KI-Token-Kosten: Warum der Enterprise-ROI früh kippt
6 Min. Lesezeit
Die sichtbare KI-Rechnung ist der kleinere Posten. Teuer wird, was drumherum passiert: Wiederholungen, mitgeschleppter Kontext und der menschliche Aufwand, jedes Ergebnis zu prüfen. Wer den ROI eines KI-Projekts nur am Modellpreis misst, rechnet sich reich, bevor der Betrieb begonnen hat.
Das Wichtigste in Kürze
- Der Pilot lügt bei den Kosten. Teams berichten, dass der echte Token-Verbrauch im Betrieb drei- bis zehnmal höher liegt als in der Testphase. Schuld sind Schleifen, Wiederholungen und mitgeführter Kontext.
- Der Review frisst die Marge. Jede fehlerhafte Antwort kostet zweimal: einmal in Tokens für den neuen Versuch, einmal in Arbeitszeit für die Prüfung. Diese Stunden tauchen in keiner Modellrechnung auf.
- Das Budget landet am falschen Ort. Mehr als die Hälfte der KI-Budgets fließt in Marketing und Vertrieb. Den messbaren Return findet die Forschung dagegen im unscheinbaren Back-Office.
Warum die Modellrechnung trügt
Es gibt einen Reflex bei jedem KI-Projekt: zuerst auf den Preis pro tausend Tokens schauen. Diese Zahl steht im Angebot, sie ist greifbar, also wird sie optimiert. Das Problem ist, dass sie selten der teuerste Teil ist. Die eigentlichen Kostentreiber sitzen in den Systemen um das Modell herum.
Ein einzelner Prompt im Test wirkt günstig. Im echten Betrieb verkettet sich aber vieles: Der Agent ruft Werkzeuge auf, schleppt frühere Antworten als Kontext mit, startet bei Fehlern neu. Jeder dieser Schritte verbraucht Tokens, und sie summieren sich auf eine Weise, die im Prototyp niemand modelliert hat. Genau hier reißt die Lücke zwischen Demo und Rechnung auf.
Aus der Founder-Perspektive ist die Lehre unbequem, aber klar. Was man nicht von Anfang an misst, misst man am Ende über die Rechnung. Und die kommt verspätet, nämlich erst, wenn das Projekt schon im Betrieb ist und niemand mehr leicht zurück kann.
Die Zahl, die jeden Budgetplan erdet
Wer wissen will, wie groß die Lücke zwischen Erwartung und Wirkung wirklich ist, findet in der Forschung eine ernüchternde Hausnummer.
Diese Zahl ist kein Argument gegen KI. Sie ist ein Argument gegen schlechte Rechnung. Eine IBM-Erhebung beziffert den Anteil der Initiativen mit dem erwarteten Return auf rund ein Viertel. Morgan Stanley fand, dass nur etwa jedes fünfte große Unternehmen überhaupt einen messbaren KI-Nutzen benennen konnte. Der Engpass ist selten die Technik, fast immer die Methodik dahinter.
Der Review-Aufwand, den niemand budgetiert
Ein Punkt geht in der Token-Debatte fast immer unter: die menschliche Prüfung. Ein Agent mit einer Fehlerquote von fünf Prozent klingt zunächst gut. Im Betrieb bedeutet das aber, dass jede zwanzigste Antwort nachgearbeitet werden muss, durch einen Menschen, der dafür bezahlt wird.
Diese Stunden stehen in keiner Modellrechnung. Sie verstecken sich in den Kalendern der Fachabteilung, die plötzlich KI-Ergebnisse gegenliest, statt eigene Arbeit zu erledigen. Für einen Mittelständler mit kleinem Team ist das der Punkt, an dem ein vermeintlicher Effizienzgewinn kippt. Die Maschine ist schnell, aber die Kontrolle bleibt teuer.
Wer ehrlich rechnet, addiert deshalb drei Posten: die sichtbaren Tokens, den verborgenen Mehrverbrauch durch Wiederholungen und die Arbeitszeit für die Prüfung. Erst diese Summe ergibt die echten Stückkosten einer KI-gestützten Aufgabe.
