KI und Ungleichheit: Agenten im Abo und die neue Klassenspaltung

Wissen durch KI kostet heute fast nichts mehr. Autonome KI-Arbeitskraft hingegen hat ihren Preis: Für Toptarife werden monatlich Hunderte Dollar fällig. Künstliche Intelligenz teilt Menschen längst nicht mehr nur in Wissende und Unwissende, sondern in jene, für die Maschinen nachts Aufgaben abarbeiten, und den Rest.

Das Wort „Roboter“ stammt aus dem Tschechischen: Josef Čapek schlug es seinem Bruder Karel 1920 für das Theaterstück „R.U.R.“ vor, abgeleitet von „robota“ - der Fronarbeit, die einst auf fremden Feldern von Sonnenaufgang bis Sonnenuntergang verrichtet werden musste. Über ein Jahrhundert später kehrt diese Begrifflichkeit mit beunruhigender Präzision zurück. Die Fronarbeit übernimmt heute die Maschine, und um sie zu kommandieren, genügt ein entsprechendes Abonnement.

Nach dem DevDay Ende September 2026 zeigt die Preisstaffelung von ChatGPT klare Stufen: Neben Free, Go und Plus gibt es Tarife wie Pro 100 für ca. 89,44 EUR (100 USD), Pro 200 für ca. 178,87 EUR (200 USD) und die Stufe Pro 500 für ca. 447,19 EUR (500 USD) monatlich (Umrechnungskurs der EZB vom 12.10.2026: 1 EUR = 1,1181 USD; https://www.ecb.europa.eu/stats/eurofxref/eurofxref-daily.xml; Schätzwerte ohne Gewähr für lokale Endpreise). Unten steht der Chat, der Fragen beantwortet. Oben finden sich Ultrafast-Modi, vergrößerte Nutzungslimits und Agentenfunktionen in Entwicklungsumgebungen und Arbeitsbereichen.

Eine solche Summe wie 500 USD entspricht in den USA bei einem Mindestlohn von 7,25 USD fast 69 Bruttoarbeitsstunden. Wer über das entsprechende Budget verfügt, lässt die Maschine arbeiten; wer es nicht hat, schaut von außen zu.

Jahrelang hieß es, KI sei die demokratischste Technologie der Geschichte: Dasselbe Sprachmodell stand Spitzenkräften und Studierenden gleichermaßen zur Verfügung. Dieses Narrativ bröckelt - nicht weil Basismodelle unzugänglich geworden wären, sondern weil kaufkräftige Anwender Zugriff auf automatisierte Workflows erhalten, die weit über einen simplen Dialog hinausgehen.

Die Preisliste als gesellschaftlicher Spiegel

Betrachten wir die ökonomischen Relationen. Zur Illustration aus den USA: Der bundesweite gesetzliche Mindestlohn liegt bei 7,25 USD pro Stunde, was bei einer 40-Stunden-Woche rechnerisch rund 1.256,67 USD monatlich brutto ergibt (auch wenn viele Bundesstaaten höhere Sätze vorschreiben). Der Betrag von 500 USD entspricht etwa 39,8 Prozent dieses Monatsbruttos bzw. rund 69 Arbeitsstunden. Bei einem durchschnittlichen Stundenlohn im US-Privatsektor von 37,75 USD (Stand August 2026 laut BLS) machen 500 USD ca. 8 Prozent des monatlichen Bruttoverdienstes aus.

Für wohlhabende Schichten ist eine solche Ausgabe für Produktivitätssoftware eine Selbstverständlichkeit, während kleinere Budgets dadurch stark belastet würden. Neu ist dabei vor allem die Art der Leistung, die für diesen Preis bereitgestellt wird.

