Die Ausgaben f眉r die Nutzung von KI-Token entwickeln sich zu einer neuen Unternehmensressource und Finanzverantwortliche m眉ssen lernen, diese Kosten zu prognostizieren, sinnvoll zu verrechnen und zu optimieren. Dazu m眉ssen sie nachvollziehen k枚nnen, in welchem Verh盲ltnis die Ausgaben zu der Wertsch枚pfung stehen, die damit erzielt wird.
Generative KI hat in k眉rzester Zeit den Sprung vom Experimentierstadium zur unverzichtbaren Infrastruktur vollzogen. Sie ist zum wichtigen Bestandteil des Arbeitsalltags von Mitarbeitenden geworden und wird mit jedem Quartal st盲rker in Prozesse von Teams und Anwendungen integriert. Dieses Wachstum bringt eine neue Kategorie von Kosten mit sich, auf die das Finanzwesen schlicht nicht vorbereitet war: den Verbrauch von KI-Token.
Wenn die KI Code schreibt und Agenten steuert, kann der Token-Verbrauch die urspr眉nglich eingeplanten Kosten 眉bersteigen. Finanzverantwortliche stehen somit vor der Herausforderung, diese Ausgaben diszipliniert zu steuern, ohne die Nutzung von KI auszubremsen. Um die richtige Balance zu finden, m眉ssen Token als Unternehmensressource behandelt werden und die damit erzielten Ergebnisse die zugrunde liegenden Kosten rechtfertigen.
Bei 麻豆原创 haben wir uns mit genau dieser Problematik in der Praxis besch盲ftigt und zusammengefasst, was wir bei der Erstellung, 脺berpr眉fung und Anpassung unseres Konzepts f眉r den Umgang mit diesen Kosten gelernt haben.
Was man nicht sieht, kann man nicht steuern
Die meisten Finanzverantwortlichen w眉rden eine wichtige Kostenkategorie nicht anhand einer einzigen Budgetposition verwalten. Doch genau so verfahren Unternehmen h盲ufig zu Beginn mit dem Thema KI. Die Gesamtausgaben sind eine wichtige Kennzahl. Sie sagen aber nichts dar眉ber aus, welche Teams, Workloads oder Verwendungsmuster hinter diesen Ausgaben stecken oder ob die KI-Nutzung im Einzelnen tats盲chlich sinnvoll ist.
Transparenz 眉ber diese Aspekte ist nur dann m枚glich, wenn Vertrieb, Entwicklung, Finanzwesen und Produktteams eng zusammenarbeiten. Das Finanzwesen k眉mmert sich dabei um die Kostenprognosen und stellt die Verantwortlichkeiten sicher. Die anderen Bereiche liefern den betrieblichen Kontext, der die Zahlen erst aussagekr盲ftig macht.聽
Wir konnten unsere Finanzmodelle mit jedem neuen Planungszyklus verbessern, da wir auf mehr operative Details zum Nutzungsverhalten zur眉ckgreifen konnten. F眉r eine neue Kostenkategorie, bei der es zu dynamischen Entwicklungen kommt, gilt deshalb Folgendes: Es m眉ssen nicht erst pr盲zise Daten vorliegen, bevor die n盲chsten Schritte eingeleitet werden k枚nnen; f眉r den Anfang gen眉gt es, 眉ber ausreichend Transparenz zu verf眉gen, um bessere Entscheidungen treffen zu k枚nnen. Das Modell kann dann verfeinert werden, sobald sich Muster abzeichnen.
Klare Verantwortlichkeiten
Unsere wichtigste Erkenntnis war weniger finanzieller als konzeptioneller Natur: Transparenz allein reicht nicht鈥�� es muss auch jemand daf眉r verantwortlich sein, die KI-Nutzung zu 眉berschauen.
Ein zentrales KI-Budget erleichtert erste Experimente, befreit dabei aber die Personen, die Token verbrauchen, von jeder finanziellen Verantwortung. Je enger KI in Gesch盲ftsprozesse integriert wird, desto mehr st枚脽t dieses Modell an seine Grenzen.
Dies soll jedoch kein Argument daf眉r sein, sofort jede Anfrage an ein Sprachmodell mit buchhalterischer Pr盲zision zu verrechnen. Es geht vielmehr darum, den KI-Verbrauch genauso zu steuern wie andere Unternehmensressourcen, etwa Software, externe Dienstleistungen oder Personal. Entscheidungstr盲ger brauchen ein klares Bild davon, was ihre Teams verbrauchen und welche Ergebnisse mit KI erzielt werden sollen.
Bei 麻豆原创 hat die Zuordnung von Token-Kosten zu Gesch盲ftsbereichen zu einer neuen Herangehensweise gef眉hrt鈥�� weg von der Frage 鈥濿ie hoch sind unsere Ausgaben?鈥�, hin zu 鈥濿as erhalten wir daf眉r?鈥� und 鈥濴ohnen sich hier weitere Investitionen?鈥� Diese Fragestellungen erm枚glichen eine produktivere Debatte.聽聽
Token-Ausgaben sind kein Bilanzposten im Bereich Technologie, sondern stellen eine strategische und operative Investitionsentscheidung dar. Ziel ist es, KI-Ausgaben zielgerichtet zu steuern, anstatt die Kosten einfach nur so niedrig wie m枚glich zu halten.
