{"content_id":"5ns0jr5ogz","slug":"google-ai-strategy-inference-economics-and-monetization","locale":"de","schema_type":"Report","category":"trends","category_name":"Trends","title":"Google-KI-Strategie: Warum Distribution und Inferenzökonomie wichtiger sind als der Modellwettbewerb","summary":"Es lässt sich kaum behaupten, Google habe den Wettbewerb um die Leistungsfähigkeit von KI-Modellen aufgegeben. Das Alleinstellungsmerkmal von Google besteht darin, Gemini über Search, Workspace und Cloud bereitzustellen, dies mit Werbe-, Abonnement- und Cloud-Umsätzen zu verknüpfen und zugleich die Inferenzkosten durch eigene TPU senken zu können.","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Programmierbenchmarks und die Nutzung bestimmter Plattformen sind wichtig, entscheiden aber nicht allein über den Sieger auf dem gesamten KI-Markt.","Google, OpenAI und Anthropic tragen bei der Generierung von KI-Antworten jeweils Inferenzkosten und erzielen unter anderem mit kostenpflichtigen API und Abonnements Umsätze.","Die strukturelle Stärke von Google liegt in der Fähigkeit zur großflächigen Bereitstellung durch die Verknüpfung von Search, Android, Chrome, Workspace und Cloud mit eigenen TPU.","Auch wenn in AI Overviews Werbung eingeblendet werden kann, gibt es keine Grundlage für die Annahme, dass die Werbeeinnahmen automatisch steigen, je länger die Antworten werden.","Der Erfolg der Strategie sollte weniger anhand der höchsten Benchmarkwerte als vielmehr anhand der Nutzerbindung, der Erfolgsquote bei Aufgaben, der Kosten pro Antwort und der Veränderungen bei den bestehenden Sucheinnahmen bewertet werden."],"content_markdown":"Bei Googles KI-Geschäft heißt es häufig: „OpenAI und Anthropic entstehen mit jeder Antwort Kosten, während Google mit jeder Antwort durch Werbung Geld verdient.“ Diese Formulierung verdeutlicht gut, dass die drei Unternehmen unterschiedliche Ausgangspunkte haben, darf jedoch nicht als buchhalterische Tatsache verstanden werden.\n\nAlle drei Unternehmen tragen beim Betrieb ihrer Modelle Rechenkosten, und alle drei erzielen Umsätze mit APIs, Abonnements, Unternehmensverträgen und Ähnlichem. Der eigentliche Unterschied bei Google besteht nicht darin, ob Kosten entstehen, sondern darin, dass das Unternehmen **sein bestehendes Produktvertriebsnetz, sein Werbegeschäft, Google Cloud und seine eigenen TPUs zu einer einheitlichen Wirtschaftsstruktur verbinden kann**.\n\n## Zunächst zu korrigierende Fakten und Interpretationen\n\nDie vorgelegten Behauptungen vermischen Modelle aus unterschiedlichen Zeiträumen, dynamische Ranglisten und nicht bestätigte Personalinformationen. Werden sie unverändert übernommen, erscheint Googles Strategie einfacher, als sie tatsächlich ist.\n\n| Behauptung | Was überprüft werden muss | Präzisere Interpretation |\n|---|---|---|\n| In einer bestimmten Untersuchung lag Anthropics Anteil an den Ausgaben für Coding bei 42 % | Stichprobe, Untersuchungszeitpunkt, Definition von „Ausgaben“ und die Gruppe der befragten Unternehmen müssen geprüft werden | Eine VC-Umfrage kann die Einkaufstrends einer Unternehmensstichprobe zeigen, ist aber kein Maß für den weltweiten Marktanteil bei Coding-KI |\n| Gemini lag bei OpenRouter außerhalb der Top 10 | Die Rangliste von OpenRouter verändert sich fortlaufend je nach Zeitraum, Modell, Preis, Werbeaktionen und Routing-Nachfrage | Sie ist ein Nutzungssignal zu einem bestimmten Zeitpunkt, aber kein Ranking der gesamten Entwicklerakzeptanz oder der Produktumsätze |\n| Die Veröffentlichung von Gemini 1.5 Pro wurde auf unbestimmte Zeit verschoben | Gemini 1.5 Pro wurde im vergangenen Mai angekündigt, seine Veröffentlichung jedoch ohne neuen Termin verschoben | Wird eine frühere Verzögerung der Veröffentlichung als Beleg für die heutige Strategie verwendet, stimmt die Chronologie nicht |\n| Gemini 1.5 Flash ist Googles neuestes Modell | 1.5 Flash ist der Produktname einer bestimmten Generation | Werden Modelle unterschiedlicher Generationen direkt mit den neuesten Konkurrenzmodellen verglichen, wird das Ergebnis verzerrt |\n| Noam Shazeer wechselte zu OpenAI | Shazeer verließ Google und wechselte zu OpenAI | Personalwechsel sind wichtig, doch das Zielunternehmen und der Zeitpunkt müssen genau unterschieden werden |\n| Die Abgänge von Jeff Dean und John Jumper belegen einen Strategiewechsel | Bedeutende Personalbehauptungen müssen anhand von Unternehmensmitteilungen oder öffentlichen Angaben der Betroffenen überprüft werden | Unbestätigte Personalinformationen dürfen nicht als Beleg für eine Organisationsstrategie verwendet werden |\n| Ab der 6. TPU-Generation wurden Chips für Training und Inferenz getrennt | Trillium ist eine TPU für Training und Inferenz; später kündigte Google mit Ironwood eine auf Inferenz ausgerichtete TPU an | Google begann ab der 6. TPU-Generation, TPUs für Training und Inferenz klar getrennt zu entwickeln |\n| Gemini Spark ist Googles wichtigster Agent | Der genaue offizielle Produktname und der Veröffentlichungsstatus müssen überprüft werden | Offizielle Produkte, Forschungsprojekte und Bezeichnungen vor einer Ankündigung müssen voneinander unterschieden werden |\n\nGoogle hat daher aufgehört, mit übermäßigen Ausgaben unbedingt den ersten Platz bei der Leistung anzustreben, und konzentriert sich darauf, **welches Modell für welche Aufgabe eingesetzt werden sollte, um die Rentabilität des gesamten Dienstes zu steigern**.\n\n## Warum die Leistung von Coding-KI wichtig ist und wo ihre Grenzen liegen\n\nCoding eignet sich gut, um den praktischen Nutzen eines KI-Modells zu bewerten. Denn Softwareaufgaben erfordern zugleich die Interpretation von Anforderungen, die Codeerzeugung, die Ausführung von Tests, die Fehlerbehebung, den Aufruf von Werkzeugen und die Verwaltung langer Kontexte. Diese Fähigkeiten lassen sich teilweise auch auf Aufgaben von KI-Agenten wie die Bedienung von Browsern oder die Verarbeitung von Dokumenten übertragen.\n\nDie Aussage „Das Modell, das am besten programmiert, erledigt auch alle anderen Aufgaben am besten“ trifft jedoch nicht zu. Coding-Benchmarks berücksichtigen die folgenden Aspekte möglicherweise nicht ausreichend.