Der versprochene Billionen-Dollar-Markt für KI-Programmierung

Version 1.1, 11. Oktober 2026. Daten und Code: research.openie.dev/data/. LaTeX-PDF: /pdfs/latex/ai-coding-market.pdf (Quelltext).

Zusammenfassung

Prognosen besagen, dass KI-Programmierung Billionen Dollar pro Jahr wert sein wird. Dieser Essay listet auf, wer das sagt, kennzeichnet jede Zahl danach, was sie ist, und benennt die Annahmen, die die Prognosen teilen.

In einfachen Worten

1. Die großen Zahlen zur KI-Programmierung sind meist Vermutungen über die Zukunft, keine Zählungen von bereits verdientem Geld.
2. Fast alle nehmen an, dass jedes neue Stück Code ein großes KI-Modell braucht, das nach Wörtern bezahlt wird, für immer.
3. Wenn funktionierender Code gespeichert und wiederverwendet werden kann, sinken die Kosten einer wiederholten Arbeit gegen die Kosten des Stroms, um sie auszuführen, und diese Prognosen wären zu hoch.

1. Projektionen und Messungen sind verschiedene Gegenstände

Jede der folgenden Zahlen trägt eine von fünf Kennzeichnungen.

Kennzeichnung	Bedeutung
Projektion	Eine Prognose oder eine Wertschätzung auf Grundlage angegebener Annahmen
Vom Unternehmen gemeldet	Eine Zahl, die ein Unternehmen über sich selbst angibt, etwa den annualisierten Umsatz (letzter Monat mal zwölf) oder eine Finanzierungsbewertung
Umfrageschätzung	Eine Marktgrößenzahl aus einer Umfrage unter Käufern
Eingereicht	Eine Zahl aus einer Einreichung bei einer Aufsichtsbehörde
Gemessen	Eine Zählung oder ein Energiewert aus einem Lauf, dessen Artefakte aufbewahrt werden. Energiewerte tragen eine von drei Kennzeichnungen: est_j für eine analytische Schätzung, reported_j für einen Zähler des Betriebssystems oder auf dem Chip, measured_j für ein externes Leistungsmessgerät

Nur die letzte Zeile ist ein Beleg für die Kosten eines korrekten Ergebnisses. Die übrigen sind Belege dafür, was der Markt erwartet.

2. Wer was projiziert

2.1 Entwicklerwert: die Billion

Behauptung	Zahl	Kennzeichnung	Quelle
Softwareentwickler weltweit	etwa 30 Millionen (je nach Schätzung 27 Millionen bis 47 Millionen)	Projektionseingabe	Appenzeller und Li [1]
Wert pro Entwickler und Jahr	100,000 Dollar (angenommen)	Projektionseingabe	[1]
Jährlicher wirtschaftlicher Beitrag	etwa 3 Billionen Dollar	Projektion	[1]
Entwickler auf GitHub	über 180 Millionen; 518.7 Millionen zusammengeführte Pull Requests im Jahr	Vom Unternehmen gemeldet	GitHub Octoverse 2025 [17]
Wert generativer KI über 63 Anwendungsfälle	2.6 Billionen bis 4.4 Billionen Dollar pro Jahr; Produktivität der Softwareentwicklung 20% bis 45% der heutigen jährlichen Ausgaben der Funktion	Projektion	McKinsey [15]
Wirkung generativer KI auf das globale BIP	7% über einen Zeitraum von zehn Jahren	Projektion	Goldman Sachs [16]
Produktivitätsgewinn durch einen einfachen Assistenten	etwa 20%	Schätzung aus Interviews	[1]
Produktivitätsgewinn durch einen erstklassigen Einsatz	“mindestens das Doppelte”	Schätzung “auf Grundlage anekdotischer Belege”	[1]

