Solche Thesen bekommen Aufmerksamkeit – gerade weil sie einen willkommenen Gegenpunkt zur bisherigen KI-Euphorie setzen. Griffig sind sie allemal, überzeugend aber nur auf den ersten Blick. Denn aus hohen Kosten einzelner Anwendungen oder schlecht konzipierter Systeme lässt sich noch lange nicht ableiten, dass Generative KI grundsätzlich unwirtschaftlich ist.Vielmehr beginnt jetzt eine Phase, in der Unternehmen genauer verstehen müssen, welche Modelle, Architekturen und Anwendungen welchen wirtschaftlichen Nutzen zu welchen Kosten erzeugen. Genau darum geht es bei Token Economics. Die entscheidende Frage ist nicht allein, wie teuer KI ist, sondern wie Unternehmen zusätzliche Intelligenz wirtschaftlich einsetzen und steuern.Die erste Welle der generativen KI begann Ende 2022, als Open AI mit ChatGPT die Technologie erstmals für eine breite Öffentlichkeit einfach zugänglich und unmittelbar nutzbar machte. In Unternehmen war diese Phase noch stark von nutzungsunabhängigen Abomodellen geprägt. Aus Sicht der Kostensteuerung war dieses Modell vergleichsweise vertraut: Die wesentlichen Kosten standen weitgehend fest – unabhängig davon, wie intensiv ein Mitarbeiter die KI nutzte.Mit der zweiten Welle der generativen KI – man spricht auch von Agentic AI – verändert sich diese Logik. KI-Agenten bearbeiten Aufgaben zunehmend selbständig, führen mehrstufige Analysen durch, greifen auf Datenbanken und andere Systeme zu, nutzen unterschiedliche KI-Modelle und können weitere Agenten einbinden. Damit gewinnen nutzungsabhängige Kosten erheblich an Bedeutung. Abgerechnet wird häufig nach der Menge der verarbeiteten Tokens, also vereinfacht ausgedrückt nach der Menge an Information, die ein Sprachmodell verarbeitet und erzeugt.Die Entwicklung erinnert zunächst an frühere Mobilfunktarife: Neben einer Grundgebühr entstanden Kosten abhängig von der tatsächlichen Nutzung. Allerdings gibt es einen entscheidenden Unterschied. Beim Telefonieren waren der Verbrauch und damit auch die Kosten relativ leicht vorhersehbar. Bei KI-Agenten ist dagegen zu Beginn einer Aufgabe häufig unklar, wie teuer ihre Bearbeitung am Ende sein wird.Entscheidend für die Kosten ist der Weg zur LösungEin KI-Agent, der beispielsweise den Auftrag erhält, „Finde drei geeignete Lieferanten und bewerte ihre Angebote“, kann sehr unterschiedliche Lösungswege wählen. Er kann wenige Quellen prüfen oder zahlreiche Websites und Dokumente analysieren, Zwischenergebnisse verwerfen, weitere Informationen recherchieren, andere Agenten einschalten oder ein Reasoning-Modell mehrfach aufrufen. Zwei äußerlich ähnliche Aufgaben können dadurch sehr unterschiedliche Tokenkosten verursachen. Die Kosten hängen künftig also nicht nur davon ab, wie häufig KI genutzt wird, sondern auch davon, wie ein KI-System eine Aufgabe löst.Damit wird eine klassische ökonomische Frage für den Einsatz von KI neu relevant: Wie lange lohnt es sich, zusätzliche Ressourcen oder Tokens in die Lösung einer Aufgabe zu investieren?Jeder weitere Modellaufruf, jeder zusätzliche Rechercheschritt und jede weitere Überprüfung verursacht Grenzkosten. Allgemein ließe sich formulieren, dass zusätzliche „Intelligenz“ ökonomisch sinnvoll ist, solange der erwartete zusätzliche Nutzen höher ist als die dadurch entstehenden Kosten. Doch in der Praxis sind Grenznutzen und -kosten von KI schwierig abzuschätzen.Für die meisten Unternehmen wäre es aber ein großer Fehler, aus Sorge vor hohen Tokenkosten auf den Einsatz von KI zu verzichten. Damit würden sie erhebliche Chancen auf Produktivitätsgewinne und