Uber sagt, das Unternehmen habe nach dem Aufbrauchen seines gesamten Budgets für künstliche Intelligenz im Jahr 2026 innerhalb der ersten Monate des Jahres einen nachhaltigeren Ansatz für den KI-Einsatz gefunden.

In einem Interview mit The Information Anfang dieses Jahres räumte Uber-Technologievorstand Praveen Neppalli Naga ein, er habe die Ausgabenverteilung „vom Reißbrett“ neu gedacht, nachdem das Unternehmen Mitarbeiter dazu ermutigt hatte, KI-Tools — insbesondere Anthropic’s Claude Code, einen KI-gestützten Coding-Assistenten, der Ingenieuren beim Schreiben, Debuggen und Überprüfen von Software hilft — so intensiv wie möglich zu nutzen. Uber erstellte sogar interne „Leaderboards“, um Softwareingenieure nach ihrer Nutzung von KI-Tools zu bewerten.

Der Vorstoß spiegelte einen breiteren unternehmerischen Trend wider, bekannt als „tokenmaxxing“, bei dem Unternehmen die Einführung von KI am Arbeitsplatz anreizten, nur um sich später wieder zurückzuziehen, als die Rendite die beschleunigten Ausgaben nicht rechtfertigte. Der Begriff leitet sich von Tokens ab — den grundlegenden Texteinheiten, die große Sprachmodelle verarbeiten und nach denen Anbieter abrechnen —, sodass der reine Token-Verbrauch ein grober Indikator für KI-Ausgaben ist. Uber bildete dabei keine Ausnahme, doch Naga sagte, das Unternehmen habe inzwischen ein effizienteres Einsatzmodell entwickelt.

„Wir sehen einige sehr interessante Trends bei den KI-Kosten“, schrieb Naga am Mittwoch in einem X-Beitrag. „Ich denke, das ist ein weiteres Signal dafür, dass wir uns dem Ende der sogenannten Tokenmaxxing-Ära nähern.“

Naga erklärte, Uber habe die Zahl der Mitarbeiter, die Frontier-KI-Tools nutzen, vervierfacht, was die Kosten pro Token gesenkt habe. Das Unternehmen habe dies durch verbessertes Prompt-Caching, Anpassungen der Standard-Modelleinstellung, eine auf Effizienz ausgerichtete Bewertung neuer Modelle sowie Dashboards erreicht, mit denen Ingenieure ihre KI-Nutzung und Kosten auf Stundenbasis überwachen können.

„Man könnte erwarten, dass die Kosten mit zunehmender Verbreitung steigen“, fuhr Naga fort. „Wir haben das Gegenteil gesehen. Nicht, weil wir den Zugang eingeschränkt haben, sondern weil wir Effizienz als Ingenieursproblem und nicht als Budgetproblem behandelt haben.“

Steigende Bedeutung der Rendite von KI

Der Druck auf Unternehmen steigt, Erträge aus ihren massiven KI-Investitionen zu liefern. Im Juli warnte Jim Reid, globaler Leiter für Makro- und Themenforschung am Deutsche Bank Research Institute, dass Produktivitätsgewinne durch KI noch Jahre entfernt seien.

Nach Angaben von Apollo stiegen die Gewinnmargen der Magnificent Seven — Apple, Microsoft, Nvidia, Alphabet, Amazon, Meta und Tesla — zwischen den ersten Quartalen 2023 und 2026 von 15% auf 25%, während der übrige S&P 500 im selben Zeitraum nur ein Margenwachstum von 10% verzeichnete. Das deutet darauf hin, dass die Renditen von KI-Investitionen außerhalb des unmittelbaren Technologiesektors begrenzt sind.

Stand Mai arbeitete Uber noch daran, KI-Investitionen in messbare Produktverbesserungen zu übersetzen.

„Diese Verbindung besteht noch nicht“, sagte Uber-Präsident und COO Andrew Macdonald damals in einer Folge des Rapid Response Podcasts. „Vielleicht wird implizit mehr ausgeliefert, aber es ist sehr schwer, eine Linie zu ziehen zwischen einer dieser Kennzahlen und ‚Okay, jetzt produzieren wir tatsächlich etwa 25% mehr nützliche Consumer-Features.‘“

Die Bedrohung durch das Jevons-Paradoxon

Auch wenn Uber Strategien entwickelt, um die Kosten pro Token zu senken und die KI-Nutzung nachhaltiger zu machen, läuft das Unternehmen Gefahr, in eine Falle zu geraten, vor der Ökonomen seit Langem warnen: das Jevons-Paradoxon, bei dem die Ausgaben für eine Ressource, in diesem Fall Tokens, tatsächlich steigen, obwohl ihr Preis sinkt.

Benannt nach dem Ökonomen William Stanley Jevons aus dem 19. Jahrhundert, bezog sich das Phänomen ursprünglich auf seine Beobachtung, dass der Kohleverbrauch 1865 sprunghaft anstieg, obwohl die Watt-Dampfmaschine den Kohleeinsatz effizienter machte.

Heute zeigt sich derselbe Mechanismus bei KI: Laut dem Silicon Data Token Expenditure Index ist der Preis eines einzelnen Tokens seit 2023 um mehr als 90% gefallen, doch die Ausgaben für Large-Language-Modelle haben sich seit Ende des vergangenen Jahres verdoppelt.

„Wenn Tokens billiger werden, geben Unternehmen nicht weniger aus, sondern betreiben mehr KI-Agenten, automatisieren mehr Arbeitsabläufe und erzeugen mehr Code, wodurch die Gesamtausgaben steigen, selbst wenn die Kosten pro Einheit Intelligenz einbrechen“, schrieb Apollo -Chefökonom Torsten Slok in einem jüngsten Blogbeitrag.

Eine im Juni veröffentlichte Übersicht von Bain & Co. untermauerte diese Aussage. Demnach halbierten sich die Token-Kosten von Dezember 2024 bis 2025, während der verbrauchte Tokenumfang im selben Zeitraum um 450% stieg, da Unternehmen ihre KI-Tools aufrüsteten.

Naga wies seinerseits auf einen Wandel in Ubers Philosophie hin, bei Token-Ausgaben Qualität vor Quantität zu stellen, sagte jedoch nicht, ob das Unternehmen zu Beginn des Jahres mehr oder weniger Rechenleistung verbraucht als damals.

„Das ist die Zukunft angewandter KI im Unternehmensmaßstab“, schloss er. „Die nächste Phase, wie auch immer wir sie nennen, wird nicht dadurch geprägt sein, wer die meisten Tokens ausgibt, sondern dadurch, wie Menschen sie so effizient wie möglich nutzen.“

Dieser Artikel erschien ursprünglich auf Fortune.com.