Folgendes Szenario: Ein Kunde hat vor einiger Zeit Lizenzen für ein KI-Tool gekauft. Eine ganze Reihe. Das Budget war freigegeben, die Erwartung hoch. Ein paar Monate später war die Bilanz ernüchternd: Genutzt hat es kaum jemand.
Man könnte sagen: Glück gehabt. Denn solange die KI niemand verwendet, ist sie billig. Das Problem kam erst, als sie funktionierte. Einige Mitarbeiter entdeckten, wie viel ihnen das Werkzeug abnimmt, und plötzlich schoss der Token-Verbrauch nach oben. Die Reaktion der IT: abdrehen. Zu teuer.
Genau hier liegt das Paradox, das die meisten unterschätzen. Solange KI nicht genutzt wird, ist sie günstig. Sobald sie wirklich funktioniert, wird sie schnell teuer. Ein erfolgreicher Rollout sieht in der Kostenrechnung aus wie eine Budgetüberschreitung.
Das ist kein Einzelfall. Laut Gartner werden mindestens 30 Prozent aller generativen KI-Projekte nach dem Proof of Concept wieder eingestellt; eskalierende Kosten und unklarer Geschäftswert zählen zu den häufigsten Gründen.
Warum die Rechnung nicht aufgeht
Die meisten Unternehmen kalkulieren KI-Kosten wie klassische IT: mit Schätzungen und Überschlagsrechnungen. Das kann nicht funktionieren. Und zwar nicht, weil einzelne Faktoren schwer abzuschätzen wären. Sondern weil sie alle zusammenwirken.
Bei klassischer Software zahlen Sie pro Lizenz oder pro Server. Planbar. Bei KI zahlen Sie pro Nutzung. Und die explodiert genau dann, wenn es gut läuft. Ein Mitarbeiter, der das Werkzeug clever einsetzt, kann ein Vielfaches eines Kollegen verbrauchen. Kommen agentische Systeme dazu, wird es noch unberechenbarer: Ein einziger Auftrag löst plötzlich Dutzende Folgeschritte aus.
Wie groß dieses Risiko ist, zeigt ein Blick nach vorne: Gartner rechnet damit, dass bis Ende 2027 über 40 Prozent der agentischen KI-Projekte wieder gestoppt werden. Auch hier sind eskalierende Kosten ein Haupttreiber.
„Warten wir mal ab“ ist keine Strategie
Die häufigste Reaktion auf diese Unsicherheit ist Aufschub. Erst abdrehen, dann abwarten. In einer Gartner-Umfrage von Anfang 2025 gab knapp ein Drittel der Unternehmen an, bei agentischer KI genau diesen abwartenden Kurs zu fahren.
Das fühlt sich vorsichtig an, ist aber teuer und unsichtbar. Während man wartet, sammeln Wettbewerber Erfahrung, bauen Kompetenz auf und senken ihre Stückkosten. Nichtstun hat einen Preis. Er steht nur auf keiner Rechnung.
Wer über KI-Kosten spricht, redet meist über Token. Dabei sind die nur der sichtbare Teil des Eisbergs. Darunter liegen Integration, Datenaufbereitung, die Schulung der Menschen und die Governance. Diese Posten tauchen in keiner Lizenz-Kalkulation auf und sie sind oft die größeren.
Die gute Nachricht: Man kann es richtig machen. Drei Prinzipien helfen.
Erstens: die Technologie zur Aufgabe wählen. Alles, was klare, wiederkehrende Workflows hat, gehört zu RPA (Automatisierung), nicht zu GenAI. Wer deterministische Prozesse mit teuren Sprachmodellen erschlägt, zahlt für eine Flexibilität, die er gar nicht braucht. GenAI gehört dorthin, wo es explorativ wird. Die Kombination aus beidem ist meist günstiger und stabiler als der Griff zur teuersten Lösung für alles.
Zweitens: KI als Infrastruktur denken. Nicht als Tool, das man kauft und einschaltet, sondern als Schicht, auf der das Unternehmen aufbaut. Und Infrastruktur baut man so, dass sie nicht von einem einzelnen Anbieter abhängt.
Drittens: In der Architektur steckt die Kostenfalle. Nicht im Modellpreis. Dass Modelle laufend günstiger werden, ist keine Behauptung, sondern messbar: Der Stanford AI Index beziffert den Preisverfall für ein Modell auf GPT-3.5-Niveau auf das 280-Fache in nur 18 Monaten. Von 20 Dollar auf sieben Cent pro Million Token. Es gibt also immer ein Modell, das gerade attraktiv ist. Wer seine Architektur aber an einen Anbieter kettet, kann diesen Preisverfall nicht nutzen. Wer unabhängig baut, tauscht das Modell einfach aus.
Mein Rat
Er ist unromantisch: Probieren geht über studieren. Warten Sie nicht auf die perfekte Kostenprognose, die gibt es nicht. Fangen Sie klein an, sammeln Sie echte Verbrauchsdaten, und investieren Sie Ihre Energie dort, wo sie zählt: in eine Architektur, die unabhängig bleibt.
Quellen: Gartner (2024/2025), Stanford HAI – AI Index Report 2025.
Gastautor: Roman Eckschlager, Msc, CEO mAInufaktur, www.mainufaktur.ai