PERSPEKTIVE
Die Unternehmen, die KI erfolgreich einsetzen, achten auf Wachstum, Kundenerlebnis und Erträge von Investitionen, und nicht nur auf die Kosten.
7 MINUTEN LESEZEIT
29 Juli 2026
Die Ausgaben für künstliche Intelligenz schlagen sich heute auf der Kostenseite der Gewinn- und Verlustrechnung nieder: Infrastruktur, Inferenz, Lizenzgebühren, die wie bei jeder anderen Technologieinvestition erfasst und überprüft werden. Was jedoch selten als Nutzen verbucht wird, ist die Kundenbindung durch ein KI-gestütztes Contact Center, der Zuwachs verwaltbarer Vermögenswerte durch entlastete Bankangestellte, oder das Betriebskapital, das durch eine genauere Nachfrageprognose freigesetzt wird. In jedem dieser Szenarien sind mit den Ausgaben nicht nur Kosten, sondern auch Wachstum, Erfahrung und Kapital verbunden. Die meisten Unternehmen erfassen und verfolgen dies jedoch noch nicht.
Diese Lücke, die zwischen der Erfassung der heute entstehenden Kosten der KI und deren zukünftigen Erträgen besteht, ist die entscheidende Herausforderung bei KI für Unternehmen. Sie zu schließen erfordert Kompetenzen, über die die meisten Unternehmen bisher nicht verfügen. Die Frage ist nicht, wie viel KI kostet. Sondern, ob sie relevante Erträge erzielt. Führungskräfte, die diese Frage so stellen, erhalten ganz andere Antworten.
Hier kommt KI-Tokenomics ins Spiel: die Disziplin, die den Ressourcenverbrauch von KI mit dem daraus entstehenden Geschäftswert verknüpft. Token sind die Dateneinheiten, die von KI-Modellen verarbeitet werden und bei jedem Prompt, jeder Antwort, jedem Abrufschritt und jeder Interaktion mit einem Agenten verbraucht werden. Das Token, das zuvor nur ein Buchungsposten war, ist nun ein relevanter Produktionsfaktor, der erfasst, gemessen und kontrolliert werden muss. Ziel muss es sein, aus jedem für KI eingesetzten Dollar einen positiven Ertrag herauszuholen.
Accenture macht diese Erfahrung in großem Maßstab. So werden beispielsweise auf einer unserer internen Plattformen pro Woche rund 8,7 Billionen Token auf unserer eigenen Infrastruktur ausgeführt und an ein passendes Modell weitergeleitet. Dabei fällt nur ein Sechstel der Kosten an, die bei Frontier-Modellen entstehen würden. Doch das Routing allein genügt nicht. In einer separaten Umgebung, in der jede neue Sitzung standardmäßig an ein Mid-Tier-Modell weitergeleitet wird, hat ein großer Anteil der Mitarbeitenden immer noch die leistungsstärkste Option bevorzugt. Rechnet man dieses individuelle Verhalten auf die gesamte Belegschaft hoch, schnellen die Kosten für den Verbrauch in die Höhe, ohne dass es sofort auffällt.
Die Erfahrung zeigt, dass KI-Skalierung nicht gleichbedeutend mit explodierenden Kosten ist – doch Kostenkontrolle ist nur eine Seite der Medaille. Die anspruchsvollere Aufgabe liegt darin, sicherzustellen, dass jeweils das passende KI-Niveau für das gewünschte Geschäftsergebnis zum Einsatz kommt.
Token sind die Dateneinheiten, die von KI-Modellen verarbeitet werden und bei jedem Prompt, jeder Antwort, jedem Abrufschritt und jeder Interaktion mit einem Agenten verbraucht werden. KI-Tokenomics untersucht den Zusammenhang zwischen den für die KI aufgebrachten Ressourcen und dem damit erwirtschafteten Wert.
800 Mrd. USD
Goldman Sachs prognostiziert, dass die KI-bezogenen Ausgaben im Jahr 2026 auf über 800 Milliarden US-Dollar ansteigen werden.
Nur 23%
Dennoch geben nur 23 % der befragten Vorstände an, dass der Einsatz von KI zu umfassendem und nachhaltigem Mehrwert in ihren Unternehmen führt.