Die Entwicklerzahl ist weich: 30 Millionen ist eine Schätzung für Berufstätige, und allein GitHub zählt sechsmal so viele Konten, die auf der Plattform entwickeln [17]. Der Wert pro Entwickler und der Produktivitätsfaktor sind ebenfalls weich (Abschnitt 2.7). McKinseys Schätzung von 2023 ist die ursprüngliche Billion dieses Marktes, und sie ist eine Wertschätzung über alle Funktionen [15]. Derselbe Risikokapitalessay sagt, das Ökosystem der KI-Programmierung könne “Dutzende Milliardenunternehmen und sogar einen Billionen-Dollar-Riesen tragen” [1]. Dieser Satz ist die Billion. Er ist eine Wertschätzung. Er ist keine Umsatzprognose.

2.2 Werkzeugumsatz und Unternehmensausgaben

Behauptung	Zahl	Kennzeichnung	Quelle
Unternehmensausgaben für KI-Programmierwerkzeuge, 2025	4.0 Milliarden Dollar, 55% der KI-Ausgaben der Fachabteilungen	Umfrageschätzung	Menlo Ventures [2]
Unternehmensausgaben für generative KI, 2025	37 Milliarden Dollar	Umfrageschätzung	[2]
Markt für KI-Codewerkzeuge, 2026	9.35 Milliarden Dollar, bis 2031 auf 29.96 Milliarden Dollar	Projektion	Mordor Intelligence [3]

Der Umsatz, den der Markt heute meldet, liegt im Milliardenbereich. Die Billion ist der Wert, den der Markt zu erfassen hofft.

2.3 Unternehmensumsätze und Bewertungen

Unternehmensangabe	Zahl	Datum	Kennzeichnung	Quelle
Annualisierter Umsatz von Cursor	über 1 Milliarde Dollar	13. November 2025	Vom Unternehmen gemeldet	Cursor [5]
Neue Preise für Cursor Pro	von Anfragelimits zu “Frontier-Modellnutzung im Wert von 20 Dollar pro Monat zu API-Preisen”, mit Erstattungen für die Umstellung	Juni bis Juli 2025	Vom Unternehmen gemeldet	Cursor [18]
Cursor Series D	2.3 Milliarden Dollar bei 29.3 Milliarden Dollar Post-Money	13. November 2025	Vom Unternehmen gemeldet	[5]
Run-Rate-Umsatz von Anthropic	14 Milliarden Dollar	12. Februar 2026	Vom Unternehmen gemeldet	Anthropic [6]
Run-Rate-Umsatz von Claude Code	über 2.5 Milliarden Dollar	12. Februar 2026	Vom Unternehmen gemeldet	[6]
Anthropic Series G	30 Milliarden Dollar bei 380 Milliarden Dollar Post-Money	12. Februar 2026	Vom Unternehmen gemeldet	[6]

Anthropic erklärt, dass die Runde “Infrastrukturerweiterungen” finanziert [6]. Umsatz, Bewertung und Rechenleistung sind eine einzige Wette.

Abbildung 1 setzt die Dollarbeträge der Abschnitte 2.1 bis 2.3 und 2.6 auf eine Achse, markiert mit der Kennzeichnung, die jede Quelle trägt.

