Marty Kausas, CEO des Kundensupport-Softwareunternehmens Pylon, wies kürzlich auf eine KI-Budgetierungsherausforderung hin, mit der viele Unternehmen wahrscheinlich konfrontiert werden. Die jährliche Anthropic-Rechnung von Pylon, so seine Aussage, werde voraussichtlich von rund 400.000 US-Dollar auf 1,4 Millionen US-Dollar steigen, sobald das Unternehmen 150 Lizenzen überschreitet. Der Anstieg war nicht auf eine plötzliche Nutzungsspitze zurückzuführen. Vielmehr ergab er sich aus einer strukturellen Preisänderung: Oberhalb von 150 Lizenzen würde Pylon von einem Tarif mit inkludierter Nutzung auf einen Enterprise-Tarif umsteigen, bei dem Tokens separat zu Standard-API-Preisen abgerechnet werden.

Kausas fiel in seiner Einschätzung unmissverständlich aus: Nach Jahren, in denen Mitarbeiter dazu ermutigt worden waren, KI-Tools zu nutzen, hatte Pylon begonnen, Ausgabenobergrenzen einzuführen und eine Genehmigung für zusätzliche Nutzung zu verlangen.

Die Situation von Pylon veranschaulicht einen umfassenderen Wandel. Viele Unternehmen hatten KI zunächst unter überaus günstigen Bedingungen eingeführt – inkludierte Nutzung, Einführungspreise, großzügige Enterprise-Rabatte und verhältnismäßig begrenzter Einsatz. Da diese Vereinbarungen auslaufen und Pilotprojekte zu Produktionssystemen heranreifen, rücken die wahren Kosten von Enterprise-KI ins Blickfeld.

Gleichzeitig wird die zugrunde liegende Technologie selbst erschwinglicher. Die Inferenzkosten sind deutlich gesunken, der Wettbewerb unter den Modellanbietern bleibt intensiv, und Unternehmen haben mittlerweile mehr Möglichkeiten, Aufgaben an kleinere, effizientere Modelle auszulagern. Große Anbieter wie OpenAI, Anthropic und Google haben in den vergangenen zwei Jahren wiederholt die API-Preise für ihre Flaggschiff-Modelle gesenkt, während Open-Source-Alternativen von Meta und anderen einen weiteren Abwärtsdruck erzeugt haben.

Das paradoxe Ergebnis ist, dass KI isoliert betrachtet günstiger in der Nutzung werden kann, während sie organisationenweit erheblich teurer im Betrieb wird. Je leistungsfähiger die Modelle werden, desto mehr Aufgaben übertragen Unternehmen ihnen, desto mehr Mitarbeitern werden sie zur Verfügung gestellt und desto mehr Produkte werden damit versehen. Die daraus resultierenden Steigerungen bei Volumen und Komplexität können die Einsparungen durch niedrigere Stückpreise problemlos übersteigen.

Dieses Phänomen ist nicht ausschließlich auf KI beschränkt. Computerleistung wurde günstiger, und Organisationen verbrauchten weitaus mehr davon. Speicherkosten sanken, und Unternehmen behielten deutlich mehr Daten. Bandbreitenkosten fielen, und Video kam dazu, den Internetverkehr zu dominieren. Effizienz erweitert Märkte konsistent – ein Muster, das Wirtschaftswissenschaftler seit dem neunzehnten Jahrhundert beobachten, als effizientere kohlebetriebene Maschinen paradoxerweise den Gesamtverbrauch an Kohle erhöhten, statt ihn zu senken. KI wird vermutlich dieselbe Entwicklung nehmen – allerdings mit einem entscheidenden Unterschied: Ein Großteil ihres Verbrauchs wird für Führungskräfte schwer zu beobachten sein.

Herkömmliche Enterprise-Software wird typischerweise über eine sichtbare Einheit bepreist: eine Lizenz, eine Transaktion oder ein Kundenkonto. Agente-KI-Systeme hingegen können Kosten autonom und ungleichmäßig erzeugen. Zwei Mitarbeiter mit derselben Lizenz können radikal unterschiedliche Mengen an Rechenleistung verbrauchen. Ein System kann leistungsfähiger werden und gleichzeitig längere Kontexte, zusätzliche Inferenzschritte und mehr Aufrufe externer Tools erfordern. Anders als bei SaaS-Abonnements, bei denen die Kosten linear mit der Mitarbeiterzahl skalieren, führt tokenbasierte Preisgestaltung eine Variabilität ein, für die die meisten Enterprise-Budgetierungsprozesse nicht ausgelegt sind.

