Bains Warnung zu Telco-AI-Kosten legt eine Opex-Falle offen
Bain hat eine Warnung zu Telco-AI-Kosten mit einer deutlichen Umkehrung ausgesprochen: Ausgaben für Automatisierung können die Betriebskosten erhöhen, selbst wenn Arbeitsplätze und Aufgaben wegfallen. Das Beratungsunternehmen schätzt, dass AI-Agenten, Tokens und zugehörige Datendienste langfristig 20 % bis 30 % der Kostenbasis eines Netzbetreibers ausmachen könnten.
Die Warnung stellt eine verbreitete Annahme hinter Telekom-AI-Programmen infrage. Günstigere Modelle und weniger manuelle Aufgaben garantieren kein kleineres Betriebsbudget. Behalten Betreiber ihre bestehenden Systeme, Verträge, Genehmigungen und menschlichen Workflows bei, wird AI zu einer weiteren Ausgabenebene über der alten Struktur.
Dieser Konflikt ist relevant, weil Betreiber AI bereits in Kundenservice, Netzbetrieb, Softwareentwicklung und Business-Support-Systemen einsetzen. AT&T experimentiert mit Model Routing und offenen Modellen, während Microsoft spezialisierte Netzwerkagenten vorantreibt. Bains Argument lautet, dass diese Werkzeuge nur dann Einsparungen schaffen, wenn Betreiber die Arbeit um sie herum neu gestalten.
Bains Warnung zu Telco-AI-Kosten verändert die Einsparungsrechnung
Bains zentrale Botschaft lautet: Telcos können einen Teil ihrer Kostenbasis durch AI ersetzen – oder AI-Ausgaben hinzufügen, ohne die Kosten zu streichen, die sie eigentlich ersetzen sollten.
Das Unternehmen veröffentlichte seine Telekom-Analyse am 10. September 2026. Darin beschreibt es einen wahrscheinlichen Wandel der Betriebsstrukturen in der Telekombranche in den kommenden drei bis fünf Jahren. AI-Agenten werden mehr Arbeit übernehmen oder unterstützen, während Menschen die Verantwortung für kritische Entscheidungen behalten.
Bain skizziert ein mögliches Betriebsmodell, in dem traditionelle Ausgaben 70 % bis 80 % der Gesamtkosten ausmachen. AI-Agenten, Tokenverbrauch und zugehörige Dienste bilden die verbleibenden 20 % bis 30 %.
Dieses Modell ist selbst keine Prognose für Einsparungen. Es beschreibt eine Veränderung dessen, wofür Betreiber zahlen und wie sich diese Ausgaben entwickeln.
Im günstigen Szenario ersetzen AI-Kosten einen vergleichbaren Anteil der Legacy-Ausgaben. Betreiber bauen redundante Arbeit ab, vereinfachen Prozesse, reduzieren unnötige Software und verändern ihren Personalbedarf. Die Gesamtkosten könnten weitgehend stabil bleiben, während Geschwindigkeit, Kapazität oder Servicequalität steigen.
Das gefährliche Szenario beginnt, wenn ein Betreiber dieselben AI-Ausgaben hinzufügt, ohne einen großen Teil der bestehenden Kostenbasis abzubauen. Mitarbeitende folgen weiterhin etablierten Prozessen. Software-Abonnements bleiben aktiv. Outsourcing-Vereinbarungen laufen weiter. AI-Assistenten übernehmen einzelne Schritte, beseitigen aber weder Übergaben noch doppelte Systeme.
Die gesamten Betriebsausgaben steigen dann um bis zu den Betrag der neuen AI-Ebene. Produktivität, Kundenerlebnis oder Umsatz müssen sich ausreichend verbessern, um diesen Anstieg zu rechtfertigen. Andernfalls hat der Betreiber eine kompliziertere statt einer effizienteren Organisation finanziert.
Die Unterscheidung ist wichtig, weil Betriebsausgaben, meist als Opex abgekürzt, während des laufenden Geschäftsbetriebs wiederkehren. Ein fehlgeschlagenes Investitionsprojekt kann einen sichtbaren Vermögenswert und eine klar definierte Abschreibung hinterlassen. Tokenverbrauch, Cloud-Inferenz, Monitoring und menschliche Prüfung können dagegen variable monatliche Kosten erzeugen, die über Abteilungen verteilt sind.
