KI-Blase als Betriebsrisiko: was Nvidia, OpenAI und Oracle über dein KI-Abo verraten

Wer mit KI ein Business aufbaut, hat die KI-Blase bisher meist als Börsen-Geschichte gelesen: Nvidia, OpenAI, Oracle, Ratings, alles weit weg vom eigenen Schreibtisch. Sasch the Tasch dreht die Perspektive in seinem aktuellen Video um: Die Blase ist vor allem ein Betriebsrisiko für alle, die ihr Business auf ein einziges Abo bei einem US-Anbieter gestellt haben. Wir haben das Video durchgearbeitet, die Kernzahlen gegen tagesschau, den Spiegel und einen Marktkommentar geprüft und sortieren, was für den eigenen Agenten-Betrieb daraus folgt. Fazit vorweg: Es geht nicht um einen Crash-Termin, sondern um Fundamente. Und Fundamente kann man prüfen, ohne einen Börsenticker zu lesen.

Der Kern des Videos ist die finanzielle Verflechtung der großen KI-Player. Nvidia investiert laut Video in OpenAI, OpenAI braucht Rechenzentren-Kapazität und kauft sie bei Oracle, Oracle wiederum kauft Nvidia-Chips. Innerhalb dieses Kreises werde Geld im großen Stil von links nach rechts und wieder zurück bewegt, sagt Sasch, das Volumen dieser Kreislaufgeschäfte liege bei rund 800 Milliarden Dollar. Genau diese Verflechtung ist auch der Grundton der Berichterstattung: tagesschau beschreibt, wie Nvidia die KI-Sorgen kontert, und betont dabei, dass Nvidia und OpenAI eng miteinander verflochten sind. Der Spiegel meldet, dass die Börsenangst vor einem Platzen der Blase zunimmt, gerade weil KI-Konzerne wie OpenAI und Nvidia schwindelerregend hoch bewertet sind.

Die Einzelzahlen im Video skizzieren das Risiko: CoreWeave, ein Cloud-Anbieter für genau diese Infrastruktur, stand laut Video bereits 2024 stark unter Schuldendruck und kommt auf 21,6 Milliarden Dollar Gesamtschulden, bezogen auf die Zahlen des Vorjahrs. Die Kreditwürdigkeit von Oracle rücke in Richtung BBB, also kurz vor Ramsch, und der Auftragsbestand liege bei 638 Milliarden Dollar, mehr als die Hälfte davon hänge an OpenAI. Fiele dieser eine Kunde weg, würde der halbe Auftragsbestand mit verschwinden. Das ist die Art von Abhängigkeit, die man normalerweise aus Lieferketten kennt, nicht aus Software-Abos.

Die zweite Konzentration sitzt in den Modell-Anbietern selbst. Laut Video stammen bei OpenAI und Anthropic rund 80 Prozent des Umsatzes von einem Prozent der Kunden. Bei Anthropic sollen Cursor und GitHub zusammen etwa ein Viertel des Gesamtumsatzes ausmachen. Verlieren solche Anbieter zwei oder drei Großkunden, verlieren sie einen gewaltigen Teil ihrer Einnahmen, und der Druck wandert dann nach unten zu den Abonnenten: teurere Tarife, gedrosselte Limits, verschwundene Features oder abgeschaltete Modelle. Genau deshalb, so Sasch, ist ein einzelnes Abo kein Fundament, sondern ein Risiko, das man bewusst tragen oder streuen kann.

Der zweite Teil des Videos handelt von dem Trend, den Sasch für längst laufend hält: Open Source und Open Weight. Sein zentrales Indiz sind die Reports von OpenRouter, einem Anbieter, über den man per API auf sehr viele Modelle zugreifen kann. Der Anteil der US-Modelle am Token-Verbrauch sei dort von rund 70 Prozent auf 30 Prozent gesunken, innerhalb von etwa acht Monaten. Die Nutzung von ChatGPT und Claude bleibe hoch, aber der eigentliche Token-Durchsatz laufe zunehmend über chinesische Open-Weight-Modelle. Sasch fährt seinen eigenen Stack genau so: Frontier-Modelle aus den USA für lokale Aufgaben, im Cloud-Betrieb fast ausschließlich chinesische Open-Weight-Modelle.