Einige Unternehmen verbrauchen das gesamte Jahresbudget für KI in einem Quartal. Die meisten Unternehmen gehen bei der Verwaltung der Token genauso vor wie beim Cloud Computing: sie reagieren bei Rechnungseingang. Die Unternehmen, die sich von der Konkurrenz absetzen, schaffen das nicht, weil sie bessere Modelle oder noch mehr Rechenleistung einsetzen, sondern weil sie die Token-Nutzung genauso streng kontrollieren wie ihre Kapitalallokation.
Der Fehler besteht darin, dass KI als Technologiekosten verwaltet und nicht als ökonomisches System betrachtet wird. KI ist nicht mit Software vergleichbar, die eine viel besser vorhersehbare Kostenstruktur aufweist: Bei Kauf von Lizenzen fallen Lizenzgebühren an, die Kosten sind transparent und steigen nur bei Personalwachstum oder Vertragsverlängerungen.
Bei KI sind die Kosten nicht so gut prognostizierbar. Sie steigen nicht nur mit der Anzahl der Nutzerinnen und Nutzer, sondern auch abhängig davon, welche Fragen gestellt werden, wie tiefgehend das Modell denkt und wie viele Aufgaben durch KI-Systeme geleitet werden. In zunehmendem Maß erfolgt die Nutzung nicht nur durch Menschen, sondern durch Agenten und automatisierte Workflows, die rund um die Uhr Inferenz beanspruchen, ohne dass sich dies in zählbaren Lizenzen oder einer Lizenzobergrenze niederschlägt.
Bei fast jeder untersuchten Bereitstellung, einschließlich unserer eigenen, wird ein Großteil der Ausgaben durch einen kleinen Anteil der Nutzenden verursacht – weniger als 10 % der Nutzenden und Workflows treiben die Rechnung nach oben. Die Nachfrage nach KI ist enorm: Täglich werden Hunderte Anträge gestellt, die Ausgabenlimits für KI- und Agenten-Nutzung zu erhöhen.
Da KI Unternehmen immer stärker durchdringt, steigt der Verbrauch mit jedem neuen Workflow, jedem neuen Agenten und jeder neuen Modalität. Chatbots werden zu Agenten. Agenten werden zu Teams aus Agenten. Text wird durch Bilder, Videos und Audio multimodal erweitert. Auch autonome Roboter am physischen Edge nutzen dieselbe KI-Infrastruktur. Jede Entscheidung und jede Ausnahme erzeugt dabei Token-Kosten, die in vielen Fällen nicht im ursprünglichen Budget berücksichtigt wurden. Immer mehr Anwendungsfälle lassen die Verbrauchskurve exponentiell wachsen. Goldman Sachs geht davon aus, dass der Tokenverbrauch bis 2030 einen Wert von etwa 120 Quadrillionen Token pro Monat erreichen wird – etwa 24 Mal so viel wie heute. Unternehmen, die sich an der aktuellen Nutzung orientieren, gehen von Annahmen aus, die schnell veraltet sein werden.
Sicherheit bringt weitere versteckte Kosten mit sich, und kein Unternehmen kann es sich leisten, diese zu ignorieren. Je mehr Modelle, Agenten, Daten und vernetzte Systeme ein Unternehmen hinzufügt, desto aufwendiger müssen diese geschützt werden. Diese Abwehrmaßnahmen – ständiges Scannen, strengere Zugriffskontrollen, Bedrohungsüberwachung und schnelle Reaktion – lassen die tatsächlichen Kosten für jede Bereitstellung weiter anwachsen. Dies wird bei der ursprünglichen Kostenplanung oft nicht berücksichtigt, jedoch steigen diese Kosten mit jedem neuen Agenten und jeder Verbindung.
Dies ist die KI-Variante des Jevons-Paradoxons: Genauso wie effizientere Dampfmaschinen dazu geführt haben, dass der Kohleverbrauch in Großbritannien zu- und nicht abnahm, führen sinkende Token-Preise dazu, dass Unternehmen KI intensiver nutzen als zuvor, da sich mittlerweile Aufgaben lohnen, die zuvor Kosten in prohibitiver Höhe verursacht haben.