2.4 Inferenz, Tokens und Stückkosten

Behauptung	Zahl	Kennzeichnung	Quelle
Von Google verarbeitete Tokens pro Monat	9.7 Billionen (2024), etwa 480 Billionen (2025), über 3.2 Billiarden (Mai 2026)	Vom Unternehmen gemeldet	Pichai [8]
Googles interne KI-Entwicklerwerkzeuge	eine halbe Billion Tokens pro Tag im März 2026, mehr als drei Billionen pro Tag im Mai	Vom Unternehmen gemeldet	[8]
Kosten einer agentischen Programmieranfrage zu Listenpreisen	2.50 Dollar: ein Kontext von 100,000 Tokens und 10,000 Ausgabetokens zu 15 und 75 Dollar pro Million Tokens	Veranschaulichung	Appenzeller und Li [1]
Dasselbe bei 3 Anfragen pro Stunde, 7 Stunden pro Tag, 200 Tagen	etwa 10,000 Dollar pro Jahr und Entwickler	Veranschaulichung	[1]
Tokens beim agentischen Programmieren gegenüber Code-Reasoning und Code-Chat	etwa 1,000-mal mehr; Läufe derselben Aufgabe unterscheiden sich um bis zum 30-Fachen; höherer Tokenverbrauch “führt nicht zu höherer Genauigkeit”	Gemessen (acht Modelle, SWE-bench Verified)	Bai, Huang und Wang [9]
Nettoverluste aus Microsofts Beteiligung an OpenAI, Quartal zum 30. September 2025	4.1 Milliarden Dollar vor Steuern, sein Anteil nach der Equity-Methode, im sonstigen Aufwand; eine Minderung des Nettoergebnisses um 3.1 Milliarden Dollar (0.41 Dollar je verwässerter Aktie)	Eingereicht und vom Unternehmen gemeldet	Microsoft Form 10-Q [7]; Microsoft FY26 Q1 performance [19]

Zwei Sätze in den Quellen benennen die Ökonomie unverblümt. Pichai: “viele Unternehmen sprengen bereits ihre jährlichen Tokenbudgets, und es ist erst Mai” [8]. Appenzeller und Li: “Jahrzehntelang waren die Kosten der Softwareentwicklung fast reine Personalkosten, doch jetzt fügen LLMs einen erheblichen Anteil an Betriebskosten hinzu” [1].

Abbildung 2 trägt die Tokenreihe auf.

2.5 Preis pro Token

Behauptung	Zahl	Kennzeichnung	Quelle
Kosten eines festen Niveaus an KI-Leistung	seit 2023 um etwa 47% pro Quartal gesunken, etwa um das 13-Fache pro Jahr	Gemessene Preisreihe (fünf Benchmarks)	Epoch AI [4]
Preis, um einen festen Benchmarkwert zu erreichen	fällt je nach Meilenstein um das 9-Fache bis 900-Fache pro Jahr; die schnellsten Rückgänge sind die jüngsten und am wenigsten sicher von Dauer	Gemessene Preisreihe (log-lineare Anpassungen)	Epoch AI [34]
Inferenzkosten bei gleichwertiger Leistung	etwa um das 10-Fache pro Jahr gesunken: von 60 Dollar pro Million Tokens 2021 auf 0.06 Dollar	Schätzung	Appenzeller, a16z [20]
Preissenkung der DeepSeek-API, 29. September 2025	Kosten der Entwickler “um mehr als 50% gesenkt”	Vom Unternehmen gemeldet	DeepSeek [21]

Das 13-Fache pro Jahr aus [4] ist ein Punkt in einer weiten Spanne [34]. Der Rückgang wird von Wettbewerb und offenen Gewichten getrieben, wie die Preissenkung von DeepSeek zeigt [21]. Er braucht keine Energiebilanz. Das ist der erste der beiden Rückgänge aus Abschnitt 5. Wiederverwendung fügt einen anderen hinzu: Aufrufe pro Aufgabe.

Abbildung 3 zeichnet die beiden Preisreihen.

