NachrichtenMakroDie KI-Token-Ökonomie: Warum Unternehmen AI FinOps brauchen, bevor die Rechnung kommt

Die KI-Token-Ökonomie: Warum Unternehmen AI FinOps brauchen, bevor die Rechnung kommt

Autor: Bworldonline·

Wichtige Erkenntnisse

  • •Die KI-Kosten im Unternehmen verlagern sich von festen Abonnements zu nutzungsbasiertem, in Token gemessenem Verbrauch – ähnlich wie sich die Abrechnung im Cloud Computing entwickelte.
  • •Der Autor sagt das Aufkommen einer Disziplin des „AI FinOps“ voraus, die KI-Ausgaben sichtbar, rechenschaftspflichtig und an den Geschäftswert gekoppelt macht – wie das FinOps der Cloud-Ära.
  • •KI-Agenten können eine einzige Mitarbeiteranfrage in viele Modelltransaktionen verwandeln, was Budgets auf Basis der Nutzerzahl unzureichend macht.
  • •Die richtige Kennzahl für KI-Ausgaben sind die Kosten pro nützlichem Ergebnis, nicht pro Token – das billigste Modell ist nicht immer die beste Wahl.
  • •Verbrauchssteuerungen wie Caching, verkürzte Prompts, gezielter Dokumentenabruf und Modell-Routing über KI-Gateways werden bereits von großen KI- und Cloud-Anbietern unterstützt.
Die KI-Token-Ökonomie: Warum Unternehmen AI FinOps brauchen, bevor die Rechnung kommt

In den vergangenen zwei Jahren haben Unternehmen ihre Mitarbeiter gedrängt, künstliche Intelligenz zu nutzen. Bald werden sie eine ganz andere Frage stellen: Wer bezahlt all diese Tokens?

Das Thema klingt heute banal, da die meisten Mitarbeiter KI über ein monatliches Abonnement von ChatGPT, Claude oder einem anderen Tool erleben. Die Kosten erscheinen planbar – Lizenzen kaufen, Mitarbeitern zuweisen und den Betrag ins IT-Budget aufnehmen.

Doch genau dorthin entwickelt sich die Unternehmens-KI nicht.

Wenn Unternehmen KI in Kundenservice, Vertrieb, Marketing, Softwareentwicklung, Rechtsarbeit, Finanzen, Analytics und interne Prozesse einbetten, wird die Technologie weniger wie traditionelle Software und mehr wie ein Versorgungsdienst. Sie wird verbraucht: Wer mehr nutzt, zahlt mehr. Und gemessen wird der Verbrauch zunehmend in Tokens.

Eine vertraute Geschichte aus der Cloud-Ära

Die Geschäftswelt war schon einmal an diesem Punkt. Vor gut einem Jahrzehnt stürzten sich die Unternehmen ins Cloud Computing. Amazon Web Services, Microsoft Azure und Google Cloud boten genau das, was die Unternehmens-IT sich lange gewünscht hatte: Rechenressourcen ohne den Kauf von Servern und den Bau von Rechenzentren. Virtuelle Maschine starten, Speicher hinzufügen, Kapazität erhöhen – und nur zahlen, was man nutzt.

Das klang wunderbar effizient – bis die Rechnungen kamen.

Entwickler erstellten Server und vergaßen, sie herunterzufahren. Testumgebungen liefen monatelang weiter. Speicher summerte sich. Abteilungen kauften Cloud-Dienste ohne zentrale Kontrolle. Kaum jemand machte sich Sorgen, solange jede Entscheidung nur ein paar Dollar kostete – aber Tausende solcher Entscheidungen zusammen zogen schließlich die Aufmerksamkeit des CFOs auf sich.

Diese schmerzhafte Phase brachte FinOps hervor, eine Disziplin, die darauf ausgerichtet ist, Cloud-Ausgaben sichtbar, rechenschaftspflichtig und an den Geschäftswert gebunden zu machen – eine Praxis, die heute von einer organisierten FinOps-Community und Zertifizierungsstellen getragen wird. Der Autor ist überzeugt, dass mit KI dasselbe geschehen wird – nennen wir es AI FinOps.

Von Adoptions- zu Verbrauchskennzahlen

Heute konzentrieren sich Unternehmen auf die KI-Adoption: Wie viele Mitarbeiter nutzen ChatGPT? Wie viele KI-Projekte wurden gestartet? Wie viele Prozesse lassen sich automatisieren?

Das sind nützliche Fragen, doch eine andere Reihe von Fragen zeichnet sich ab. Wie viele Tokens verbrauchen wir? Welche Abteilungen verbrauchen sie? Welche Anwendungen erzeugen die größte Nutzung? Welche Modelle werden verwendet? Wie viel kostet eine KI-gestützte Transaktion? Und vor allem: Welches Geschäftsergebnis hat das Geld geliefert?

Ein Token ist schlicht eine kleine Texteinheit, die von einem KI-Modell verarbeitet wird. Wirtschaftlich betrachtet sollten Unternehmen Tokens jedoch so behandeln, wie sie gelernt haben, Rechenstunden, Speicher und Netzwerkverkehr in der Cloud zu betrachten: als Verbrauchseinheiten. Große Modellanbieter veröffentlichen bereits nutzungsbasierte Preise, üblicherweise pro Million Ein- und Ausgabe-Tokens, was diese Art von Verbrauchsabrechnung heute technisch möglich macht – was meist fehlt, ist die Sichtbarkeit darüber, wer innerhalb der Organisation was verbraucht hat.