Unsere Simulation[3] ergab, dass bei einem Rückgang der Token-Preise um 25 % nur 15 % der Unternehmen die Einsparungen realisieren würden. Der Rest würde in neue Anwendungsfälle, erweiterte Workloads oder qualitativ höherwertige Modelle investieren. Die Lösung kann nicht sein, die Nutzung von KI durch Mitarbeitende zu begrenzen, denn so würden auch die Produktivitätsgewinne begrenzt, die die KI ermöglichen soll. Die Lösung besteht darin, neue Aufgaben dem günstigsten dafür geeigneten Modell zuzuweisen, sodass mit demselben Budget mehr nützliche Arbeit und messbare Erträge realisiert werden können.
Auch ein zweiter Faktor ist genauso bedeutend: Die Pareto-Front, d. h. die optimale Kombination aus Kosten und Wert. Die meisten Unternehmen investieren mehr als nötig, ohne dass eine Aufgabe dies rechtfertigt, oder sie verzichten durch falsche Aufgabenzuweisung auf mögliche Wertzuwächse. Die fortschrittlichsten Unternehmen schließen diese Lücke, indem sie Aufgaben, Kosten und Modelle optimal aufeinander abstimmen und die Kurve anschließend durch Komprimierung von Prompts, intelligenteres Caching und Destillation von Modellen verschieben.
Um dies an einem konkreten Beispiel zu veranschaulichen: Eine Präsentation zum Quartalsabschluss, an der zuvor drei Finanzanalystinnen und Finanzanalysten insgesamt 15 Stunden gearbeitet haben, kann inzwischen durch eine Person innerhalb von zwei Stunden erstellt werden, und das bei Token-Kosten von ein paar hundert Dollar im Vergleich zu Tausenden von Dollar, die für die zuvor benötigte und nun freigewordene Arbeitszeit angefallen sind. Dies ist der Kompromiss, den die Pareto-Front misst. Der Ertrag sind nicht die gesparten Token, sondern die freien Kapazitäten, die für höherwertige Arbeit eingesetzt werden können. Im Vergleich zu den bisher vom Unternehmen erfassten Ergebnissen ist diese Reinvestition der entscheidende Hebel dafür, dass Ausgaben für Token zu höheren Erträgen führen.
Das Zusammenwirken dieser Faktoren erklärt die strategische Bedeutung, die KI-Tokenomics mittlerweile erlangt hat. Unternehmen optimieren, um mit weniger Einsatz höhere Erträge zu erzielen. Dabei wird die Pareto-Front nach außen verschoben: Die Qualität verbessert sich, die Kosten sinken, neue Anwendungsszenarien entstehen und der Verbrauch nimmt zu. Die Kunst liegt darin, zu erkennen, wo KI Mehrwert schafft, wann Einsparungen realisiert werden sollten und wie diese reinvestiert werden können.
Zunächst gilt es, das für eine Aufgabe erforderliche KI-Niveau mit der Wertschöpfung und den Risiken abzustimmen. Als Daumenregel gehen wir davon aus, dass nur 10–20 % der Aufgaben in Unternehmen so komplex sind, dass sie die Funktionalität von Frontier- oder Near-Frontier-Modellen benötigen.
Ein sinnvoller Test: Wenn sich eine Aufgabe in klar definierte Schritte unterteilen lässt, genügt wahrscheinlich ein kompakteres Modell. Frontier-Modelle sollten nur dann eingesetzt werden, wenn sich die Komplexität von Aufgaben nicht reduzieren lässt und der Erkenntnisgewinn durch eine Zerlegung beeinträchtigt wird, wenn Fehler durch lange Agentenketten verstärkt werden oder wenn die gewünschte Auskunft rechtliche, finanzielle und regulatorische Fragestellungen betrifft.
Bei einigen Aufgabenmustern sind diese Anforderungen gegeben. Ein Beispiel hierfür ist komplexes Reasoning: Wenn ein Chief Strategy Officer die eigene Wettbewerbsposition, Makrotrends und die Finanzkennzahlen eines potenziellen Übernahmeziels abwägt, um das tatsächliche strategische Risiko zu benennen, erfordert die Aufgabe, widersprüchliche Belege gegeneinander abzuwägen – und daraus ein nicht naheliegendes Urteil abzuleiten. Ein weiteres Beispiel sind agentische Workflows mit hohen Kosten bei Fehlern: Ein Versagen innerhalb der Kette kann dazu führen, dass die gesamte Ausgabe unbrauchbar wird. Auch die Zusammenfassung umfassender Inhalte zählt dazu: Bei einem Due-Diligence-Paket mit 200 Seiten kommt es auf Stringenz und Kohärenz im gesamten Dokument an.