AI-Agenten verursachen Ausgaben zudem über den Modellzugang hinaus. Sie rufen Software-Tools auf, beziehen gespeicherte Informationen ein, bewerten Ergebnisse, halten Kontext vor und wiederholen manchmal erfolglose Schritte. Betreiber müssen für die Infrastruktur und Kontrollen rund um diese Aktivitäten bezahlen.
Bain lehnt daher die Kosten pro Token als wichtigste Kennzahl ab. Ein günstiger Token zeigt nicht, ob ein automatisierter Workflow ein Problem gelöst hat. Die nützliche Einheit sind die Kosten für die Lösung eines Kundenanliegens, die Bearbeitung eines Netzwerkvorfalls, die Erstellung eines Angebots oder den Abschluss eines Software-Releases.
Die ursprüngliche Berichterstattung fasste die deutlichste Konsequenz zusammen. Keiner von Bains illustrierten Wegen senkt die Gesamtkosten automatisch. Der eine ersetzt traditionelle Ausgaben durch AI-Ausgaben, während der andere die kombinierte Rechnung erhöht.
Das ist die Veränderung. Die Diskussion über Telekom-AI dreht sich nicht mehr nur darum, ob Modelle Arbeit automatisieren können. Sie wird zunehmend zu einem finanziellen Test dafür, ob Betreiber die Prozesse, Verträge und Organisationsebenen stilllegen können, die Automatisierung überflüssig macht.
Günstigere Modelle können dennoch höhere Rechnungen verursachen
Sinkende Modellpreise sind weniger wichtig, wenn Nutzung, Workflow-Komplexität und Nachfrage schneller wachsen als die Kosten pro Token sinken.
Bain zufolge sind die Modellpreise jährlich ungefähr um das Zehnfache gefallen. Das klingt nach einem direkten Weg zu geringeren AI-Ausgaben. Niedrigere Stückkosten fördern jedoch häufig eine breitere Nutzung, größere Prompts, komplexeres Schlussfolgern und länger laufende Agenten.
Eine Person, die AI zunächst zur Zusammenfassung eines Dokuments nutzte, könnte sie später bitten, eine gesamte Fallhistorie zu prüfen. Ein Netzteam kann von der Erstellung von Vorfallsnotizen zur Koordinierung von Diagnose, Behebung, Validierung und Eskalation übergehen. Jede Verbesserung erweitert den erforderlichen Umfang an Kontext, Schlussfolgern und Tool-Nutzung.
Agentische AI verstärkt diesen Effekt. Ein AI-Agent ist Software, die eine Abfolge von Aktionen planen und ausführen kann, statt nur einen einzelnen Prompt zu beantworten. Er kann mehrere Systeme konsultieren, ein fehlgeschlagenes Ergebnis neu bewerten und ein weiteres Modell aufrufen, bevor eine Aufgabe abgeschlossen wird.
Solche Schleifen können Tokens verbrauchen, ohne ein akzeptables Ergebnis zu liefern. Wiederholter Kontext kann bei jedem Modellaufruf erneut übertragen werden. Mehrere Guardrails können dieselbe Ausgabe prüfen. Zwei Agenten können überlappende Kontrollen durchführen, weil getrennte Teams sie unabhängig voneinander entwickelt haben.
Die Modellrechnung erfasst zudem nur einen Teil der Ausgaben. Ein produktiver Workflow kann Orchestrierungssoftware, Speicher, Observability, Evaluierung, Cybersicherheitskontrollen und menschliche Aufsicht erfordern. Betreiber können die Inferenz optimieren und dabei das größere System rundherum übersehen.
Die Nachfrage schafft eine weitere Druckquelle. Sobald Mitarbeitende nützliche Anwendungen entdecken, verbreitet sich die Einführung über Geschäftsbereiche hinweg. Netzbetrieb und Kundenservice sind besonders exponiert, weil sie hochvolumige Workflows mit großen Mengen operativen Kontexts enthalten.
Teams könnten auch standardmäßig neuere Reasoning-Modelle für Routinearbeiten einsetzen. Diese Modelle können bessere Analysen liefern, doch ihre längeren Schlussfolgerungsketten verbrauchen mehr Tokens. Weniger für jeden Token zu zahlen hilft nicht, wenn eine Aufgabe deutlich mehr davon benötigt.