Der Preisunterschied macht die Verschiebung mechanisch. Im Vergleich von OpenRouter liegt Claude Opus laut Video bei 25 Dollar pro Million Output-Token, GLM dagegen bei 7,5 Cent pro Million Input-Token und 25 Cent pro Million Output-Token. Das ist beim Output rund das Hundertfache. Sasch vergleicht alle zwei Wochen neue Modelle im Compare-Bereich von OpenRouter entlang von drei Achsen: Intelligenz, Coding und Agentic-Fähigkeit. Die Qualitätslücke bei der Agenten-Fähigkeit sei klein geworden, sagt er, der Preisunterschied bliebe enorm. Als Beispiele aus der Wirtschaft nennt er Airbnb, das laut Video auf Qwen-Basis arbeitet und seine Überarbeitungszeit von drei Stunden auf sechs Sekunden gesenkt haben soll, sowie Coinbase, das auf GLM und Kimi setzt, ein Coding-fokussiertes Modell, das deutlich günstiger ist als Opus.

Der Trend hat eine Schattenseite, die das Video nicht verschweigt. Eine Hackergruppe habe laut Bericht das offene Qwen-Modell neu trainiert, die Sicherheits-Guardrails entfernt und daraus ein effizientes Werkzeug für Exploits gemacht. Open Weight heißt also nicht automatisch sicher, es ist eine Entscheidung je Prozess, kein Glaubenssatz. Zum Thema Datensicherheit bleibt Sasch nüchtern: Bei chinesischen API-Anbietern sei Vorsicht angebracht, und er vermutet, dass im US-Bereich Ähnliches passiert. Seine Antworten sind lokale KI auf dem eigenen Rechner sowie europäische Anbieter, die ihre Modelle in Frankfurt hosten und Daten dadurch nicht ins Ausland geben.

Der praktischste Teil des Videos ist ein einfaches Framework. Sasch trennt reaktive Agenten von proaktiven Agenten. Ein reaktiver Agent ist ein Harness, vor dem man sitzt und der auf Anweisung arbeitet, dazu zählt er Claude Code, Codex, Cursor und Hermes. Proaktive Agenten sind Workflows, die per Cronjob, Trigger oder API-Aufruf selbstständig ausführen und entscheiden. Sein Setup spiegelt die Trennung: reaktive Arbeit läuft über ein Abo bei einem US-Cloud-Anbieter, proaktive Prozesse laufen über Ollama oder OpenRouter mit einem eigenen Harness. Entscheidend ist nicht die konkrete Werkzeugwahl, sondern die Trennung selbst: Zwei Betriebsarten mit unterschiedlichen Anforderungen bekommen unterschiedliche Modell-Basen.

Dazu kommt eine Empfehlung, die erfahrungsgesättigt klingt: Bleib bei deinem Harness. Es gibt inzwischen sehr viele Harnesses, und der ständige Wechsel kostet Energie, weil jedes Mal das Setup neu aufgebaut wird. Ein Harness, den man in- und auswendig kennt, liefert auch dann höheren Output, wenn ein neuerer Harness auf dem Papier besser aussieht, weil man die Tücken des eigenen Systems kennt. Der Cloud-Harness sollte trotzdem modular sein, damit verschiedene Modelle angeschlossen werden können, und lokal arbeiten zu können ist wünschenswert, aber zweitrangig. Und ein Filter-Satz für die Modellauswahl: Wenn ein Modell nicht in den eigenen Harness passt, wird es gar nicht erst bewertet.

