Analysen
Was kostet KI im Unternehmen? Woraus die Kosten bestehen und wie man sie berechnet
Die Kosten einer KI-Einführung sind überwiegend keine Token-Kosten: Unternehmen, die KI nutzen, nennen als großen Kostenpunkt die Infrastruktur (51 %), die Datenaufbereitung (50 %) und die Integration in bestehende Systeme (41 %), Token dagegen nur 8 %. Das Modell selbst wird schnell billiger — eine Abfrage auf GPT-3.5-Niveau fiel von 20 USD auf 0,07 USD je Million Token in weniger als zwei Jahren. Die Kalkulation beginnt deshalb beim Prozess und den Daten, nicht bei der API-Preisliste.12
Woraus die Kosten einer KI-Einführung bestehen
In der Bitkom-Umfrage 2026 nannten KI-nutzende Unternehmen, welche Posten für sie ein großer Kostenpunkt sind1:
| Kostenposten | Anteil der Unternehmen mit großem Kostenpunkt |
|---|---|
| Infrastruktur (Cloud, Rechenleistung) | 51 %1 |
| Datenaufbereitung | 50 %1 |
| Integration in bestehende Systeme | 41 %1 |
| Lizenzen und Abonnements | 21 %1 |
| Externe Beratung | 21 %1 |
| Schulung der Beschäftigten | 19 %1 |
| Token (Nutzungsgebühren für Modelle) | 8 %1 |
Die Schlussfolgerung ist einfach: Die API-Preisliste ist der kleinste Teil der Rechnung. Entscheidend sind Daten, Integrationen und die Menschen, die mit dem System arbeiten.
Das Modell selbst wird schnell billiger
Die Kosten einer Abfrage an ein Modell mit GPT-3.5-Qualität fielen von 20 USD je Million Token im November 2022 auf 0,07 USD im Oktober 20242. Epoch AI schätzt, dass der Preis für ein festes Qualitätsniveau um das 9- bis 900-Fache pro Jahr sinkt, im Median um das 50-Fache3. Ausgenommen sind allerdings Reasoning-Modelle, die pro Aufgabe deutlich mehr Token verbrauchen — und die Agenten häufig nutzen3.
So senken Sie die Betriebskosten der Modelle
- Batch-Verarbeitung: Aufgaben, die nicht sofort erledigt sein müssen, kosten die Hälfte bei Anthropic4, OpenAI6 und Google8.
- Prompt Caching: feste Anweisungen und mehrfach genutzte Dokumente sind beim erneuten Lesen günstiger — bei Anthropic kostet ein Lesezugriff aus dem Cache 0,1 des Eingabepreises5, bei OpenAI beträgt der Rabatt bis zu 95 %7.
- Modellwahl nach Aufgabe: einfache Aufgaben übernimmt ein günstigeres Modell, das teurere bleibt für Aufgaben, die es brauchen.
Kosten, die leicht vergessen werden
Systeme des maschinellen Lernens sind teuer im Unterhalt: Eine auf der NeurIPS veröffentlichte Studie zeigte, dass der Modellcode nur ein kleiner Teil des Systems ist und der laufende Betrieb sehr kostspielig sein kann12. Laut McKinsey berichten etwa 20 % der Befragten, dass Betriebskosten der KI einschließlich Token ihre Nutzung begrenzen10, und nur 27 % der Organisationen mit generativer KI prüfen alle Ergebnisse vor der Verwendung11. Qualitätskontrolle ist ein Kostenpunkt, der von Anfang an eingeplant werden muss.
Warum KI-Projekte die Produktion nicht erreichen
In einer Gartner-Umfrage erreichten im Schnitt nur 48 % der KI-Projekte die Produktion, der Weg vom Prototyp dorthin dauerte 8 Monate13. S&P Global stellte fest, dass der Anteil der Unternehmen, die die Mehrheit ihrer KI-Initiativen vor der Produktion abbrechen, binnen eines Jahres von 17 % auf 42 % stieg14. RAND nennt als Hauptursachen ein falsch verstandenes Problem, fehlende Daten und Technik um ihrer selbst willen statt für ein echtes Problem15.
Was eine Einführung bringen kann
In einer im Quarterly Journal of Economics veröffentlichten Studie erhöhte ein KI-Assistent die pro Stunde gelösten Anfragen im Schnitt um 15 %16. In einem in Science veröffentlichten Experiment schrieben Fachkräfte mit ChatGPT 40 % schneller, die Qualität stieg um 18 %17. Es gibt aber auch die andere Seite: In einem Experiment mit 758 Beratern lösten KI-Nutzer eine Aufgabe außerhalb der Modellfähigkeiten um 19 % seltener richtig18.
So kalkulieren wir in der Praxis
Wir nennen keine Preise vorab, weil sie ohne Prozess und Daten Raterei wären. Wir beginnen mit einer Prozesslandkarte, bauen einen Prototyp auf echten Daten und messen zwei Dinge: die Qualität des Ergebnisses und die Kosten pro Aufgabe. Erst auf dieser Grundlage fällt die Entscheidung über den Umfang, die Betriebskosten weisen wir getrennt aus.
Häufige Fragen
Was kostet die Einführung von KI im Unternehmen?
Es gibt keinen Pauschalbetrag — die Kosten hängen vom Prozess, von Menge und Qualität der Daten, der Zahl der Integrationen und den Betriebskosten der Modelle ab. Studien zeigen, dass Infrastruktur, Datenaufbereitung und Integration die größten Posten sind. Wir kalkulieren nach der Prozesslandkarte, getrennt für Prototyp und Betrieb.1
Was ist der größte Kostenblock bei KI?
Laut Bitkom-Umfrage unter 603 Unternehmen: Infrastruktur (51 % der Nennungen), Datenaufbereitung (50 %) und Integration in bestehende Systeme (41 %); Token nannten 8 % als großen Kostenpunkt.1
Rechnet sich KI?
Das hängt von der Aufgabe ab. In einer im Quarterly Journal of Economics veröffentlichten Studie erhöhte ein KI-Assistent die gelösten Anfragen pro Stunde im Schnitt um 15 %; in einem Experiment mit Beratern lag bei einer Aufgabe außerhalb der Modellfähigkeiten die Quote richtiger Lösungen um 19 % niedriger. Die Wirkung muss am Prototyp gemessen werden.1618
Quellen
- Bitkom: Erstmals nutzt die Mehrheit der Unternehmen KI
- Stanford HAI: The 2025 AI Index Report — Research and Development
- Epoch AI: LLM inference prices have fallen rapidly but unequally across tasks
- Anthropic: Batch processing
- Anthropic: Prompt caching
- OpenAI: Batch API
- OpenAI: Prompt caching
- Google AI for Developers: Batch API
- Eurostat: Use of artificial intelligence in enterprises (isoc_eb_ai)
- McKinsey & Company: The state of AI in 2026: On the road to ROI
- McKinsey & Company: The state of AI: How organizations are rewiring to capture value
- NeurIPS 2015: Hidden Technical Debt in Machine Learning Systems (Sculley et al.)
- Gartner: Gartner Survey Finds Generative AI Is Now the Most Frequently Deployed AI Solution in Organizations
- S&P Global Market Intelligence: Generative AI experiences rapid adoption, but with mixed outcomes
- RAND Corporation: The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed
- The Quarterly Journal of Economics: Generative AI at Work (Brynjolfsson, Li, Raymond)
- Science: Experimental evidence on the productivity effects of generative artificial intelligence (Noy, Zhang)
- Harvard Business School / SSRN: Navigating the Jagged Technological Frontier (Dell’Acqua et al.)