KI-Kosten kontrollieren: Warum der Verbrauch zur Budgetfalle wird
06. Juli 2026
KI-Kosten entstehen längst nicht mehr nur durch Lizenzen. Entscheidend sind Verbrauch, Tokens, Agenten-Schritte und Modellwahl. Warum Unternehmen jetzt die Kosten pro Aufgabe messen sollten - nicht nur den Listenpreis.
Warum die wahren KI-Kosten im Verbrauch stecken
Der KI-Boom hat eine Rechnung - und sie kommt gerade an.
Ein aktuelles Beispiel zeigt, wie schnell KI-Kosten aus dem Ruder laufen können: Uber stellte seinen Entwicklern ein KI-Werkzeug zum Programmieren bereit. Die Nutzung stieg auf über 80 Prozent. Nach nur vier Monaten war das Jahresbudget für KI bereits aufgebraucht.
Die Reaktion: eine feste Obergrenze von rund 1.500 Dollar pro Mitarbeiter und Monat.
Uber ist kein Einzelfall. Auch der Sicherheitsdienstleister BlueRock berichtet von Kunden, deren KI-Budgets regelmäßig um 20 bis 30 Prozent überschritten werden.
Die eigentliche Kostenfrage lautet deshalb nicht mehr nur:
Was kostet eine Lizenz?
Sondern:
Was kostet eine erledigte Aufgabe?
Warum KI-Kosten schwerer planbar werden
Der zentrale Grund liegt in der Art der Abrechnung.
KI-Kosten verschieben sich zunehmend weg von festen Pauschalen hin zur Bezahlung nach Verbrauch — gemessen in sogenannten Tokens. Jeder Prompt, jede Antwort, jede Zwischenabfrage und jeder zusätzliche Verarbeitungsschritt verursacht Kosten.
Besonders relevant wird das bei KI-Agenten.
Denn Agenten erledigen Aufgaben nicht mehr nur in einem Schritt. Sie planen, analysieren, prüfen, schreiben um, rufen Werkzeuge auf und arbeiten in mehreren Schleifen. Jeder dieser Schritte verbraucht Tokens.
Was früher ein vergleichsweise planbarer Softwareposten war, wird dadurch zu einer laufenden Uhr.
Das Beispiel Claude Sonnet 5
Wie unsichtbar diese Kosten steigen können, zeigt ein aktueller Fall von Anthropic.
Ende Juni veröffentlichte Anthropic das neue Modell Claude Sonnet 5. Auf dem Papier kostet es pro Token genauso viel wie der Vorgänger.
In der Praxis verbraucht es jedoch rund 40 Prozent mehr Tokens pro Aufgabe, weil es selbstständiger arbeitet und mehr Zwischenschritte ausführt.
Das unabhängige Analysehaus Artificial Analysis hat nachgerechnet: Zu regulären Token-Preisen kostet eine typische Aufgabe mit Sonnet 5 rund 2,29 Dollar. Mit dem eigentlich teureren Spitzenmodell Opus 4.8 kostet dieselbe Aufgabe rund 1,97 Dollar.
Der Listenpreis ist also gleich geblieben — die tatsächliche Rechnung steigt trotzdem.
Genau darin liegt das Risiko: Die Kosten wandern in den Verbrauch. Und dort werden sie leicht übersehen.
Der Listenpreis reicht nicht mehr als Entscheidungsgrundlage
Für Unternehmen bedeutet das: Der reine Preis pro Token oder pro Modellzugang sagt immer weniger aus.
Entscheidend ist, wie viele Tokens eine Aufgabe tatsächlich verbraucht. Ein Modell kann auf dem Papier günstig wirken, in der praktischen Nutzung aber teurer sein, wenn es mehr Zwischenschritte benötigt oder längere Antworten erzeugt.
Umgekehrt kann ein teureres Modell wirtschaftlicher sein, wenn es Aufgaben schneller, präziser oder mit weniger Schleifen erledigt.
Die relevante Kennzahl ist deshalb nicht mehr nur der Modellpreis.
Die relevante Kennzahl ist:
Kosten pro erledigter Aufgabe.
Vom KI-Coding bis zur Hardware
Wie weit diese Entwicklung gehen kann, zeigt eine Prognose von Gartner.
Die Marktforscher erwarten, dass KI-gestütztes Programmieren bis 2028 pro Kopf mehr kosten könnte als ein durchschnittliches Entwicklergehalt. Die dahinterliegende Mahnung ist nüchtern: Token-Disziplin entsteht nicht von allein.