Wettbewerbsvorteile ungenutzt lassen. Entscheidend ist vielmehr, den KI-Einsatz so zu gestalten, dass der wirtschaftliche Nutzen möglichst groß ist und die entstehenden Kosten in einem sinnvollen Verhältnis dazu stehen. Dafür stehen Unternehmen verschiedene Gestaltungsoptionen zur Verfügung. Im Folgenden konzentrieren wir uns auf die drei wichtigsten, die in der Abbildung dargestellt sind:Entscheidend ist nicht allein, was KI kostet, sondern welchen Geschäftswert sie im Verhältnis zu ihren Gesamtkosten schafft. Deshalb sollte für jeden KI-Use-Case zunächst ein Business Case erstellt werden, der den erwarteten Nutzen – etwa durch höhere Produktivität, bessere Qualität, schnellere Prozesse oder zusätzliche Umsätze – den vollständigen Kosten gegenüberstellt. Dabei sind neben Modell- und Tokenkosten auch Aufwendungen für Infrastruktur, Implementierung, Steuerung und Qualitätskontrolle sowie mögliche Fehlerkosten zu berücksichtigen. Auf dieser Grundlage lässt sich fundiert entscheiden, ob eine Aufgabe am wirtschaftlichsten durch Menschen, durch KI oder durch eine Kombination aus beidem erledigt werden sollte.Ein Beispiel: Ein KI-Agent soll zukünftig 30 Prozent der Anfragen im Kundenservice übernehmen. Vor der Umsetzung werden die heutigen Kosten je Anfrage, die Bearbeitungszeit und die Lösungsquote mit den erwarteten Werten des KI-Agenten verglichen. In die Rechnung fließen dabei auch Implementierungs-, Betriebs- und Kontrollkosten ein. Nur wenn sich daraus ein belastbarer wirtschaftlicher Vorteil ergibt, wird der Use Case priorisiert.Wie viel „Intelligenz“ braucht die Aufgabe? – Modelle und Tokens effizient einsetzenSo wie nicht jede Rechenaufgabe einen Mathematikprofessor erfordert, braucht auch nicht jeder KI-Anwendungsfall das leistungsfähigste Modell eines Anbieters. Die Preisunterschiede zwischen kleinen und großen Modellen können selbst innerhalb einer Modellgeneration schnell einen Faktor von 25 und mehr erreichen. Für Unternehmen besteht daher ein erheblicher Hebel darin, die Komplexität von Aufgaben möglichst gut einzuschätzen und jeweils das Modell einzusetzen, dessen Leistungsfähigkeit tatsächlich benötigt wird.Viele Unternehmen arbeiten deshalb an Verfahren, die Aufgaben automatisch analysieren und an geeignete Modelle weiterleiten. Dieses Prinzip wird als „Modell-Routing“ bezeichnet. Dabei muss eine Aufgabe nicht zwingend als Ganzes von einem einzigen Modell bearbeitet werden.Stattdessen kann ein leistungsfähiges Modell zunächst die Anforderung analysieren, sie in Teilaufgaben zerlegen und weniger anspruchsvolle Schritte an günstigere Modelle delegieren. Gerade Open-Weight-Modelle könnten dabei künftig eine noch größere Rolle spielen: Unterhalb der absoluten Spitzenmodelle bieten sie bereits heute in vielen Anwendungsfällen eine hohe Leistungsfähigkeit bei vergleichsweise niedrigen Kosten. Die Ergebnisse der einzelnen Teilaufgaben werden anschließend vom orchestrierenden Modell wieder zusammengeführt.Wie leistungsfähig die eingesetzten Modelle sein müssen, hängt dabei nicht nur von der Schwierigkeit einer Aufgabe ab, sondern auch davon, wie gut sich das Ergebnis überprüfen lässt. Manche Probleme sind schwierig zu lösen, aber leicht zu validieren – etwa ein Sudoku. Hier kann es wirtschaftlich sinnvoll sein, zunächst günstigere Modelle einzusetzen, weil sich ein falsches Ergebnis schnell erkennen lässt. Anders sieht es bei Aufgaben aus, deren Qualität nur schwer oder erst mit großer Verzögerung beurteilt werden kann, beispielsweise bei Prognosen oder Strategieempfehlungen. In solchen Fällen kann der