Die Zuweisung von Aufgaben an die passende KI ist eine strategische Entscheidung und keine Frage von technologischen Präferenzen. Führungskräfte benötigen eine klare operative Disziplin: Klassifizierung von Aufgaben anhand von Komplexität und Risiko, Ermittlung des erforderlichen KI-Niveaus sowie anschließende Feinabstimmung und Überwachung des Verbrauchs. Am schwierigsten ist dabei herauszufinden, welche Aufgaben am relevantesten sind.
Unternehmen, denen es nicht gelingt, Routineaufgaben von kognitiv herausfordernden, anspruchsvolleren Aufgaben zu unterscheiden, werden in beide Richtungen falsche Zuweisungen vornehmen: Dies führt dazu, dass teure Modelle auch dann zum Einsatz kommen, wenn sie nicht benötigt werden, und dass durch den Einsatz von schwächeren Modellen auf mögliche Vorteile verzichtet wird. Die Erfahrung von Accenture zeigt: Im KI-Wettlauf entscheidet nicht allein die Leistungsfähigkeit der Modelle. Entscheidend ist ein disziplinierter wirtschaftlicher Umgang mit KI.
Mittels dieser Disziplin gelang es einem Telekommunikationsanbieter, seine jährlichen KI-Ausgaben um 68 % zu senken. Voraussetzung dafür war die Beobachtung des Verbrauchs auf Workflow-Ebene und die anschließende Zuweisung, Feinabstimmung und Neukonzeption von Aufgaben, ehe Verschwendung zum normalen Modus Operandi wurde.
In den meisten Unternehmen werden KI-Kosten im Technologiebudget erfasst, während der Wert an anderer Stelle aufgeführt wird – im Kundenservice, im Engineering, im Marketing oder in der jeweiligen Geschäftseinheit, die das Tool nutzt. Der CFO betrachtet die Kosten, der CIO betrachtet die Nutzung und die Geschäftsführung betrachtet die Ergebnisse, aber diese Perspektiven werden nur selten für das gesamte Unternehmen zusammengeführt.
57 %
geben an, dass Geschäft und Technologie nicht gut aufeinander abgestimmt sind2
51 %
verweisen auf unzureichende Daten- und Analysefähigkeiten2
50 %
haben Schwierigkeiten, den KI-Beitrag isoliert von anderen Faktoren zu untersuchen2
Führende Unternehmen arbeiten daran, ein verbindendes Fundament zu schaffen: mit einheitlichen Kennzahlen, Governance-Foren und Entscheidungsrechten, die den Zusammenhang von KI-Nutzung und Wachstum, Erfahrung und Rendite sichtbar machen. Dieser Paradigmenwechsel von isolierten Maßnahmen hin zu einer unternehmensweiten Funktion führt dazu, dass KI im gesamten Unternehmen genutzt werden und zu messbaren Ergebnisse führen kann. Die Vorreiter unter den Unternehmen gehen noch einen Schritt weiter und setzen alles daran, KI-Kosten nicht nur zu kontrollieren, sondern diese zurückzuholen: Sie berücksichtigen bei der Planung von Aufgabenumfang und Kosten den Token-Verbrauch, sodass ein Bezug zwischen KI-Ausgaben und Wertschöpfung besteht, anstatt diese lediglich in einer zentralen Technologielinie zusammenzufassen.
Vier operative Disziplinen verwandeln Skalierung in messbare Rendite:
CFO und CIO müssen gemeinsam die Verantwortung für KI-Kosten, KI-Nutzung und KI-Rendite tragen und diese einheitlich betrachten. Accenture erfasst für jeden Berichtszeitraum die eigenen KI-Ausgaben für die jeweiligen Anbieter und meldet diese zusammen mit den ergriffenen Maßnahmen an die Unternehmensleitung. Der Ertrag wird unmittelbar anhand des reduzierten Arbeitsaufwands erfasst: Wir wissen genau, wie hoch der menschliche Arbeitseinsatz vor und nach der Einführung von agentischer Automatisierung in klar definierte Prozesse ausfällt, sodass sich das Ergebnis gut berechnen lässt. Bei der kollaborativen Nutzung durch Mitarbeitende ist die Wertermittlung jedoch schwieriger und eine entsprechende Kennzahl schwer zu definieren. Dabei sind nicht die Ausgaben an sich problematisch, vielmehr ist die Frage zu stellen, welcher Mehrwert dadurch erwirtschaftet wird.