\n\n- Komplexe Berechtigungen und Abhängigkeiten in realen Unternehmens-Repositorys\n- Sicherheitslücken und Lizenzprobleme\n- Kumulative Fehler bei langen Aufgaben\n- Verknüpfung mit Nicht-Coding-Daten wie E-Mails, Dokumenten, Suchergebnissen und Videos\n- Antwortlatenz, Verfügbarkeit und regionale Abdeckung\n- Preise für Ein- und Ausgabe-Token sowie Cache-Rabatte\n- Verwaltungsfunktionen, Auditprotokolle und Richtlinien zur Datenaufbewahrung\n\nBei der Bewertung des Marktes für Entwicklungswerkzeuge müssen neben Benchmark-Ergebnissen auch die tatsächliche Abschlussquote von Aufgaben, der Korrekturaufwand der Entwickler, die Ausfallquote, die Kosten und der Umfang von Unternehmensverträgen berücksichtigt werden.\n\n## Vergleich der Erlösstrukturen von Google und reinen KI-Unternehmen\n\nGoogle, OpenAI und Anthropic geben alle Geld für Modellinferenz aus. Der Unterschied liegt in der Zahl der Wege, über die sie diese Kosten wieder einspielen können, sowie in den Auswirkungen auf ihre bestehenden Geschäfte.\n\n| Kategorie | Google | KI-zentrierte Unternehmen wie OpenAI und Anthropic |\n|---|---|---|\n| Wichtigste Vertriebskanäle | Search, Android, Chrome, Workspace, YouTube, Google Cloud | Eigene Apps, APIs, Unternehmensverträge, Partnerplattformen |\n| Wichtigste Erlösquellen | Such- und Videowerbung, Cloud-Nutzungsgebühren, Workspace- und KI-Abonnements, APIs | Verbraucher- und Unternehmensabonnements, APIs, Unternehmensverträge und Partnerschaften |\n| Infrastruktur | Eigene TPUs und Rechenzentren bei gleichzeitiger Nutzung externer Lieferketten | Relativ hohe Abhängigkeit von Cloud- und Halbleiterpartnern |\n| Chancen durch den KI-Einsatz | Kann die Nutzungshäufigkeit und den Wert bestehender Dienste erhöhen | Kann neue KI-Nachfrage direkt in Umsätze umwandeln |\n| Zentrale Risiken | KI-Antworten könnten bestehende Suchklicks und die Werbeökonomie kannibalisieren | Hohe Trainings- und Inferenzkosten, Preiswettbewerb und Abhängigkeit von Vertriebskanälen |\n\nAuch bei OpenAI und Anthropic entstehen nicht bei jeder generierten Antwort ausschließlich Kosten. APIs werden im Allgemeinen nach Nutzung abgerechnet, und kostenpflichtige Abonnements sowie Unternehmensverträge erzeugen ebenfalls Umsätze. Umgekehrt trägt auch Google die Inferenzkosten, wenn es kostenlosen Nutzern KI-Antworten bereitstellt.\n\nDer Unterschied besteht letztlich nicht in „Kosten versus Erlöse“, sondern darin, **mit welchen Diensten und Erlösquellen ein einmal gewonnener Nutzer verbunden werden kann**.\n\n## Googles zentrale Vermögenswerte sind nicht nur seine Modelle\n\n### Produktvertriebsnetz\n\nGoogle muss Gemini-Funktionen nicht ausschließlich über eine separate Chatbot-App verbreiten. Es kann sie in bereits genutzte Berührungspunkte wie Search, Gmail, Docs, Android, Chrome und Google Cloud integrieren. Das senkt die Kosten der Kundengewinnung, die für die Installation einer neuen App und die Bildung neuer Gewohnheiten erforderlich sind.\n\nEine Vorinstallation bedeutet jedoch nicht automatisch eine dauerhafte Nutzung. Wenn Nutzer den Ergebnissen nicht vertrauen oder die Funktion für langsamer als ihre bisherige Arbeitsweise halten, können sie sie deaktivieren oder parallel konkurrierende Dienste verwenden.\n\n### Eigene KI-Infrastruktur\n\nGoogle entwickelt TPUs selbst und betreibt Rechenzentren, Netzwerke, Modelle und Cloud-Dienste gemeinsam. Diese vertikale Integration bietet den Vorteil, Hardware und Software für bestimmte Aufgaben gemeinsam optimieren zu können.\n\nInsbesondere bei Diensten in großem Maßstab kann die Verringerung des Rechenaufwands pro Antwort, der Latenz und des Stromverbrauchs die Gesamtkosten stärker beeinflussen als eine geringfügige Verbesserung der Modellleistung. Ob eigene Chips jedoch immer am günstigsten sind, lässt sich erst beurteilen, wenn tatsächliche Auslastung, Entwicklungskosten, Abschreibungen und die Preise externer GPUs gemeinsam betrachtet werden.\n\n### Modellportfolio und Routing\n\nEs ist nicht wirtschaftlich, für jede Frage das größte Modell zu verwenden. Effizienter ist es, einfache Klassifizierungen oder Zusammenfassungen von kleinen Modellen bearbeiten zu lassen und nur komplexe Schlussfolgerungs- oder Coding-Aufgaben an größere Modelle weiterzuleiten.\n\nDie Qualität dieser Strategie hängt von den folgenden drei Faktoren ab.\n\n1. Wird der Schwierigkeitsgrad einer Anfrage korrekt klassifiziert?\n2. Werden die Grenzen der Aufgaben, die ein kleines Modell bearbeiten darf, sicher festgelegt?\n3. Wird bei einem Fehlschlag schnell an ein leistungsfähigeres Modell oder einen Menschen übergeben?\n\nKleine, schnelle Modelle in den Vordergrund zu stellen, ist daher weniger ein Beleg dafür, dass die Entwicklung von Spitzenmodellen aufgegeben wurde, sondern kann als Portfoliostrategie für den Betrieb großvolumigen Datenverkehrs verstanden werden.\n\n## Wie hängen KI-Suche und Werbung zusammen?\n\nGoogle kann generative Suchergebnisse wie AI Overviews mit Werbung verbinden. Denn wenn in der Frage eines Nutzers eine kommerzielle Absicht erkannt wird und passende Werbung vorhanden ist, lässt sich das bestehende System für Suchanzeigen nutzen.\n\nAus den folgenden Gründen lässt sich jedoch nicht pauschal behaupten, dass „längere Antworten mehr Werbeplätze und damit höhere Erlöse schaffen“.\n\n- Werbung hängt nicht von der Antwortlänge ab, sondern von der Suchabsicht, der Nachfrage der Werbetreibenden, Auktionen und Ausspielungsrichtlinien.\n- Zu viel Werbung kann das Sucherlebnis und das Vertrauen beeinträchtigen.\n- Wenn KI eine Frage in einem Schritt löst, können nachfolgende Suchanfragen und Website-Klicks der Nutzer zurückgehen.\n- Informationsorientierte Fragen haben möglicherweise eine geringe kommerzielle Absicht und damit einen niedrigen Werbewert.\n- Selbst wenn Werbeerlöse entstehen, müssen zusätzliche Inferenzkosten und Kosten für die Traffic-Gewinnung abgezogen werden.\n\nAlphabet veröffentlicht seine gesamten Werbe- und Cloud-Umsätze, weist jedoch die Umsätze, Inferenzkosten und operativen Gewinne von AI Overviews nicht detailliert als separate Posten aus. Externe Beobachter können daher den „Nettogewinn pro KI-Antwort“ nicht abschließend bestimmen.