Kommentar von Peter van der Putten, Pegasystems Jenseits von Tokenmaxxing – die versteckte Steuer der Enterprise-KI

Künstliche Intelligenz (KI) wird zwar günstiger, kann Unternehmen aber dennoch immer mehr kosten. Der Grund dafür ist der wachsende Tokenverbrauch Agenten-basierter Systeme. Wer KI wirtschaftlich skalieren will, muss deshalb genauer hinschauen, welcher Rechenaufwand tatsächlich hinter jeder Aufgabe steckt.

In der ersten Welle der KI-Einführung blieben viele Kosten für Unternehmen weitgehend unsichtbar. Die Anbieter lockten mit subventionierten Preisen, großzügigen Kontingenten und einem klaren Ziel: Die Nutzung soll steigen. Konzepte wie „Tokenmaxxing“ trieben diese Entwicklung auf die Spitze. Möglichst viele Tokens zu verbrauchen, galt als Beleg für den erfolgreichen KI-Einsatz – obwohl Aktivität noch lange keinen geschäftlichen Mehrwert bedeutet.

So fragwürdig die Praxis des Tokenmaxxing auch sein mag, sie ist nicht das größte Problem, vor dem Enterprise-KI steht. Die weitaus größere Herausforderung ist eine versteckte Tokensteuer, die beim Einsatz generativer und Agenten-basierter KI in alltäglichen Geschäftsprozessen entsteht.

Die Tokensteuer schlägt zu

Unternehmen bekommen die Auswirkungen längst zu spüren. So soll Uber sein für 2026 geplantes KI-Budget bereits im April ausgeschöpft haben – gerade einmal vier Monate nach Jahresbeginn. Auslöser war demnach die schnelle Einführung von KI-Coding-Tools in der Entwicklungsorganisation. Amazon wiederum soll ein internes Ranking zur KI-Nutzung abgeschafft haben. Hintergrund waren Bedenken, dass es „Tokenmaxxing“ fördere. Führungskräfte forderten Mitarbeiter demnach auf, KI nicht lediglich einzusetzen, um die eigenen Kennzahlen nach oben zu treiben.

Kommentar von Nitin Singhal, GitLab

Institutionelles Wissen ist die Entscheidungsschicht für erfolgreiche KI-Agenten

Damit zeichnet sich ein grundlegender Wandel ab. Während KI von der Experimentierphase in den produktiven Einsatz übergeht, müssen Unternehmen feststellen, dass die ökonomischen Rahmenbedingungen bei einer Skalierung ganz anders aussehen können als in der Experimentierphase. Tokenmaxxing mag dazu verleiten, mehr KI zu nutzen. Die Tokensteuer ist jedoch die Rechnung, die am Ende auf dem Tisch liegt. Und bei vielen Unternehmen fällt sie deutlich höher aus als erwartet.

Warum steigen die Kosten trotz sinkender Tokenpreise?

Auf den ersten Blick erscheint die Entwicklung paradox. Die Preise pro Token sinken und Modellanbieter kündigen regelmäßig günstigere Tarife an. Gleichzeitig steigen die KI-Ausgaben vieler Unternehmen weiter. Der Grund dafür liegt in der Funktionsweise moderner Agenten-basierter Systeme. Was der Nutzer am Ende als Antwort sieht, ist nur ein kleiner Ausschnitt dessen, was im Hintergrund passiert. Bevor ein KI-Agent eine Antwort liefert, interpretiert er die Anfrage, entscheidet über den Einsatz geeigneter Tools, ruft Daten ab, bewertet Ergebnisse und wiederholt einzelne Schritte, bis die Aufgabe erledigt ist – oder der Agent feststellt, dass er nicht weiterkommt.

Man kann sich das wie einen inneren Monolog vorstellen: Der Agent interpretiert die Anfrage, plant, ruft Tools auf, überprüft die Ergebnisse und entscheidet, was als Nächstes zu tun ist. Jeder einzelne dieser Schritte kann weitere Modellaufrufe auslösen. Gleichzeitig wird zusätzlicher Kontext von einem Schritt zum nächsten weitergereicht. Die sichtbare Antwort bildet deshalb in der Regel nur einen Bruchteil des tatsächlichen Tokenverbrauchs ab. Goldman Sachs Research erwartet, dass er sich bis 2030 um das 24-Fache erhöhen wird. Wenn private Haushalte und Unternehmen Agenten-basierte Technologien einsetzen, könnte der monatliche Verbrauch bei rund 120 Billiarden Tokens liegen.

Für Unternehmen entsteht damit eine gefährliche Illusion: Sie profitieren scheinbar von niedrigeren Tokenpreisen, während ihre Gesamtkosten gleichzeitig steigen. Und es geht um mehr als nur Kosten. Auch die Planbarkeit leidet – ebenso wie die Möglichkeit, einen klaren Zusammenhang zwischen Tokenverbrauch und geschäftlichem Ergebnis herzustellen. Damit entwickelt sich die Ökonomie Agenten-basierter KI zu einer der größten wirtschaftlichen Herausforderungen der Enterprise-KI. Und die Diskussion darüber steht erst am Anfang.

Was genau ist die Tokensteuer?