Und die Kosten bleiben nicht auf Software beschränkt.
Sie erreichen auch die Hardware. Apple hat die Preise erhöht. Laut einem Kommentar des Handelsblatts stiegen einzelne Gerätepreise um bis zu 58 Prozent. So erhöhte sich etwa der Preis des MacBook Pro von 1.699 auf 1.999 Dollar.
Ein wesentlicher Treiber ist der KI-Boom selbst. Er verschlingt Speicherchips. Im laufenden Jahr fließen bis zu 70 Prozent der weltweiten Speicherproduktion in KI-Rechenzentren. Gleichzeitig kontrollieren Samsung, SK Hynix und Micron über 95 Prozent des Marktes.
Das trifft am Ende nicht nur Tech-Konzerne, sondern jede Firma, die Geräte, Speicher oder leistungsfähige Hardware anschafft.
Was Unternehmen jetzt tun sollten
1. Kosten pro Aufgabe messen
Unternehmen sollten nicht nur auf den Listenpreis eines KI-Modells schauen.
Wichtiger ist die Frage:
- Was kostet eine konkrete Aufgabe?
- Wie viele Tokens werden dafür verbraucht?
- Wie viele Zwischenschritte entstehen?
- Muss ein Ergebnis mehrfach überarbeitet werden?
- Welches Modell ist für diese Aufgabe wirtschaftlich sinnvoll?
Gerade bei Agenten, Coding-Tools und automatisierten Workflows ist diese Sicht entscheidend.
2. Modellwahl bewusst steuern
Nicht jede Aufgabe braucht das stärkste Modell.
Für einfache Zusammenfassungen, Klassifikationen oder Standardtexte reicht häufig ein günstigeres Modell. Für komplexe Analysen, Programmieraufgaben oder kritische Entscheidungen kann ein leistungsfähigeres Modell sinnvoll sein.
Die Aufgabe besteht darin, Modelle passend einzusetzen — nach Qualität, Geschwindigkeit, Risiko und Kosten.
Wer alles mit dem stärksten Modell löst, zahlt wahrscheinlich zu viel. Wer überall spart, riskiert Qualität.
3. Limits und Verantwortlichkeiten definieren
KI-Kosten sollten nicht erst sichtbar werden, wenn das Budget aufgebraucht ist.
Unternehmen brauchen klare Regeln:
- Limits je Team oder Nutzergruppe
- Vorgaben, welches Modell für welche Aufgabe genutzt wird
- monatliche Kostenreports
- Transparenz über Verbrauch
- klare Verantwortlichkeiten für KI-Budgets
KI-Kosten sind kein reines IT-Thema. Sie betreffen Produktivität, Budgetplanung und Steuerung.
4. Hardware frühzeitig einplanen
Der KI-Boom verteuert nicht nur Cloud- und Modellnutzung, sondern auch Speicher und Geräte.
Wer größere Hardware-Anschaffungen plant, sollte diese Entwicklung berücksichtigen. Gerade bei Laptops, Servern, Speicherkomponenten oder leistungsfähiger Infrastruktur können Preissteigerungen relevant werden.
Fazit: KI-Kosten lassen sich steuern — wenn man sie richtig misst
Die gute Nachricht ist: KI-Kosten sind kein unkontrollierbares Schicksal.
Aber Unternehmen müssen verstehen, wo die Kosten wirklich entstehen. Der Blick auf Lizenzen und Listenpreise reicht nicht mehr aus. Entscheidend ist der tatsächliche Verbrauch.
Die wichtigsten Fragen lauten:
- Was kostet eine erledigte Aufgabe?
- Welches Modell nutzen wir wofür?
- Wo entstehen unnötige Zwischenschritte?
- Welche Teams verbrauchen wie viel?
- Wo brauchen wir Limits?
- Welche Hardwarekosten kommen hinzu?
Wer diese Fragen früh stellt, kann den Nutzen von KI heben — ohne von der Rechnung überrascht zu werden.
Quellen: The Decoder · Artificial Analysis · Reuters · Gartner · Handelsblatt · CNBC
Mehr Einordnung im KI-Strategiebriefing
Diese und weitere Entwicklungen ordnen wir wöchentlich im KI-Strategiebriefing ein - kompakt, praxisnah und mit Blick auf strategische Entscheidungen.
Jeden Freitag um 8:00 Uhr · 30 Minuten · online
👉 Jetzt anmelden und beim nächsten Live-Briefing dabei sein:
www.ki-strategiebriefing.de