OpenAI ist kein Unternehmen mit fehlender Nachfrage. Genau das macht die Finanzlage technisch interessant. Für 2025 steht Berichten zufolge eine annualisierte Umsatzrate von 20 Milliarden US-Dollar im Raum, rund zehnmal so viel wie im Vorjahr. Der Jahresumsatz soll auf 13,1 Milliarden Dollar gestiegen sein und damit ein ursprüngliches Ziel von 10 Milliarden Dollar übertroffen haben. Gleichzeitig soll OpenAI 2025 einen Nettoverlust von 21 Milliarden Dollar verzeichnet haben; andere Berichte sprechen für das Jahr sogar von deutlich höheren Gesamtverlusten.
Die zentrale Frage ist deshalb nicht, ob ChatGPT verkauft werden kann. Die Frage ist, wie viel Rechenleistung jeder zusätzliche Dollar Umsatz mitzieht. Bei klassischer Unternehmenssoftware sinken die relativen Betriebskosten oft stark, sobald ein Produkt skaliert. Bei großen KI-Modellen ist dieser Effekt schwächer, weil Nutzung direkt in Inferenzlast übersetzt wird. Jede Anfrage, jeder API-Call, jeder längere Kontext und jeder Agentenlauf belegt Hardware, Speicherbandbreite, Netzwerk und Energie. Umsatz und Kosten laufen enger gekoppelt als bei vielen früheren Softwaremodellen.
Wenn OpenAI seine Verkaufsziele verfehlt oder seine langfristigen Erwartungen nach unten anpassen muss, liegt die technische Erklärung daher im Aufbau des Geschäfts: Die Erlösseite skaliert über Produkte und Nutzung. Die Kostenseite skaliert über Modellbetrieb, Training, Hardwarezugang und Rechenzentrumsverträge. Dazwischen liegt keine einfache Softwaremarge, sondern eine industrielle Produktionskette.
Die Einnahmeseite ist nur die obere Schicht
OpenAI verkauft im Kern drei Dinge: direkten Zugang zu ChatGPT, Unternehmensfunktionen rund um ChatGPT und API-Zugriff auf Modelle. Die Produkte sehen für Nutzer nach Software aus. Im Backend werden sie jedoch zu Rechenaufträgen. Ein ChatGPT-Abonnement ist nicht nur ein monatlicher Betrag. Es ist eine Wette darauf, dass die durchschnittliche Nutzung eines Kunden unterhalb einer kalkulierten Kostenschwelle bleibt. Ein API-Kunde ist ebenfalls kein reiner Lizenzkunde. Er erzeugt variable Last, die nach Token, Modelltyp, Kontextlänge und Antwortumfang unterschiedlich teuer wird.
OpenAIs Kostenkette hinter dem Umsatz
Die Grafik zeigt, wie Produktnutzung bei OpenAI in Inferenzlast, Hardwarebedarf und Kapitalbedarf übersetzt wird.
Diese Struktur erklärt, warum hohe Umsätze allein wenig über wirtschaftliche Stabilität sagen. Ein stärker genutztes Produkt kann zwar mehr Erlös bringen, aber auch die teuersten Teile der Infrastruktur häufiger beanspruchen. Besonders Modelle mit großem Kontextfenster, komplexen Reasoning-Funktionen oder multimodalen Eingaben verschieben die Kosten nach oben. Das Produktversprechen lautet mehr Leistung pro Anfrage. Die technische Rechnung lautet mehr Rechenzeit, mehr Speicher, mehr Parallelisierung und mehr Kapazitätsreserve.
Das ist der Unterschied zu einem SaaS-Dashboard, das nach der Entwicklung millionenfach ausgeliefert wird. OpenAI betreibt keine Software, die nur gelegentlich Datenbankzugriffe erzeugt. Das Unternehmen betreibt eine kontinuierliche Inferenzmaschine. Der Engpass liegt nicht allein im Code, sondern in der physischen und finanziellen Verfügbarkeit der Hardware, auf der dieser Code läuft.