Im Erdgeschoss: Wissen fast zum Nulltarif

Zunächst gilt es anzuerkennen, was der Technologiesprung bewirkt hat: Reines Wissen ist so erschwinglich wie selten zuvor in der Wirtschaftsgeschichte. Epoch AI errechnete im September 2026, dass die Kosten für das Erreichen eines bestimmten Modellleistungsniveaus seit 2023 um etwa 47 Prozent pro Quartal gesunken sind - was einer Verbilligung um den Faktor 13 innerhalb eines Jahres entspricht. Gleichzeitig bieten Anbieter wie OpenAI mittlerweile unbegrenzte Text-Chats auch in Gratisplänen an (TechCrunch, 6. August 2026).

Dies spiegelt sich auch in Messungen wider. Bei einem von mir durchgeführten Textgenerierungstest in polnischer Sprache (Übersetzung aus dem polnischen Originaltest) erzielte GPT-6 Luna bei neun Schreibaufgaben für 0,002 USD einen Wert von 82,8 von 100 Punkten. Das Spitzenmodell Claude Opus 5.5 erreichte 90,1 Punkte, schlug jedoch mit 0,2479 USD zu Buche - eine Differenz von 7,3 Punkten bei rund 124-mal höheren Tokenkosten. Für alltägliche Recherchen, einfache Zusammenfassungen oder Entwürfe spielt dieser Unterschied oft kaum eine Rolle.

Wäre generative KI lediglich eine moderne digitale Bibliothek, könnte die Analyse hier enden. Bibliotheken schaffen Chancengleichheit, da Texte für jeden Leser im gleichen Tempo verharren. Dies erkannte schon Andrew Carnegie, der Tausende öffentlicher Bibliotheken stiftete und Bildung als Hebel sah - auch wenn die Arbeiter seiner Stahlwerke, deren Streiks 1892 in Homestead niedergeschlagen wurden, eine andere Perspektive auf die Machtverhältnisse hatten. Carnegie stiftete Bücher, behielt jedoch die Produktionsmittel.

Die Softwarebranche bewegt sich heute auf ähnlichen Pfaden.

In den oberen Etagen: Rechenzeit, die niemals schläft

KI wandelt sich von der Auskunftsstelle zur digitalen Werkshalle. Auf dem DevDay präsentierte OpenAI unter anderem „Dots“: dauerhaft aktive Agenten. Laut OpenAI-Dokumentation agiert ein Dot mit Cloud-Anbindung, Schnittstellen zu Tausenden Applikationen und kann Aufgaben im Hintergrund weiterverfolgen, selbst wenn keine aktive Unterhaltung stattfindet. Für berechtigte Pro- und Business-Premium-Nutzer ist der erste Dot bereits im Tarif enthalten (Stand: 12. Oktober 2026 laut offiziellen Hilfeseiten).

Hier liegt die Kernfrage: Wissensabfragen sind punktuell. Man stellt eine Frage, erhält eine Antwort, und die Abrechnung ist abgeschlossen. Kontinuierliche Arbeit hingegen bindet Rechenzeit. Ein Agent, der Code analysiert, Kundenanfragen filtert oder Dokumente vorbereitet, beansprucht Stunde um Stunde Systemressourcen. Zwar sinken Tokenpreise stetig, doch wenn komplexe Denkketten und Werkzeuge ein Vielfaches an Token erfordern, steigen die effektiven Kosten pro gelöster Aufgabe. Der Preprint „The Price of Intelligence“ (arXiv, September 2026) argumentiert genau so: Während Basistoken günstiger werden, sinken die Kosten pro Gesamtaufgabe bei tief nachdenkenden Modellen nicht zwingend im gleichen Maß.

Höhere Tarifstufen gewähren erweiterte Nutzungskontingente, bedeuten aber keine pauschal garantierten Produktivitätsstunden. Der Verbrauch variiert massiv nach Modellwahl, Reasoning-Tiefe, Kontextgröße und genutzten Schnittstellen. Dennoch gilt: Wer mehr Budget einsetzt, kann deutlich mehr Rechenkapazitäten beanspruchen. Dies spiegelt ein klassisches ökonomisches Prinzip wider: Mehr Maschinenkapazität verschafft dem Kapital Vorteile gegenüber reiner Handarbeit.