Dies schafft eine völlig neue managementseitige Herausforderung. Unternehmen können den Kauf von KI-Zugang nicht mehr mit der Kontrolle der damit verbundenen Kosten gleichsetzen.

In der ersten Phase der Enterprise-KI-Einführung ließ sich dieses Problem leicht übersehen. Die meisten Organisationen führten Experimente durch und verteilten eine begrenzte Anzahl von Lizenzen. Diese Initiativen zeigten, ob Mitarbeiter KI-Tools nutzen würden, gingen aber nicht auf die Frage ein, die jetzt am wichtigsten ist: ob diese Nutzung ausreichenden wirtschaftlichen Mehrwert generiert.

Da KI-Budgets von experimentell zu materiell übergehen, müssen Unternehmen Adoptionskennzahlen durch Unit Economics ersetzen. Für ein Kundensupportsystem könnten die relevanten Kennzahlen Kosten pro erfolgreich gelöstem Fall, Lösungszeit und Eskalationsrate umfassen. Für Smartling, ein KI-gestütztes Übersetzungsunternehmen, könnten aussagekräftige Kennzahlen die Kosten für die Erstellung von Inhalten auf einem vereinbarten Qualitätsniveau, die für die Erschließung eines neuen Markts benötigte Zeit oder das Volumen an Inhalten umfassen, das ein Unternehmen in jeder Sprache wirtschaftlich bereitstellen kann.

Diese Kennzahlen sind ihrer Natur nach schwieriger zu berechnen als einfache Nutzungszahlen. Sie erfordern, dass Unternehmen das gewünschte Ergebnis vor dem Einsatz einer Technologie definieren, eine Basislinie festlegen und sowohl die Kosten der Technologie als auch die verbleibende menschliche Arbeit einbeziehen.

In den vergangenen Jahren hat sich beim Aufbau von Smartling rund um KI gezeigt, dass die zentrale Herausforderung nie darin bestand, KI in die Organisation einzuführen oder Menschen von ihrer Nutzung zu überzeugen. Die eigentliche Herausforderung bestand darin, zu ermitteln, wo KI die Ökonomie der Arbeit spürbar veränderte.

Eine günstigere Übersetzung beispielsweise bietet nur begrenzten Mehrwert, wenn die erforderliche menschliche Nachbearbeitung die Einsparungen aufzehrt. Die maßgebliche Kennzahl ist nicht die Anzahl der Wörter, die ein KI-System durchlaufen haben, sondern die Kosten und der geschäftliche Wert der Erstellung verwendbaren mehrsprachigen Inhalts.

Dasselbe Prinzip gilt unternehmensweit. Jeder KI-Einsatz sollte mit einer klaren ökonomischen Hypothese beginnen: Welche Kosten werden sinken, welche Einschränkung wird aufgehoben oder welche Erlösquelle wird wachsen? Anschließend sollte jeder Einsatz anhand dieser Hypothese evaluiert werden – nicht anhand des reinen KI-Verbrauchs.

Die nächste Phase der Enterprise-KI wird daher nicht dadurch definiert werden, welche Unternehmen die höchsten Adoptionsraten erreichen. Sie wird dadurch definiert werden, welche Unternehmen die Ökonomie des Eingeführten genuinely verstehen.

Organisationen, die KI-Ausgaben mit Erlösen, Margen, Kapazität oder strategischen Vorteilen verknüpfen können, werden weiterhin investieren – selbst wenn ihre absoluten Ausgaben steigen.

KI muss nicht günstig werden, um ihren Platz im Unternehmen zu rechtfertigen. Sie muss wirtschaftlich verständlich werden. Die Unternehmen, die dies erreichen, werden nicht zwingend am wenigsten für KI ausgeben, aber sie werden genau wissen, was jeder zusätzliche Dollar einbringt.

Die in Fortune.com-Kommentarartikeln geäußerten Meinungen entsprechen ausschließlich den Ansichten der jeweiligen Autoren und spiegeln nicht zwingbar die Meinungen und Überzeugungen von Fortune wider.

Diese Geschichte erschien ursprünglich auf Fortune.com.