\n\n## Ein leicht übersehener Blickwinkel: Deckungsbeitrag statt Umsatz pro Antwort\n\nDie nützlichste Einheit zur Bewertung von Googles KI-Strategie ist nicht die Zahl der Antworten oder Token selbst, sondern der **Deckungsbeitrag einer einzelnen KI-Interaktion**.\n\nKonzeptionell lässt sich der Deckungsbeitrag wie folgt darstellen.\n\n\u003e Deckungsbeitrag einer KI-Interaktion = zusätzliche Werbe-, Abonnement- und Cloud-Umsätze − Inferenzkosten − Kosten für Such- und Werkzeugaufrufe − Kosten für Sicherheitsmaßnahmen − Kosten der Traffic-Gewinnung\n\nDabei muss neben den direkten Umsätzen auch die Kannibalisierung des bestehenden Geschäfts berücksichtigt werden. Erzeugt eine KI-Antwort neue Suchanfragen, ist der Effekt positiv; ersetzt sie jedoch einen Werbeklick, der sonst stattgefunden hätte, kann der Nettoeffekt gering ausfallen.\n\nAuch längere Modellantworten sind keine Erlösstrategie. Lange Antworten erhöhen die Kosten für Ausgabe-Token und die Latenz. Wirtschaftlich vorteilhafter kann es sein, das Problem des Nutzers mit weniger Rechenaufwand präzise zu lösen und nur bei Bedarf eine kommerzielle Verbindung anzubieten.\n\n## Zentrale Kennzahlen zur Beurteilung von Googles Strategie\n\nUm Erfolg oder Misserfolg der Strategie anhand öffentlicher Informationen und Produktveränderungen zu verfolgen, müssen Unternehmen die folgenden Kennzahlen getrennt betrachten.\n\n| Bereich | Zu beobachtende Kennzahlen | Hinweise für die Interpretation |\n|---|---|---|\n| Modellqualität | Erfolgsquote bei Aufgaben, Coding- und Schlussfolgerungsbewertungen, Halluzinationsrate | Nicht auf einen einzelnen Benchmark oder selbst gemeldete Zahlen vertrauen |\n| Nutzerakzeptanz | Monatlich und täglich aktive Nutzer, Wiederkehrrate, Umwandlungsrate in zahlende Nutzer | Vorinstallierte Nutzer von tatsächlich wiederkehrenden Nutzern unterscheiden |\n| Wirtschaftlichkeit | Inferenzkosten pro Anfrage, Latenz, Cache-Trefferrate, Auslastung | Öffentliche Token-Preise entsprechen nicht zwangsläufig den internen Kosten |\n| Suchgeschäft | Anteil der Anfragen mit KI-Ergebnissen, Werbekonversion, Suchhäufigkeit | Eigenständige Umsätze der KI-Funktionen werden möglicherweise nicht veröffentlicht |\n| Cloud | KI-bezogene Verträge, API-Nutzung, Auftragsbestand, operativer Gewinn | Gesamtes Cloud-Wachstum vom KI-Beitrag unterscheiden |\n| Entwicklerökosystem | API-Nutzung, Framework-Unterstützung, Beispiele für Unternehmenseinführungen | Das Ranking einer einzelnen Plattform repräsentiert nicht den gesamten Markt |\n| Talente und Forschung | Zentrale Publikationen, Geschwindigkeit der Produktintegration, Bindung von Forschern | Einzelne Abgänge nicht zu einem Zusammenbruch der gesamten Forschungskompetenz überhöhen |\n\n## Bedingungen, die Optimismus und Pessimismus voneinander trennen\n\n### Bedingungen für einen Erfolg der Strategie\n\n- Gemini hält in der Praxis eine gegenüber Konkurrenzmodellen ausreichend ähnliche Qualität.\n- Die Verknüpfung zwischen Google-Produkten reduziert die tatsächliche Arbeitszeit der Nutzer.\n- Kleine Modelle und eigene TPUs senken die Kosten pro Antwort.\n- Die KI-Suche erzeugt neue kommerzielle Anfragen, ohne die bestehenden Werbeumsätze zu beeinträchtigen.\n- Die KI-Funktionen von Cloud und Workspace werden in kostenpflichtige Verträge umgewandelt.\n\n### Bedingungen für ein Scheitern der Strategie\n\n- Der Qualitätsabstand bei Coding- und Agentenaufgaben wächst, sodass Entwickler und Unternehmen standardmäßig andere Modelle wählen.\n- KI-Antworten reduzieren bestehende Suchumsätze, ohne ausreichend neue Erlöse zu schaffen.\n- Die Produktintegration verursacht Probleme beim Datenschutz, bei der Berechtigungsverwaltung und beim Vertrauen.\n- Die Kosten für die Korrektur von Fehlern günstiger Modelle übersteigen die eingesparten Inferenzkosten.\n- Forschungstalente und das Entwicklerökosystem werden geschwächt, wodurch die langfristige Wettbewerbsfähigkeit der Modelle sinkt.\n\n## Fazit\n\nGoogle hat aufgehört, mit übermäßigen Ausgaben unbedingt den ersten Platz bei den leistungsfähigsten Modellen anzustreben, und ist zu einem auf Preis-Leistungs-Verhältnis ausgerichteten Ansatz übergegangen. Plausibler ist die Interpretation, dass Google parallel zum Wettbewerb um die Modellleistung auch **großflächige Bereitstellung, Modell-Routing, eigene Infrastruktur sowie die Monetarisierung durch Werbung, Abonnements und Cloud-Dienste** gemeinsam optimiert.\n\nAuch die Darstellung „OpenAI und Anthropic verlieren mit jeder Antwort Geld, während Google mit jeder Antwort Geld verdient“ ist zu stark vereinfacht. Alle Anbieter tragen Inferenzkosten. Der tatsächliche Gewinner dürfte nicht das Unternehmen sein, das die längsten Antworten erzeugt, sondern jenes, das die Aufgaben der Nutzer zuverlässig löst und dabei den Deckungsbeitrag pro Antwort sowie langfristiges Vertrauen aufrechterhält.","content_html":"\u003cp\u003eBei Googles KI-Geschäft heißt es häufig: „OpenAI und Anthropic entstehen mit jeder Antwort Kosten, während Google mit jeder Antwort durch Werbung Geld verdient.“ Diese Formulierung verdeutlicht gut, dass die drei Unternehmen unterschiedliche Ausgangspunkte haben, darf jedoch nicht als buchhalterische Tatsache verstanden werden.\u003c/p\u003e\n\u003cp\u003eAlle drei Unternehmen tragen beim Betrieb ihrer Modelle Rechenkosten, und alle drei erzielen Umsätze mit APIs, Abonnements, Unternehmensverträgen und Ähnlichem. Der eigentliche Unterschied bei Google besteht nicht darin, ob Kosten entstehen, sondern darin, dass das Unternehmen \u003cstrong\u003esein bestehendes Produktvertriebsnetz, sein Werbegeschäft, Google Cloud und seine eigenen TPUs zu einer einheitlichen Wirtschaftsstruktur verbinden kann\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#zun%C3%A4chst-zu-korrigierende-fakten-und-interpretationen\" class=\"anchor\" id=\"zunächst-zu-korrigierende-fakten-und-interpretationen\"\u003e\u003c/a\u003eZunächst zu korrigierende Fakten und Interpretationen\u003c/h2\u003e\n\u003cp\u003eDie vorgelegten Behauptungen vermischen Modelle aus unterschiedlichen Zeiträumen, dynamische Ranglisten und nicht bestätigte Personalinformationen. Werden sie unverändert übernommen, erscheint Googles Strategie einfacher, als sie tatsächlich ist.