Der unternehmerische Wettlauf um mehr KI verlangsamt sich
Die Fixierung am Arbeitsplatz darauf, die Nutzung generativer KI zu maximieren, stößt zunehmend auf eine härtere Realität: Kostendisziplin. Ein am 28. Juli veröffentlichter Bericht von Fast Company beschrieb die nachlassende Attraktivität von „tokenmaxxing“ als Begriff für das starke Ausreizen des Verbrauchs von KI-Tokens über Tools und Workflows hinweg, in der Annahme, dass mehr Nutzung für bessere Leistung, schnellere Ergebnisse oder stärkere Innovation steht.
Diese Denkweise gewann an Bedeutung, als Unternehmen Systeme von Anbietern wie OpenAI und Anthropic rasch in den Betrieb überführten. In der Praxis wurde die Token-Nutzung zu einem groben Maß für die Intensität der Einführung. Je mehr Prompts, Ausgaben, Agenten und automatisierte Aufgaben eine Organisation erzeugte, desto fortschrittlicher konnte sie wirken. Der Bericht legt jedoch nahe, dass Unternehmenskunden Aktivität zunehmend von Wert trennen. Steigende Rechnungen gingen nicht immer mit entsprechenden Produktivitäts- oder Geschäftsergebnissen einher.
Vincent Gusdorf, Leiter der KI-Analytik bei Moody’s Ratings und Autor eines von Fast Company zitierten Berichts, plädierte für einen disziplinierteren Ansatz. Sein Punkt ist einfach: Generative KI macht es leicht, Arbeit, Zusammenfassungen, Entwürfe und Prozessebenen zu erzeugen, die vielleicht gar nicht wirklich nötig sind. Wenn jede Interaktion Tokens verbraucht und sich unternehmensweit skaliert, kann sich Verschwendung schnell aufsummieren.
Vom Statussignal zum Kostentreiber
Der Artikel zeichnet nach, wie tokenintensive Nutzung noch vor wenigen Monaten gefeiert wurde. Prominente Tech-Führungskräfte stellten hohen KI-Verbrauch als Zeichen dafür dar, dass Teams aggressiv experimentierten und die Technologie ernst nahmen. OpenAI-CEO Sam Altman sagte im Mai, er sei gespannt darauf, was „tokenmaxxing startups“ bauen würden und wie sie intern arbeiten würden. Nvidia-CEO Jensen Huang argumentierte, dass bei einem hochbezahlten Ingenieur etwas nicht stimme, wenn er nicht ebenfalls eine große Menge an Tokens nutze. Laut dem Bericht veranstaltete Meta sogar einen internen Wettbewerb, bei dem die Token-Nutzung belohnt wurde.
Dieses Framing trug zu einer Kultur bei, in der Ausgaben für KI als Ausweis von Ambition galten. Der archetypische Heavy User automatisierte nicht bloß Routineaufgaben, sondern koordinierte kontinuierlich ganze Flotten von KI-Agenten. Die Annahme war, dass Sättigung irgendwo Wert freilegen würde: schnellere Codeerstellung, mehr Content-Produktion, bessere Recherche oder völlig neue Produktfunktionen.
Für die Modellanbieter schlug sich dieser Aktivitätsschub direkt in Umsatz nieder. Für Unternehmenskunden sieht die Ökonomie jedoch anders aus. Sie tragen die Token-Rechnungen, Integrationskosten, Governance-Lasten und Datenrisiken. Sobald diese Ausgaben konkret statt hypothetisch wurden, mussten Führungskräfte eine weniger modische Frage stellen: Welche Einsätze sind das Geld tatsächlich wert?
Warum die Skepsis wächst
Die im Bericht beschriebene Gegenreaktion bedeutet keine Anti-KI-Wende. Sie ist spezifischer als das. Unternehmen wollen weiterhin die versprochenen Vorteile generativer Modelle, sind aber weniger bereit anzunehmen, dass maximale Nutzung dasselbe ist wie kluge Nutzung. Diese Unterscheidung ist wichtig, weil tokenbasierte Abrechnung Verhaltensweisen fördern kann, die sich leicht skalieren, aber schwer rechtfertigen lassen.
