Der Rechenleistungs-Engpass: Warum KI-Videogenerierung 2026 immer noch teuer ist

Alle paar Monate taucht eine Variante derselben Frage auf: Textgenerierung ist inzwischen so billig geworden, dass sie praktisch ein Rundungsfehler ist, Bildgenerierung folgte kurz danach – warum kostet ein zehnsekündiger KI-Videoclip dann immer noch echtes Geld? Die Antwort ist keine Verschwörung von Anbietern, die ihre Margen schützen wollen – sie ist schlicht Arithmetik. Videogenerierung sitzt an einem grundlegend anderen Punkt der Rechenkosten-Kurve als Text oder Bilder, aus Gründen, die tief in der Funktionsweise von Diffusions- und Transformermodellen verankert sind, und diese Gründe werden durch eine Hardware-Lieferkette verstärkt, die Mitte 2026 tatsächlich kapazitätsbeschränkt ist. Wer beide Hälften dieser Geschichte versteht, versteht auch, warum die Preise pro Sekunde Video der großen Labs – Beträge im Bereich zehn Cent statt Bruchteile eines Cents – kein vorübergehender Launch-Aufschlag sind. Es ist eher eine Kostenuntergrenze, die langsam erodiert statt zusammenzubrechen.

Die Größenordnungslücke, in FLOPs gemessen

Beginnen wir damit, was eine einzelne Generierung tatsächlich an Gleitkommaoperationen kostet. Akademische FLOPs-Analysen von Diffusionspipelines beziffern einen einzelnen Bildgenerierungsaufruf auf etwa 10 GFLOPs pro Entrauschungsschritt, wobei eine typische Generierung 20 bis 50 Schritte durchläuft, bis ein sauberes Bild entsteht – das ergibt insgesamt in der Größenordnung von 10² bis 10³ GFLOPs für ein fertiges Bild. Eine vergleichbare Analyse von Video-Diffusionsmodellen setzt einen einzelnen Video-Generierungsaufruf um mehrere Größenordnungen höher an – häufig zitierte FLOPs-Vergleiche liegen im Bereich des 10.000-Fachen der Rechenleistung eines einzelnen Bildes, nicht des 10- oder 100-Fachen, wie man intuitiv annehmen könnte. Diese Lücke ist kein Rundungsunterschied; es ist der Unterschied zwischen einer Anfrage, die eine Consumer-GPU in unter einer Sekunde bedienen kann, und einer Anfrage, die einen Rechenzentrums-Beschleuniger minutenlang blockiert.

Zwei Faktoren treiben diese Lücke, und es lohnt sich, sie zu trennen, denn sie addieren sich, statt sich zu ersetzen. Der erste ist schlicht die Bildanzahl: Ein fünfsekündiger Clip mit 24 Bildern pro Sekunde sind 120 einzelne Bilder, von denen jedes seinen eigenen Entrauschungsdurchlauf braucht. Das allein ist ein Multiplikator um zwei Größenordnungen, bevor überhaupt irgendetwas Videospezifisches passiert. Der zweite Faktor, den man leicht unterschätzt, ist die zeitliche Konsistenz. Ein naiver Ansatz würde jedes Bild unabhängig generieren und aneinanderreihen, doch das erzeugt genau jenes Flackern und die schmelzenden Gesichter, die frühe KI-Videos prägten. Moderne Modelle lassen stattdessen Attention-Mechanismen über die zeitliche Dimension laufen – die Generierung jedes Bildes wird von benachbarten Bildern beeinflusst, um Gesichter, Objekte und Beleuchtung kohärent zu halten –, und Attention skaliert schlechter als linear mit der Sequenzlänge. Mehr Bilder in eine einzige kohärente Generierung zu packen, addiert nicht nur Rechenleistung proportional zur Bildanzahl; es addiert Rechenleistung für die Beziehungen zwischen all diesen Bildern untereinander.

Was das in Dollar bedeutet

Übersetzt man FLOPs in GPU-Stunden, werden die Zahlen konkret. Rechenzentrums-Beschleuniger wie NVIDIAs H100 und H200 kosten 2026 im Spot-/Großhandelsmodell der Cloud-Anbieter etwa 1 bis 3 US-Dollar pro Stunde, bei manchen On-Demand-Tarifen großer Hyperscaler steigt das auf bis zu 12 Dollar pro Stunde. Zu Spot-Preisen dauert die Generierung eines 30-sekündigen Clips auf einer Karte der H100-Klasse etwa vier bis sechs Minuten dedizierter Rechenzeit, was auf reiner Hardware-Ebene auf einstellige Cent-Beträge pro Sekunde fertigen Videos hinausläuft – weit entfernt von den Preisschildern, die Verbraucher sehen. Diese Lücke zwischen den reinen Rechenkosten und dem tatsächlichen Preis ist selbst aufschlussreich: Die veröffentlichten API-Preise der großen Video-Labs – Soras rund 0,10 Dollar pro Sekunde für Standard-720p-Ausgabe, Klings nach Credits abgerechnete Pläne, die von einem 8–10-Dollar-Einstiegstarif bis zu einem 128-Dollar-Ultra-Tarif für unbegrenztes Volumen reichen, Runways Abo-Credits statt reiner Sekundenabrechnung – liegen deutlich über den reinen Grenzkosten der Hardware pro Sekunde. Der Unterschied ist nicht reiner Gewinn. Er deckt Modell-F&E ab, die über eine deutlich kleinere installierte Nutzerbasis amortisiert werden muss als bei jedem Textmodell, die fehlgeschlagenen und wiederholten Generierungen, die es nie bis auf den Bildschirm eines zahlenden Kunden schaffen, und zunehmend einen verpflichtenden Upscaling- oder Verbesserungsschritt – Branchenschätzungen deuten darauf hin, dass ein Großteil der produktiven Video-Endpunkte inzwischen standardmäßig eine Form von Nachbearbeitungs-Upscaling durchläuft, was eine zweite rechenintensive Stufe hinzufügt, die die meisten Nutzer nie einzeln aufgeschlüsselt sehen.

