Kommentar von Mareike Busche, Figma Tokenmaxxing – warum Nutzungszahlen kein Produktivitätsbeweis sind

Die erste Phase der KI-Adoption in Unternehmen war stark von Euphorie geprägt. Neue Tools wurden getestet, Pilotprojekte gestartet und erste Produktivitätsversprechen formuliert. In vielen Organisationen galt zunächst: Je mehr Menschen Künstliche Intelligenz (KI) nutzen, desto besser. Hohe Nutzungszahlen wurden als Zeichen von Fortschritt gewertet.

Inzwischen zeigt sich jedoch, dass diese Gleichung zu kurz greift. Hohe KI-Nutzung bedeutet nicht automatisch höhere Produktivität. Mehr Prompts führen nicht zwangsläufig zu besseren Ergebnissen. Und ein hoher Tokenverbrauch ist kein verlässlicher Indikator für Wertschöpfung. Nach der KI-Euphorie beginnt deshalb eine neue Phase: der KI-Kassensturz. Unternehmen müssen genauer verstehen, wo KI tatsächlich Wirkung entfaltet, wo lediglich Aktivität entsteht und welche Kosten durch unstrukturierte Nutzung langfristig aufgebaut werden.

Tokenmaxxing: Wenn mehr Prompting nicht mehr Wert schafft

Ein Begriff, der diese Entwicklung gut beschreibt, ist Tokenmaxxing. Gemeint ist die Tendenz, KI immer intensiver zu nutzen, immer mehr Kontext in Prompts zu integrieren und immer mehr Varianten erzeugen zu lassen, in der Hoffnung, dadurch bessere Ergebnisse zu erzielen. Dahinter steht häufig die Annahme, dass mehr Prompting automatisch zu mehr Qualität führt. In der Praxis ist jedoch oft das Gegenteil der Fall.

Wenn Prompts unnötig lang und unpräzise sind, muss das Modell zunächst deutlich mehr Interpretationsarbeit leisten, bevor es ein brauchbares Ergebnis liefern kann. Das erhöht nicht nur den Tokenverbrauch, sondern häufig auch den Aufwand aufseiten der Nutzer, die Ergebnisse prüfen, nachbearbeiten oder weitere Iterationen anstoßen müssen.

Das größere Risiko liegt langfristig darin, dass Teams exponentiell mehr Inhalte produzieren, ohne die Qualität ihrer Arbeit oder die tatsächlichen Ergebnisse spürbar zu verbessern. Es entsteht dann zwar mehr Text, mehr Code, mehr Varianten, mehr Präsentationsmaterial, mehr Dokumentation, aber nicht jeder zusätzliche Output bringt ein Produkt, ein Projekt oder eine Entscheidung weiter oder macht es besser. Unternehmen sollten deshalb vermeiden, Arbeitsweisen zu etablieren, die sich primär an der Menge des erzeugten Outputs orientieren. Solche Gewohnheiten lassen sich später nur schwer wieder ablegen.

Hohe KI-Nutzung ist noch kein Produktivitätsnachweis

Fast alle großen Unternehmen verfolgen derzeit das Ziel, mithilfe von KI schneller voranzukommen. Geschwindigkeit ist ein wichtiger Faktor. Aber Geschwindigkeit allein ist kein Produktivitätsnachweis. Wenn die zugrunde liegenden Workflows fragmentiert sind, beschleunigt KI im Zweifel nur diese Fragmentierung. Dann arbeiten Teams zwar schneller, aber nicht zwingend besser zusammen. Bestehende Silos werden nicht automatisch aufgelöst, sondern können sich sogar verfestigen.

Die Teams, die den größten Nutzen aus KI ziehen, sind deshalb nicht unbedingt diejenigen, die KI am intensivsten einsetzen. Vielmehr nutzen sie KI besonders gezielt. Sie wissen, wann ein Prompt sinnvoll ist, wann manuell nachgeschärft werden muss und wann ein Prozess beendet werden sollte. Genau diese Fähigkeit wird häufig unterschätzt. Produktivität entsteht nicht nur dadurch, dass schneller mehr erzeugt wird. Sie entsteht auch dadurch, dass Teams bewusst entscheiden, wann ein Ergebnis belastbar ist und wann menschliches Urteilsvermögen wichtiger ist als eine weitere maschinelle Variante.

Warum Workflow Impact wichtiger ist als reine Nutzungsmetriken

Damit verschiebt sich auch die Frage, wie KI-Produktivität gemessen werden sollte. Reine Nutzungsmetriken zeigen, wie häufig ein Tool verwendet wird oder wie viele Prompts geschrieben wurden. Sie sagen jedoch wenig darüber aus, ob dadurch tatsächlich bessere und sinnvolle Ergebnisse entstehen.

Aussagekräftiger ist der Blick auf den Workflow Impact, also den Einfluss von KI auf Arbeitsabläufe, Zusammenarbeit und Entscheidungsqualität. Für Produktteams stellt sich etwa die Frage, ob Ideen schneller greifbar werden, Prototypen früher entstehen, Feedback besser integriert wird und Produktmanagement, Design, Entwicklung und Business mit weniger Reibungsverlusten zusammenarbeiten. Besonders im Produktumfeld ist das relevant, weil Wertschöpfung selten aus einem einzelnen Arbeitsschritt entsteht, sondern im Zusammenspiel aus Idee, Design, Feedback, Entwicklung und Markteinführung.