Reichweite verwechselt mit Wirkung
Als jemand, der aus dem Marketing kommt, muss ich einen unbequemen Befund einräumen. Mehr als die Hälfte der KI-Budgets fließt in Marketing und Vertrieb, also genau dorthin, wo die Versprechen am lautesten sind. Den belastbaren Return fand dieselbe Forschung aber im Back-Office, in der stillen Automatisierung von Routine.
Das ist dieselbe Verwechslung, die das Marketing seit Jahren kennt. Reichweite ist eine schöne Zahl, solange niemand danach handelt. Token-Ausgaben sind eine schöne Aktivität, solange niemand den Effekt auf das Ergebnis misst. Wer KI im Mittelstand sinnvoll einsetzen will, sucht zuerst die langweilige Aufgabe mit klarem Output, nicht das glänzende Vorzeigeprojekt.
Wie der Mittelstand ehrlich rechnet
Die gute Nachricht: Man braucht keine teure Plattform, um diese Fehler zu vermeiden. Man braucht eine ehrliche Pilotphase. Wer einen Anwendungsfall testet, sollte nicht nur fragen, ob das Modell die Aufgabe kann, sondern was eine erledigte Aufgabe am Ende wirklich kostet, inklusive Wiederholungen und Prüfung.
Founder-Mentalität heißt hier: kleiner Schritt, sofort messen, nächster Schritt. Ein eng umrissener Fall mit messbarem Ergebnis schlägt das große Transformationsprogramm, das in zwei Jahren niemand mehr nachrechnen kann. Die Unternehmen, die 2027 noch mit KI arbeiten, sind nicht die mit den größten Budgets. Es sind die, die ihre Rechnung von Anfang an ehrlich aufgemacht haben.
Häufige Fragen
Warum ist der Token-Preis nicht der größte Kostenfaktor?
Weil die teuren Posten um das Modell herum sitzen: wiederholte Aufrufe, mitgeführter Kontext, Werkzeug-Aufrufe und die menschliche Prüfung. Der sichtbare Preis pro Token wird zuerst optimiert, macht aber oft den kleineren Teil der Gesamtkosten aus.
Warum liegen die Betriebskosten höher als im Pilot?
Im Betrieb verketten sich Schleifen, Wiederholungen und Kontext, die im Test nicht auftreten. Teams berichten von einem drei- bis zehnfachen Token-Verbrauch gegenüber der Prototyp-Schätzung. Wer den Pilot eins zu eins hochrechnet, unterschätzt die Rechnung deutlich.
Wie bezieht man den Review-Aufwand in die ROI-Rechnung ein?
Indem man die Arbeitszeit für die Prüfung als festen Kostenpunkt führt. Eine Fehlerquote von fünf Prozent bedeutet, dass jede zwanzigste Antwort nachgearbeitet wird. Diese Stunden gehören in die Stückkosten, sonst wirkt ein Projekt günstiger, als es ist.
Wo findet der Mittelstand den verlässlichsten KI-Return?
Die Forschung verortet ihn im Back-Office, in der Automatisierung klar umrissener Routine, nicht in den lauten Marketing-Anwendungen. Eine langweilige Aufgabe mit eindeutigem Output ist meist der bessere erste Fall als ein sichtbares Vorzeigeprojekt.
Lohnt sich eine eigene Kostenkontrolle für KI im kleinen Unternehmen?
Ja, aber sie muss nicht teuer sein. Eine ehrliche Pilotphase, die echte Stückkosten inklusive Wiederholungen und Prüfung erfasst, reicht für die meisten Mittelständler. Wichtiger als ein Tool ist die Disziplin, jede Aufgabe vom Ergebnis her zu rechnen.
Mehr aus dem MBF Media Netzwerk
- cloudmagazin: KI-Souveränität beginnt bei der Infrastruktur
- mybusinessfuture: AI-Agents im Team: Warum nur jeder neunte Pilot in den Echtbetrieb kommt
- Digital Chiefs: Welches IT-Budget die Kürzungsrunde überlebt
Quelle Titelbild: Pexels / Mikhail Nilov (px:8296970)