KI-Denkfehler #41: «KI spart Kosten.»
Manchmal. Aber … Praveen Neppalli Naga, der Chief Technology Officer von Uber, hatte eine mässig gute Woche: Er machte Schlagzeilen, weil er innert Monaten sein ganzes Jahresbudget für KI aufgebraucht hat. Er ist nicht der einzige, der feststellt, dass KI ganz schön ins Geld gehen kann. Eine Studie des MIT Computer Science and Artificial Intelligence Laboratory untersuchte den Ersatz von Menschen durch KI. In vielen Fällen haben die Menschen unter dem Strich günstiger gearbeitet als die KI.
Das Problem: KI-Werkzeuge ersetzen zwar menschliche Arbeit. Das heisst aber noch nicht, dass die KI insgesamt günstiger kommt. Denn die Investitionen in die KI-Software lösen die Personalkosten nicht einfach ab: Die Unternehmen müssen gleichzeitig qualifizierte Mitarbeitende anstellen für die Qualitätssicherung. Dazu kommt: Die amerikanischen KI-Anbieter haben damit begonnen, die Kosten für die Token zu erhöhen. Je nach KI-Anwendung kann das ganz schön ins Geld gehen.
1. Apekt KI-Coding-Agenten verbrauchen mehr Tokens
Besonders ins Geld geht die KI, wenn sie selbstständig arbeitet: Agentische KI-Systeme verbrauchen beim Lösen von Programmieraufgaben rund 3500-mal mehr Tokens als einfache Reasoning-Tasks und bis zu 1200-mal mehr als normale Chat-Konversationen. Das zeigt eine neue Studie von Forschenden der University of Michigan, der Stanford University und weiterer Institutionen. Besonders problematisch: Frontier-Modelle unterschätzen ihren eigenen Tokenverbrauch systematisch und sind kaum in der Lage, Kosten vor der Ausführung zuverlässig vorherzusagen.
Von Aufgabe zu Aufgabe schwankt der Tokenverbrauch erheblich. Das teuerste Problem verbrauchte im Schnitt sieben Millionen Tokens mehr als das günstigste. Selbst bei identischer Aufgabe kann ein einzelner Lauf bis zu 30-mal mehr Tokens benötigen als ein anderer. Teurere Läufe führen dabei nicht zu besseren Ergebnissen: Die Erfolgsrate erreicht ihr Maximum bei mittlerem Tokenverbrauch und stagniert danach. Aufwändigere Läufe zeigen gehäuft redundantes Verhalten, das den Kontext aufbläht, ohne Fortschritt zu erzielen. Ebenfalls überraschend: Die von menschlichen Experten eingeschätzte Aufgabenschwierigkeit hat kaum etwas mit dem tatsächlichen Tokenverbrauch zu tun. Was Menschen als einfach einschätzen, kann für ein Modell aufwändig sein – und umgekehrt.
2. Apekt Aspekt: Prozess- und Integrationskosten
Wer KI-Tools einführt, darf nicht nur auf die Token-Kosten schauen. Laut einer Studie von Gartner aus dem April 2026 unter Chief Supply Chain Officers bezeichnete mehr als die Hälfte der Befragten (56 Prozent) die Integration von KI in Legacy-Systeme und bestehende Prozesse als grosse Herausforderung. Weitere 50 Prozent geben an, intern nicht über ausreichend Expertise zu verfügen, um KI einzuführen und zu betreiben. Gartner-Analystin Snigdha Dewal sagt deshalb: «Die grösste Schwierigkeit beim Skalieren von KI heute ist nicht die Technologie selbst, sondern die veralteten Umgebungen, in denen sie eingesetzt wird.» Wer KI auf ein analoges Fundament aufsetze, zementiere bestehende Ineffizienzen und erziele allenfalls lokale Verbesserungen.