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eBehauptung\u003c/th\u003e\n\u003cth\u003eWas überprüft werden muss\u003c/th\u003e\n\u003cth\u003ePräzisere Interpretation\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Behauptung\"\u003eIn einer bestimmten Untersuchung lag Anthropics Anteil an den Ausgaben für Coding bei 42 %\u003c/td\u003e\n\u003ctd data-label=\"Was überprüft werden muss\"\u003eStichprobe, Untersuchungszeitpunkt, Definition von „Ausgaben“ und die Gruppe der befragten Unternehmen müssen geprüft werden\u003c/td\u003e\n\u003ctd data-label=\"Präzisere Interpretation\"\u003eEine VC-Umfrage kann die Einkaufstrends einer Unternehmensstichprobe zeigen, ist aber kein Maß für den weltweiten Marktanteil bei Coding-KI\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Behauptung\"\u003eGemini lag bei OpenRouter außerhalb der Top 10\u003c/td\u003e\n\u003ctd data-label=\"Was überprüft werden muss\"\u003eDie Rangliste von OpenRouter verändert sich fortlaufend je nach Zeitraum, Modell, Preis, Werbeaktionen und Routing-Nachfrage\u003c/td\u003e\n\u003ctd data-label=\"Präzisere Interpretation\"\u003eSie ist ein Nutzungssignal zu einem bestimmten Zeitpunkt, aber kein Ranking der gesamten Entwicklerakzeptanz oder der Produktumsätze\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Behauptung\"\u003eDie Veröffentlichung von Gemini 1.5 Pro wurde auf unbestimmte Zeit verschoben\u003c/td\u003e\n\u003ctd data-label=\"Was überprüft werden muss\"\u003eGemini 1.5 Pro wurde im vergangenen Mai angekündigt, seine Veröffentlichung jedoch ohne neuen Termin verschoben\u003c/td\u003e\n\u003ctd data-label=\"Präzisere Interpretation\"\u003eWird eine frühere Verzögerung der Veröffentlichung als Beleg für die heutige Strategie verwendet, stimmt die Chronologie nicht\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Behauptung\"\u003eGemini 1.5 Flash ist Googles neuestes Modell\u003c/td\u003e\n\u003ctd data-label=\"Was überprüft werden muss\"\u003e1.5 Flash ist der Produktname einer bestimmten Generation\u003c/td\u003e\n\u003ctd data-label=\"Präzisere Interpretation\"\u003eWerden Modelle unterschiedlicher Generationen direkt mit den neuesten Konkurrenzmodellen verglichen, wird das Ergebnis verzerrt\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Behauptung\"\u003eNoam Shazeer wechselte zu OpenAI\u003c/td\u003e\n\u003ctd data-label=\"Was überprüft werden muss\"\u003eShazeer verließ Google und wechselte zu OpenAI\u003c/td\u003e\n\u003ctd data-label=\"Präzisere Interpretation\"\u003ePersonalwechsel sind wichtig, doch das Zielunternehmen und der Zeitpunkt müssen genau unterschieden werden\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Behauptung\"\u003eDie Abgänge von Jeff Dean und John Jumper belegen einen Strategiewechsel\u003c/td\u003e\n\u003ctd data-label=\"Was überprüft werden muss\"\u003eBedeutende Personalbehauptungen müssen anhand von Unternehmensmitteilungen oder öffentlichen Angaben der Betroffenen überprüft werden\u003c/td\u003e\n\u003ctd data-label=\"Präzisere Interpretation\"\u003eUnbestätigte Personalinformationen dürfen nicht als Beleg für eine Organisationsstrategie verwendet werden\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Behauptung\"\u003eAb der 6. TPU-Generation wurden Chips für Training und Inferenz getrennt\u003c/td\u003e\n\u003ctd data-label=\"Was überprüft werden muss\"\u003eTrillium ist eine TPU für Training und Inferenz; später kündigte Google mit Ironwood eine auf Inferenz ausgerichtete TPU an\u003c/td\u003e\n\u003ctd data-label=\"Präzisere Interpretation\"\u003eGoogle begann ab der 6. TPU-Generation, TPUs für Training und Inferenz klar getrennt zu entwickeln\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Behauptung\"\u003eGemini Spark ist Googles wichtigster Agent\u003c/td\u003e\n\u003ctd data-label=\"Was überprüft werden muss\"\u003eDer genaue offizielle Produktname und der Veröffentlichungsstatus müssen überprüft werden\u003c/td\u003e\n\u003ctd data-label=\"Präzisere Interpretation\"\u003eOffizielle Produkte, Forschungsprojekte und Bezeichnungen vor einer Ankündigung müssen voneinander unterschieden werden\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eGoogle hat daher aufgehört, mit übermäßigen Ausgaben unbedingt den ersten Platz bei der Leistung anzustreben, und konzentriert sich darauf, \u003cstrong\u003ewelches Modell für welche Aufgabe eingesetzt werden sollte, um die Rentabilität des gesamten Dienstes zu steigern\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#warum-die-leistung-von-coding-ki-wichtig-ist-und-wo-ihre-grenzen-liegen\" class=\"anchor\" id=\"warum-die-leistung-von-coding-ki-wichtig-ist-und-wo-ihre-grenzen-liegen\"\u003e\u003c/a\u003eWarum die Leistung von Coding-KI wichtig ist und wo ihre Grenzen liegen\u003c/h2\u003e\n\u003cp\u003eCoding eignet sich gut, um den praktischen Nutzen eines KI-Modells zu bewerten. Denn Softwareaufgaben erfordern zugleich die Interpretation von Anforderungen, die Codeerzeugung, die Ausführung von Tests, die Fehlerbehebung, den Aufruf von Werkzeugen und die Verwaltung langer Kontexte. Diese Fähigkeiten lassen sich teilweise auch auf Aufgaben von KI-Agenten wie die Bedienung von Browsern oder die Verarbeitung von Dokumenten übertragen.\u003c/p\u003e\n\u003cp\u003eDie Aussage „Das Modell, das am besten programmiert, erledigt auch alle anderen Aufgaben am besten“ trifft jedoch nicht zu. Coding-Benchmarks berücksichtigen die folgenden Aspekte möglicherweise nicht ausreichend.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eKomplexe Berechtigungen und Abhängigkeiten in realen Unternehmens-Repositorys\u003c/li\u003e\n\u003cli\u003eSicherheitslücken und Lizenzprobleme\u003c/li\u003e\n\u003cli\u003eKumulative Fehler bei langen Aufgaben\u003c/li\u003e\n\u003cli\u003eVerknüpfung mit Nicht-Coding-Daten wie E-Mails, Dokumenten, Suchergebnissen und Videos\u003c/li\u003e\n\u003cli\u003eAntwortlatenz, Verfügbarkeit und regionale Abdeckung\u003c/li\u003e\n\u003cli\u003ePreise für Ein- und Ausgabe-Token sowie Cache-Rabatte\u003c/li\u003e\n\u003cli\u003eVerwaltungsfunktionen, Auditprotokolle und Richtlinien zur Datenaufbewahrung\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eBei der Bewertung des Marktes für Entwicklungswerkzeuge müssen neben Benchmark-Ergebnissen auch die tatsächliche Abschlussquote von Aufgaben, der Korrekturaufwand der Entwickler, die Ausfallquote, die Kosten und der Umfang von Unternehmensverträgen berücksichtigt werden.