Dieses Muster ähnelt dem Rebound-Effekt, der bei anderen Technologien zu beobachten ist. Effizienz senkt die Kosten einer einzelnen Aktivität, was Menschen dazu ermutigt, mehr davon auszuführen. Der Gesamtverbrauch kann steigen, obwohl jede Einheit günstiger wird.
Telekom-Betreiber stehen vor einer zusätzlichen Komplikation, weil ihre Workloads dauerhaft anfallen. Kundenanfragen, Alarme, Tickets, Konfigurationsänderungen und Betrugsprüfungen laufen rund um die Uhr weiter. Schon ein kleiner Anstieg der Kosten je automatisiertem Ereignis kann auf Netzebene erheblich werden.
Der richtige Vergleich ist daher nicht ein Modell mit einem anderen. Betreiber müssen einen AI-gestützten Workflow mit den vollständigen Kosten und Ergebnissen des Prozesses vergleichen, den er ersetzt.
Diese Rechnung sollte Abschlussquoten, Wiederholungsversuche, Eskalationen, Fehler, Aufsicht, Infrastruktur und nachgelagerte Korrekturen einbeziehen. Sie sollte auch Wert berücksichtigen, der nicht als unmittelbare Arbeitseinsparung sichtbar wird, etwa schnellere Wiederherstellung oder geringere Kundenabwanderung.
Das Ergebnis kann für AI sprechen, selbst wenn die direkten Ausgaben steigen. Ein Netzwerkagent, der einen größeren Ausfall verkürzt, kann erheblichen geschäftlichen Wert schaffen. Ein Chatbot, der längere Interaktionen erzeugt, ohne mehr Anfragen zu lösen, kann das Gegenteil bewirken.
Deshalb konzentriert sich Bains Analyse zu Telco-AI-Kosten auf die Kosten pro abgeschlossener Aufgabe. Sie zwingt Betreiber dazu, Ausgaben mit einem messbaren Ergebnis zu verbinden, statt niedrigere Tokenpreise oder eine höhere Nutzung zu feiern.
Die eigentliche Opex-Falle ist das duale Betriebsmodell
AI wird zur Opex-Falle, wenn sie am Rand neue Arbeit erledigt, während die Legacy-Organisation unverändert weiterarbeitet.
Telekommunikationsunternehmen starten selten mit sauberen Systemen. Viele betreiben Netzwerke mehrerer Anbieter, individuell angepasste Business-Support-Plattformen, langfristige Outsourcing-Vereinbarungen und Software, die sich über Jahre des Wachstums und von Übernahmen angesammelt hat.
Einen Assistenten zu dieser Umgebung hinzuzufügen, kann einen einzelnen Schritt beschleunigen. Die verbleibenden Schritte entfallen dadurch nicht automatisch.
Stellen Sie sich einen Kundenservice-Mitarbeiter vor, der AI zur Zusammenfassung eines Anrufs nutzt. Die Zusammenfassung kann Zeit sparen, doch die Person übernimmt weiterhin die Authentifizierung, durchsucht mehrere Systeme, fordert Genehmigungen an, aktualisiert Datensätze und löst das Anliegen des Kunden. Der Betreiber zahlt weiterhin für jede zugrunde liegende Plattform und jede organisatorische Übergabe.
Ein Assistent für den Netzbetrieb schafft dasselbe Risiko. Er kann einen Alarm klassifizieren oder eine Reaktion empfehlen, während Ingenieure weiterhin den etablierten Monitoring-, Ticketing- und Eskalationsprozess nutzen. Die AI-Ausgabe wird zu einem weiteren Artefakt, das Mitarbeitende prüfen müssen.
Bain bezeichnet dies als duales Betriebsmodell. Der von Menschen geführte Workflow bleibt intakt, während AI Fragmente um ihn herum ausführt. Lizenzen, Outsourcing-Kosten, Managementebenen und manuelle Kontrollen bestehen fort, weil sich der zugrunde liegende Prozess nie verändert.
Eine End-to-End-Neugestaltung führt zu einem anderen Ergebnis. Ein Betreiber beginnt beim Ziel, bildet jeden nötigen Schritt dorthin ab und entscheidet, welche Schritte entfallen sollten. AI wird dann Teil eines einfacheren Prozesses, statt sich an gewachsene Komplexität anzuhängen.
