Das Ende des Tokenmaxxing: Warum mehr KI nicht automatisch mehr Wert schafft

Zwei große Unternehmen haben in kurzer Zeit zwei gegensätzliche Fehler öffentlich gemacht, und beide sind lehrreich. Amazon führte intern eine Rangliste ein, die die Nutzung von KI-Werkzeugen belohnte. Wer viel nutzte, stand gut da. Das Problem an einer solchen Rangliste ist nicht ihre Absicht, sondern ihre Metrik: Sie misst eine Aktivität und behandelt sie wie ein Ergebnis. Wenig überraschend optimierten Mitarbeiter genau das, was gemessen wurde. Laut Berichterstattung der Financial Times zur internen KI-Rangliste bei Amazon wurde die Bestenliste wieder abgeschafft, nachdem die Fehlanreize sichtbar wurden.

SAP steuert von der anderen Seite. Laut einer vom Handelsblatt eingesehenen internen Präsentation zur Kostendeckelung bei SAP steuert der Konzern den internen KI-Verbrauch über ein abgestuftes Budgetmodell. Finanzchef Dominik Asam wird dort mit dem Ziel zitiert, die Kosten künstlicher Intelligenz bewusst zu begrenzen, statt sie unkontrolliert wachsen zu lassen. Das ist die spiegelbildliche Haltung zu Amazon: nicht Nutzung feiern, sondern Kapazität rationieren.

Man kann die beiden Fälle als Karikaturen lesen, aber das wäre zu bequem. Beide Steuerungsgrößen sind für sich genommen vernünftig. Adoption ist notwendig, denn ein Werkzeug, das niemand nutzt, schafft keinen Wert. Kapazität ist knapp, denn Rechenzeit und Modellzugriffe kosten reales Geld. Der gemeinsame Denkfehler liegt woanders: Weder ein hoher Verbrauch noch niedrige Kosten belegen für sich, dass am Ende ein Geschäft besser läuft. Adoption und Kapazität beantworten unterschiedliche Fragen, und keine davon lautet: Lohnt sich das?

Nimm einen konkreten Vorgang. Ein KI-Assistent fasst eine eingehende Kundenanfrage zusammen, bevor ein Mensch sie bearbeitet. Der Tokenpreis dieser Zusammenfassung ist bis auf die Nachkommastelle sichtbar. Er steht in der Abrechnung, er lässt sich pro Anfrage hochrechnen, er fühlt sich präzise an. Genau diese Präzision ist die Falle. Der Preis der Zusammenfassung ist bekannt, ihr Wert dagegen zeigt sich erst im Vergleich mit dem, was ohne sie passiert wäre.

Dieser Vergleich hat mehrere Seiten. Spart die Zusammenfassung dem Bearbeiter tatsächlich Zeit, oder liest er die Anfrage sicherheitshalber trotzdem komplett? Steigt die Qualität der Antwort, oder produziert das Modell gelegentlich eine plausible, aber falsche Verdichtung, die jemand später mühsam korrigiert? Braucht es eine menschliche Prüfung, und wie teuer ist diese Prüfung im Verhältnis zu den eingesparten Minuten? Erst wenn diese Fragen beantwortet sind, wird aus einem sichtbaren Tokenpreis ein belastbarer Wertbeitrag oder eben ein teures Nichts.

Der Tokenpreis ist die einzige Zahl, die sich mühelos messen lässt. Deshalb ist sie die gefährlichste, wenn man sie mit Wirtschaftlichkeit verwechselt.

Daraus lässt sich ein einfaches Modell ableiten, das jeder KI-Use-Case bestehen sollte. Erstens eine messbare Veränderung gegenüber einer belastbaren Ausgangsbasis: Was war der Wert vorher, was ist er nachher, und ist der Unterschied dem KI-Einsatz zuzurechnen. Zweitens die vollständigen Kosten, nicht nur der Tokenpreis, sondern auch Datenaufbereitung, Betrieb, Monitoring und die menschliche Arbeit ringsherum. Drittens die relevanten Risiken, also Qualitätsschwankungen, Compliance-Fragen und der Preis einer falschen Entscheidung, die auf einem Modelloutput beruht.

Wer den Reifegrad seines KI-Einsatzes strukturiert einordnen will, findet im AI Adoption Maturity Model des Carnegie Mellon Software Engineering Institute einen governance- und wertorientierten Rahmen. Der springende Punkt bleibt derselbe: Reife zeigt sich nicht daran, wie viel KI ein Unternehmen einsetzt, sondern daran, ob es den Wert dieses Einsatzes benennen kann.

Hier lohnt der Einwand gegen die eigene Argumentation. Wenn jeder Token einen unmittelbaren Gegenwert liefern muss, erstickt man jede Exploration im Keim. Frühe Experimente produzieren zunächst Erkenntnis, nicht Ertrag. Ein Team, das ausprobiert, ob ein Modell überhaupt in der Lage ist, Angebotstexte sinnvoll vorzustrukturieren, kann das nicht mit einem positiven ROI im ersten Monat rechtfertigen. Es kauft sich Wissen über eine Unsicherheit, und Wissen hat einen anderen Preis als ein laufender Prozess.

Der Unterschied liegt nicht darin, ob etwas sich sofort rechnet, sondern darin, wonach man steuert. Ein Experiment braucht eine Lernhypothese, ein kleines Zeit- und Kostenbudget und ein klares Ende. Es fragt: Was wollen wir wissen, und was darf die Antwort kosten? Eine produktive Anwendung fragt anders: Welches Ergebnis erwarten wir dauerhaft, welche Vollkosten trägt es, und ab wann beobachten wir eine Qualität, die unter unseren Grenzwert fällt? Beide Logiken sind richtig. Nur werden sie regelmäßig verwechselt, und dann läuft ein teures Dauerexperiment als vermeintlicher Produktivbetrieb, ohne dass jemand die Reißleine kennt.

Die entscheidende Bewegung ist deshalb ein bewusster Übergang: Ein Experiment wird an seinem Ende entweder in einen Produktivbetrieb mit Wertziel und Vollkosten überführt, weiter als Lernvorhaben verlängert oder beendet. Diese Entscheidung ist wichtiger als jede technische Optimierung. Modellwahl, Kontextgröße oder Caching können die Kosten eines guten Use Case senken. Bei einem Use Case ohne benennbaren Gegenwert senken sie nur den Preis der Verschwendung.

Die ganze Argumentation lässt sich auf vier Fragen verdichten, die vor jedem neuen und bei jedem bestehenden KI-Use-Case standhalten sollten. Sie ersetzen kein Fachurteil, aber sie zwingen die stille Annahme ans Licht, dass Nutzung schon irgendwie Wert bedeute.

Damit lässt sich zum Dashboard vom Anfang zurückkehren, diesmal mit anderem Blick. Die steigende Nutzungskurve ist keine schlechte Nachricht und keine gute. Sie ist eine Ressourcenmetrik, die für sich weder Fortschritt noch Verschwendung beweist. Die Frage des CFO war nie unfair. Sie war nur früher dran als die Antwort.

KI-Reife zeigt sich am Ende nicht im maximalen Verbrauch und auch nicht im niedrigsten Budget. Sie zeigt sich in der ruhigen Fähigkeit, diese vier Fragen zu beantworten, bevor die Kurve steigt. Wer das kann, misst nicht mehr, wie viele Token geflossen sind. Er misst, was danach anders ist.