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#vergleich-der-erl%C3%B6sstrukturen-von-google-und-reinen-ki-unternehmen\" class=\"anchor\" id=\"vergleich-der-erlösstrukturen-von-google-und-reinen-ki-unternehmen\"\u003e\u003c/a\u003eVergleich der Erlösstrukturen von Google und reinen KI-Unternehmen\u003c/h2\u003e\n\u003cp\u003eGoogle, OpenAI und Anthropic geben alle Geld für Modellinferenz aus. Der Unterschied liegt in der Zahl der Wege, über die sie diese Kosten wieder einspielen können, sowie in den Auswirkungen auf ihre bestehenden Geschäfte.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKategorie\u003c/th\u003e\n\u003cth\u003eGoogle\u003c/th\u003e\n\u003cth\u003eKI-zentrierte Unternehmen wie OpenAI und Anthropic\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eWichtigste Vertriebskanäle\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eSearch, Android, Chrome, Workspace, YouTube, Google Cloud\u003c/td\u003e\n\u003ctd data-label=\"KI-zentrierte Unternehmen wie OpenAI und Anthropic\"\u003eEigene Apps, APIs, Unternehmensverträge, Partnerplattformen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eWichtigste Erlösquellen\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eSuch- und Videowerbung, Cloud-Nutzungsgebühren, Workspace- und KI-Abonnements, APIs\u003c/td\u003e\n\u003ctd data-label=\"KI-zentrierte Unternehmen wie OpenAI und Anthropic\"\u003eVerbraucher- und Unternehmensabonnements, APIs, Unternehmensverträge und Partnerschaften\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eInfrastruktur\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eEigene TPUs und Rechenzentren bei gleichzeitiger Nutzung externer Lieferketten\u003c/td\u003e\n\u003ctd data-label=\"KI-zentrierte Unternehmen wie OpenAI und Anthropic\"\u003eRelativ hohe Abhängigkeit von Cloud- und Halbleiterpartnern\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eChancen durch den KI-Einsatz\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eKann die Nutzungshäufigkeit und den Wert bestehender Dienste erhöhen\u003c/td\u003e\n\u003ctd data-label=\"KI-zentrierte Unternehmen wie OpenAI und Anthropic\"\u003eKann neue KI-Nachfrage direkt in Umsätze umwandeln\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategorie\"\u003eZentrale Risiken\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eKI-Antworten könnten bestehende Suchklicks und die Werbeökonomie kannibalisieren\u003c/td\u003e\n\u003ctd data-label=\"KI-zentrierte Unternehmen wie OpenAI und Anthropic\"\u003eHohe Trainings- und Inferenzkosten, Preiswettbewerb und Abhängigkeit von Vertriebskanälen\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eAuch bei OpenAI und Anthropic entstehen nicht bei jeder generierten Antwort ausschließlich Kosten. APIs werden im Allgemeinen nach Nutzung abgerechnet, und kostenpflichtige Abonnements sowie Unternehmensverträge erzeugen ebenfalls Umsätze. Umgekehrt trägt auch Google die Inferenzkosten, wenn es kostenlosen Nutzern KI-Antworten bereitstellt.\u003c/p\u003e\n\u003cp\u003eDer Unterschied besteht letztlich nicht in „Kosten versus Erlöse“, sondern darin, \u003cstrong\u003emit welchen Diensten und Erlösquellen ein einmal gewonnener Nutzer verbunden werden kann\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#googles-zentrale-verm%C3%B6genswerte-sind-nicht-nur-seine-modelle\" class=\"anchor\" id=\"googles-zentrale-vermögenswerte-sind-nicht-nur-seine-modelle\"\u003e\u003c/a\u003eGoogles zentrale Vermögenswerte sind nicht nur seine Modelle\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#produktvertriebsnetz\" class=\"anchor\" id=\"produktvertriebsnetz\"\u003e\u003c/a\u003eProduktvertriebsnetz\u003c/h3\u003e\n\u003cp\u003eGoogle muss Gemini-Funktionen nicht ausschließlich über eine separate Chatbot-App verbreiten. Es kann sie in bereits genutzte Berührungspunkte wie Search, Gmail, Docs, Android, Chrome und Google Cloud integrieren. Das senkt die Kosten der Kundengewinnung, die für die Installation einer neuen App und die Bildung neuer Gewohnheiten erforderlich sind.\u003c/p\u003e\n\u003cp\u003eEine Vorinstallation bedeutet jedoch nicht automatisch eine dauerhafte Nutzung. Wenn Nutzer den Ergebnissen nicht vertrauen oder die Funktion für langsamer als ihre bisherige Arbeitsweise halten, können sie sie deaktivieren oder parallel konkurrierende Dienste verwenden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#eigene-ki-infrastruktur\" class=\"anchor\" id=\"eigene-ki-infrastruktur\"\u003e\u003c/a\u003eEigene KI-Infrastruktur\u003c/h3\u003e\n\u003cp\u003eGoogle entwickelt TPUs selbst und betreibt Rechenzentren, Netzwerke, Modelle und Cloud-Dienste gemeinsam. Diese vertikale Integration bietet den Vorteil, Hardware und Software für bestimmte Aufgaben gemeinsam optimieren zu können.\u003c/p\u003e\n\u003cp\u003eInsbesondere bei Diensten in großem Maßstab kann die Verringerung des Rechenaufwands pro Antwort, der Latenz und des Stromverbrauchs die Gesamtkosten stärker beeinflussen als eine geringfügige Verbesserung der Modellleistung. Ob eigene Chips jedoch immer am günstigsten sind, lässt sich erst beurteilen, wenn tatsächliche Auslastung, Entwicklungskosten, Abschreibungen und die Preise externer GPUs gemeinsam betrachtet werden.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#modellportfolio-und-routing\" class=\"anchor\" id=\"modellportfolio-und-routing\"\u003e\u003c/a\u003eModellportfolio und Routing\u003c/h3\u003e\n\u003cp\u003eEs ist nicht wirtschaftlich, für jede Frage das größte Modell zu verwenden. Effizienter ist es, einfache Klassifizierungen oder Zusammenfassungen von kleinen Modellen bearbeiten zu lassen und nur komplexe Schlussfolgerungs- oder Coding-Aufgaben an größere Modelle weiterzuleiten.\u003c/p\u003e\n\u003cp\u003eDie Qualität dieser Strategie hängt von den folgenden drei Faktoren ab.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eWird der Schwierigkeitsgrad einer Anfrage korrekt klassifiziert?