2.6 Energie und Kapital

Behauptung	Zahl	Kennzeichnung	Quelle
Strom für Rechenzentren, 2024	etwa 415 TWh, etwa 1.5% des weltweiten Stroms	Schätzung	IEA, Energy and AI [11]
Strom für Rechenzentren, 2030	etwa 945 TWh, Basisszenario	Projektion	[11]
Strom für Rechenzentren, 2025 bis 2030	485 TWh bis 950 TWh, etwa 3% der weltweiten Nachfrage	Schätzung und Projektion	IEA, Key Questions on Energy and AI [10]
Investitionsausgaben der größten Technologieunternehmen	über 400 Milliarden Dollar 2025, für 2026 ein weiterer Anstieg um 75% erwartet	Gemeldet und projiziert	[10]
Investitionsausgaben von Alphabet	31 Milliarden Dollar 2022; für 2026 etwa 180 bis 190 Milliarden Dollar erwartet	Vom Unternehmen gemeldet und Prognose	Pichai [8]
Energie pro Aufgabe	um mindestens eine Größenordnung pro Jahr gesunken; Reasoning und agentische Aufgaben verbrauchen “Hunderte oder Tausende Male mehr Energie pro Anfrage als einfache Textgenerierung”	Schätzung	[10]
Eine mittlere Textanfrage an einen Produktionsassistenten	0.24 Wh	Vom Betreiber gemessen	Elsworth et al. [12]
Stargate	500 Milliarden Dollar über vier Jahre für KI-Infrastruktur eines Labors, 100 Milliarden Dollar sofort eingesetzt	Vom Unternehmen angekündigt	OpenAI [22]
Weltweite KI-Ausgaben, 2025	etwa 1.5 Billionen Dollar	Projektion	Gartner [24]
Umsatz, den die Investitionen wieder einspielen müssen	“AI’s $600B question”	Analyse	Sequoia Capital [23]

Die Miete, die bedient werden muss, ist Hardwaremiete. Investitionen und Verpflichtungen dieser Größe werden über Nutzung zurückgezahlt, deren Preis über ihrer Energie liegt. Bei Aufgaben, die durch Wiederverwendung geschlossen werden können, ist diese Grundlage kleiner.

2.7 Belege zur Produktivität

Studie	n	Design	Effekt	Quelle
a16z-Essay	Interviews	Schätzung	etwa 20% für einen einfachen Assistenten; “mindestens das Doppelte” beim erstklassigen Einsatz	[1]
GitHub Copilot, Aufgabe HTTP-Server	angeworbene Entwickler	Kontrolliertes Experiment	55.8% schneller bei einer Spielzeugaufgabe	Peng et al. [27]
Google-Unternehmensversuch	96 Ingenieure	Randomisierte kontrollierte Studie	etwa 21% weniger Zeit für die Aufgabe	Paradis et al. [28]
METR, Anfang 2025	16 erfahrene Open-Source-Entwickler, 246 Aufgaben	Randomisierte kontrollierte Studie	19% langsamer mit KI	Becker et al. [25]
METR, Aktualisierung 2026	neue Kohorte	Randomisierte kontrollierte Studie	die Autoren nennen die neuen Daten “ein unzuverlässiges Signal”	METR [26]

Die gemessenen Effekte reichen von einer Verlangsamung um 19% bis zu einer Beschleunigung um 56% bei einer Spielzeugaufgabe. Beide Faktoren der Wertschätzung, die Entwicklerzahl und der Produktivitätsfaktor, sind weich. Das schwächt die Billion. Es bedeutet auch, dass jeder Wert, den billigeres Programmieren freisetzt, keine bekannte Zahl ist.

3. Was die Projektionen voraussetzen

Zusammen gelesen ruhen die Projektionen auf vier Annahmen. Jede ist eine Aussage über eine Richtung im Entwurfsraum, nicht über den Wert von Software.

1. Eine Richtung: Generierung. Jede Änderung wird von einem Modell geschrieben. Die Wertschätzung skaliert die Produktivität mit dem Modell, und die Kostenveranschaulichung bepreist jede Anfrage [1].
2. Hohe Energie und hohe Rechenleistung. Tokenvolumen, Strom für Rechenzentren und Investitionsausgaben sollen gemeinsam wachsen [8, 10, 11]. Die Energie pro Anfrage sinkt, und die Tokens pro Aufgabe steigen schneller [9, 10].
3. Miete pro Token. Umsatz wird pro Token abgerechnet oder pro Arbeitsplatz, dessen Kosten Tokens sind. Die jährlichen Tokenkosten eines Entwicklers werden in der Größenordnung eines Gehalts projiziert [1].
4. KI für immer in der Schleife. Aufgabe 10,000 kostet so viel wie Aufgabe 1, weil nichts, was das Modell bei Aufgabe 1 gelernt hat, bei Aufgabe 10,000 ohne das Modell läuft.