Bei der Bereitstellung müssen von Anfang an Kontrollmöglichkeiten integriert sein, über die gesteuert werden kann, wer für welche Aufgaben Zugriff auf bestimmte Modelle erhält und welche Sicherheitsmaßnahmen dabei gelten. Die Ausgangsfrage für diese Maßnahme wird bei den meisten Rollouts ignoriert: Wofür das Ganze? Ein Instrument, dessen Verwendung nicht klar definiert ist, führt zu Kosten, für die niemand die Verantwortung übernimmt. Early Adopters wie wir haben zunächst den Zugriff ermöglicht und die Kontrollen nachträglich ergänzt, sobald die Lücke zwischen Kosten und Erträgen offensichtlich wurde. Die Konsequenz daraus muss sein, Kontrollen von Anfang an zu integrieren.
Legen Sie fest, für welche Aufgaben die leistungsfähigsten Modelle erforderlich sind und welche Aufgaben von schlankeren Modellen ausgeführt werden können. Accenture geht hierfür intern wie folgt vor: Für neue Sitzungen ist standardmäßig ein schlankeres Modell voreingestellt, die Limits für leistungsfähigere Modelle werden je nach Rolle oder Geschäftsszenario festgelegt. Die Durchsetzung erfolgt über ein einheitliches Gateway, sodass die Kosten auf den tatsächlichen Bedarf abgestimmt werden, der sich bei erfahrenen Entwicklerinnen und Entwickler und gelegentlichen Nutzerinnen und Nutzer deutlich unterscheiden kann.
Überprüfen Sie regelmäßig Verbrauch, Ergebnisse und Entscheidungen zur Modell-Zuweisung, wenn die Nutzung zunimmt und Agenten mehr Aufgaben übernehmen. Als funktionierender Rhythmus hat sich eine Schleife erwiesen: Ermitteln Sie, wo sich der Verbrauch konzentriert, ändern Sie gegebenenfalls Aufgabenzuschnitt und Modellzuweisungen und überprüfen Sie diese regelmäßig, da Token-Preise und Modelloptionen sich von Monat zu Monat verändern. Bei Accenture geschieht dies unaufhörlich: Jede Version führt zu neuen Entscheidungen und Funktionen.
Eine wirtschaftlich tragfähige Nutzung der KI erfordert gezielte Maßnahmen. Im Laufe der nächsten zehn Jahre werden sich zwei Gruppen von Unternehmen herauskristallisieren: Solche, die KI auch weiterhin als zusätzliche Technologiekosten behandeln, und solche, die KI als Quelle messbarer Geschäftsrenditen nutzen. Die erste Gruppe wird versuchen, die steigenden Kosten einzudämmen. Bei der zweiten Gruppe wird die Wertschöpfung durch KI stärker steigen als die Kosten – sodass sich Skalierung als dauerhafter Vorteil erweist.
[1] Studie von Goldman Sachs: The AI Spending Boom Just Got Bigger: Goldman Sees $800 Billion Flowing In This Year
[2] Unsere Umfrage: Accenture Pulse of Change
[3] Accenture hat in einer Simulationsstudie ermittelt, wie sich der steigende Token-Verbrauch auf Unternehmen auswirken wird, wenn KI in die täglichen Betriebskosten einfließt. Hierfür wurden KI-basierte Verhaltensmodelle von 6.000 Führungskräfteprofilen in Nord- und Südamerika, EMEA und APAC bei Unternehmen mit einem Jahresumsatz von mindestens 1 Milliarde US-Dollar ausgewertet. Die Simulation wurde mit Aaru durchgeführt, dessen Plattform synthetische Profile entwickelt, die die demografischen, psychografischen und verhaltensbezogenen Merkmale einer Zielpopulation von Führungskräften widerspiegeln, wobei öffentliche, private und proprietäre Daten verwendet werden.