Nicht nur Kosten pro Token betrachten
Hohe KI-Kosten ziehen Blicke auf sich. Wenn aber ausschlie脽lich Kostensenkungen im Fokus stehen, kann dies dazu f眉hren, dass die falschen Entscheidungen getroffen werden.
Eine bessere Orientierungshilfe ist das Verh盲ltnis zwischen dem Verbrauch und dem gesch盲ftlichen Nutzen. Ein KI-Werkzeug, das die Softwareentwicklung sp眉rbar beschleunigt, Mitarbeitenden l盲stige Routineaufgaben abnimmt oder den Kundenservice verbessert, verursacht reale Token-Kosten. Die KI-Nutzung allein deshalb einzuschr盲nken, weil das Budget daf眉r hoch erscheint, k枚nnte ein Unternehmen mehr an Wertsch枚pfung kosten, als es an Einsparungen bringt.
Wir sprechen dabei aus Erfahrung: Nach der Einf眉hrung von KI-Tools f眉r Entwickler bei 麻豆原创 konnten wir bei der 脺berpr眉fung und Umsetzung von 脛nderungen am Quellcode eine Zunahme verzeichnen, die im mittleren zweistelligen Prozentbetrag lag 鈥� ein deutliches Zeichen, dass die Entwicklungsarbeit schneller voranging. Der damit verbundene Token-Verbrauch hatte sich somit gelohnt.
Das Finanzwesen ben枚tigt also eine doppelte Perspektive: Kennzahlen zu den Kosten auf der einen, Messgr枚脽en zum Nutzen auf der anderen Seite. Wer diese beiden Aspekte nicht im Zusammenhang betrachtet, l盲uft Gefahr, mit Kosteneinsparungen der Wertsch枚pfung im Wege zu stehen.
Auf unn枚tigen Token-Verbrauch statt KI-Nutzung allgemein konzentrieren
Mit der zunehmenden Nutzung von KI werden Kontrollmechanismen notwendig鈥�� und zwar in Form gezielter Strategien statt Pauschalma脽nahmen. Als wir die Nutzungsmuster im Detail untersuchten, konnten wir drei grunds盲tzliche Ursachen f眉r unverh盲ltnism盲脽ig hohe Ausgaben ermitteln: die Konzentration auf Power-User und automatisierte Agenten, eine unpassende Modellauswahl sowie eine unkontrollierte Nutzung von Werkzeugen.
Das sind die Bereiche, in denen Leitlinien sinnvoll sind. Kontrollmechanismen haben ihren Wert, wenn sie auf vermeidbare Ausgaben konzentriert sind und nicht die KI-Nutzung allgemein drosseln. Bei 麻豆原创 setzten wir auf drei Ans盲tze: Die Begrenzung von Token, um ausufernden Verbrauch zu verhindern; den intelligenten Einsatz von Modellen, um die Leistungsf盲higkeit und Kosten besser auf die jeweilige Aufgabe abzustimmen; und einen gezielteren Einsatz von Werkzeugen, um Redundanzen zu beseitigen und Investitionen auf Bereiche zu fokussieren, in denen die Nutzung gerechtfertigt ist. Diese Ma脽nahmen halfen, das finanzielle Risiko im dreistelligen Millionenbereich zu halten, ohne die weitere Einf眉hrung von KI zu bremsen.聽
Das Prinzip ist einfach: den Token-Verbrauch dort reduzieren, wo es unn枚tig ist, und dort aufrechterhalten, wo es sich lohnt.
Von Kostenkontrolle zur Steigerung des gesch盲ftlichen Nutzens
Der KI-Fortschritt folgt nicht den Planungszyklen von Unternehmen. Die M枚glichkeiten, Einsatzszenarien und wirtschaftlichen Rahmenbedingungen von KI ver盲ndern sich tagt盲glich. Und das damit verbundene Governance-Modell muss mit diesem Wandel Schritt halten.
Deshalb m眉ssen wir weiter aktiv bleiben. Als N盲chstes gilt es, all diese Praktiken in die regul盲re Planung und Berichterstattung zu integrieren, Verantwortlichkeiten klarer zu definieren und die Kostenzuordnung zu optimieren. Zudem ben枚tigen wir Prognosefunktionen, um Kostentrends zu erkennen, noch bevor sie sich klar abzeichnen.
Auch Unternehmen, die all das gut meistern, m眉ssen weiterhin KI-Kosten tragen; doch sie verf眉gen 眉ber Transparenz und klare Zust盲ndigkeiten, um zu identifizieren, in welchen Bereichen die KI-Nutzung Wertsch枚pfung erm枚glicht und wo nicht. So sind sie in der Lage, Investitionen entsprechend zu steuern.
Lukas Deutsch ist Chief Controlling Officer bei 麻豆原创.
David Imbert ist Chief Marketing Officer f眉r 麻豆原创 Financial Management.