Tokenverbrauch wird zur Managementaufgabe

Parallel dazu rücken die Kosten stärker in den Fokus. Das Bewusstsein für Tokenverbrauch und Modellzugriffe wächst. Viele Unternehmen stehen jedoch noch am Anfang: Zunächst geht es darum, geeignete Anwendungsfälle zu identifizieren und die grundsätzliche Nutzung von KI zu etablieren. Die anspruchsvollere Diskussion beginnt erst danach: Welche Modelle eignen sich für welche Aufgaben? Wie lässt sich Kontext effizient strukturieren? Wann ist ein leistungsstarkes Modell notwendig, wann reicht ein kleineres Modell aus?

Tokenverbrauch dürfte künftig ähnlich professionell gesteuert werden müssen wie Cloud-Kosten, Softwarelizenzen oder andere digitale Ressourcen. Dafür braucht es gemeinsame Richtlinien, gut durchdachte Ausgangsprompts, klare Templates und eine passende Zuordnung von Modellen zu Aufgaben. Wenn Teams wissen, wie sie Anforderungen präzise formulieren und Ergebnisse bewerten, sinkt nicht nur der unnötige Tokenverbrauch. Gleichzeitig steigt auch die Qualität der Ergebnisse.

Die größere Herausforderung ist kultureller Natur. KI-Adoption wird oft von Dringlichkeit getrieben. Unternehmen wollen schnell lernen, schnell ausprobieren und schnell Effekte sehen. Professioneller KI-Einsatz erfordert jedoch an bestimmten Stellen bewusste Entschleunigung. Der Leitsatz „Slow is smooth, and smooth is fast“ beschreibt diesen Zusammenhang sehr treffend: Wer am Anfang strukturierter arbeitet, kommt später schneller und verlässlicher voran.

Die wirksamste Kostenbremse ist deshalb nicht zwangsläufig ein starres Limit, sondern ein klarer Entscheidungsrahmen. Unternehmen müssen verstehen, welche Aufgaben sich sinnvoll automatisieren lassen, wann leistungsstarke Modelle tatsächlich Mehrwert schaffen und wo einfachere Lösungen ausreichen. Das Ziel sollte nicht sein, möglichst viel Output um jeden Preis zu erzeugen, sondern schneller zu lernen, bessere Entscheidungen zu treffen und Ressourcen gezielter einzusetzen.

KI entfaltet ihren Wert dort, wo Produkte entstehen

Diese bewusste Steuerung ist jedoch nur ein Teil der Antwort. Entscheidend ist auch, wo KI in den Arbeitsprozess eingebettet wird. Besonders deutlich wird ihr Potenzial, wenn KI direkt in Produkt-, Design- und Entwicklungsworkflows integriert ist. Wird sie dort eingesetzt, wo Produktideen entstehen, verkürzt sich der Weg von der ersten Idee zum testbaren Prototyp erheblich. Der eigentliche Mehrwert liegt jedoch nicht darin, schneller zu sein. Entscheidend ist, schneller mehr Ideen zu testen, um herauszufinden, welche Lösung wirklich funktioniert.

KI entfaltet ihren größten Nutzen, wenn Produkt, Design, Entwicklung und Business denselben Kontext teilen. Sind Teams stark voneinander getrennt, löst KI dieses Problem nicht automatisch. Wird KI hingegen in kollaborative Arbeitsprozesse eingebettet, kann sie Zusammenarbeit gezielt beschleunigen. Bei Figma zeigt sich das etwa auf dem Infinite Canvas, der Teams einen gemeinsamen Arbeitsraum für Ideen, Designs, Prototypen und Feedback bietet. KI wird dann nicht nur zum Werkzeug für mehr Output, sondern zum Beschleuniger gemeinsamer Produktentwicklung.

Von KI-Nutzung zu echter KI-Reife

Für Unternehmen beginnt damit eine neue Phase der KI-Reife. Die entscheidende Frage lautet nicht mehr nur, wie viele Mitarbeiterinnen und Mitarbeiter KI nutzen oder wie viele Prompts erzeugt werden. Entscheidend ist, ob KI messbar dazu beiträgt, bessere Entscheidungen zu treffen, Reibungsverluste zu reduzieren und Produktfortschritt zu beschleunigen. Wer nur Tokens zählt, misst Aktivität. Wer Workflow Impact misst, erkennt Fortschritt.

Nach der ersten Euphorie braucht es deshalb mehr Klarheit, mehr Disziplin und mehr strategische Steuerung. KI wird nicht automatisch produktiv, nur weil sie häufig genutzt wird. Produktiv wird sie dort, wo sie in sinnvolle Prozesse eingebettet ist, wo Teams gemeinsamen Kontext schaffen und wo menschliches Urteilsvermögen den Einsatz von Technologie bewusst lenkt. Genau dort entsteht der Unterschied zwischen mehr Output und echtem Fortschritt.

Token-Kosten fressen KI-Budgets

Pegasystems will das Preismodell kippen

(ID:50890748)