Bain nennt Vivos Arbeit an Closed-Loop-Netzbetrieb als Beispiel. Nach Angaben der Beratung hat der Betreiber einen vollständigen Prozess von der Erkennung bis zur Behebung neu gestaltet. AI kann Anomalien erkennen, wahrscheinliche Ursachen identifizieren, Korrekturmaßnahmen durchführen, Ergebnisse validieren und Ausnahmen eskalieren.
Diese Struktur zielt auf den gesamten Vorfall statt auf einen einzelnen Analyseschritt. Menschliche Aufmerksamkeit verlagert sich auf Fälle, die Urteilsvermögen oder Eingreifen erfordern. Der Workflow kann Wert schaffen, selbst wenn die AI-Ausgaben erheblich bleiben, weil weniger manuelle Übergaben die Behebung verzögern.
Betreiber müssen jedoch auch Lieferantenverträge als Teil der Neugestaltung behandeln. Wenn Agenten Arbeit übernehmen, die zuvor über Software-Lizenzen, externe Dienstleister oder ausgelagerte Teams erledigt wurde, sollten diese Verpflichtungen überprüft werden. Andernfalls schafft Automatisierung technische Einsparungen ohne finanzielle Einsparungen.
Die Personalplanung erfordert ebenso Sorgfalt. Erfahrene Mitarbeitende zu entlassen, bevor der neue Prozess funktioniert, kann Servicequalität und institutionelles Wissen schwächen. Jede Rolle unverändert beizubehalten, nachdem die Automatisierung ausgereift ist, kann doppelte Kosten bewahren.
Gartner ergänzte am 9. September eine allgemeinere Warnung. Seine Prognose zur Zukunft der Arbeit sagt voraus, dass bis 2029 30 % der wegen AI-Ersatz entlassenen Mitarbeitenden wieder eingestellt werden müssen. Das Unternehmen erwartet, dass viele Rückkehrer mehr kosten werden, weil Talentpipelines und institutionelles Wissen geschwächt worden sein werden.
Diese Prognose umfasst Branchen über die Telekommunikation hinaus, verstärkt jedoch direkt Bains Belastungstest. Ein überstürzter Stellenabbau kann den anfänglichen Business Case attraktiv erscheinen lassen, später jedoch Kosten für Rekrutierung, Schulung, Service und Nachbesserungen verursachen.
Das Ziel ist nicht, jede bestehende Tätigkeit zu schützen. Es geht darum, Personalabbau nicht als Beweis dafür zu behandeln, dass das neu gestaltete System funktioniert.
Betreiber sollten zunächst feststellen, ob AI den angestrebten Workflow mit akzeptabler Qualität und vertretbarem Risiko abschließen kann. Anschließend können sie Rollen, Verträge, Genehmigungen und Systeme anhand verifizierter Leistung verändern. Diese Reihenfolge verbindet organisatorische Veränderung mit operativen Nachweisen.
Die Opex-Falle besteht daher nicht einfach in teurer Inferenz. Sie ist das Fortbestehen der Kostenbasis von gestern unter der Automatisierungsebene von morgen.
AT&T zeigt, wie Tokenökonomie in der Praxis aussieht
Die Reaktion von AT&T veranschaulicht die Alternative: Modellfähigkeiten auf jede Aufgabe abstimmen und die Orchestrierung auf die Gesamtkosten des Workflows ausrichten.
Laut Bain untersuchte AT&T, wie sich täglich Milliarden von Tokens effizienter verarbeiten lassen. Der Betreiber gestaltete seine Orchestrierung neu, damit große koordinierende Agents Aufgaben an kleinere, spezialisierte Modelle delegieren können.
Nach Angaben von AT&T, auf die sich Bain bezieht, senkte dieser Ansatz die Kosten um bis zu 90 % und verdreifachte zugleich den Durchsatz. Dabei handelt es sich um eine Unternehmensangabe, nicht um einen unabhängig geprüften Branchenbenchmark. Sie zeigt dennoch, worauf eine ernsthafte Strategie zur Kostenkontrolle abzielt.
AT&T bezeichnet seinen Ansatz als Tokenomics. In diesem Zusammenhang bedeutet Tokenomics, den Modellverbrauch als operative Ressource zu steuern und Entscheidungen anhand von Aufgabenkomplexität, Leistung und Kosten zu treffen.
Der Betreiber hat Open Models untersucht, weil sie mehr Kontrolle über Bereitstellung und Optimierung bieten. Seine Tokenomics-Strategie beruht nicht darauf, jede Anfrage an das jeweils größte verfügbare Modell zu senden.