\u003c/li\u003e\n\u003cli\u003eWerden die Grenzen der Aufgaben, die ein kleines Modell bearbeiten darf, sicher festgelegt?\u003c/li\u003e\n\u003cli\u003eWird bei einem Fehlschlag schnell an ein leistungsfähigeres Modell oder einen Menschen übergeben?\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eKleine, schnelle Modelle in den Vordergrund zu stellen, ist daher weniger ein Beleg dafür, dass die Entwicklung von Spitzenmodellen aufgegeben wurde, sondern kann als Portfoliostrategie für den Betrieb großvolumigen Datenverkehrs verstanden werden.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#wie-h%C3%A4ngen-ki-suche-und-werbung-zusammen\" class=\"anchor\" id=\"wie-hängen-ki-suche-und-werbung-zusammen\"\u003e\u003c/a\u003eWie hängen KI-Suche und Werbung zusammen?\u003c/h2\u003e\n\u003cp\u003eGoogle kann generative Suchergebnisse wie AI Overviews mit Werbung verbinden. Denn wenn in der Frage eines Nutzers eine kommerzielle Absicht erkannt wird und passende Werbung vorhanden ist, lässt sich das bestehende System für Suchanzeigen nutzen.\u003c/p\u003e\n\u003cp\u003eAus den folgenden Gründen lässt sich jedoch nicht pauschal behaupten, dass „längere Antworten mehr Werbeplätze und damit höhere Erlöse schaffen“.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eWerbung hängt nicht von der Antwortlänge ab, sondern von der Suchabsicht, der Nachfrage der Werbetreibenden, Auktionen und Ausspielungsrichtlinien.\u003c/li\u003e\n\u003cli\u003eZu viel Werbung kann das Sucherlebnis und das Vertrauen beeinträchtigen.\u003c/li\u003e\n\u003cli\u003eWenn KI eine Frage in einem Schritt löst, können nachfolgende Suchanfragen und Website-Klicks der Nutzer zurückgehen.\u003c/li\u003e\n\u003cli\u003eInformationsorientierte Fragen haben möglicherweise eine geringe kommerzielle Absicht und damit einen niedrigen Werbewert.\u003c/li\u003e\n\u003cli\u003eSelbst wenn Werbeerlöse entstehen, müssen zusätzliche Inferenzkosten und Kosten für die Traffic-Gewinnung abgezogen werden.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAlphabet veröffentlicht seine gesamten Werbe- und Cloud-Umsätze, weist jedoch die Umsätze, Inferenzkosten und operativen Gewinne von AI Overviews nicht detailliert als separate Posten aus. Externe Beobachter können daher den „Nettogewinn pro KI-Antwort“ nicht abschließend bestimmen.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#ein-leicht-%C3%BCbersehener-blickwinkel-deckungsbeitrag-statt-umsatz-pro-antwort\" class=\"anchor\" id=\"ein-leicht-übersehener-blickwinkel-deckungsbeitrag-statt-umsatz-pro-antwort\"\u003e\u003c/a\u003eEin leicht übersehener Blickwinkel: Deckungsbeitrag statt Umsatz pro Antwort\u003c/h2\u003e\n\u003cp\u003eDie nützlichste Einheit zur Bewertung von Googles KI-Strategie ist nicht die Zahl der Antworten oder Token selbst, sondern der \u003cstrong\u003eDeckungsbeitrag einer einzelnen KI-Interaktion\u003c/strong\u003e.\u003c/p\u003e\n\u003cp\u003eKonzeptionell lässt sich der Deckungsbeitrag wie folgt darstellen.\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003eDeckungsbeitrag einer KI-Interaktion = zusätzliche Werbe-, Abonnement- und Cloud-Umsätze − Inferenzkosten − Kosten für Such- und Werkzeugaufrufe − Kosten für Sicherheitsmaßnahmen − Kosten der Traffic-Gewinnung\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003eDabei muss neben den direkten Umsätzen auch die Kannibalisierung des bestehenden Geschäfts berücksichtigt werden. Erzeugt eine KI-Antwort neue Suchanfragen, ist der Effekt positiv; ersetzt sie jedoch einen Werbeklick, der sonst stattgefunden hätte, kann der Nettoeffekt gering ausfallen.\u003c/p\u003e\n\u003cp\u003eAuch längere Modellantworten sind keine Erlösstrategie. Lange Antworten erhöhen die Kosten für Ausgabe-Token und die Latenz. Wirtschaftlich vorteilhafter kann es sein, das Problem des Nutzers mit weniger Rechenaufwand präzise zu lösen und nur bei Bedarf eine kommerzielle Verbindung anzubieten.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#zentrale-kennzahlen-zur-beurteilung-von-googles-strategie\" class=\"anchor\" id=\"zentrale-kennzahlen-zur-beurteilung-von-googles-strategie\"\u003e\u003c/a\u003eZentrale Kennzahlen zur Beurteilung von Googles Strategie\u003c/h2\u003e\n\u003cp\u003eUm Erfolg oder Misserfolg der Strategie anhand öffentlicher Informationen und Produktveränderungen zu verfolgen, müssen Unternehmen die folgenden Kennzahlen getrennt betrachten.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eBereich\u003c/th\u003e\n\u003cth\u003eZu beobachtende Kennzahlen\u003c/th\u003e\n\u003cth\u003eHinweise für die Interpretation\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bereich\"\u003eModellqualität\u003c/td\u003e\n\u003ctd data-label=\"Zu beobachtende Kennzahlen\"\u003eErfolgsquote bei Aufgaben, Coding- und Schlussfolgerungsbewertungen, Halluzinationsrate\u003c/td\u003e\n\u003ctd data-label=\"Hinweise für die Interpretation\"\u003eNicht auf einen einzelnen Benchmark oder selbst gemeldete Zahlen vertrauen\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bereich\"\u003eNutzerakzeptanz\u003c/td\u003e\n\u003ctd data-label=\"Zu beobachtende Kennzahlen\"\u003eMonatlich und täglich aktive Nutzer, Wiederkehrrate, Umwandlungsrate in zahlende Nutzer\u003c/td\u003e\n\u003ctd data-label=\"Hinweise für die Interpretation\"\u003eVorinstallierte Nutzer von tatsächlich wiederkehrenden Nutzern unterscheiden\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bereich\"\u003eWirtschaftlichkeit\u003c/td\u003e\n\u003ctd data-label=\"Zu beobachtende Kennzahlen\"\u003eInferenzkosten pro Anfrage, Latenz, Cache-Trefferrate, Auslastung\u003c/td\u003e\n\u003ctd data-label=\"Hinweise für die Interpretation\"\u003eÖffentliche Token-Preise entsprechen nicht zwangsläufig den internen Kosten\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bereich\"\u003eSuchgeschäft\u003c/td\u003e\n\u003ctd data-label=\"Zu beobachtende Kennzahlen\"\u003eAnteil der Anfragen mit KI-Ergebnissen, Werbekonversion, Suchhäufigkeit\u003c/td\u003e\n\u003ctd data-label=\"Hinweise für die Interpretation\"\u003eEigenständige Umsätze der KI-Funktionen werden möglicherweise nicht