KI wird billiger.

Zumindest sieht es auf den ersten Blick so aus.

Die Preise für die Verarbeitung einzelner Tokens sinken, Modelle werden effizienter und die technische Infrastruktur verbessert sich. Trotzdem kann die KI-Rechnung eines Unternehmens steigen.

Boston Consulting Group beschreibt genau dieses Paradox in einer am 10. September 2026 veröffentlichten Analyse: Nach Einschätzung der Beratung wächst der Tokenverbrauch derzeit schneller, als die Preise pro Token fallen. Besonders agentische KI verstärkt diesen Effekt, weil ein Agent nicht nur eine einzelne Anfrage verarbeitet, sondern selbstständig weitere Modelle oder Tools aufrufen, Arbeitsschritte wiederholen und wachsenden Kontext erneut verarbeiten kann.

Damit verändert sich eine grundlegende Annahme der klassischen Softwarebeschaffung.

Nicht mehr allein der vereinbarte Preis entscheidet über die tatsächlichen Kosten. Entscheidend wird zunehmend, wie eine Leistung genutzt wird.

Die Überschrift „Token statt Lizenz“ ist deshalb bewusst zugespitzt. Klassische Lizenzmodelle verschwinden nicht. Viele KI-Produkte werden weiterhin als Seats, Pakete oder hybride Modelle verkauft.

Aber daneben wächst eine Kostenwelt, die wesentlich dynamischer ist: Tokens, API-Aufrufe, Rechenleistung, agentische Prozessketten und unterschiedliche Modell- oder Providerpreise.

Für CFO, CIO und Procurement ist das mehr als eine neue Rechnungsposition.

Es ist ein neues Steuerungsproblem.

Der Tokenpreis ist nur der Anfang

Bei klassischer Unternehmenssoftware lässt sich ein erheblicher Teil der Kosten relativ früh bestimmen.

100 Nutzer. Ein vereinbarter Preis pro Seat. Eine Vertragslaufzeit. Vielleicht einige Zusatzmodule und Implementierungskosten.

Das Budget ist nicht vollkommen statisch – aber grundsätzlich planbar.

Bei verbrauchsabhängiger KI ist die Logik eine andere.

Die Kosten hängen beispielsweise davon ab,

  • wie häufig ein Modell aufgerufen wird,
  • wie viel Kontext verarbeitet wird,
  • welches Modell für eine Aufgabe verwendet wird,
  • wie lang die erzeugten Ergebnisse sind,
  • ob ein einzelner Vorgang weitere Modellaufrufe auslöst,
  • ob ein Agent Arbeitsschritte wiederholt,
  • über welchen Anbieter oder welche Infrastruktur die Leistung bezogen wird.

McKinsey beschreibt diesen Übergang ausdrücklich als Veränderung der Sourcing-Logik: Während traditionelle Softwarebeschaffung häufig durch Seat-Lizenzen, relativ stabile Nachfrageprognosen und längerfristige Commitments geprägt war, stehen bei KI verbrauchsabhängige Preise, dynamische Nachfrage und zunehmend Multi-Model-Umgebungen im Vordergrund.

Die relevante Kennzahl lautet deshalb nicht:

„Was kostet eine Million Tokens?“

Sondern:

„Was kostet der vollständige Geschäftsvorgang, für den diese Tokens verbraucht werden – und welchen Wert erzeugt er?“

Agenten machen aus Nutzung eine Kostenkette

Bei einem klassischen Chat mit einem Sprachmodell lässt sich die Logik noch relativ leicht nachvollziehen.

Ein Nutzer stellt eine Frage. Das Modell verarbeitet den Input. Es liefert eine Antwort.

Ein agentischer Workflow kann wesentlich komplexer sein.

Ein Agent interpretiert eine Aufgabe, plant Zwischenschritte, ruft ein Modell auf, nutzt ein Tool, analysiert das Ergebnis, fragt eine weitere Datenquelle ab, startet einen weiteren Modellaufruf und kontrolliert anschließend sein eigenes Resultat.

