Die auffälligste Zahl in den berichteten OpenAI-Finanzprojektionen ist nicht der Umsatz. Es ist die Rechnung, die vor dem Umsatz kommt. Nach einem Bericht der Financial Times unter Berufung auf eine Unternehmenspräsentation soll OpenAI für die Jahre 2026 bis 2030 einen negativen freien Cashflow von 278 Milliarden Dollar erwarten. Gleichzeitig sollen die Ausgaben für Rechenleistung und Infrastruktur bis Ende 2030 auf etwa 856 Milliarden Dollar steigen.
Den Unterlagen zufolge rechnet das Unternehmen dennoch mit starkem Wachstum: von 36 Milliarden Dollar Umsatz im Jahr 2026 auf 350 Milliarden Dollar im Jahr 2030, kumuliert 840 Milliarden Dollar bis Ende des Jahrzehnts. Normalerweise wäre eine solche Kurve das Zentrum jeder Plattformgeschichte. Bei OpenAI reicht sie nach den Projektionen nicht aus, um vor 2030 profitabel zu werden. Die Plattform wächst, aber ihre materielle Grundlage wächst schneller.
Berichtete OpenAI-Projektionen bis 2030
Die Grafik stellt kumulierten Umsatz, Rechen- und Infrastrukturkosten sowie den berichteten negativen freien Cashflow gegenüber.
Der Vergleich mit nationalen Haushalten macht die Größenordnung greifbar. Analytisch wichtiger ist etwas anderes: Bei Frontier-KI verschiebt sich die entscheidende Kontrolle von der Oberfläche des Produkts in die Beschaffung und Finanzierung von Rechenkapazität. Wer die Modelle, APIs und Entwicklerwerkzeuge nutzen will, hängt am Ende an einer Infrastruktur, die nur wenige Akteure in dieser Größenordnung planen, vorfinanzieren und betreiben können.
Die Plattform beginnt bei der Strom- und Chiprechnung
Für Nutzer erscheint OpenAI als ChatGPT, als API, als Modellname in einer Produktoberfläche. Für Unternehmen ist es ein Dienst, der sich in Arbeitsabläufe, Softwareprodukte oder Supportsysteme einbauen lässt. Strategisch beginnt die Plattform aber früher: bei Grafikprozessoren, Rechenzentren, Energieverträgen, Kühlung, Netzanschlüssen, Speicher und den Lieferketten, die diese Kapazität verfügbar machen.
Das ist ein anderer Plattformtyp als bei klassischen Softwaremärkten. Dort entstehen Kontrollpunkte oft über Distribution, App-Stores, Betriebssysteme, Entwickler-SDKs oder Zahlungswege. Bei großen KI-Modellen kommt eine vorgelagerte Schicht hinzu. Die zentrale Frage lautet nicht nur, wer die Nutzerbeziehung kontrolliert oder welche Entwickler auf der Plattform bauen. Sie lautet auch, wer genug Rechenkapazität sichern kann, um das Produkt überhaupt zuverlässig auszuliefern.
Diese Ebene ist nicht dekorativ. Training großer Modelle kostet viel, aber auch die Nutzung im Alltag bleibt rechenintensiv. Je stärker ein KI-Dienst in Unternehmen und Konsumentenprodukte wandert, desto stärker wird Inferenz zur laufenden Kostenposition. Aus einer Softwareplattform wird damit ein Kapazitätsgeschäft. Nachfrage ist nur dann wertvoll, wenn sie zu vertretbaren Kosten bedient werden kann.
Umsatz löst das Problem nicht automatisch
Die Projektionen zeigen genau diese Spannung. OpenAI soll einen fast zehnfachen Jahresumsatz zwischen 2026 und 2030 erwarten. Trotzdem soll über denselben Zeitraum ein negativer freier Cashflow von 278 Milliarden Dollar entstehen. Das bedeutet nicht, dass kein Markt vorhanden wäre. Es bedeutet, dass das Wachstum eng mit Investitionen verknüpft bleibt, die nicht wie klassische Softwarekosten skalieren.
Bei vielen Internetplattformen sinken die Grenzkosten pro zusätzlichem Nutzer mit der Zeit deutlich. Bei KI-Diensten ist diese Logik schwächer. Effizientere Modelle, bessere Chips und optimierte Rechenzentren können Kosten senken. Aber jeder zusätzliche Auftrag an ein Modell verbraucht weiterhin reale Kapazität. Wird die Nutzung breiter, steigt nicht nur die Reichweite, sondern auch die Last auf der Infrastruktur.
Für OpenAI ist das eine Plattformfrage, keine reine Buchhaltungsfrage. Preise, Zugriffsstufen, Modellklassen, Kontingente und Enterprise-Verträge werden zu Werkzeugen, um Rechenkapazität zu steuern. Entwickler bekommen dann nicht einfach ein abstraktes Modell angeboten, sondern einen Zugang zu einer knappen Ressource. Wer viel und planbar zahlt, dürfte leichter Kapazität bekommen als Nutzer mit wechselnder Nachfrage und niedrigen Margen.