Der Essay, der die Billion nennt, nennt auch ihre Grenze: “Substitutionspreise funktionieren zwar in frühen Märkten, doch schließlich konvergieren die Kosten eines Gutes gegen seine Grenzkosten, und ebenso die Preise” [1]. Dieser Essay stimmt zu und fragt, wie hoch die Grenzkosten einer korrekten Programmieraufgabe sind.

4. Was eine korrekte Aufgabe kostet

Für eine Programmieraufgabe seien $C\in \{0,1\}$ das Ergebnis ihrer Abnahmeprüfung (Tests bestehen, ein Beweis wird geprüft oder eine Ausgabe stimmt mit einer Referenz überein), $J$ die Energie, die nötig ist, um $C=1$ zu erreichen, in Joule, $c_J$ der Energiepreis in Dollar pro Joule und $c_{\text{check}}$ die Kosten der Prüfung in Dollar. Ein Käufer bezahlt für $C=1$, nicht für Tokens.

Energie begrenzt die Grenzkosten. Die Grenzkosten eines Laufs betragen mindestens $c_{J}J$, da der Strom gekauft werden muss. Unter Wettbewerb tendiert der Preis gegen die Grenzkosten [1, 14].

Viel Code wird wiederverwendet. Gurevich bewies, dass jeder sequentielle Algorithmus von einer sequentiellen abstrakten Zustandsmaschine erfasst wird: einer Menge von Zuständen und einer Übergangsregel [35]. Lopes und Kollegen maßen, dass etwa 70% des Codes auf GitHub aus Klonen zuvor erstellter Dateien besteht [36]. Wo bereits eine Lösung existiert, die die Prüfung besteht, kann eine Aufgabe geschlossen werden, indem diese Lösung abgerufen und geprüft wird, statt sie erneut zu generieren.

Proposition E0 (Preis einer abgedeckten Aufgabe). Eine Aufgabe heiße abgedeckt, wenn eine gespeicherte Lösung ihre Prüfung besteht. Sei $J_{\text{floor}}$ die Energie, diese Lösung abzurufen, anzuwenden und zu prüfen. Unter Wettbewerb zwischen Anbietern, deren Ergebnisse dieselbe Prüfung bestehen, tendiert der Preis einer abgedeckten Aufgabe gegen

$p_{\text{covered}}\to c_J{J}_{\text{floor}}+c_{\text{check}}.$

Generierung wird nur bei nicht abgedeckten Aufgaben gebraucht. Für einen Aufgabenstrom mit abgedecktem Anteil $f\in [0,1]$ und mittleren Generierungskosten $p_{\text{gen}}$ bei nicht abgedeckten Aufgaben beträgt der erwartete Preis pro Aufgabe $\bar{p}=f{p}_{\text{covered}}+(1-f)p_{\text{gen}}$. Der Anteil $f$ ist noch nicht gemessen (Proposition E4).

5. Wo die Projektionen fragil sind

Bepreisung pro Token. Eine durch Wiederverwendung geschlossene Aufgabe braucht keine Tokens, also verdient eine pro Token bepreiste Umsatzlinie an ihr nichts. Der gesamte Tokenumsatz auf einem Aufgabenstrom skaliert mit $1-f$.

Das Modell in jeder Schleife. Wird eine einmal gefundene Lösung gespeichert und geprüft, brauchen spätere Aufgaben derselben Gestalt das Modell nicht, sodass die Modellaufrufe pro Aufgabe mit wachsendem $f$ sinken. Ob sie das bei realer Arbeit tun, misst Proposition E3.