Was für den Nutzer wie eine Aktion aussieht, kann technisch aus vielen kostenrelevanten Vorgängen bestehen.

BCG sieht genau darin einen der Gründe für den steigenden Verbrauch. McKinsey weist ebenfalls darauf hin, dass bei derselben Aufgabe Tokenmenge, Modellaufrufe und Agentenketten deutlich variieren können.

Das verändert Budgetierung fundamental.

Denn die Anzahl der Mitarbeitenden oder Lizenzen reicht nicht mehr automatisch aus, um zukünftige Ausgaben abzuschätzen.

Ein kleines Team mit intensiv genutzten automatisierten Workflows kann andere Kosten erzeugen als eine große Zahl gelegentlicher Nutzer.

Und ein günstigeres Modell kann insgesamt teurer sein, wenn ein Prozess dadurch häufiger wiederholt werden muss oder wesentlich mehr Kontext benötigt.

KI-Kostenmanagement beginnt deshalb nicht beim Einkaufspreis. Es beginnt beim tatsächlichen Nutzungs- und Prozessmodell.

Wenn die Kosten auf fünf Rechnungen verteilt sind

Hinzu kommt ein zweites Problem: KI-Ausgaben entstehen nicht zwangsläufig bei einem einzigen Anbieter.

Ein Unternehmen kann gleichzeitig bezahlen für:

  • Enterprise-Copilots,
  • direkte Verträge mit Modellanbietern,
  • Cloud-Infrastruktur,
  • API-basierte KI-Dienste,
  • KI-Funktionen innerhalb bestehender SaaS-Lösungen,
  • externe Entwickler oder Implementierungspartner,
  • spezialisierte Anwendungen einzelner Fachbereiche.

Damit kann wirtschaftlich ein zusammenhängender KI-Prozess entstehen, dessen Kosten kaufmännisch über mehrere Provider, Budgets und Kostenstellen verteilt sind.

McKinsey beschreibt genau diese Fragmentierung zwischen Cloud-Providern, Modellanbietern, Softwareplattformen, Experimentierumgebungen und Fachbereichen als eines der zentralen Transparenzprobleme beim Enterprise-AI-Spend. Die zugrunde liegende McKinsey-Erhebung vom Mai 2026 umfasste 120 Unternehmensteilnehmer, von denen 75 als qualifizierte Befragte in fünf Branchen ausgewiesen werden; 93 Prozent dieser Befragten berichteten von überschrittenen KI-Budgets. Die Stichprobe ist damit ein relevantes Signal, aber keine repräsentative Aussage über die Gesamtwirtschaft.

Für das Management stellt sich deshalb eine bekannte Frage in neuer Form:

Wer gibt eigentlich wie viel für welche externe Leistung aus – und wofür?

Genau an diesem Punkt wird aus KI-Kosten ein Supplier-Steuerungsthema.

Procurement muss nicht nur Preise verhandeln, sondern Verbrauch verstehen

BCG nennt neben Nutzungs- und Infrastruktursteuerung ausdrücklich Smart Contracting als einen von drei Hebeln des Token Cost Management.

Die Idee dahinter ist nachvollziehbar: Unternehmen benötigen Preistransparenz, sollten Abnahmeverpflichtungen mit ihrem tatsächlichen Bedarf abgleichen und in einer sich schnell verändernden Anbieterlandschaft kommerzielle Wahlmöglichkeiten erhalten. BCG beziffert das gesamte Einsparpotenzial seiner drei Hebel mit „bis zu 50 Prozent“. Diese Zahl ist jedoch ausdrücklich als BCG-Einschätzung zu verstehen. Der Report basiert nach Angaben der Beratung auf Erfahrungen aus Kundenprojekten sowie eigener Expertise in KI, Infrastruktur, Einkauf und Kostenoptimierung – nicht auf einer repräsentativen Marktstudie.

Für Procurement verändert sich damit die Aufgabe.