Warum eigene Rechenzentren strategisch werden
Vor diesem Hintergrund passen auch Berichte über Project Camellia ins Bild. Demnach geht es um ein Vorhaben von mehr als 30 Milliarden Dollar für ein Super-Rechenzentrum in Georgia, das zwischen 2028 und 2032 schrittweise in Betrieb gehen soll. Solange die Eckdaten nicht vollständig offiziell bestätigt sind, ist das vor allem als Hinweis auf die strategische Richtung zu lesen. Solche Anlagen sind teuer, langsam und operativ riskant. Sie können aber die Abhängigkeit von fremden Kapazitätsentscheidungen verringern.
Wer ausschließlich über Cloud-Anbieter skaliert, kauft nicht nur Rechenleistung ein. Er übernimmt auch deren Preise, Ausbaupfade, Engpässe und Prioritäten. Eigene Infrastruktur verschiebt die Verhandlungslage. Sie ersetzt externe Abhängigkeit nicht vollständig, weil Chips, Energie, Baukapazitäten und Netzanschlüsse weiterhin beschafft werden müssen. Aber sie gibt einem KI-Anbieter mehr Kontrolle über Zeitpläne, Auslastung und technische Auslegung.
Der Preis dieser Kontrolle ist Bindung. Rechenzentren lassen sich nicht so flexibel anpassen wie ein Softwarebudget. Sie verlangen langfristige Entscheidungen über Standorte, Strombedarf, Kühlung, Hardwarezyklen und Auslastung. Wenn die Nachfrage hinter den Projektionen zurückbleibt oder effizientere Architekturen weniger Kapazität benötigen, werden solche Anlagen nicht automatisch wertlos, aber sie binden Kapital und Managementaufmerksamkeit über Jahre.
Ein möglicher Börsengang passt ins Bild
Auch Berichte über einen möglichen Börsengang passen in diesen Finanzierungskontext. Ein offiziell belastbarer Termin ist daraus nicht abzuleiten. Öffentliche Märkte fragen nach Margen, Investitionsdisziplin und belastbaren Zeitachsen. Ein Unternehmen, das laut den berichteten Planungen vor 2030 nicht profitabel werden soll und dessen aktuelle Barmittel nach diesen Planungen bis 2028 aufgebraucht sein könnten, braucht weiterhin Kapitalquellen mit großer Geduld.
Auch sehr große Finanzierungsrunden würden diese Rechnung nur verschieben, nicht abschließen. Wenn die Compute-Ausgaben bis 2030 tatsächlich in Richtung 856 Milliarden Dollar laufen, wird Finanzierung selbst zu einem Teil der Plattformstrategie. Nicht nur Kunden und Entwickler müssen gehalten werden, sondern auch Kapitalgeber, Infrastrukturpartner und Lieferanten.
Das verändert die Machtverhältnisse im Ökosystem leiser, als es Produktankündigungen tun. Entwickler, die auf OpenAI-Modelle setzen, bauen auf einer Plattform, deren Roadmap eng an Kapitalmarktfenster, Hardwareverfügbarkeit und Rechenzentrumsbau gekoppelt ist. Unternehmenskunden erhalten Zugang zu Fähigkeiten, die intern schwer nachzubauen sind, übernehmen aber Abhängigkeiten bei Preisen, Verfügbarkeit und Modellpolitik.
Frontier-KI wird enger
Aus den Zahlen folgt nicht, dass nur OpenAI in KI relevant bleibt. Viele Unternehmen werden Anwendungen, spezialisierte Modelle, Datenwerkzeuge oder Branchenlösungen bauen, ohne selbst Milliarden in Rechenzentren zu stecken. Aber die tiefste Schicht des Marktes, das Training und der Betrieb der größten allgemeinen Modelle, wird kapitalintensiver. Dort zählt nicht nur Forschung, sondern die Fähigkeit, Infrastruktur vorab zu finanzieren.
Die wichtigste Zahl ist deshalb nicht allein der erwartete Cash Burn von 278 Milliarden Dollar. Sie ist zusammen mit den 856 Milliarden Dollar für Rechenleistung und Infrastruktur zu lesen. Die berichteten Projektionen beschreiben ein Plattformmodell, in dem Kontrolle über Nutzer und Entwickler nur funktioniert, wenn die Kontrolle über Kapazität gesichert ist. Die Oberfläche bleibt Software. Der Engpass liegt darunter.
Jens analysiert seit Jahren digitale Märkte, Preisbewegungen und Plattform-Strategien. Als Betreiber mehrerer datengetriebener Systeme wertet er täglich große Mengen an Produkt- und Trenddaten aus. Sein Fokus liegt auf Einordnung statt Hype: Was bedeutet eine Entwicklung wirklich für Nutzer, Preise und Märkte?