Microsoft-CEO Satya Nadella räumte in von Fast Company zitierten Aussagen ein, dass tokenmaxxing süchtig machen könne, argumentierte jedoch zugleich, Kunden zahlten möglicherweise doppelt: einmal für die Tokens selbst und ein zweites Mal dadurch, dass sie Anbietern Zugriff auf proprietäre Daten geben. Auch wenn Nadella zugleich Microsofts eigene Strategie bewarb, verweist die Kritik auf eine breitere unternehmerische Sorge. Kosten sind nur eine Seite der Gleichung. Die Kontrolle sensibler Informationen ist die andere.
Palantir-CEO Alex Karp wählte noch schärfere Worte und sagte, etwas sei „komplett schiefgelaufen“, wobei er die Frustration von Unternehmen aufgriff, die das Gefühl hätten, viel Geld für wenig Ertrag auszugeben. Der gemeinsame Nenner dieser Reaktionen ist nicht die Ablehnung von KI als Kategorie, sondern die Ablehnung ungesteuerter KI-Ausgaben.
Das Kennzahlenproblem in der Unternehmens-KI
Ein Grund, warum sich tokenmaxxing so schnell verbreitete, ist, dass Tokens messbar sind. In einer Phase, in der viele Unternehmen unter Druck standen, ihre KI-Dynamik zu belegen, boten Nutzungszahlen eine sichtbare Kennzahl. Vorstände und Führungskräfte konnten Einführungsquoten, Volumen generierter Ausgaben oder wachsende interne Anwendungsfälle als Beleg dafür anführen, dass die Organisation mithielt.
Messbar bedeutet jedoch nicht zwangsläufig sinnvoll. Token-Gesamtsummen sagen wenig über Qualität, eingesparte Zeit, Fehlerraten, Kundenergebnisse oder Umsatzwirkung aus. Sie können Verschwendung sogar verschleiern, indem sie Aktivität wie Fortschritt aussehen lassen. Ein Team kann mit KI mehr Entwürfe, mehr Analysen und mehr synthetische Recherchen produzieren und dabei den Kern der Leistung kaum verbessern. Das Ergebnis ist eine vertraute Unternehmensfalle: die Metrik zu optimieren, die sich am leichtesten berichten lässt, statt diejenige, die Wert am besten widerspiegelt.
Hier gewinnt der von Moody’s beschriebene Wandel strategische Bedeutung. Wenn Organisationen von der Maximierung des Verbrauchs zur Bewertung des Ertrags übergehen, könnten sich Beschaffungs- und Produktentscheidungen schnell ändern. Gewinner wären dann nicht einfach die Modellanbieter mit den größten Rohnutzungszahlen, sondern die Unternehmen, die Kunden dabei helfen, Modelle selektiv, sicher und mit klarerer ökonomischer Logik einzusetzen.
Wie es weitergeht
Das wahrscheinlichste Ergebnis ist kein Einbruch der unternehmerischen KI-Nachfrage. Es ist eine Bewegung hin zu strengeren Kontrollen, gezielteren Einsätzen und größerer Prüfung darauf, wo Tokens ausgegeben werden. Organisationen könnten Anwendungsfälle mit direktem Nutzen priorisieren, etwa Coding-Assistenz, Dokumenten-Workflows mit messbaren Durchlaufzeitverkürzungen oder domänenspezifische Copilots, die in umsatzgenerierende Prozesse integriert sind. Experimente, die beeindruckende Mengen, aber unklare Geschäftsvorteile erzeugen, könnten stärkerem internen Widerstand begegnen.
Das würde eine reifere Phase der Unternehmensadoption markieren. Die frühe Phase generativer KI in vielen Arbeitsumgebungen belohnte Begeisterung und sichtbares Experimentieren. Die nächste Phase könnte Zurückhaltung, Messbarkeit und Architekturentscheidungen belohnen, die Kosten planbar halten. In diesem Sinne ist der Rückgang von tokenmaxxing weniger ein Rückzug als eine Normalisierung. Die Technologie verlässt ihre performative Phase und tritt in die Beschaffungslogik ein, die die meisten Unternehmenssoftware bestimmt.
Das wichtige Signal aus dem Fast-Company-Bericht ist nicht, dass Unternehmen weniger KI nutzen, weil das Interesse verschwunden ist. Es ist, dass sie beginnen zu fragen, ob jeder ausgegebene Token dauerhaften Wert erzeugt. Für eine Branche, die auf Skalierung aufgebaut ist, könnte das die entscheidende Frage werden.
Dieser Artikel basiert auf einem Bericht von Fast Company. Zum Originalartikel.
Originally published on fastcompany.com