Als Tokensteuer wird der versteckte Aufwand bezeichnet, der entsteht, wenn KI-Systeme wiederholt teure Ressourcen zur Laufzeit einsetzen, um Aufgaben auszuführen, die eigentlich einmal entworfen und anschließend vielfach wiederverwendet werden könnten. Während die Kosten für die Ausführung bei herkömmlicher Software weitgehend vorhersehbar und stabil sind, durchdenken viele Agenten-basierte Systeme denselben Prozess bei jedem Durchlauf erneut. Je komplexer der Workflow, desto höher fällt die Tokensteuer aus. Dabei sind viele wiederkehrende Unternehmensprozesse weder auf offenes Reasoning zur Laufzeit angewiesen noch dafür geeignet. Sie folgen klaren Regeln, wiederholen sich und müssen nachvollziehbar sowie kontrolliert ablaufen.

Genau hier entsteht die Diskrepanz zwischen Aktivität und Wert. Ein Unternehmen kann Millionen von Tokens verbrauchen, ohne dadurch bessere Ergebnisse zu erzielen. Im ungünstigsten Fall bezahlt es immer wieder für denselben agentischen Planungsprozess.

Wo und wann sind Agenten die richtige Wahl?

Runtime-Agenten spielen ihre Stärken aus, wenn es darum geht, neue, einzigartige oder schlecht umrissene Probleme zu beheben. Sie können Workflows entwerfen, Optionen untersuchen und Lösungen für bislang unbekannte Situationen entwickeln. Etwas anderes ist es jedoch, einen bereits bekannten Geschäftsprozess immer wieder mit teurem Reasoning auszuführen. Das verursacht nicht nur zusätzliche Kosten, sondern führt auch zu mangelnder Vorhersagbarkeit. Wer einen Agenten hundertmal dieselbe Frage neu durchdenken lässt, kann im Extremfall hundert unterschiedliche Antworten erhalten.

Ein Vergleich aus der analogen Welt verdeutlicht das Prinzip: Es wäre, als würde ein Unternehmen für jede eingehende Bestellung einen Fünf-Sterne-Gourmetkoch engagieren, der zunächst ein neues Rezept erfindet. Effizienter wäre es, die Kreativität des Spitzenkochs einmal zu nutzen, um den optimalen Workflow zu entwickeln. Anschließend übernimmt eine deutlich günstigere KI die Auswahl des passenden Workflows und sorgt dafür, dass dieser konsistent ausgeführt wird. Mit anderen Worten: Der Spitzenkoch entwickelt einmal pro Saison ein neues Menü und die dazugehörigen Rezepte. Die tägliche Zubereitung übernehmen anschließend versierte, aber deutlich günstigere Köche, die sich an das bereits entwickelte Rezept halten.

Damit gewinnt die Unterscheidung zwischen Design-Time und Runtime an Bedeutung. In der Entwurfsphase können Agenten einen erheblichen Mehrwert schaffen. Kreativität, Exploration und Problemlösung erzeugen hier einen echten Vorteil. Der Agent entwickelt einen Prozess, der anschließend immer wieder genutzt werden kann. In der Laufzeit gelten dagegen andere Prioritäten. Hier zählen Vorhersagbarkeit, Konsistenz, Governance und Kosteneffizienz, damit sich Prozesse effizient und zuverlässig ausführen lassen. Das senkt die mit der Laufzeit verbundene Tokensteuer und erhöht zugleich die Zuverlässigkeit. Nachhaltige KI bedeutet also nicht, Agenten abzuschaffen. Es bedeutet vielmehr, sehr genau zu entscheiden, wo agentische Intelligenz tatsächlich einen Mehrwert schafft. Das heißt: Unternehmen sollten Agenten gezielt zur Design-Time nutzen, um wiederholbare Prozessketten zu entwickeln, und zur Runtime, um mit einzelnen Workflows zu interagieren und diese voranzutreiben. Darüber hinaus macht es Sinn, agentenbasierte Abläufe vor allem für eng umrissene Aufgaben zu erstellen, die sich besonders gut für den Einsatz von KI-Agenten eignen.

Die nächste Phase der Enterprise-KI

Das nächste Kapitel der Enterprise-KI wird weniger von spektakulären Demos als von wirtschaftlicher Disziplin geprägt sein. Unternehmen benötigen vorhersehbare Ergebnisse, kalkulierbare Kosten und eine Strategie, um die Tokensteuer ihrer Agenten-basierten Systeme zu begrenzen. Entscheidend wird deshalb nicht sein, wer am meisten KI einsetzt. sondern wer aus jedem verbrauchten Token den größten geschäftlichen Mehrwert herausholt. Unternehmen, die früh gegensteuern, ihren Verbrauch optimieren und ihre KI-Architektur auf intelligente Design-Time-Prozesse und effiziente Runtime-Ausführung ausrichten, können nicht nur Kosten senken. Sie schaffen zugleich KI-Systeme, denen sie vertrauen können, die sich besser steuern und einfacher skalieren lassen.

Kommentar von Dr. Denis Lassance, Project Management Institute (PMI)

Viele Projekte bleiben hinter den Erwartungen zurück – das machen erfolgreiche Unternehmen anders

Mit dem Übergang von der Experimentierphase zur unternehmensweiten Realität verändert sich somit auch die Sichtweise. Es geht nicht mehr darum, wie stark ein Unternehmen KI nutzt. Es geht darum, wie viel geschäftlichen Wert es aus der eingesetzten KI herausholt.

(ID:50952934)