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

Das Projekt Stargate – hunderte Milliarden Dollar für den Bau gigantischer Rechenzentren. Das ist kein Tippfehler: Es geht um Summen, die mit dem BIP kleinerer Länder vergleichbar sind. Microsoft, Google und Meta geben jährlich zig Milliarden für die GPU-Infrastruktur aus: Allein Microsoft investierte 2025 mehr als 50 Milliarden Dollar in Investitionsausgaben (CapEx), der größte Teil davon in AI.

Das Problem liegt in der Buchhaltung verborgen. GPUs der Generation H100 veralten innerhalb von 2 Jahren mit der Einführung von H200, B100 und B200 – jede nächste Generation ist 50–100 % schneller als die vorherige. Die Unternehmen schreiben die Abschreibungen jedoch über 5–6 Jahre ab, was eine buchhalterische Illusion erzeugt. Beispiel: Ein Unternehmen hat GPUs für 20 Milliarden Dollar gekauft. In den Geschäftsbüchern sind sie nach 2 Jahren immer noch 13 Milliarden Dollar „wert“ (bei linearer Abschreibung über 6 Jahre). In der Realität sind sie etwa 5 Milliarden Dollar wert, weil die neue Generation die gleiche Arbeit doppelt so schnell und günstiger erledigt.

Dies erzeugt ein verdecktes Defizit: Die Differenz zwischen dem Buchwert der Vermögenswerte und ihrem tatsächlichen Marktwert beträgt weltweit Billionen von Dollar. Wenn (nicht „ob“, sondern „wenn“) die Wirtschaftsprüfer eine Neubewertung fordern, könnte dies massive Abschreibungen auslösen, den Aktienkurs von AI-Unternehmen einbrechen lassen und eine Vertrauenskrise in der gesamten Branche provozieren.

Analysten prognostizieren, dass OpenAI bis 2030 Verluste in Höhe von etwa 112 Milliarden US-Dollar anhäufen wird. Diese Zahl ist nicht aus der Luft gegriffen: Sie spiegelt das grundlegende Problem des Geschäftsmodells zentralisierter KI wider.

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

• GPT-3 → GPT-4: Die Trainingskosten sind etwa um das 10-fache gestiegen
• GPT-4 → GPT-5: Ein weiterer exponentieller Anstieg
• Inference: Millionen Nutzer = Milliarden Tokens pro Tag = Milliarden Dollar pro Jahr an GPU-Leistung

Dieses Modell funktioniert nur bei einem unendlichen Zufluss 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 wird in diesem Moment mit den Millionen von Unternehmen passieren, die auf der OpenAI-API aufbauen?

Zum Vergleich: Gonka hat $80M eingeworben und verarbeitet bereits reale KI-Anfragen über ein Netzwerk aus 584 GPUs. Die Kosten für Inference betragen $0.0069/1M Tokens. Das ist möglich, weil im dezentralen Modell keine Notwendigkeit besteht, Billionen-Investitionen in Rechenzentren zu refinanzieren.

Gonka baut keine Rechenzentren – es vereint bereits existierende GPUs weltweit. Das ist nicht nur ein alternatives Geschäftsmodell – es ist eine grundlegend andere ökonomische Architektur, die die Grundursache der Blase beseitigt.

Keine Investitionsausgaben (CapEx): Das Gonka-Netzwerk sammelt keine Milliarden für Bauprojekte. Das Protokoll, die Blockchain und die Software sind alles, was das Team erstellt. Die GPUs werden von unabhängigen Hosts weltweit bereitgestellt – jeder auf eigene Kosten.

Keine über 6 Jahre gestreckte Abschreibung: 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 und nicht ein Finanzvorstand eines Unternehmens, der versucht, Abschreibungen zu verschleiern.

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

Verteiltes Risiko: Jeder Host trägt sein eigenes Risiko. Wenn ein Host bei einer schlechten GPU-Investition Geld verliert, ist das sein Problem, nicht das des gesamten Netzwerks. Im zentralisierten Modell kann ein Fehler im Wert von 10 Mrd. $ das gesamte Unternehmen zu Fall bringen. Bei Gonka ist ein solcher Fehler per Definition unmöglich – weil es keinen einzelnen Teilnehmer gibt, der eine Entscheidung im Wert von 10 Mrd. $ treffen könnte.

Das Ergebnis: Die Kosten für inference über Gonka betragen $0.0069 pro Million Token. Das ist ca. 720-mal günstiger als OpenAI GPT-5.5. Und dieser Preis ist nachhaltig – weil keine Billionen-Infrastruktur dahintersteht, die amortisiert werden muss.

Vergleichen wir zwei KI-Infrastrukturmodelle:

Bei Gonka laufen 584 GPUs (Teilnehmer in der Epoche: 22, ML-Nodes: 121). Das Projekt hat $80M eingeworben – das ist tausendmal weniger als das, was ein einzelnes Stargate ausgibt. Aber das Netzwerk leistet dasselbe: Es verarbeitet KI-Anfragen über die offenen Modelle MiniMax M2.7, DeepSeek V4 Flash und GLM-5.3 Flash, die über eine OpenAI-kompatible API verfügbar sind.

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 Mini-Server aufstellen und eine Belohnung für die Teilnahme erhalten.“ 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 die nächste Stufe der Infrastrukturentwicklung.