Ungleichheit beim Zugang zu Agenten kann sich zu dauerhaften Dominanzstrukturen verfestigen.

Nick Srnicek, King’s College London, im Gespräch mit Rest of World, 26. Mai 2026

In Unternehmen wird der Verbrauch von Rechenleistung längst strategisch gesteuert. Nvidia-Chef Jensen Huang sprach im März 2026 davon, dass hochbezahlte Ingenieure massive Budgets für KI-Token ausschöpfen sollten, um maximal produktiv zu sein (R&D World, 24. März 2026). Nach Berichten von Forbes und TechCrunch führte Uber nach stark steigenden Ausgaben für KI-Tools interne Obergrenzen pro Mitarbeitendem ein.

Aufschlussreich ist auch der Ramp AI Index vom Juni 2026: Das oberste Prozent der dort erfassten Firmen wendete monatlich im Schnitt rund 7.450 USD pro Kopf für KI-Dienste auf, während der Median bei 11,38 USD lag - ein Faktor von rund 655. Der Median finanziert einfache Textdialoge, die Spitzengruppe investiert in automatisierte Abläufe.

Regionale Verfügbarkeit und Zugangshürden

Bei neuen Agentenfunktionen zeigt sich zudem eine geografische Differenzierung. Gemäß den offiziellen Support-Artikeln von OpenAI („Getting started with your dot“, geprüft am 12. Oktober 2026) ist der Rollout von Dots in den Pro-Tarifen im Europäischen Wirtschaftsraum (EWR), der Schweiz und dem Vereinigten Königreich vorerst ausgenommen. Im Tarif Business Premium hingegen wird die Funktion für alle von ChatGPT unterstützten Regionen aufgeführt. Offizielle Begründungen für diesen Ausschluss nennt OpenAI nicht, auch wenn Branchenbeobachter oft auf regulatorische Rahmenbedingungen wie die DSGVO oder den EU AI Act verweisen.

Innerhalb der EU gibt es zudem erhebliche Unterschiede bei der geschäftlichen Adaption: Laut Eurostat nutzten 2025 durchschnittlich 20 Prozent der Unternehmen ab zehn Beschäftigten KI-Technologien. Während Vorreiter wie Dänemark bei 42 Prozent lagen, verzeichneten einige osteuropäische Länder wie Polen lediglich 8,4 Prozent. Die reine private Nutzung von Chat-Oberflächen ist vielerorts hoch, der betriebliche Einsatz komplexerer Automatisierungen hinkt jedoch in manchen Märkten hinterher.

Global zeichnet sich ein ähnliches Bild ab. Der Anthropic Economic Index (März 2026) zeigte, dass die 20 Länder mit dem höchsten Pro-Kopf-Verbrauch 48 Prozent der gesamten Nutzung auf sich vereinten (zuvor 45 Prozent). Der Microsoft AI Diffusion Report verzeichnete ein Wachsen der Lücke zwischen dem globalen Norden (28,8 Prozent Nutzende) und dem globalen Süden (16,2 Prozent) von 10,6 auf 12,6 Prozentpunkte.

Bereits im Januar 2024 warnte IWF-Chefin Kristalina Georgieva davor, dass KI in vielen Szenarien bestehende Ungleichheiten eher vertiefen könnte. Angesichts differenzierter Preis- und Leistungsstufen gewinnt diese Einschätzung an Realitätsnähe.

Gegenargumente: Open-Source und lokale Ausführung

Es existieren jedoch auch Entwicklungen, die einer Monopolisierung entgegenwirken. Hierzu zählen quelloffene Modelle und lokale Implementierungen.