Energie pro Aufgabe. Eine mittlere Textanfrage an einen Produktionsassistenten wird von ihrem Betreiber mit 0.24 Wh gemessen, also 864 J [12], und die IEA setzt Reasoning- und agentische Anfragen beim Hundert- oder Tausendfachen der Energie einer einfachen an [10]. Keine öffentliche Messung vergleicht Generierung und Abruf auf denselben Aufgaben, daher wird hier kein Verhältnis angegeben.

Zwei Rückgänge multiplizieren sich. Man schreibe die Kosten pro Aufgabe als $p=n\cdot q$, mit $n$ Modellaufrufen pro Aufgabe und $q$ Dollar pro Aufruf. Der Preis pro Aufruf bei fester Leistung fällt je nach Aufgabe um den Faktor 9 bis 900 pro Jahr [4, 34]. Wiederverwendung senkt $n$. Eine Projektion, die das Tokenvolumen extrapoliert, modelliert nur $q$.

Bündelung. Ein Gut, dessen Grenzkosten nahe null liegen und das ein Werkzeug ergänzt, das die Menschen bereits haben, wird tendenziell in dieses Werkzeug gebündelt, und sein eigener Preis verschwindet [13, 14]. Nalebuff zeigte, dass ein Bündel den Markteintritt versperren kann [32], und Adams und Yellen, dass es über den Preis diskriminieren kann [33]; Spolsky beschrieb die Strategie, ein Komplement zur Massenware zu machen [31]. Preisänderungen sind sichtbar: GitHub stellte die Einzelpläne von Copilot ab dem 1. Juni 2026 auf nutzungsbasierte Abrechnung um [30], und Cursor stellte Pro 2025 von Anfragelimits auf durchgereichte API-Preise um [18].

Was bestehen bleibt. Die Wertschätzung aus Abschnitt 2.1 kann zutreffen. Fragil ist die Annahme, der Wert werde als Gebühr auf Generierung erhoben, da diese Gebühr nur auf den Anteil $1-f$ anfällt.

6. Nachfrage

Billigere Aufgaben können die Gesamtnachfrage erhöhen. Der Risikokapitalessay erwartet das: “wir glauben, dass Jevons Paradoxon in diesem Fall gilt” [1]. Zwei Effekte sind zu trennen. Die Nachfrage nach einer Aufgabe endet, sobald $C=1$ gilt. Die Gesamtnutzung kann dennoch wachsen, weil billigere Arbeit neue Aufgaben eröffnet. Die einzige veröffentlichte Elastizität ist klein. Über die Aufgaben in Anthropics API-Stichprobe hinweg geht jede Kostensteigerung um 1% mit einem Rückgang der Nutzungshäufigkeit um 0.29% einher, eine Elastizität von $\epsilon \approx -0.29$ [29]. Das ist ein Querschnitt über Aufgaben, keine Preisänderung über die Zeit. Mit $|\epsilon |<1$ senkt ein Preisrückgang auf einer festen Aufgabenmenge den Umsatz, da sich der Umsatz $R=pQ$ um $dR/R=(1+\epsilon )dp/p$ ändert.

7. Propositionen und Protokolle

Proposition E1 (die Kostenkurven kreuzen sich). Für einen Strom von Aufgaben in einem Repository fallen die kumulierten Kosten pro gelöster Aufgabe einer Methode, die geprüfte Lösungen speichert und wiederverwendet, nach endlich vielen Aufgaben unter die einer Methode, die jede Änderung generiert. Protokoll: beide auf demselben Issue-Strom unter einem externen Leistungsmessgerät ausführen. measured_j und Dollar pro gelöster Aufgabe nach Aufgabenindex berichten, dazu den Kreuzungsindex.

