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 Milliarden US-Dollar anhäufen wird. Diese Zahl kommt nicht aus dem Nichts: Sie spiegelt ein fundamentales Problem des Geschäftsmodells zentralisierter KI wider.

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

• GPT-3 → GPT-4: Die Trainingskosten stiegen um etwa das 10-fache
• GPT-4 → GPT-5: Ein weiterer exponentieller Anstieg
• Inference: Millionen von Nutzern = Milliarden von Token pro Tag = Milliarden von Dollar pro Jahr für GPU-Leistung

Dieses Modell funktioniert nur bei einem endlosen Zustrom von Risikokapital. OpenAI hat zig Milliarden an Investitionen eingeworben, 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 OpenAI-API 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 liegen bei $0.003/1M Token. Dies ist möglich, weil im dezentralen Modell keine Billionen-Investitionen in Rechenzentren amortisiert werden müssen.

Gonka baut keine Rechenzentren – es aggregiert bereits existierende GPU weltweit. Dies ist nicht nur ein alternatives Geschäftsmodell – es ist eine grundlegend andere wirtschaftliche Architektur, die die Grundursache der Blase eliminiert.

Keine Investitionsausgaben (CAPEX): Das Gonka-Netzwerk sammelt keine Hunderte Milliarden für den Bau ein. Das Protokoll, die Blockchain, die Software – das ist alles, was das Team entwickelt. GPU werden von unabhängigen Hosts weltweit bereitgestellt – jeder auf eigene Kosten.

Keine Abschreibung über 6 Jahre: Wenn eine H100 veraltet ist, ersetzt der Host sie einfach durch eine H200 oder die nächste Generation. Die Entscheidung trifft der Hardwarebesitzer basierend auf Marktbedingungen, nicht ein CFO eines Konzerns, der Abschreibungen verstecken muss.

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

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

Das Ergebnis: Die Kosten für Inference über Gonka liegen bei $0.003 pro Million Token. Das ist etwa 830-mal günstiger als bei OpenAI. Und dieser Preis ist nachhaltig – weil dahinter keine Billionen-Infrastruktur steht, die refinanziert werden muss.

Vergleichen wir die beiden Modelle der KI-Infrastruktur:

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

Analogie: Stellen Sie sich vor, in den 2000er Jahren hätte jemand vorgeschlagen: „Anstatt riesige Serverfarmen für das Internet zu bauen, lassen Sie jeden Hausbesitzer einen Miniserver aufstellen und für die Teilnahme belohnt werden.“ Das klingt utopisch – aber genau so funktioniert Airbnb für Wohnraum, Uber für Transport, und genau so arbeitet Gonka für KI-Berechnungen. Dezentralisierung ist keine Utopie – es ist der nächste Schritt in der Evolution der Infrastruktur.