Der harte Kostenblock heißt Inferenz
Bei KI-Modellen entstehen Kosten an zwei Stellen. Erstens im Training: große Datenmengen, lange Rechenläufe, Spezialhardware, Modelltests, Sicherheitsarbeit und Wiederholungen. Zweitens im Betrieb: Inferenz. Training ist der sichtbare Vorabaufwand. Inferenz ist die dauerhafte Last, die mit jedem Nutzer wächst.
Für 2026 werden OpenAIs Ausgaben für Rechenleistung in Berichten auf rund 50 Milliarden US-Dollar beziffert. Diese Zahl wäre ein entscheidender technischer Marker. Sie würde zeigen, dass das Unternehmen nicht nur Forschung finanziert, sondern eine Infrastruktur betreiben muss, die bereits im Maßstab großer Cloud-Geschäfte liegt. GPUs oder andere KI-Beschleuniger müssen beschafft, ausgelastet, gekühlt, vernetzt und in Rechenzentren eingebunden werden. Dazu kommen Energieverträge, Speicher, Netzwerkpfade, Redundanzen, Modellbereitstellung und interne Werkzeuge für Scheduling, Monitoring und Optimierung.
In dieser Architektur gibt es mehrere Schnittstellen, an denen Marge verloren gehen kann. Wenn Modelle größer werden, steigt die Last pro Anfrage. Wenn Nutzer längere Gespräche führen, wächst der Kontext. Wenn Unternehmen KI in Arbeitsabläufe integrieren, steigen die Aufrufe pro Nutzer. Wenn Agenten mehrere Schritte automatisch ausführen, kann eine einzige sichtbare Aufgabe im Hintergrund viele Modellaufrufe auslösen. Für den Kunden wirkt das wie ein fertiger Assistent. Für OpenAI ist es eine Kette aus Rechenjobs.
Effizienz hilft, aber sie löst nicht die ganze Gleichung
Nach im Juni 2026 bekannt gewordenen Angaben soll OpenAI die Inferenzkosten um mehr als 50 Prozent gesenkt haben. Technisch ist das ein wichtiger Punkt. Solche Einsparungen können aus besserem Modellrouting, kompakteren Modellen, optimierter Ausführung, effizienterer Hardwareauslastung oder veränderten Architekturen entstehen. Für ein Unternehmen mit Milliardenkosten im Betrieb ist eine Halbierung einzelner Kostenblöcke kein Detail.
Aber Effizienzgewinne haben in diesem Markt eine zweite Seite. Wenn der Betrieb günstiger wird, können Preise sinken, Nutzungslimits steigen oder neue Funktionen freigeschaltet werden. Das verbessert die Produktposition, drückt aber nicht automatisch die Gesamtverluste. Günstigere Inferenz kann mehr Nachfrage erzeugen. Mehr Nachfrage kann wieder mehr Kapazität binden. Die operative Frage lautet deshalb nicht nur: Wie teuer ist eine einzelne Anfrage? Sondern: Wie verändert sich das gesamte Nutzungsvolumen, sobald Anfragen billiger werden?
Auch eigene Chips sind keine einfache Abkürzung. OpenAI arbeitet nach bekannten Planungen an eigenen KI-Beschleunigern für 2026, teils ist von einem Projektnamen „Titan“ die Rede. Ziel wäre es, Abhängigkeiten von Zulieferern wie Nvidia zu reduzieren. Strategisch ist das nachvollziehbar. Technisch bedeutet es jedoch, eine weitere Schicht in die Wertschöpfung zu holen: Chipdesign, Fertigungspartner, Packaging, Treiber, Compiler, Modellanpassung und Rechenzentrumsintegration. Ein eigener Beschleuniger kann Kosten und Verfügbarkeit verbessern, wenn er in Volumen funktioniert. Bis dahin ist er ein zusätzlicher Investitionspfad.
Die Umsatzplanung hängt an Produkten, die mehr Last erzeugen
OpenAI plant nach vorliegenden Angaben bis 2029 mit kumulierten Verlusten von 115 Milliarden Dollar und erwartet Gewinne möglicherweise erst in den 2030er Jahren. Das ist keine normale Anlaufverlust-Logik eines Software-Start-ups mehr. Es ist eine Vorfinanzierung von Infrastruktur, Modellgenerationen und Marktpräsenz über mehrere Jahre.