Für eine routinemäßige Klassifizierungsaufgabe kann ein kleines Modell genügen. Eine komplexe Netzwerkdiagnose kann dagegen ein leistungsfähigeres Reasoning-System rechtfertigen. Ein koordinierender Agent kann Aufgaben zwischen ihnen weiterleiten, statt für jeden Schritt ein kostspieliges Modell einzusetzen.
Diese Strategie ist wichtig, weil die Modellauswahl häufig unsichtbar erfolgt. Beschäftigte wählen ein vertrautes Tool, oder Entwickler legen ein Standardmodell für eine Anwendung fest. Der Kostenunterschied wirkt in einem Pilotprojekt gering, wächst jedoch mit dem Erreichen von Produktionsvolumen.
Routing schafft eigene Kosten und Risiken. Der Betreiber muss bewerten, welches Modell jede Aufgabe zuverlässig bewältigen kann. Er benötigt Fallback-Regeln, Leistungsüberwachung, Sicherheitskontrollen und klare Grenzen für menschliche Überprüfung.
Diese Mechanismen ermöglichen jedoch eine bessere finanzielle Fragestellung. Der Betreiber kann ermitteln, welche Kombination aus Modellen, Tools und Menschen die Aufgabe auf dem erforderlichen Serviceniveau löst.
Die Erfahrung von Microsoft liefert einen hilfreichen Vergleich. Der CTO für die Telco-Branche erklärte, dass große Modelle zur Anomalieerkennung erhebliche Komplexität hinzufügten, während sie gegenüber traditionellen statistischen Methoden nur begrenzte Verbesserungen boten. Das Unternehmen verlagerte den Schwerpunkt von der Vorhersage jedes Netzwerkausfalls auf eine schnelle Reaktion, wenn ein solcher eintritt.
Dieses Eingeständnis ist wertvoll, weil es einen technisch interessanten Anwendungsfall von einem finanziell sinnvollen trennt. Ein ausgefeilteres Modell schafft keinen Wert, wenn einfachere Methoden nahezu genauso gut funktionieren.
Microsoft sieht weiterhin Potenzial in Netzwerkbetrieb und Business-Support-Systemen. Sein Framework Network Operations Agent nutzt spezialisierte Agents für Funktionen wie Telemetrie, Ticketing, Fehlerbehebung und Feldkoordination.
Far EasTone Telecom hat dieses Framework in seinem Network Operations Center eingesetzt. Laut Microsofts Darstellung der Implementierung werden fast 60 % der Aktivitäten im Network Operations Center des Betreibers KI-gestützt ausgeführt.
Unterstützt bedeutet nicht autonom. Microsoft behält bei Änderungen am eigenen Netzwerk menschliche Aufsicht bei, auch dort, wo Agents fortgeschrittene operative Workflows unterstützen. Diese Unterscheidung begrenzt das Betriebsrisiko, erhält aber auch einen Teil der Personalkosten.
Das ist der zentrale Zielkonflikt im Bain-Management von KI-Kosten bei Telcos. Betreiber wollen stärkere Automatisierung, doch Zuverlässigkeitsanforderungen erfordern Bewertung, Freigaben und Rechenschaftspflicht. Eine zu frühe Abschaffung der Aufsicht kann Ausfälle oder falsche Aktionen verursachen. Zu viel Aufsicht kann den wirtschaftlichen Nutzen zunichtemachen.
Der Ansatz von AT&T beseitigt diese Spannung nicht. Er macht sie messbar. Modellrouting, dedizierte Budgets und aufgabenbezogene Abrechnung ermöglichen Führungskräften zu erkennen, wo mehr Autonomie das Ergebnis verbessert und wo sie lediglich den Verbrauch erhöht.
Die praktische Lehre lautet nicht, dass jede Telco eine einzige Architektur kopieren sollte. Vielmehr benötigt KI-Ausgaben ein bewusst gestaltetes Kontrollsystem, bevor die Nutzung Milliarden täglicher Tokens erreicht.
Was die Erzählung über Kosteneinsparungen weiterhin nicht beweist
Bain bietet ein nützliches Betriebsmodell, doch seine Prozentwerte sind Szenarien und keine verifizierten Einsparungen oder Verluste im gesamten Telekomsektor.