Die Auflösung verschärft dies weiter. Eine Verdopplung der Ausgabeauflösung verdoppelt in etwa die Renderzeit auf derselben Hardware, weshalb 4K-Videogenerierung – 2026 tatsächlich ein Feature bei Modellen wie Kling 3.0 – spürbar länger dauert und spürbar mehr kostet als die 720p-Stufe, auf die die meisten kostenlosen und Einstiegstarife standardmäßig zurückgreifen. Nichts davon ist willkürliche Tarifgestaltung; es bildet recht direkt ab, wie viele Pixel der Beschleuniger tatsächlich pro Sekunde Filmmaterial berechnen muss.

Die Angebotsseite: GPUs und Strom, nicht nur Algorithmen

Selbst wenn jedes Video-Lab einen Weg fände, die Rechenleistung pro Bild zu senken, würde der Videogenerierungsmarkt 2026 immer noch auf eine zweite, separate Beschränkung stoßen: Es gibt schlicht nicht genug Rechenzentrums-GPU- und Stromkapazität, um die Nachfrage bei heutigen Preisen zu decken – geschweige denn bei hypothetisch niedrigeren. Die Lieferzeiten für Rechenzentrums-GPUs haben sich dieses Jahr auf 36 bis 52 Wochen ausgedehnt, und die Nachfrage übersteigt am oberen Ende des Marktes das Angebot tatsächlich – Berichte, wonach allein chinesische Käufer Bestellungen für über zwei Millionen Chips der H200-Klasse aufgegeben haben, gegenüber einem weltweiten Lagerbestand im niedrigen sechsstelligen Bereich, veranschaulichen das Ausmaß dieser Diskrepanz. NVIDIAs Roadmap ist von Hopper zur Blackwell-Generation weitergezogen, doch neue Architekturgenerationen brauchen Jahre, um jenes Volumen zu erreichen, bei dem sich das Angebot spürbar entspannt, und die Speicherbandbreiten-Abhängigkeit von Video-Diffusion (Videogenerierung stützt sich stärker auf den Durchsatz von High-Bandwidth-Memory als auf reine FLOPs, was mit erklärt, warum Karten der H100-/H200-Klasse mit breiten Speicherbussen günstigere Alternativen überproportional übertreffen) bedeutet, dass genau jene Chips, die Video-Labs brauchen, auch jene sind, die am knappsten sind.

Der für 2026 neuere und möglicherweise dauerhaftere Engpass als der Chipmangel ist Strom. Analysten beschreiben KI-Infrastruktur inzwischen als strom- statt GPU-limitiert: Gartner prognostiziert, dass bis 2027 rund 40 % der KI-Rechenzentren stromlimitiert sein werden, und die Lieferzeiten für die Hochspannungstransformatoren und Schaltanlagen, die nötig sind, um neue Rechenzentrumskapazität ans Netz zu bringen, haben sich von 12–18 Monaten auf in manchen Märkten bis zu 36–48 Monate verlängert. Eine GPU lässt sich schneller produzieren, als sich ein regionales Stromnetz aufrüsten lässt, um sie im großen Maßstab zu betreiben. Diese Diskrepanz bedeutet, dass Videogenerierungskapazität – die pro fertiger Ausgabe mehr Strom benötigt als Text- oder Bildgenerierung, schlicht weil sie mehr GPU-Stunden pro Ausgabe braucht – um einen Anteil an elektrischer Infrastruktur konkurriert, die längst nicht so schnell wächst wie die Chipproduktion.

Warum das nicht bald auf Textgenerierungs-Preisniveau fällt

Es ist verlockend anzunehmen, dass Videopreise einfach demselben Pfad folgen werden, den Text- und Bildgenerierung bereits gegangen sind – teuer beim Launch, dann innerhalb weniger Jahre kommodifiziert, sobald Modelle effizienter und Hardware billiger wird. Ein Teil davon wird tatsächlich passieren: Distillationstechniken, die Entrauschungsschritte von Dutzenden auf einstellige Zahlen reduzieren, effizientere Architekturen für zeitliche Attention und intelligenteres Caching, das Berechnungen über ähnliche Bilder hinweg wiederverwendet, sind allesamt aktive Forschungsfelder, und jeder inkrementelle Fortschritt senkt tatsächlich die Kosten pro Sekunde. Doch Videogenerierung verfolgt kein feststehendes Ziel – sobald Rechenleistung pro Bild billiger wird, treiben Nutzer Auflösung, Cliplänge, Bildrate und Mehrfachszenen-Komplexität nach oben und fressen damit die Einsparungen auf, genau wie es bei Bildmodellen geschah, als Fortschritte beim Fotorealismus Effizienzgewinne auffraßen, statt sie in niedrigere Preise zu übersetzen. Legt man die Strom- und Chip-Lieferengpässe darüber, ist die realistische Erwartung für die nächsten ein bis zwei Jahre nicht “Video wird so billig wie Text” – sondern ein langsames, stetiges Absinken der Kosten pro Sekunde, weniger begrenzt durch algorithmischen Erfindungsreichtum als dadurch, wie schnell sich die physische Infrastruktur unter der gesamten Branche überhaupt bauen lässt.