Berichte über langfristige Umsatzerwartungen bis 2029 verweisen auf zwei Pfade: hoch entwickelte Agenten und die Monetarisierung kostenloser Nutzer, unter anderem über Werbung. Beide Pfade haben technische Konsequenzen. Agenten sind nicht einfach Chatbots mit anderer Oberfläche. Sie müssen Aufgaben zerlegen, Zwischenschritte ausführen, Ergebnisse prüfen, externe Dienste ansprechen und im Zweifel erneut planen. Ein Agentenprodukt kann pro Nutzer deutlich mehr Modellaufrufe erzeugen als ein einfacher Chat. Die Verkaufseinheit sieht dann nach Automatisierung aus; die Kosteneinheit besteht aus vielen Inferenzschritten.
Werbung wiederum verändert die Produktarchitektur an anderer Stelle. Sie erfordert Inventar, Zielgruppenlogik, Messung, Markensicherheit, Auslieferungssysteme und klare Grenzen zwischen Antwortqualität und kommerzieller Platzierung. Für ein Such- oder Social-Media-Unternehmen sind solche Systeme gewachsen. Für einen KI-Assistenten sind sie schwieriger, weil die Werbefläche nicht neben dem Inhalt liegt, sondern potenziell in eine Antwortumgebung eingebettet wird. Das kann funktionieren, ist aber kein sofort verfügbares Ersatzmodell für Compute-Kosten.
Der Marktanteil senkt den Spielraum bei der Preisgestaltung
Hinzu kommt der Wettbewerb. Nach Marktdaten, über die berichtet wurde, sank der Marktanteil von ChatGPT bei KI-Chatbots von 86,7 Prozent Anfang 2025 auf rund 64,5 Prozent Anfang 2026. Diese Entwicklung bedeutet nicht, dass OpenAI schwach wäre. Sie bedeutet aber, dass die frühe Dominanz in einem breiteren Markt landet. Nutzer und Unternehmen vergleichen stärker zwischen Modellen, Oberflächen, Preisen, Datenschutzoptionen und Integrationen.
Für die Kostenstruktur ist das relevant. Ein Anbieter mit hoher Auslastung und wenig Wettbewerb kann Preise leichter oberhalb der Betriebskosten halten. Ein Anbieter in einem aggressiveren Markt muss mehr Leistung liefern, Limits erhöhen oder Preise attraktiver gestalten. Gleichzeitig steigen die Erwartungen an Modellqualität. Das setzt OpenAI von zwei Seiten unter Druck: Die Produkte müssen besser werden, während die Marge pro Nutzung nicht beliebig steigen kann.
Die in Berichten genannte Bewertung von 852 Milliarden Dollar nach einer Finanzierungsrunde im März 2026 verschärft diesen technischen Druck. Eine solche Bewertung setzt voraus, dass aus Umsatzwachstum irgendwann eine sehr große, tragfähige Gewinnbasis wird. Dafür muss OpenAI mehrere Schichten gleichzeitig kontrollieren: Modellqualität, Inferenzkosten, Hardwarezugang, Produktbündelung, Unternehmenskunden, kostenlose Nutzer und neue Erlösformen.
Das Problem verfehlter oder fragiler Verkaufsziele wäre daher weniger ein klassisches Vertriebsproblem. Es ist ein Systemproblem. OpenAI kann Umsatz erzeugen. Die offene Frage ist, ob der Umsatz schnell genug wächst, während die Kosten pro Modellgeneration, pro Nutzer und pro Rechenzentrum sinken. Bis diese Kurven dauerhaft auseinanderlaufen, bleibt das Unternehmen abhängig von Kapital, Hardwareverfügbarkeit und Effizienzfortschritten. Genau dort entscheidet sich, ob aus der Nachfrage nach KI ein profitables Geschäft wird oder nur ein immer größerer Rechenauftrag.
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?