Ein günstiger Tokenpreis ist wirtschaftlich wenig wert, wenn:

  • Mindestabnahmen deutlich über dem tatsächlichen Bedarf liegen,
  • die Nutzung unerwartet stark wächst,
  • Workloads technisch kaum zwischen Providern verschoben werden können,
  • Fachbereiche parallel ähnliche Leistungen einkaufen,
  • hochwertige Modelle auch für einfache Aufgaben verwendet werden,
  • der wirtschaftliche Nutzen eines Workflows nicht nachvollziehbar ist.

Preisverhandlung bleibt wichtig.

Aber sie wird um Verbrauchs- und Bedarfsverständnis ergänzt.

KI-Kosten brauchen einen Geschäftskontext

Reine Kostentransparenz löst das Problem allerdings noch nicht.

Zwei KI-Anwendungen können jeweils 20.000 Euro pro Monat kosten und trotzdem wirtschaftlich vollkommen unterschiedlich zu bewerten sein.

Die eine unterstützt vielleicht einen zentralen Prozess mit hohem Geschäftsvolumen.

Die andere finanziert überwiegend Experimente, deren Nutzen noch nicht bewertet wurde.

Eine dritte kostet nur 5.000 Euro, bindet aber zusätzlich erhebliche interne Prüf- und Nacharbeitskapazität.

BCG argumentiert deshalb, dass langfristig Kosten, Qualität, Geschäftsergebnis und zusätzlicher menschlicher Aufwand gemeinsam betrachtet werden sollten. McKinsey verfolgt einen ähnlichen Gedanken und empfiehlt, KI-Kosten stärker den Produkten, Workflows, Business Units oder Use Cases zuzuordnen, die den Verbrauch tatsächlich erzeugen.

Für das Management ergibt sich daraus eine einfache, aber wichtige Unterscheidung:

Billige KI ist nicht automatisch wirtschaftliche KI.

Und hohe KI-Ausgaben sind nicht automatisch problematisch.

Problematisch wird es, wenn niemand erklären kann,

wofür das Geld ausgegeben wird, wer darüber entscheidet und welcher Prozess oder welches Ergebnis damit finanziert wird.

Was gutes KI-Kostenmanagement sichtbar machen sollte

Unternehmen brauchen dafür nicht zwangsläufig noch eine weitere isolierte Kostenübersicht.

Sie brauchen Zusammenhang.

Für jeden relevanten KI-Use-Case sollten mindestens sieben Perspektiven miteinander verbunden werden:

  • Geschäftskontext: Welches Projekt, Produkt oder welcher Prozess nutzt die KI?
  • Verantwortung: Welcher Bereich und welcher Owner verantworten Nutzung und Budget?
  • Provider: Von welchem externen Anbieter stammt die jeweilige Leistung?
  • Verbrauch: Welche nutzungsabhängigen Größen treiben die Kosten?
  • Vertrag: Welche Preise, Commitments und kommerziellen Bedingungen gelten?
  • Gesamtkosten: Welche direkten und indirekten Aufwände entstehen tatsächlich?
  • Ergebnis: Welcher fachliche oder wirtschaftliche Output wird damit unterstützt?

Erst diese Verbindung erlaubt eine sinnvolle Managementdiskussion.

Denn ohne Kontext sieht man möglicherweise, dass die Kosten steigen.

Mit Kontext lässt sich diskutieren, warum sie steigen und ob diese Entwicklung erwünscht ist.

Von AI Spend zu Supplier Intelligence

Gerade in größeren Unternehmen wird KI nicht als einzelnes Produkt eingeführt.

Sie entsteht als Ökosystem.

Modelle, Cloud-Plattformen, SaaS-Anbieter, spezialisierte Tools, Beratungspartner und interne Entwicklungen greifen ineinander.

Damit ähneln KI-Ausgaben zunehmend anderen komplexen externen Leistungen: Die Rechnung allein sagt noch wenig darüber aus, was im Projekt tatsächlich passiert.

Relevant werden Verbindungen zwischen:

Provider → Vertrag → Use Case → Projekt → Verbrauch → Kosten → Ergebnis → Entscheidung

Fehlt dieser Zusammenhang, entstehen schnell mehrere Wahrheiten.

