Canva senkt die eigene Prognose wegen KI-Kosten

Die Prognose, die Canva selbst kappte

Als Canva seine Zahlen für das zweite Quartal 2026 vorlegte, eröffnete Vorstandschefin Melanie Perkins mit der Zahl, die Analysten am wenigsten erwartet hatten: Die Wachstumsprognose für das Gesamtjahr wurde von 30 auf 20 Prozent gesenkt, ein volles Drittel unter dem bisherigen eigenen Ziel des Unternehmens. Sie stellte das nicht als Verfehlung dar. Sie nannte es "eine bewusste Entscheidung, die Wirtschaftlichkeit in Ordnung zu bringen" bei den Kosten des KI-Betriebs von Canva - eine Formulierung, wie sie eine Vorstandschefin wählt, wenn sich eine Zahl bewegt hat, weil die Führung das so entschieden hat, und nicht, weil der Markt es erzwang.

Das Quartal selbst war nach gewöhnlichen Maßstäben nicht schwach. Der Umsatz erreichte 921,9 Millionen US-Dollar (1,32 Milliarden australische Dollar), ein Plus von 25,2 Prozent gegenüber dem Vorjahr - eine Wachstumsrate, mit der die meisten Softwareunternehmen stolz auftreten würden. Sie blieb schlicht hinter dem Tempo zurück, das Canvas eigene Roadmap unterstellt hatte, und einige neuere KI-Funktionen kamen bis zu sechs Monate später als geplant - eine Verzögerung, die sich im Rückblick auf dasselbe zugrunde liegende Problem zurückführen lässt wie die gesenkte Prognose.

Nichts an alldem liest sich wie ein Unternehmen in Schwierigkeiten. Es liest sich wie ein Unternehmen, das seinen eigenen KI-Ehrgeiz an einer Zahl bemessen hatte, die sich als nicht tragfähig erwies, das dies früh genug bemerkte, um noch etwas zu ändern, und das nach den Ursachen suchte.

Warum die Kalkulation nicht mehr aufging

Die Diagnose: Perkins nannte drei konkrete Ursachen, und jede lohnt eine Lektüre als Checkliste, nicht als Ausrede. Die durchschnittlichen Kosten, um eine einzelne KI-Aufgabe innerhalb der Canva-Produkte zu erledigen, waren zu stark gestiegen, um die darauf aufgebaute Preisgestaltung zu tragen. Das Unternehmen hatte sich, in Perkins' Worten, zu stark auf Frontier-Modelle verlassen - die großen Systeme externer Anbieter wie OpenAI - für Aufgaben, die keine Frontier-Fähigkeiten benötigten. Und Canvas eigene Preisgestaltung, Verbrauchsmodell und Nutzungssteuerung hatten nicht Schritt gehalten mit der tatsächlichen Nachfrage, sobald die Funktionen im großen Maßstab live waren und nicht mehr nur im Pilotbetrieb.

Warum es wichtig ist: Jeder dieser Fehler wirkt für sich genommen klein und summiert sich in Kombination schlecht. Eine zum Pilotvolumen kalkulierte Funktion wirkt bezahlbar. Dieselbe Funktion, multipliziert mit Millionen Nutzern, die sie inzwischen als Teil eines Abonnements erwarten statt nutzungsbasiert abgerechnet, wird zu einer Kostenlinie, die schneller wächst als die danebenstehende Umsatzlinie. Canva baut Produkte für Designteams, Marketingabteilungen und kleine Unternehmen in ganz Europa, die genau diesen Mechanismus von der Käuferseite spüren, jedes Mal wenn ein Anbieter den Preis eines KI-Zusatzes ohne Vorwarnung ändert; hier zeigt sich genau derselbe Mechanismus von der Anbieterseite, bei einem Unternehmen, das groß genug ist, um die Zahlen zu veröffentlichen.

Was diese Diagnose ungewöhnlich nützlich macht, ist, dass sie keine Geschichte darüber ist, dass KI abstrakt teuer sei. Es ist die Geschichte einer konkreten Fehlpassung: den Listenpreis eines Frontier-Anbieters für Aufgaben zu zahlen, die ein kleineres, zweckgebautes Modell für einen Bruchteil der Kosten hätte erledigen können - bei einem Volumen, bei dem sich dieser Bruchteil zu echtem Geld summiert.

