Die erste Phase der breiten KI-Einführung in Unternehmen kippt zunehmend in eine Phase der Kostenkontrolle. Was als nahezu unbegrenzter Produktivitätsschub begann, wird für viele Konzerne inzwischen zu einer Frage der Budgetdisziplin.
Unternehmen wie Amazon, Walmart, Cisco, Uber und Meta haben begonnen, die Nutzung von KI-Systemen intern zu begrenzen, Mitarbeiterspendings zu deckeln oder auf günstigere Modelle umzuschalten. Die Entwicklung markiert eine spürbare Verschiebung in der Art, wie KI in Unternehmen tatsächlich genutzt wird.
Der Übergang von einfachen Chatbots zu sogenannten KI-Agenten spielt dabei eine zentrale Rolle. Diese Systeme sind in der Lage, Aufgaben autonom auszuführen, benötigen jedoch deutlich mehr Rechenleistung – und machen damit jede einzelne Anfrage kostenrelevant.
Gleichzeitig haben Anbieter wie OpenAI und Anthropic ihre Preisstrukturen teilweise von pauschalen Abonnements auf tokenbasierte Abrechnung umgestellt. Für Unternehmen bedeutet das, dass jede Verarbeitungseinheit sichtbar wird – und sich direkt in den Budgets der Finanzabteilungen niederschlägt.
„Compute costs are now beginning to enter the minds of both CFOs and boards“, sagte Costi Perricos von Deloitte. Viele Unternehmen hätten KI zunächst als billig oder kostenlos wahrgenommen, was sich nun als Fehleinschätzung erweise.
Auch innerhalb der Tech-Konzerne selbst wächst der Druck. Sam Altman von OpenAI sprach in diesem Monat von einem „huge issue“ für Kunden, da die Kosten erstmals eine zentrale Rolle in der Nutzung spielten.
Uber hat darauf bereits reagiert und ein monatliches Limit von 1.500 US-Dollar pro Mitarbeiter für KI-Tools eingeführt, nachdem das Jahresbudget für 2026 bereits im April ausgeschöpft war. Laut Unternehmensangaben fällt es zunehmend schwer, den konkreten Produktivitätsgewinn einzelner KI-Anwendungen den steigenden Kosten eindeutig zuzuordnen.
Walmart hat ähnliche Maßnahmen ergriffen und den Einsatz interner KI-Agenten begrenzt. CTO Suresh Kumar sprach davon, dass die Nutzung der Systeme „skyrocketed“ sei und man nun die Wirtschaftlichkeit einzelner Anwendungen neu bewerten müsse.
Cisco wiederum beschreibt das Grundproblem als strukturell. Je stärker Unternehmen von Chatbots zu Agenten wechseln, desto mehr verschiebt sich die Kostenbasis. „The amount of infrastructure needed for an agent is meaningfully higher than for a chatbot“, sagte COO Jeetu Patel. In Szenarien mit vielen parallelen Agenten vervielfache sich der Ressourcenverbrauch schnell.
Parallel dazu rechnen Analysten mit einem starken Anstieg des Gesamtverbrauchs. Goldman Sachs geht davon aus, dass der Tokenverbrauch durch KI-Agenten bis 2030 um ein Vielfaches steigen könnte – mit entsprechenden Folgen für Chipnachfrage und Infrastrukturengpässe in den kommenden 12 bis 18 Monaten.
Der Kostendruck wirkt inzwischen auch auf die großen KI-Anbieter selbst zurück. Unternehmen wie OpenAI und Anthropic, die sich auf milliardenschwere Börsengänge vorbereiten, stehen vor der Frage, ob das bisherige Wachstumsmodell unter steigenden Nutzungskosten stabil bleibt.
Gleichzeitig verschiebt sich die Wettbewerbsdynamik international. Daten von OpenRouter zeigen, dass chinesische Modelle inzwischen beim Tokenverbrauch führend sind. Niedrigere Energiepreise und effizientere Modelle erlauben dort deutlich günstigere Preismodelle – ein Vorteil, der sich zunehmend auch geopolitisch bemerkbar macht.
Für kleinere Softwareunternehmen ist die Umstellung besonders abrupt. Workato etwa berichtete, dass sich die KI-Kosten nach einer Umstellung auf tokenbasierte Abrechnung innerhalb eines Tages versiebenfachten. Die vorherige Subventionierung durch Anbieter sei faktisch weggefallen, sagte CIO Carter Busse.
Anstatt den Zugang zu beschränken, versuchen viele Unternehmen inzwischen, Nutzung zu steuern statt zu verhindern. Interne Trainings verschieben sich von „mehr KI-Nutzung“ hin zu „kostenbewusster KI-Nutzung“, etwa durch den Einsatz älterer oder günstigerer Modelle.
Auch die großen Plattformanbieter reagieren. Amazon hat Mitarbeiter angewiesen, KI nicht mehr „for the sake of using AI“ einzusetzen, nachdem interne Wettbewerbe zu ineffizienter Nutzung geführt hatten. Meta hat ähnliche Anpassungen vorgenommen.
Gleichzeitig entstehen technische Lösungen, die Anfragen automatisch an günstigere Modelle weiterleiten oder Open-Source-Modelle stärker in Unternehmensinfrastrukturen integrieren. GitHub verweist darauf, dass Nutzer zunehmend zwischen „fit and purpose“ bei Modellen unterscheiden müssten.