Modelle mit offenen Gewichten senken die Einstiegshürden erheblich. Xiaomi MiMo-V2.6-Pro (unter MIT-Lizenz) löst laut Artificial Analysis Standardaufgaben für rund 0,13 USD - deutlich günstiger als Spitzenmodelle großer Plattformen. In einem von mir in polnischer Sprache durchgeführten Modelltest (aus dem Test zu weniger bekannten KI-Modellen übersetzt) erreichte das Modell 69,1 Punkte bei minimalen API-Kosten. DeepSeek V4.1 Flash listet offizielle API-Preise von 0,15 USD pro Million Input-Token und 0,60 USD pro Million Output-Token außerhalb der Spitzenzeiten. Einfache Hintergrund-Skripte lassen sich so sehr kosteneffizient realisieren.

Noch unabhängiger agiert man mit lokalen Modellen. Auf eigener Hardware getestet (Messung aus dem Bericht zu lokalen Modellen im September 2026), erzielte Gemma 4 12B in einem polnischsprachigen Testaufbau 72,3 Punkte und fand in 8 GB VRAM Platz, bei minimalen Stromkosten. Ein moderner PC erlaubt somit den Betrieb lokaler Assistenten ohne laufende Abogebühren. Wichtig dabei: Wirkliche Privatsphäre ist bei lokaler KI nur dann gewährleistet, wenn keine externen Schnittstellen oder Cloud-Dienste Daten übertragen.

Zudem greift das historische Argument, dass Spitzenfunktionen über Zeiträume hinweg im Preis fallen und Basisangeboten zugutekommen können. Dies ist jedoch ein Marktszenario und keine garantierte Gewissheit.

Dennoch greifen diese Gegenargumente nur bedingt.

Offene Modelle demokratisieren den Zugriff auf Algorithmen, nicht aber automatisch die fertige Infrastruktur. Um ein lokales Modell verlässlich an Kalender, E-Mail-Postfächer und Dateisysteme anzubinden, bedarf es erheblicher technischer Einrichtung und Wartung. Vorkonfigurierte Cloud-Agenten erledigen dies mit wenigen Konfigurationsschritten. Der Unterschied zwischen quelloffenen Eigenbauten und kommerziellen Agentenpaketen bemisst sich oft in Arbeitsstunden. Wer diese Zeit nicht aufbringen kann, muss finanzielle Mittel investieren.

Darüber hinaus verschiebt sich die Messlatte kontinuierlich. Während heutige Spitzenfunktionen künftig erschwinglicher werden könnten, investieren finanzstarke Akteure zeitgleich in die nächste Generation noch leistungsfähigerer Systeme. Matthew Sharp von der Oxford Martin AI Governance Initiative merkte gegenüber Rest of World an, dass sich anfänglich geringe Qualitätsunterschiede bei Agenten über Zeiträume hinweg zu massiven Ergebnisunterschieden akkumulieren können - ein Effekt, den der Soziologe Robert K. Merton bereits 1968 als Matthäus-Effekt beschrieb.

Wer finanziert die digitale Nachtschicht?

KI verhält sich ambivalent: Einerseits hebt sie das Basisniveau an - selbst einfachste kostenfreie Chats bieten heute umfassendere Recherchen als viele Werkzeuge vor zehn Jahren. Andererseits hebt sie die Obergrenze: Wer über Kapital verfügt, kann parallelisierte Rechenzeit einkaufen, die kontinuierlich Aufgaben abarbeitet.

Die Weltbank betont im World Development Report 2026 die Chancen durch Technologiesprünge, warnt jedoch gleichzeitig vor schrumpfenden Zeitfenstern für Nachzügler. Auch der IWF weist auf Tendenzen hin, in denen dominante Akteure den Markt anführen.

Daraus ergeben sich praktische Konsequenzen: Unternehmen, die KI-Workflows gänzlich ignorieren, geraten mittelfristig gegenüber automatisierten Wettbewerbern ins Hintertreffen. Öffentliche Institutionen wiederum stehen vor der Frage, wie Rechenkapazitäten für Bildung und Forschung breit zugänglich gehalten werden können. Auf individueller Ebene lohnt es sich, das Verständnis für lokale Modelle und agentische Steuerungen zu schärfen - denn die Fähigkeit, solche Systeme einzurichten und zu kontrollieren, dürfte dauerhaft an Relevanz gewinnen.