Neunzig Prozent günstiger, selbst gebaut

Die Lösung: Canva baute den KI-Stack in rund drei Monaten um Modelle herum neu auf, die dem Unternehmen selbst gehören, größtenteils aufbauend auf der Technologie hinter Leonardo.AI, dem Generative-KI-Start-up aus Sydney, das Canva 2024 übernahm. Die Logik dahinter ist eng und spezifisch: Frontier-Modelle für die Aufgaben behalten, die tatsächlich Frontier-Fähigkeiten benötigen, und die hochvolumigen, wiederkehrenden Inferenzaufgaben - den Großteil dessen, was ein Designwerkzeug tatsächlich von einem KI-Modell verlangt - auf eine Infrastruktur verlagern, die Canva selbst kontrolliert und bepreist.

Die Ergebnisse sind der Teil, bei dem es sich lohnt innezuhalten. Canva berichtet von einer insgesamt rund 90-prozentigen Senkung der KI-Kosten pro Aufgabe. Aufgeschlüsselt nach Modell: Das hauseigene Bildmodell wurde rund 30-mal günstiger als vergleichbare Frontier-Modelle, das Videomodell rund 17-mal günstiger und ein Stiltransfer-Modell rund 23-mal günstiger. Das sind keine marginalen Effizienzgewinne durch bessere Prompts oder Caching. Das ist der Unterschied zwischen einem Geschäftsmodell, das bei dem Volumen funktioniert, das Canva tatsächlich bedient, und einem, das das nicht tut.

Nichts davon liest sich wie ein Unternehmen unter finanziellem Druck. Canva bleibt im neunten Jahr in Folge profitabel und hält 1,47 Milliarden US-Dollar an liquiden Mitteln. Die Korrektur war eine Entscheidung aus einer Position der Stärke, keine Rettung aus einer Position der Schwäche - genau deshalb lohnt es sich, sie zu studieren, statt sie als Krisengeschichte abzulegen.

Die Build-versus-Buy-Falle, in die jede Roadmap tappen kann

Das Muster: Canvas Kurswechsel ist ein lebendiger, zahlengestützter Fall einer Falle, die weit kleinere Unternehmen mit weit weniger Puffer trifft. Eine Produkt-Roadmap wird gegen den Listenpreis eines externen Frontier-Modells skaliert, bevor jemand die Kalkulation der Wirtschaftlichkeit pro Einheit beim tatsächlichen Nutzungsvolumen durchgerechnet hat. Der Pilotversuch geht rechnerisch auf. Der breite Rollout tut das nicht, weil der Verbrauch schneller wächst, als Preisgestaltung und Nutzungssteuerung des Anbieters auffangen können - und bis das sichtbar wird, sind die Roadmap und die darauf aufgebauten Kundenerwartungen bereits fest zugesagt.

Was Sie anders machen sollten: Behandeln Sie die API-Kosten eines Frontier-Modells als eine Variable, die sich schneller bewegen kann, als Ihre eigene Produktpreisgestaltung darauf reagieren kann, nicht als fixen Ausgangswert, den Sie einmal einkalkulieren und dann vergessen. Bevor Sie eine KI-Funktion in großem Maßstab ausrollen, kalkulieren Sie die Kosten pro Aufgabe beim etwa Zehnfachen des erwarteten Volumens, nicht beim Pilotvolumen - denn das Pilotvolumen ist genau die Zahl, die dieses Problem verdeckt, bis es teuer wird, es zu beheben. Canvas konkrete Antwort - die hochvolumigen, am stärksten kommoditisierten Inferenzaufgaben ins eigene Haus zu holen und Frontier-APIs den wirklich schwierigen Aufgaben vorzubehalten - ist ein konkretes Muster, das jedes Produktteam mit den Ressourcen kopieren kann, ein kleineres Modell zu bauen oder zu kaufen; die dahinterliegende Kalkulationsdisziplin steht jedem Team offen, unabhängig von seiner Größe.

Die Lehre daraus setzt nicht voraus, dass ein Unternehmen eigene KI-Modelle bauen muss, um nützlich zu sein. Sie setzt voraus, die Preisgestaltung eines Anbieters als beweglichen Teil des Geschäftsmodells zu behandeln, getestet gegen das Volumen, das das Produkt tatsächlich erreichen wird - bevor dieses Volumen eintrifft und die Rechnung die Entscheidung für Sie trifft.

Weiterlesen: Washington plant einen Notausschalter für KI  |  Rust zieht die Grenze für KI im Code