Milliarden Token pro Tag = Milliarden Dollar pro Jahr für GPU-Leistung

Dieses Modell funktioniert nur bei endlosem Zufluss von Risikokapital. OpenAI hat zig Milliarden an Investitionen eingesammelt, einschließlich Runden von Microsoft und SoftBank. Aber Investoren sind keine Wohltäter. Früher oder später werden sie Gewinne fordern. Die Frage ist nicht „ob“, sondern „wann“ – und was passiert in diesem Moment mit den Millionen von Unternehmen, die auf der API von OpenAI aufgebaut sind?

Zum Vergleich: Gonka hat $80M eingesammelt und verarbeitet bereits echte KI-Anfragen über ein Netzwerk aus ~4,648 GPU. Die Kosten für Inference betragen $0.0047/1M Token. Dies ist möglich, weil im dezentralen Modell keine Billionen-Investitionen in Rechenzentren amortisiert werden müssen.

Gonka baut keine Rechenzentren — es bündelt bereits existierende GPU weltweit. Das ist nicht nur ein alternatives Geschäftsmodell, sondern eine grundlegend andere ökonomische Architektur, die die Grundursache der Blase beseitigt.

Keine Investitionskosten (CAPEX): Das Gonka-Netzwerk sammelt keine Hunderte Milliarden für Bauvorhaben ein. Das Protokoll, die Blockchain und die Software sind alles, was das Team erstellt. GPU werden von unabhängigen Hosts weltweit bereitgestellt — jeder auf eigene Kosten.

Keine Abschreibungen über 6 Jahre: Wenn eine H100 veraltet ist, ersetzt der Host sie einfach durch eine H200 oder die nächste Generation. Die Entscheidung trifft der Hardware-Eigentümer auf Basis der Marktbedingungen, nicht ein CFO eines Konzerns, der versucht, Abschreibungen zu verschleiern.

Keine Buchhaltungstricks: Alle Transaktionen in der Gonka-Blockchain sind transparent. Belohnungen werden gemäß dem von CertiK auditierten Protokoll verteilt. Es gibt keine „versteckten“ Kosten, die erst in 5 Jahren bei einer Neubewertung von Vermögenswerten auftauchen.

Verteiltes Risiko: Jeder Host trägt sein eigenes Risiko. Wenn ein Host durch eine schlechte GPU-Investition pleitegeht, ist das sein Problem, nicht das des gesamten Netzwerks. Im zentralisierten Modell kann ein Fehler in Höhe von 10 Mrd. USD das gesamte Unternehmen zu Fall bringen. Bei Gonka ist ein solcher Fehler per Definition unmöglich — weil es keinen einzelnen Akteur gibt, der eine Entscheidung in Höhe von 10 Mrd. USD treffen könnte.

Das Ergebnis: Die Kosten für Inference über Gonka liegen bei $0.0047 pro Million Token. Das ist etwa 400-mal günstiger als OpenAI. Und dieser Preis ist nachhaltig — weil keine Billionen-Dollar-Infrastruktur dahintersteht, die refinanziert werden muss.

Vergleichen wir zwei Modelle der KI-Infrastruktur:

Bei Gonka laufen etwa 4,648 GPU bei ~113 Teilnehmern (~582 ML-Nodes). Das Projekt hat $80M eingesammelt – das ist tausendmal weniger, als ein Stargate kostet. Aber das Netzwerk leistet dasselbe: Es verarbeitet KI-Anfragen über das neuronale Netz Kimi K2.6, zugänglich über eine OpenAI-kompatible API.

Analogie: Stellen Sie sich vor, jemand hätte in den 2000ern vorgeschlagen: „Anstatt riesige Serverfarmen für das Internet zu bauen, lassen Sie jeden Haushalt einen Mini-Server aufstellen und dafür eine Belohnung erhalten“. Das klingt utopisch – aber genau so funktioniert Airbnb für Wohnraum, Uber für Transport, und genau so funktioniert Gonka für KI-Berechnungen. Dezentralisierung ist keine Utopie – es ist die nächste Evolutionsstufe der Infrastruktur.