Proposition E2 (der Preis folgt der Untergrenze). Wo eine Programmierfähigkeit durch Abruf und Regeln geschlossen werden kann, fällt ihr Listenpreis gegen $c_J{J}_{\text{floor}}+c_{\text{check}}$. Protokoll: die Listenpreise einer solchen Fähigkeitsklasse über die Zeit gegen ihre gemessene Laufenergie verfolgen.

Proposition E3 (der Tokenanteil an den Kosten). In einem Repository mit wachsender Wiederverwendung fällt der Anteil der Aufgabenkosten, der als Tokens bezahlt wird. Protokoll: Tokens, Joule und Dollar pro geschlossener Aufgabe nach Runde protokollieren und den Tokenanteil an den Kosten nach Runde berichten.

Proposition E4 (Abdeckung). Der abgedeckte Anteil $f$ des realen Volumens an Programmieraufgaben ist messbar. Protokoll: eine Zufallsstichprobe zusammengeführter Pull Requests aus öffentlichen Repositories ziehen (GitHub meldet 518.7 Millionen zusammengeführte in einem Jahr [17]), jeden auf eine abgerufene Lösung prüfen, die die Tests des Repositorys besteht, und $f$ mit einem 95%-Wilson-Intervall berichten.

Literatur

[1] G. Appenzeller and Y. Li, “The Trillion Dollar AI Software Development Stack,” 9 October 2025. https://a16z.com/the-trillion-dollar-ai-software-development-stack/

[2] Menlo Ventures, “2025: The State of Generative AI in the Enterprise,” December 2025. https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/

[3] Mordor Intelligence, “AI Code Tools Market Size, Share and 2031 Growth Trends Report,” fetched 11 October 2026. https://www.mordorintelligence.com/industry-reports/artificial-intelligence-code-tools-market

[4] B. Emberson and D. Roodman, “The plunging price of thought,” Epoch AI, 22 September 2026. https://epoch.ai/publications/the-plunging-price-of-thought

[5] Cursor, “Past, Present, and Future” (Series D announcement), 13 November 2025. https://cursor.com/blog/series-d

[6] Anthropic, “Anthropic raises $30 billion in Series G funding at $380 billion post-money valuation,” 12 February 2026. https://www.anthropic.com/news/anthropic-raises-30-billion-series-g-funding-380-billion-post-money-valuation

[7] Microsoft Corporation, Form 10-Q for the quarter ended 30 September 2025, Note 3 and Item 2. https://www.sec.gov/Archives/edgar/data/789019/000119312525256321/msft-20250930.htm

[8] S. Pichai, “I/O 2026: Welcome to the agentic Gemini era,” 19 May 2026. https://blog.google/innovation-and-ai/sundar-pichai-io-2026/

[9] L. Bai, Z. Huang and X. Wang, “How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks,” 2026. arXiv:2604.22750. https://arxiv.org/abs/2604.22750

[10] International Energy Agency, Key Questions on Energy and AI, executive summary, 2026. https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary

[11] International Energy Agency, Energy and AI, executive summary, April 2025. https://www.iea.org/reports/energy-and-ai/executive-summary

[12] C. Elsworth et al., “Measuring the environmental impact of delivering AI at Google Scale,” 2025. arXiv:2508.15734. https://arxiv.org/abs/2508.15734

[13] Y. Bakos and E. Brynjolfsson, “Bundling Information Goods: Pricing, Profits, and Efficiency,” Management Science 45(12), 1999. doi:10.1287/mnsc.45.12.1613

[14] C. Shapiro and H. R. Varian, Information Rules: A Strategic Guide to the Network Economy, Harvard Business School Press, 1998.

