Warum KI-Kosten für Unternehmen so schwer zu kontrollieren sind

Künstliche Intelligenz verspricht Effizienz, Automatisierung und Wettbewerbsvorteile. Doch je tiefer Unternehmen in den produktiven Einsatz von KI einsteigen, desto deutlicher zeigt sich ein Problem, das in der Euphorie oft übersehen wird: Die tatsächlichen Kosten lassen sich im Vorfeld kaum verlässlich kalkulieren. Ein aktuelles Beispiel aus der Praxis macht das eindrucksvoll deutlich.

Das Beispiel Uber: Wenn das Jahresbudget in vier Monaten aufgebraucht ist

Der Fahrdienstleister Uber hatte für 2026 ein eigenes KI-Budget eingeplant – und es innerhalb weniger Monate vollständig verbraucht. Bereits im April musste der Technikchef des Unternehmens einräumen, dass die für das gesamte Jahr vorgesehenen Mittel allein durch Token-Kosten aufgezehrt waren. Die Konsequenz: Uber führte für seine Belegschaft feste monatliche Nutzungsgrenzen ein, aktuell 1.500 US-Dollar pro Monat und pro eingesetztem KI-Coding-Tool. Betroffen sind vor allem agentische Systeme – KI, die eigenständig und mit wenig menschlicher Kontrolle Software verändert oder Prozesse durchführt, etwa vergleichbar mit Tools wie Claude Code.

Bemerkenswert ist dabei die Größenordnung: Ein durchgehend laufender KI-Agent kann pro Woche mehrere hundert Millionen Tokens verbrauchen. Zwar berichtete Uber-CEO Dara Khosrowshahi, dass mittlerweile rund zehn Prozent des Unternehmenscodes durch KI erstellt werde und auch Rechts- sowie Marketingteams verstärkt auf KI-Tools setzen – doch ob sich dieser Einsatz am Ende tatsächlich in messbarem Mehrwert für Kundinnen und Kunden niederschlägt, bleibt offen. Uber-COO Andrew Macdonald brachte es auf den Punkt: „Es sei schwer, eine direkte Linie zwischen KI-Nutzungsstatistiken und konkret spürbaren neuen Produktfunktionen zu ziehen.“

Uber ist damit kein Einzelfall, sondern ein Symptom eines strukturellen Problems: Unternehmen bewegen sich zwischen dem, was Branchenbeobachter als Gratwanderung zwischen sinnvoller Skalierung und reinem „Tokenmaxxing“ bezeichnen.

Warum lassen sich KI-Kosten so schwer vorab berechnen?

Das Kernproblem liegt in der Kluft zwischen Preistabellen der Anbieter und der tatsächlichen Nutzung im Arbeitsalltag. Ein Preis pro Anfrage oder pro Million Tokens klingt auf dem Papier überschaubar. Sobald jedoch agentische KI-Systeme im Einsatz sind – also Systeme, die selbstständig mehrstufige Aufgaben bearbeiten, Code schreiben, testen und wieder anpassen – vervielfacht sich der Verbrauch auf eine Weise, die sich vorab kaum seriös schätzen lässt. Anders als bei einer einzelnen Chat-Anfrage entstehen bei autonomen Agenten fortlaufende Ketten von Anfragen, die je nach Aufgabenkomplexität explosionsartig wachsen können.

Hinzu kommen weitere Kostenfaktoren, die bei der Einführung von KI-Systemen häufig unterschätzt werden: Infrastruktur (Hardware, Cloud-Rechenleistung), Daten (Beschaffung, Aufbereitung, Speicherung), Entwicklung (Fine-Tuning, Experimente mit Modellarchitekturen) sowie laufende Betriebskosten für Wartung und Inferenz. Jede dieser Komponenten skaliert unterschiedlich – und in Kombination mit unvorhersehbarem Nutzerverhalten entsteht schnell eine Kostendynamik, die klassische Budgetplanungen sprengt.

Der Ausweg: Testgruppen und strategisches Modelmaxxing

Wie lässt sich diese Unsicherheit im Vorfeld begrenzen? Ein bewährter Ansatz ist es, KI nicht sofort unternehmensweit auszurollen, sondern zunächst mit kontrollierten Testgruppen zu arbeiten. So lässt sich für konkrete, unternehmensrelevante Anwendungsfälle empirisch ermitteln, welche Kosten tatsächlich entstehen – bevor eine breite Einführung stattfindet und die Ausgaben aus dem Ruder laufen.

Genau hier setzt das Konzept des „Modelmaxxing“ an: die bewusste Optimierung des Verhältnisses zwischen KI-Leistung und Kosten. Statt reflexhaft auf das größte verfügbare Modell zu setzen, sollten Unternehmen im Vorfeld mehrere Stellschrauben prüfen:

Modellauswahl: Nicht jedes Problem braucht ein Spitzenmodell – oft reicht ein kleineres, spezialisiertes Modell für den jeweiligen Anwendungsfall völlig aus.
Cloud-Optimierung: Durch Spot- oder Reserved Instances lassen sich Rechenkosten für unkritische Trainingsjobs deutlich senken.
Daten-Effizienz: Bereinigte, komprimierte Datensätze ohne Duplikate reduzieren Speicher- und Verarbeitungskosten.
Open-Source-Alternativen: Sie können Lizenzkosten proprietärer Modelle einsparen.
Edge Computing: Inferenz auf lokalen Geräten statt in der Cloud kann laufende Betriebskosten senken.
Automatisierung: Tools für AutoML oder Hyperparameter-Optimierung reduzieren manuellen Entwicklungsaufwand.

Dabei bleibt ein grundlegender Trade-off bestehen: Größere Modelle liefern in der Regel bessere Ergebnisse, verursachen aber auch höhere Kosten – kleinere Modelle sind günstiger, aber möglicherweise weniger leistungsfähig. Ein Hybrid-Ansatz, der große vortrainierte Modelle für allgemeines Wissen mit kleinen, fein abgestimmten Modellen für spezifische Aufgaben kombiniert, kann hier einen sinnvollen Mittelweg darstellen.

Erkenntnis

Der Fall Uber zeigt exemplarisch, wie schnell gut gemeinte KI-Budgets an der Realität scheitern können – insbesondere dort, wo agentische, autonom arbeitende KI-Systeme zum Einsatz kommen. Wer KI im Unternehmen einführt, sollte deshalb von Anfang an nicht nur nach dem größtmöglichen Nutzen fragen, sondern gezielt Kostenkontrolle mitdenken: Durch kleine, gut überwachte Testgruppen, durch bewusstes Modelmaxxing und durch eine realistische Einschätzung dessen, was Preistabellen der Anbieter tatsächlich im produktiven Alltag bedeuten. Nur so lässt sich die Balance zwischen technischer Exzellenz und wirtschaftlicher Machbarkeit finden – und eine Kostenexplosion wie bei Uber lässt sich von vornherein vermeiden.