Man stelle sich ein Unternehmen vor, das monatlich 500.000 Kundeninteraktionen mit KI verarbeitet, wobei jede Interaktion durchschnittlich 4.000 Eingabe-Tokens und 800 Ausgabe-Tokens verbraucht. Das Management kann das Monatsvolumen schätzen und mit den geltenden Modellpreisen multiplizieren. Erhöht man nun das Kundenvolumen um 20 %, fügt eine weitere KI-Anwendung hinzu, gibt mehr Mitarbeitern Zugriff und führt einen KI-Agenten ein, der für eine einzige Aufgabe mehrere Modellaufrufe durchführt, kann sich das Budget schnell ändern.

Warum Agenten die Gleichung verändern

Die Herausforderung wird mit KI-Agenten noch bedeutender. Ein Mensch stellt eine Frage und erhält eine Antwort. Ein Agent hingegen kann eine einzige Anweisung erhalten, sie in mehrere Aufgaben zerlegen, Dokumente durchsuchen, verschiedene Systeme aufrufen, seine Arbeit prüfen und wiederholt ein KI-Modell aufrufen. Eine einzige Mitarbeiteranfrage kann sich unbemerkt in viele KI-Transaktionen verwandeln.

Deshalb wird eine Budgetierung, die allein auf der Zahl der KI-Nutzer basiert, langfristig unzureichend. Unternehmen müssen Tokens nach Anwendung, Abteilung, Workflow und Geschäftsergebnis messen. Die Finanzabteilung braucht Prognosen, die IT Nutzungssteuerung, die Geschäftseinheiten Rechenschaft.

Eine Marketingabteilung, die Millionen personalisierter Nachrichten verschickt, sollte ihre KI-Kosten kennen. Ein Callcenter sollte die KI-Kosten pro gelöstem Fall kennen. Softwareteams sollten die KI-Kosten pro Entwicklungsaufgabe kennen. Eine Bank, die KI zur Dokumentenprüfung einsetzt, sollte die Kosten pro bearbeitetem Antrag kennen.

Kosten pro nützlichem Ergebnis, nicht pro Token

AI FinOps sollte jedoch nicht zu einer weiteren unternehmensinternen Kostensenkungsübung werden. Das billigste Modell ist nicht automatisch das beste. Wenn der Einsatz von KI für 10 Pesos 500 Pesos an Mitarbeiterzeit spart, kann eine Senkung der KI-Kosten auf fünf Pesos sinnlos sein. Wenn ein teureres Modell weniger Fehler produziert und mehr Kundenprobleme löst, kann die höhere Ausgabe tatsächlich die bessere Entscheidung sein.

Die richtige Kennzahl ist nicht die Kosten pro Token. Es sind die Kosten pro nützlichem Ergebnis.

Es gibt zudem offensichtliche Wege, den Verbrauch zu steuern. Unternehmen benötigen nicht für jede Aufgabe ihr leistungsfähigstes Modell – einfache Klassifizierung, Extraktion und Zusammenfassung funktionieren mit kleineren Modellen oft einwandfrei. Prompts lassen sich kürzen. Dokumente können gezielt abgerufen werden, statt immer wieder Hunderte Seiten an ein Modell zu senden. Lange Konversationen lassen sich zusammenfassen, wiederholte Anweisungen und Kontext können gecacht werden, und Anwendungen können Token-Limits setzen. KI-Gateways können Aufgaben abhängig von Komplexität und Kosten an verschiedene Modelle weiterleiten. Mehrere dieser Hebel – Caching, Wiederverwendung von Prompt-Kontext, Modell-Routing – werden bereits von Funktionen und Tools unterstützt, die große KI-Anbieter und Cloud-Plattformen für Unternehmensentwickler eingeführt haben.

Nichts davon klingt aufregend im Vergleich zu Gesprächen über autonome Agenten oder künstliche allgemeine Intelligenz. Aber CFOs machen langweilige Dinge irgendwann wichtig.

Das Cloud Computing folgte demselben Pfad: erst Begeisterung, dann Adoption, dann unkontrollierte Ausgaben, dann Governance. Die KI wird diesen Pfad wahrscheinlich schneller durchlaufen.

Was als Nächstes kommt

Es ist leicht vorstellbar, dass Unternehmen bald KI-Verbrauchs-Dashboards einführen, die Token-Nutzung, Kosten pro Workflow, Modellauslastung, Budgetabweichungen und Geschäftswert anzeigen. Abteilungen könnten KI-Budgets erhalten, so wie sie Reise-, Marketing- oder Cloud-Budgets erhalten. Und irgendjemand wird irgendwann dafür verantwortlich sein.

Diese Person könnte in der Finanzabteilung, der IT oder einem KI-Kompetenzzentrum sitzen. Der Titel mag unterschiedlich sein, die Disziplin wird dieselbe sein: AI FinOps.

Unternehmen sollten diesen Bereich jetzt aufbauen – bevor die KI-Rechnung so groß wird, dass der CFO die Frage stellen muss, die niemand beantworten möchte: Wo sind all die Tokens geblieben?


Die hier geäußerten Ansichten sind seine eigenen und geben nicht unbedingt die Meinung seines Amtes sowie der FINEX wieder.

Reynaldo C. Lugtu, Jr. ist Gründer und CEO von Hungry Workhorse, einer Beratungsfirma für die Transformation von Digital, Kultur und Kundenerlebnis. Er ist Fellow des in den USA ansässigen Institute for Digital Transformation. Er leitet das Programm für KI, digitale Transformation und Governance der FINEX Academy. Er unterrichtet strategisches Management und digitale Transformation im MBA-Programm der De La Salle University. Er ist erreichbar unter rey.lugtu@hungryworkhorse.com.