Zu ähnlichen Ergebnissen kommt eine Studie in Deutschland: Zwar hat der Anteil der deutschen Unternehmen mit aktivem KI-Einsatz von 17 Prozent im Vorjahr auf 41 Prozent stark zugenommen. Ein Drittel der KI-Nutzenden gibt aber an, dass die Einführung teurer war als erwartet. Als grösste Hürden nennen die Befragten fehlende Kompetenz (53 Prozent), Datenschutzbedenken (44 Prozent) und die Integration in bestehende Prozesse (39 Prozent). 19 Prozent haben als Folge der KI-Einführung bereits Stellen abgebaut oder nicht nachbesetzt.
3. Apekt Es braucht weiterhin Menschen
Eine Studie des MIT Computer Science and Artificial Intelligence Laboratory untersuchte den Ersatz von Menschen durch KI bei Computer-Vision-Aufgaben. Nur in 23 Prozent der Fälle war die KI günstiger als ein menschlicher Mitarbeiter. Hauptgrund: Die KI ersetzte zwar menschliche Mitarbeiter, musste aber von besser qualifizierten (und damit teureren) Mitarbeitern überwacht werden. Die Unternehmen investieren auf diese Weise doppelt.
Die Chance ist gross, dass das unter dem Strich teurer kommt, weil für die Überwachung der KI besser qualifizierte Mitarbeiter nötig sind als für das Ausführen der Arbeit, die die KI übernimmt.
Fazit
Praveen Neppalli Naga hat in wenigen Monaten gelernt, was viele Unternehmen noch vor sich haben: KI-Kosten entstehen nicht nur dort, wo man sie erwartet. Tokens, Integration, Qualitätssicherung – jede dieser Ebenen hat ihren Preis. KI kann Kosten senken. Aber nur dann, wenn man weiss, wo die Kosten tatsächlich anfallen.
Das gilt auch und gerade für die Schweiz: In unserem Land ist nicht nur vieles anders als in den USA, sondern oft mehrsprachig und auch noch von Kanton zu Kanton verschieden. Es dürfte noch eine Weile dauern, bis sich eine KI unbeaufsichtigt in diesem Dschungel zurechtfindet.
Praxistipp
Erstellen Sie eine Vollkostenrechnung, bevor Sie KI einführen, um Kosten zu senken. Zählen Sie nicht nur die eingesparten Stellen, sondern auch die Token-Kosten, die Integrationsaufwände, die nötigen Qualifikationen für Aufsicht und Qualitätssicherung und die Zeit, bis das System tatsächlich zuverlässig läuft. Erst wenn all das in der Rechnung steht, wissen Sie, ob KI in Ihrem Fall günstiger ist. Ein kleiner Zusatztipp: Auch bei der Einführung von KI kommt es, wie bei jedem Informatikprojekt, auf die Verfügbarkeit der richtigen Daten an. Wenn das hapert, bringt die beste KI nichts. Es ist, wie wenn Sie sich ein E-Auto kaufen, aber die Ladestation vergessen.
Basel, 05.05.2026, Matthias Zehnder mz@matthiaszehnder.ch
Nur dank Ihrer Unterstützung sind solche Texte möglich. Herzlichen Dank dafür!
Quellen:
Bai, Longju; Huang, Zhemin; Wang, Xingyao; Sun, Jiao; Mihalcea, Rada; Brynjolfsson, Erik; Pentland, Alex; Pei, Jiaxin (2026): How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks, 2026, http://arxiv.org/abs/2604.22750 [05.05.2026].
Bitkom e.V. (2026): Künstliche Intelligenz in Deutschland, hrsg. v. Alissa Geffert, 2026, https://www.bitkom.org/Bitkom/Publikationen/Kuenstliche-Intelligenz-in-Deutschland [05.05.2026].
Gartner Survey Finds Technology Integration and Talent Perceived as Key Roadblocks to Scaling AI in Supply Chain, in: Gartner, https://www.gartner.com/en/newsroom/press-releases/2026-04-29-gartner-survey-finds-technology-integration-and-talent-perceived-as-key-roadblocks-to-scaling-ai-in-supply-chain [05.05.2026].