[15] McKinsey & Company, “The economic potential of generative AI: The next productivity frontier,” June 2023. https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[16] Goldman Sachs, “Generative AI could raise global GDP by 7%,” April 2023. https://www.goldmansachs.com/intelligence/pages/generative-ai-could-raise-global-gdp-by-7-percent.html

[17] GitHub, “Octoverse: A new developer joins GitHub every second as AI leads TypeScript to #1,” 2025. https://github.blog/news-insights/octoverse/octoverse-a-new-developer-joins-github-every-second-as-ai-leads-typescript-to-1/

[18] Cursor, “Clarifying our pricing,” June 2025 pricing post. https://cursor.com/blog/june-2025-pricing

[19] Microsoft Investor Relations, FY26 Q1 Performance. https://www.microsoft.com/en-us/investor/earnings/fy-2026-q1/performance

[20] G. Appenzeller, “Welcome to LLMflation: LLM inference cost is going down fast,” a16z, November 2024. https://a16z.com/llmflation-llm-inference-cost/

[21] DeepSeek, DeepSeek-V3.2-Exp release and API price reduction, 29 September 2025 (in Chinese). https://api-docs.deepseek.com/zh-cn/news/news250929

[22] OpenAI, “Announcing The Stargate Project,” 21 January 2025. https://openai.com/index/announcing-the-stargate-project/

[23] D. Cahn, “AI’s $600B Question,” Sequoia Capital, 2024. https://www.sequoiacap.com/article/ais-600b-question/

[24] Gartner, “Gartner Says Worldwide AI Spending Will Total $1.5 Trillion in 2025,” 17 September 2025. https://www.gartner.com/en/newsroom/press-releases/2025-09-17-gartner-says-worldwide-ai-spending-will-total-1-point-5-trillion-in-2025

[25] J. Becker, N. Rush, E. Barnes and D. Rein, “Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity,” METR, 2025. arXiv:2507.09089. https://arxiv.org/abs/2507.09089

[26] METR, uplift study update, 24 February 2026. https://metr.org/blog/2026-02-24-uplift-update/

[27] S. Peng, E. Kalliamvakou, P. Cihon and M. Demirer, “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot,” 2023. arXiv:2302.06590. https://arxiv.org/abs/2302.06590

[28] E. Paradis, K. Grey, Q. Madison et al., “How much does AI impact development speed? An enterprise-based randomized controlled trial,” 2024. arXiv:2410.12944. https://arxiv.org/abs/2410.12944

[29] Anthropic, “Anthropic Economic Index report: Uneven geographic and enterprise AI adoption,” September 2025. https://www.anthropic.com/research/anthropic-economic-index-september-2025-report

[30] GitHub Japan blog, “GitHub Copilotの個人向けプラン: ProとPro+へのフレックス枠追加と新しいMaxプランのご紹介,” 15 May 2026 (in Japanese). https://github.blog/jp/2026-05-15-github-copilot-individual-plans-introducing-flex-allotments-in-pro-and-pro-and-a-new-max-plan/

[31] J. Spolsky, “Strategy Letter V,” Joel on Software, 12 June 2002. https://www.joelonsoftware.com/2002/06/12/strategy-letter-v/

[32] B. Nalebuff, “Bundling as an Entry Barrier,” Quarterly Journal of Economics 119(1), 2004. doi:10.1162/003355304772839551

[33] W. J. Adams and J. L. Yellen, “Commodity Bundling and the Burden of Monopoly,” Quarterly Journal of Economics 90(3), 1976. doi:10.2307/1886045

[34] Epoch AI, “LLM inference prices have fallen rapidly but unequally across tasks,” data insight. https://epoch.ai/data-insights/llm-inference-price-trends

[35] Y. Gurevich, “Sequential abstract-state machines capture sequential algorithms,” ACM Transactions on Computational Logic 1(1), 2000, pp. 77 to 111. doi:10.1145/343369.343384

[36] C. V. Lopes, P. Maj, P. Martins, V. Saini, D. Yang, J. Zitny, H. Sajnani and J. Vitek, “DéjàVu: a map of code duplicates on GitHub,” Proceedings of the ACM on Programming Languages 1(OOPSLA), 2017, article 84. doi:10.1145/3133908