veröffentlicht\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bereich\"\u003eCloud\u003c/td\u003e\n\u003ctd data-label=\"Zu beobachtende Kennzahlen\"\u003eKI-bezogene Verträge, API-Nutzung, Auftragsbestand, operativer Gewinn\u003c/td\u003e\n\u003ctd data-label=\"Hinweise für die Interpretation\"\u003eGesamtes Cloud-Wachstum vom KI-Beitrag unterscheiden\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bereich\"\u003eEntwicklerökosystem\u003c/td\u003e\n\u003ctd data-label=\"Zu beobachtende Kennzahlen\"\u003eAPI-Nutzung, Framework-Unterstützung, Beispiele für Unternehmenseinführungen\u003c/td\u003e\n\u003ctd data-label=\"Hinweise für die Interpretation\"\u003eDas Ranking einer einzelnen Plattform repräsentiert nicht den gesamten Markt\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bereich\"\u003eTalente und Forschung\u003c/td\u003e\n\u003ctd data-label=\"Zu beobachtende Kennzahlen\"\u003eZentrale Publikationen, Geschwindigkeit der Produktintegration, Bindung von Forschern\u003c/td\u003e\n\u003ctd data-label=\"Hinweise für die Interpretation\"\u003eEinzelne Abgänge nicht zu einem Zusammenbruch der gesamten Forschungskompetenz überhöhen\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#bedingungen-die-optimismus-und-pessimismus-voneinander-trennen\" class=\"anchor\" id=\"bedingungen-die-optimismus-und-pessimismus-voneinander-trennen\"\u003e\u003c/a\u003eBedingungen, die Optimismus und Pessimismus voneinander trennen\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#bedingungen-f%C3%BCr-einen-erfolg-der-strategie\" class=\"anchor\" id=\"bedingungen-für-einen-erfolg-der-strategie\"\u003e\u003c/a\u003eBedingungen für einen Erfolg der Strategie\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eGemini hält in der Praxis eine gegenüber Konkurrenzmodellen ausreichend ähnliche Qualität.\u003c/li\u003e\n\u003cli\u003eDie Verknüpfung zwischen Google-Produkten reduziert die tatsächliche Arbeitszeit der Nutzer.\u003c/li\u003e\n\u003cli\u003eKleine Modelle und eigene TPUs senken die Kosten pro Antwort.\u003c/li\u003e\n\u003cli\u003eDie KI-Suche erzeugt neue kommerzielle Anfragen, ohne die bestehenden Werbeumsätze zu beeinträchtigen.\u003c/li\u003e\n\u003cli\u003eDie KI-Funktionen von Cloud und Workspace werden in kostenpflichtige Verträge umgewandelt.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#bedingungen-f%C3%BCr-ein-scheitern-der-strategie\" class=\"anchor\" id=\"bedingungen-für-ein-scheitern-der-strategie\"\u003e\u003c/a\u003eBedingungen für ein Scheitern der Strategie\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eDer Qualitätsabstand bei Coding- und Agentenaufgaben wächst, sodass Entwickler und Unternehmen standardmäßig andere Modelle wählen.\u003c/li\u003e\n\u003cli\u003eKI-Antworten reduzieren bestehende Suchumsätze, ohne ausreichend neue Erlöse zu schaffen.\u003c/li\u003e\n\u003cli\u003eDie Produktintegration verursacht Probleme beim Datenschutz, bei der Berechtigungsverwaltung und beim Vertrauen.\u003c/li\u003e\n\u003cli\u003eDie Kosten für die Korrektur von Fehlern günstiger Modelle übersteigen die eingesparten Inferenzkosten.\u003c/li\u003e\n\u003cli\u003eForschungstalente und das Entwicklerökosystem werden geschwächt, wodurch die langfristige Wettbewerbsfähigkeit der Modelle sinkt.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#fazit\" class=\"anchor\" id=\"fazit\"\u003e\u003c/a\u003eFazit\u003c/h2\u003e\n\u003cp\u003eGoogle hat aufgehört, mit übermäßigen Ausgaben unbedingt den ersten Platz bei den leistungsfähigsten Modellen anzustreben, und ist zu einem auf Preis-Leistungs-Verhältnis ausgerichteten Ansatz übergegangen. Plausibler ist die Interpretation, dass Google parallel zum Wettbewerb um die Modellleistung auch \u003cstrong\u003egroßflächige Bereitstellung, Modell-Routing, eigene Infrastruktur sowie die Monetarisierung durch Werbung, Abonnements und Cloud-Dienste\u003c/strong\u003e gemeinsam optimiert.\u003c/p\u003e\n\u003cp\u003eAuch die Darstellung „OpenAI und Anthropic verlieren mit jeder Antwort Geld, während Google mit jeder Antwort Geld verdient“ ist zu stark vereinfacht. Alle Anbieter tragen Inferenzkosten. Der tatsächliche Gewinner dürfte nicht das Unternehmen sein, das die längsten Antworten erzeugt, sondern jenes, das die Aufgaben der Nutzer zuverlässig löst und dabei den Deckungsbeitrag pro Antwort sowie langfristiges Vertrauen aufrechterhält.\u003c/p\u003e\n","tags":["KI","Halbleiter","Generative KI","KI Rechenzentrum","KI-Agent","Technologiestrategie"],"faqs":[{"question":"Hat Google darauf verzichtet, bei der Leistung von KI-Modellen den ersten Platz einzunehmen?","answer":"Allein anhand des öffentlich bekannten Produktportfolios lässt sich schwerlich behaupten, dass Google darauf verzichtet hat. Google entwickelt große Modelle und nutzt zugleich kleine Modelle, Modell-Routing, eigene TPUs und die Produktintegration, um Qualität und Kosten gemeinsam zu optimieren."},{"question":"Machen OpenAI und Anthropic jedes Mal Verlust, wenn die KI eine Antwort gibt?","answer":"Bei jeder Antwort entstehen Inferenzkosten, kostenpflichtige APIs generieren jedoch abhängig von der Nutzung auch Umsatz. Da es zudem Abonnements und Unternehmensverträge gibt, ist die Behauptung, jede einzelne Antwort führe stets zu einem Verlust, unzutreffend. Die tatsächliche Rentabilität hängt von Preisen, Kosten, Nutzungsvolumen und Vertragsstrukturen ab."},{"question":"Erzielt Google umso mehr Werbeeinnahmen, je länger die KI-Antworten sind?","answer":"Das lässt sich nicht mit Sicherheit sagen. Werbeeinblendungen hängen stärker von der kommerziellen Absicht der Nutzer, der Nachfrage der Werbetreibenden, Auktionen und Produktrichtlinien ab als von der Länge der Antwort. Lange Antworten können zudem die Kosten für Ausgabetoken und die Latenz erhöhen."},{"question":"Bedeutet ein Anteil von 42 % an den Ausgaben für Coding-KI den Anteil am Gesamtmarkt?","answer":"Nein. Die aus einer bestimmten VC-Studie stammende Zahl bezieht sich auf die an dieser Studie teilnehmenden Unternehmen und den darin definierten Ausgabenbereich. Sie darf nicht als weltweiter Marktanteil interpretiert werden, der die Nutzung durch Verbraucher, kostenlose Tools, den gesamten API-Datenverkehr und regionale Märkte vollständig umfasst."