Procurement kennt den Vertrag. IT kennt die Architektur. Finance kennt die Rechnung. Der Fachbereich kennt den Anwendungsfall. Das Projektteam kennt die operative Nutzung.

Jede Perspektive ist richtig.

Aber keine reicht allein für Steuerung.

Sieben Fragen für CFO, CIO und Procurement

Ein guter Ausgangspunkt für den nächsten AI-Budget-Review sind deshalb sieben Fragen:

  • Können wir unsere wesentlichen KI-Ausgaben einzelnen Providern und Verträgen vollständig zuordnen?
  • Wissen wir, welcher Use Case oder Workflow den jeweiligen Verbrauch verursacht?
  • Können wir erklären, warum sich die Kosten gegenüber dem Plan verändern?
  • Sind Mindestabnahmen und Commitments noch mit der tatsächlichen Nutzung vereinbar?
  • Ist sichtbar, welche Anwendungen ähnliche Leistungen bei unterschiedlichen Providern einkaufen?
  • Betrachten wir neben dem technischen Verbrauch auch Qualität, Nacharbeit und Geschäftsergebnis?
  • Ist bei einer deutlichen Abweichung klar, wer über Nutzung, Provider, Budget oder Scope entscheidet?

Mehrere Nein-Antworten bedeuten nicht automatisch, dass KI zu teuer ist.

Sie zeigen zunächst etwas anderes:

Das Unternehmen kann seine KI-Ausgaben noch nicht vollständig als steuerbare externe Leistung betrachten.

Project Intelligence: Der Euro braucht einen Kontext

Aus Ramp7-Perspektive ist genau diese Verbindung entscheidend.

Project Intelligence betrachtet externe Leistungen, Projekte, Budgets und Managemententscheidungen nicht als voneinander isolierte Informationen.

Bei KI wird dieses Prinzip besonders relevant.

Denn ein Betrag ohne Providerkontext ist unvollständig. Ein Provider ohne Use Case ist unvollständig. Ein Use Case ohne Projekt- oder Ergebnisbezug ist unvollständig. Und ein Kostenanstieg ohne Verantwortlichkeit führt noch zu keiner Entscheidung.

Daraus folgt ausdrücklich nicht, dass Ramp7 heute Tokenverbräuche einzelner Modelle automatisch erfasst, KI-Provider integriert oder AI-FinOps-Funktionen bereitstellt. Solche Produktclaims benötigen eine gesonderte Product-Owner-Bestätigung.

Die Managementperspektive ist allgemeiner:

Je dynamischer externe Leistung verbraucht und abgerechnet wird, desto wichtiger wird eine gemeinsame Steuerungsebene, die Kosten in ihren operativen und geschäftlichen Kontext setzt.

Fazit: Der günstigste Token gewinnt nicht

Die aktuelle Diskussion um Tokenkosten zeigt, wie schnell sich die wirtschaftliche Logik von Unternehmenssoftware verändern kann.

Sinkende Stückpreise sind zunächst positiv.

Aber wenn Nutzung, Modelle, Provider und agentische Workflows gleichzeitig wachsen, kann der Gesamtaufwand trotzdem steigen. BCG macht diese Entwicklung zum Ausgangspunkt seiner aktuellen Analyse; McKinsey beschreibt parallel die wachsende Herausforderung fragmentierter und verbrauchsabhängiger AI-Spend-Strukturen.

Für Unternehmen verschiebt sich deshalb die zentrale Frage.

Nicht:

„Wie günstig kaufen wir Tokens ein?“

Sondern:

„Welche KI-Leistung kaufen und verbrauchen wir bei welchem Anbieter – für welchen Prozess, zu welchen Gesamtkosten und mit welchem Ergebnis?“

Damit wird KI-Kostenmanagement zu einer gemeinsamen Aufgabe von IT, Finance, Procurement und operativem Management.

Und genau dort beginnt aus Kostenkontrolle echte Steuerungsfähigkeit.