Einsatz besonders leistungsfähiger Modelle einen deutlich größeren Wert haben.Während solche automatisierten Optimierungsverfahren zunehmend ausgefeilter werden, stehen Nutzer von ChatGPT und vergleichbaren Anwendungen häufig vor der Entscheidung: Welches Modell und wie viel Denkaufwand sollen sie für eine konkrete Anfrage auswählen? Aus Unternehmenssicht bietet die richtige Modellauswahl erhebliches Einsparpotential. Anwender sollten deshalb besser verstehen, für welche Aufgaben kleinere Modelle vollkommen ausreichen und wann der Einsatz teurer Spitzenmodelle tatsächlich gerechtfertigt ist. Denn „viel hilft viel“ gilt bei KI keineswegs immer.Kostenbewusstsein als Teil der KI-KompetenzDamit wird Kostenbewusstsein zu einem wichtigen Bestandteil der KI-Kompetenz. Unternehmen sollten ihre Mitarbeitenden für diesen Aspekt der Token Economics sensibilisieren, schulen und mit geeigneten Best Practices unterstützen. Dabei geht es nicht nur um die Wahl des richtigen Modells. Auch die Art des Promptens kann erheblichen Einfluss auf den Tokenverbrauch und damit auf die Kosten haben.Die Maßnahmen reichen von einfachen Empfehlungen für Gelegenheitsnutzer bis hin zu systematischem Prompt-Engineering in besonders intensiven Anwendungsfeldern wie der Softwareentwicklung. Ein einfaches Beispiel ist der Umgang mit langen Konversationen. Bei einer neuen Fragestellung sollte möglichst auch eine neue Konversation begonnen werden. Andernfalls wird bei jeder weiteren Anfrage ein immer größerer Teil der bisherigen Gesprächshistorie erneut verarbeitet. Dieser „Schneeballeffekt“ kann den Tokenverbrauch deutlich erhöhen, ohne einen entsprechenden Mehrwert zu erzeugen.Ist der bisherige Kontext weiterhin relevant, kann eine andere Strategie sinnvoll sein: Das Modell fasst an einem geeigneten Punkt die bisherigen Ergebnisse komprimiert zusammen, und die weitere Arbeit wird auf Basis dieser Zusammenfassung fortgesetzt. Auf diese Weise bleibt der wesentliche Kontext erhalten, während unnötige Historie nicht dauerhaft mitgeführt wird. Gerade bei langen und intensiven Arbeitsprozessen kann eine solche bewusste Gestaltung des Kontextes einen spürbaren Beitrag zur Kosteneffizienz leisten.Rechnet es sich wirklich? – Kosten und Nutzen auf Tagesbasis steuernWie bei nahezu jeder Managementaufgabe ist auch bei der Steuerung von KI-Kosten eine belastbare Datenbasis unerlässlich. Unternehmen sollten klar definieren, welche Mittel sie für welche fachlichen KI-Anwendungen einsetzen wollen, und anschließend kontinuierlich verfolgen, wie sich die tatsächlichen Ausgaben im Verhältnis zu diesen Budgets entwickeln. Aufgrund der hohen Dynamik sollte dieses Monitoring deutlich engmaschiger erfolgen als in vielen klassischen IT-Bereichen – idealerweise auf Tagesbasis.Kostentransparenz und Budgets allein reichen allerdings nicht aus. Sie müssen in konkrete Steuerungsprozesse übersetzt werden. Hohe Ist-Kosten oder auffällige Prognosen sollten automatisiert Reviews, Freigabeprozesse und Optimierungsmaßnahmen auslösen und nachvollziehbar dokumentiert werden. Überschreiten Anwender beispielsweise ihre vorgesehenen Limits und beantragen zusätzliche Token-Budgets, bietet sich eine Überprüfung an: Wurde bereits geprüft, ob ein günstigeres Modell ausreicht? Ist die Prompt- und Kontextgestaltung effizient? Und welchen konkreten Nutzen hat die bisherige Nutzung tatsächlich erzeugt? Ein ähnliches Prinzip gilt auf Projektebene: Der zugrunde liegende Business Case sollte an relevanten Meilensteinen überprüft und gegebenenfalls angepasst werden.Rund um die Token