Die 70-zu-30-Struktur ist eine Schätzung, wie sich Kosten entwickeln könnten. Bain weist darauf hin, dass die Darstellung keine absoluten Veränderungen der Ausgaben berücksichtigt. Sie sollte nicht als Prognose verstanden werden, dass jeder Betreiber denselben Anteil für KI ausgeben wird.
Betreiber unterscheiden sich bei Netzabdeckung, Personalstrukturen, Outsourcing-Vereinbarungen, Regulierung und Cloud-Strategien. Ein Modell, das zu einem Unternehmen passt, kann für ein anderes ungeeignet sein.
Die Kosten einer abgeschlossenen Aufgabe hängen auch vom gewählten Ergebnismaß ab. Eine Kundeninteraktion kann anhand von Bearbeitungszeit, Lösungsquote, Zufriedenheit, Kundenbindung oder Umsatz gemessen werden. Ein Automatisierungsprogramm kann nach einem Maß erfolgreich und nach einem anderen schwach wirken.
Netzwerkvorfälle schaffen ein ähnliches Problem. Eine schnellere Diagnose hilft, doch das Ergebnis zählt nur, wenn die Empfehlung korrekt ist und die Reparatur gelingt. Ein Agent, der schnelle, aber unzuverlässige Antworten erzeugt, kann Prüf- und Korrekturaufwand erhöhen.
Bains Argument setzt außerdem voraus, dass Betreiber Altkosten identifizieren und abbauen können. Das ist häufig eher eine vertragliche und organisatorische als eine technische Herausforderung. Eine Softwarevereinbarung kann über Jahre laufen. Eine regulierte Kontrolle kann weiterhin verpflichtend sein. Eine ausgelagerte Funktion kann Aktivitäten abdecken, die KI nur teilweise übernimmt.
Nachfrageunsicherheit erschwert die Prognose zusätzlich. Der Tokenverbrauch kann beschleunigen, wenn Beschäftigte mehr Einsatzmöglichkeiten entdecken. Er kann sich auch stabilisieren, wenn Governance besser wird, kleinere Modelle reifen oder konventionelle Automatisierung unnötige KI-Aufrufe ersetzt.
Vorteile können außerhalb der Betriebskostenposition entstehen. Höhere Netzzuverlässigkeit kann die Abwanderung verringern. Schnellere Angebotserstellung kann Vertriebskapazitäten verbessern. Automatisierte ländliche Kioske können Märkte bedienen, die keinen personell besetzten Laden tragen würden.
Bain verweist auf ein Telia-Pilotprojekt mit KI-gestützten Selbstbedienungskiosken in ländlichen Gemeinden. Das Beispiel verschiebt die wirtschaftliche Frage von der Reduzierung bestehender Arbeit hin zur Bedienung einer zuvor unwirtschaftlichen Nachfrage.
Das ist ein Wachstumsargument und kein bloßer Fall von Kostensenkung. Es kann neue KI-Ausgaben rechtfertigen, wenn der Service ausreichende Umsätze oder Kundennutzen schafft. Jedes Projekt als Opex-Reduktionsprogramm zu behandeln, würde diesen Unterschied übersehen.
Zudem besteht das Risiko, dass Unternehmen die Warnung nutzen, um sinnvolle Implementierungen zu verlangsamen. KI-Ausgaben sind real, doch Verzögerungen, Ausfälle, repetitive Arbeit und Kundenfrustration sind es ebenfalls. Jede variable Kostenposition zu vermeiden, würde die Ineffizienzen bewahren, die Betreiber angehen wollen.
Die bessere Antwort ist diszipliniertes Experimentieren, das an Geschäftsergebnisse gekoppelt ist. Ein Pilotprojekt sollte Qualität, Abschlusskosten, Akzeptanz und Betriebsrisiko ermitteln. Außerdem sollte es genau identifizieren, welche bisherigen Ausgaben entfallen können, wenn das Pilotprojekt skaliert.
Hier scheitern Proofs of Concept häufig. Eine Demonstration kann zeigen, dass ein Modell eine Aufgabe bewältigt. Sie beweist selten, dass eine Organisation einen Workflow entfernen, einen Vertrag neu verhandeln oder die Rechenschaftspflicht rund um diese Fähigkeit verändern kann.