Am Ende des Videos stehen vier Schritte für alle, die jetzt handeln wollen. Erstens: Liste die eigenen Prozesse auf und rechne durch, was passiert, wenn die Preise stark steigen, lohnt sich der Workflow dann überhaupt noch? Zweitens: Teste die Prozesse mit verschiedenen Modellen, OpenRouter eignet sich dafür, und prüfe vorher, ob dein Harness das Modell überhaupt fahren kann. Drittens: Setze bei proaktiven Agenten verschiedene Modelle je Prozess ein. Sein Beispiel: Ein Coding-Agent, der den ganzen Tag eine Website anpasst, läuft auf Kimi Code, ein Research- und SEO-Agent, der Kontext und Intelligenz braucht, läuft auf GLM. Viertens: Halte ein Umschalt-Dokument bereit, das beschreibt, wie ein Wechsel zwischen zwei Modellen abläuft, das sei relativ einfach zu implementieren.

Der Gold Nugget am Rand richtet sich an API-lastige Workflows: Batching. Statt viele einzelne Requests zu schicken, bündelt man viele Anfragen in einem Request, das ist deutlich günstiger. Der Haken: Batching läuft meist nur über die Original-API der Anbieter, nicht über Wrapper wie OpenRouter. Sasch hat damit laut Video rund 50 Prozent der Kosten eines eigenen Tools eingespart, betont aber, dass das nur einen kleinen Teil der Nutzer betrifft. Für jeden, der eigene Tools mit KI-Anteil betreibt, ist es trotzdem der schnellste Hebel im ganzen Video.

Die eigentliche Nachricht des Videos ist nicht, dass die Blase an einem bestimmten Tag platzt. Es ist die Konzentration: wenige Großkunden tragen die Umsätze der Modell-Anbieter, wenige Frontier-Modelle tragen die Workflows vieler Betriebe, und wenige Rechenzentren-Betreiber tragen die Infrastruktur. Genau dieses Muster kennt man auch im eigenen Agenten-Betrieb und löst es anders: Statt eines Abos ohne Grenze läuft hier ein Request-Budget mit Wochenlimit, statt eines Modells für alles gibt es einen austauschbaren lokalen Kern, und statt Vertrauensvorschuss gibt es eine Messkette, die zeigt, was jeder Lauf kostet. Abhängigkeit reduzieren, bevor sie teuer wird, das ist das ganze Spielbuch.

Zur Fairness gehört die Gegenstimme. Ein Marktkommentar der DJE Kapital rechnet vor, dass Nvidia mit einem erwarteten Kurs-Gewinn-Verhältnis von etwa 28 für das Jahr 2026 deutlich unter dem Bewertungsniveau eines führenden Netzwerkausrüsters liegt. Das widerlegt die Verflechtung nicht, es gewichtet sie anders: Nicht jede hohe Marktkapitalisierung ist automatisch Blasen-Luft. Crash-Termine bleiben deshalb Spekulation, die Prüfung des eigenen Fundaments bleibt Pflicht. Das Video steht genau in dieser Mitte: keine Panik, sondern vier konkrete Schritte, die man an einem Nachmittag anfangen kann.

Ehrlich bleiben: Das hier ist eine Video-Auswertung, kein Börsen-Audit. Die kritischen Zahlen, die CoreWeave-Schulden, der Auftragsbestand, der Kreislauf über 800 Milliarden Dollar, die Umsatzkonzentration bei OpenAI und Anthropic, die OpenRouter-Anteile, die Airbnb- und Coinbase-Beispiele und die 50 Prozent durch Batching stammen aus dem Video und dessen eigener Recherche, nicht aus eigenen Primärprüfungen. tagesschau und der Spiegel bestätigen die Grundstimmung, die Verflechtung und die gestiegene Börsenangst, aber nicht jede Einzelzahl. Das Nvidia-KGV kommt aus einem Fondskommentar, nicht aus eigener Bilanz-Lektüre. ETF-Ranglisten und Ratings haben wir nicht selbst nachgeprüft. Was trotzdem trägt: die Richtung, dass ein einzelnes Abo als Fundament für ein KI-Business ein Risiko ist, und die konkreten Hebel dagegen. Genau das macht den Beitrag lesenswert.

Eigene Einordnung aus dem Agenten-Betrieb, Stand 20.09.2026