Economics entstehen derzeit neue Lösungen, die etablierte Ansätze der IT-Kostensteuerung – etwa das Technology Business Management – auf KI-Ausgaben übertragen. Unternehmen erhalten damit Methoden und Werkzeuge, um Kosten verursachungsgerecht zuzuordnen, Entwicklungen frühzeitig zu erkennen und den KI-Einsatz wirtschaftlich zu steuern.Die Einführung solcher Mechanismen ist jedoch keine einmalige Aufgabe. Modelle, Preise, Hardware und Nutzungsmuster verändern sich so schnell, dass auch die eigene Steuerungslogik kontinuierlich überprüft und weiterentwickelt werden muss.Offen ist dabei, wie sich die Kostenstruktur des KI-Marktes langfristig entwickeln wird. Denkbar wäre eine Entwicklung ähnlich wie im Mobilfunkmarkt: Nachdem die hohen Anfangsinvestitionen in mobile Breitbandnetze amortisiert waren und der Wettbewerb zugenommen hatte, setzten sich zunehmend günstige Pauschal- und Flatrate-Modelle durch.Diese Analogie ist allerdings nur eingeschränkt übertragbar. Bei generativer KI spielen variable Kosten – insbesondere für Rechenleistung und Energie – eine wesentlich größere Rolle. Selbst wenn die hohen Investitionen in Rechenzentren bereits getätigt sind, verursacht jede zusätzliche Nutzung weiterhin relevante Kosten. Entscheidend wird daher sein, wie schnell Fortschritte bei Hardware, Modellarchitekturen und Inferenzverfahren die Kosten pro Einheit erzeugter „Intelligenz“ weiter senken.Hinzu kommt der Wettbewerb. Neue Anbieter sowie leistungsfähige Open-Weight-Modelle, die häufig aus China stammen, könnten den Preisdruck erhöhen und das allgemeine Kostenniveau weiter reduzieren. Wie stark dieser Effekt ausfallen wird, lässt sich derzeit jedoch kaum verlässlich prognostizieren. Anwender müssen sich jedoch darüber bewusst sein, dass der Eigenbetrieb solcher Open-Weight-Modelle aus technologischer Sicht alles andere als trivial ist.Gerade deshalb sollten Unternehmen ihre technologische Architektur so gestalten, dass sie Wahlfreiheit behalten. Wenn weder zukünftige Modellpreise noch der jeweils leistungsfähigste Anbieter vorhersehbar sind, wird Anbieterunabhängigkeit zu mehr als nur einer technischen Architekturentscheidung. Sie ist zugleich eine ökonomische Absicherung gegen einen hochdynamischen Markt und ermöglicht es, bei Veränderungen von Preis, Leistung oder Verfügbarkeit vergleichsweise schnell zu reagieren.FazitBei neuen Technologien finden sich fast immer gute Gründe, zunächst abzuwarten. Bei generativer KI waren es zunächst fehlende Anwendungsfälle, dann Datenschutz und Regulierung, heute sind es zunehmend die Tokenkosten. Doch hohe oder schwer kalkulierbare Kosten sind kein Argument gegen den Einsatz von KI, sondern eine Managementaufgabe.Die Gewinner der KI-Ökonomie werden folglich weder diejenigen sein, die möglichst viel KI einsetzen, noch diejenigen, die aus Sorge vor den Kosten zu lange zögern. Entscheidend ist vielmehr, zusätzliche Intelligenz dort einzusetzen, wo sie den größten wirtschaftlichen Wert schafft, und ihren Einsatz so zu steuern, dass Kosten, Qualität und Flexibilität in einem sinnvollen Verhältnis stehen. Genau darin liegt eine neue Managementdisziplin: KI nicht maximal, sondern ökonomisch intelligent zu nutzen. Professor Dr. Peter Buxmann Peter Buxmann ist Professor für Wirtschaftsinformatik an der Technischen Universität Darmstadt. Zudem ist er als mehrfacher Aufsichtsrat und Unternehmensgründer in der Wirtschaft tätig. Gemeinsam mit Holger Schmidt hostet er den F.A.Z.-Podcast Künstliche Intelligenz. Bild: Privat Alexander Becker ist Mitglied des Vorstands der Serviceware SE.