},{"question":"Kann man anhand der OpenRouter-Rangliste beurteilen, welches KI-Modell am besten ist?","answer":"Die OpenRouter-Rangliste ist ein nützlicher Indikator für das Nutzungsvolumen oder die Auswahltrends auf dieser Plattform. Da sie jedoch Preise, Werbeaktionen, die Verfügbarkeit von Modellen und die Zusammensetzung der Nutzerschaft widerspiegelt, entspricht sie weder dem gesamten Entwicklermarkt noch einer objektiven Leistungsrangliste."},{"question":"Warum sind die eigenen TPUs von Google im KI-Wettbewerb wichtig?","answer":"Google kann Modelle, Hardware, Netzwerke und Rechenzentren gemeinsam optimieren. Bei Anfragen in großem Umfang kann bereits eine geringfügige Reduzierung des Rechenaufwands pro Antwort und der Latenzzeit einen großen Kostenunterschied bewirken. Ein tatsächlicher Kostenvorteil lässt sich jedoch erst beurteilen, wenn auch die Auslastung sowie die Entwicklungs- und Betriebskosten geprüft wurden."},{"question":"Welche Kennzahlen sind am wichtigsten, um über Erfolg oder Misserfolg der KI-Strategie von Google zu urteilen?","answer":"Statt einer einzelnen Benchmark sollten die Erfolgsquote bei tatsächlichen Aufgaben, die Wiederverwendungsrate, die Umwandlungsrate in zahlende Kunden, die Inferenzkosten pro Anfrage, das Wachstum von Cloud und die Auswirkungen der KI-Suche auf die bestehenden Werbeeinnahmen gemeinsam betrachtet werden. Solange Alphabet die Gewinne einzelner KI-Funktionen nicht separat veröffentlicht, sind externe Bewertungen nur Schätzungen."}],"sources":[{"url":"https://www.sec.gov/Archives/edgar/data/1652044/000165204425000014/goog-20241231.htm","title":"Alphabet 2024 Form 10-K","type":"source"},{"url":"https://abc.xyz/investor/","title":"Alphabet Investor Relations","type":"source"},{"url":"https://ai.google.dev/gemini-api/docs/pricing","title":"Gemini Developer API-Preise","type":"data_point"},{"url":"https://cloud.google.com/tpu","title":"Google Cloud TPU","type":"source"},{"url":"https://openai.com/api/pricing/","title":"OpenAI API-Preise","type":"data_point"},{"url":"https://docs.anthropic.com/en/docs/about-claude/pricing","title":"Anthropic Claude-Preise","type":"data_point"},{"url":"https://openrouter.ai/rankings","title":"OpenRouter-Ranglisten","type":"data_point"},{"url":"https://menlovc.com/2024-the-state-of-generative-ai-in-the-enterprise/","title":"Menlo Ventures 2024: Der Stand der generativen KI in Unternehmen","type":"data_point"},{"url":"https://blog.google/products/ads-commerce/google-marketing-live-2024/","title":"Google Marketing Live 2024","type":"source"}],"images":[{"id":914,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjAsInB1ciI6ImJsb2JfaWQifX0=--c3585fef83432d19cf74a2e15f0a910865bd4791/ai-38725e98.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"데이터센터에서 서버 랙의 터치스크린 대시보드를 조작하는 엔지니어","caption":"엔지니어가 서버 연결과 성능 지표를 확인하며 AI 인프라를 관리하고 있다.","description":null},"en":{"alt":"Engineer operating a touchscreen dashboard on a server rack in a data center","caption":"An engineer monitors server connections and performance metrics for AI infrastructure.","description":null},"ja":{"alt":"データセンターでサーバーラックのタッチ画面を操作するエンジニア","caption":"エンジニアが接続状況と性能指標を確認しながらAIインフラを管理している。","description":null},"es":{"alt":"Ingeniero usando un panel táctil en un rack de servidores de un centro de datos","caption":"Un ingeniero supervisa las conexiones y el rendimiento de la infraestructura de IA.","description":null},"id":{"alt":"Teknisi mengoperasikan dasbor layar sentuh pada rak server di pusat data","caption":"Seorang teknisi memantau koneksi dan kinerja server untuk infrastruktur AI.","description":null},"pt":{"alt":"Engenheiro operando painel touchscreen em rack de servidores de um data center","caption":"Um engenheiro monitora conexões e métricas de desempenho da infraestrutura de IA.","description":null},"zh-hant":{"alt":"工程師在資料中心操作伺服器機櫃上的觸控式儀表板","caption":"工程師查看伺服器連線與效能指標，以管理 AI 基礎設施。","description":null},"de":{"alt":"Techniker bedient ein Touchscreen-Dashboard an einem Serverschrank im Rechenzentrum","caption":"Ein Techniker überwacht Verbindungen und Leistungsdaten der KI-Infrastruktur.","description":null}}},{"id":915,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjYsInB1ciI6ImJsb2JfaWQifX0=--5290fcf0f549cd08d0e82e32bcc31d34b7b97d8e/ai-c29a6939.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"중앙 AI 모델이 웹·모바일 서비스와 서버, 반도체, 비용 분석 대시보드에 연결된 인포그래픽","caption":"AI 유통망과 추론 인프라, 비용 효율의 관계를 시각화한 도표다.","description":null},"en":{"alt":"Infographic linking a central AI model to apps, chips, servers, services, and cost dashboards","caption":"The graphic visualizes how AI distribution, inference infrastructure, and cost efficiency connect.","description":null},"ja":{"alt":"中央のAIモデルとアプリ、半導体、サーバー、各種サービス、コスト指標を結ぶ図","caption":"AIの流通網、推論基盤、コスト効率の関係を可視化している。","description":null},"es":{"alt":"Infografía que conecta un modelo de IA con aplicaciones, chips, servidores, servicios y métricas de costes","caption":"El gráfico muestra la relación entre distribución de IA, infraestructura de inferencia y eficiencia de costes.","description":null},"id":{"alt":"Infografik yang menghubungkan model AI pusat dengan aplikasi, cip, server, layanan, dan metrik biaya","caption":"Grafik ini memvisualkan hubungan distribusi AI, infrastruktur inferensi, dan efisiensi biaya.","description":null},"pt":{"alt":"Infográfico ligando um modelo central de IA a aplicativos, chips, servidores, serviços e métricas de custos","caption":"O gráfico mostra a relação entre distribuição de IA, infraestrutura de inferência e eficiência de custos.","description":null},"zh-hant":{"alt":"中央 AI 模型連接應用程式、晶片、伺服器、各類服務與成本分析儀表板的資訊圖","caption":"圖表呈現 AI 分發、推論基礎設施與成本效益之間的關係。","description":null},"de":{"alt":"Infografik zur Verbindung eines zentralen KI-Modells mit Apps, Chips, Servern, Diensten und Kostenkennzahlen","caption":"Die Grafik veranschaulicht das Zusammenspiel von KI-Vertrieb, Inferenzinfrastruktur und Kosteneffizienz.","description":null}}}],"published_at":"2026-08-27T09:46:27+09:00","updated_at":"2026-08-27T09:46:27+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/google-ai-strategy-inference-economics-and-monetization"}