Eine skeptische Lesart von Bains Warnung bleibt daher ausgewogen. Die Analyse belegt nicht, dass KI die Gesamtkosten jedes Betreibers erhöhen wird. Sie zeigt, warum niedrigere Modellpreise und beeindruckende Pilotprojekte keine ausreichenden Belege für Einsparungen sind.
Die Beweislast liegt nun bei den Betreibern. Sie müssen auf Aufgabenebene wirtschaftliche Kennzahlen veröffentlichen oder intern validieren, nicht bloß Akzeptanzzahlen, Tokenvolumina oder Personalankündigungen.
Drei Signale werden zeigen, ob Telcos der Falle entkommen
Der nächste Test besteht darin, ob Betreiber KI-Verbrauch mit abgeschlossenen Ergebnissen verbinden, doppelte Kosten abbauen und bewährte Workflows ausweiten können, ohne den Service zu schwächen.
Das erste Signal ist Reporting auf Aufgabenebene. Betreiber sollten die vollständigen Kosten gelöster Kundenfälle, Netzwerkvorfälle, Software-Releases und Vertriebsangebote erfassen. Diese Kennzahlen müssen Modelle, Infrastruktur, Bewertungen, Wiederholungsversuche, Tools und menschliche Überprüfung einschließen.
Wenn die Aufgabenkosten sinken und die Abschlussqualität stabil bleibt, gewinnt Bains günstigerer Entwicklungspfad an Unterstützung. Wenn die Tokenpreise sinken, die Gesamtkosten pro Ergebnis jedoch steigen, nimmt die Opex-Falle Gestalt an.
Das zweite Signal ist der sichtbare Abbau von Altkosten. Betreiber sollten zeigen, dass erfolgreiche Automatisierung zu weniger redundanten Anwendungen, kürzeren Prozessketten, überarbeiteten Outsourcing-Verträgen oder neu gestalteten Rollen führt.
Personalabbau allein reicht nicht aus. Gartners Prognose zu Wiedereinstellungen verdeutlicht das Risiko, Menschen abzubauen, bevor Automatisierung, Schulung und Governance bereit sind. Nachhaltige Einsparungen erfordern, dass sich der Prozess selbst verändert.
Belege dafür, dass Betreiber doppelte Software und manuelle Übergaben reduzieren, würden Bains These zur Neugestaltung von Workflows stärken. Ein anhaltendes Wachstum sowohl der KI-Ausgaben als auch der Legacy-Verträge würde dagegen sein Szenario schleichender Kostensteigerungen stützen.
Das dritte Signal ist eine kontrollierte Ausweitung von Pilotprojekten auf Produktions-Workflows mit hohem Wert. Bain empfiehlt, drei kostspielige und schwierige Prozesse für eine Ende-zu-Ende-Neugestaltung auszuwählen. Kundenservice, Netzwerkbetrieb und Softwarebereitstellung sind naheliegende Kandidaten.
Eine erfolgreiche Ausweitung sollte mehr als eine Demonstration hervorbringen. Sie sollte Zuständigkeiten, akzeptable Fehlerraten, Regeln für menschliche Eskalation und finanzielle Rechenschaftspflicht festlegen. Jeder Agent sollte einen benannten Verantwortlichen und ein messbares Ergebnis haben.
Achten Sie darauf, wie Betreiber diese Programme in Finanzupdates und operativen Briefings diskutieren. Aussagen über die Zahl der Agents oder verbrauchten Tokens zeigen Aktivität, nicht Wert. Kennzahlen zu Lösung, Wiederherstellung, Kundenbindung, Durchsatz und Gesamtkosten zeigen, ob sich das Betriebsmodell verändert hat.
Die nächsten Monate werden die langfristige Wirtschaftlichkeit von Telekom-KI nicht abschließend klären. Sie können jedoch zeigen, ob Führungskräfte die unmittelbare Herausforderung der Kostenrechnung akzeptiert haben.
Bains Forschung zu KI-Kosten bei Telcos lässt Betreibern eine konkrete Wahl. Sie können weiterhin Assistenten zu alten Workflows hinzufügen oder ausgewählte Workflows um messbare Ergebnisse herum neu aufbauen. Käufer und Beschäftigte sollten fragen, welche Kosten verschwinden, wenn jeder neue Agent hinzukommt. Können Führungskräfte diese Frage nicht beantworten, bleibt die versprochene Effizienz eine Ausgabenprognose statt eines Geschäftsergebnisses.
