Warum Unternehmen Schwierigkeiten haben, Preise für KI festzulegen

Google News hat am 4. August einen BBC-Bericht hervorgehoben, der einen wachsenden Konflikt in der künstlichen Intelligenz aufzeigt: Unternehmen können weiterhin nicht entscheiden, was ein KI-Produkt wert ist.

Diese Unsicherheit betrifft inzwischen Modellentwickler, Softwareanbieter, Unternehmenskunden und die Finanzteams, die Einsätze genehmigen. KI kann pro Nutzer, Token, Aktion, Gespräch, Kapazität oder Geschäftsergebnis verkauft werden. Jede Wahl verteilt Kosten und Risiken anders.

Das Problem wurde schwieriger, als KI über Chats hinausging. OpenAI und Anthropic machten tokenbasierten Zugang populär, während Microsoft und Salesforce Agenten in etablierte Unternehmenssoftware einbrachten. Agenten können mehrere Modellaufrufe ausführen, Unternehmensdaten durchsuchen, Tools verwenden und ihre eigene Arbeit überarbeiten, bevor sie eine einzelne Anfrage abschließen.

Die traditionelle Softwarepreisgestaltung geht davon aus, dass ein zusätzlicher Nutzer nur geringe zusätzliche Betriebskosten verursacht. KI durchbricht diese Annahme, weil jede generierte Antwort Rechenressourcen verbraucht. Agentische Systeme vergrößern die Diskrepanz, indem sie für jede Aufgabe einen unvorhersehbaren Arbeitsaufwand leisten.

Das Ergebnis ist ein Wettstreit zwischen planbaren Abonnements und variablem Verbrauch. Anbieter benötigen Umsätze, die ihren Rechenkosten folgen. Kunden benötigen Rechnungen, die sie prognostizieren können, und einen Nutzen, den sie rechtfertigen können. Keine Seite möchte die gesamte Unsicherheit tragen.

Die Google-News-Meldung verweist auf einen Markt, der sein Geschäftsmodell noch erprobt

Die entscheidende Veränderung ist nicht ein neuer Preis. Es ist der Rückzug der Branche von einer einzigen, verlässlichen Art, Software zu verkaufen.

Softwareunternehmen haben jahrzehntelang Abonnements leicht verständlich gemacht. Ein Unternehmen zählte Mitarbeitende, wählte Funktionen aus und verhandelte einen Vertrag. Die Nutzung konnte schwanken, ohne die Rechnung dramatisch zu verändern.

Generative KI schuf eine direkte Verbindung zwischen Kundenaktivität und Ausgaben des Anbieters. Ein Token, die kleine Einheit zur Verarbeitung und Generierung von Text, steht für Arbeit, die ein Modell leistet. Längere Prompts, größere Dokumente, tiefergehendes Reasoning und wiederholte Tool-Aufrufe erhöhen allesamt den Verbrauch.

Dieses System wirkt präzise, doch Präzision garantiert keine Verständlichkeit. Die meisten Mitarbeitenden wissen nicht, wie viele Token eine Aufgabe erfordert. Ein Beschaffungsteam kann Token nicht einfach in fertiggestellte Berichte, gelöste Fälle oder schnellere Produktentscheidungen übersetzen.

Die Herausforderung wächst, wenn ein Agent die Aufgabe übernimmt. Ein gewöhnlicher Chatbot antwortet möglicherweise einmal. Ein Agent kann planen, Datensätze abrufen, externe Systeme aufrufen, ein Ergebnis bewerten und es erneut versuchen. Eine sichtbare Anfrage kann daher viele verborgene Modelloperationen auslösen.

Die Enterprise-Optionen von OpenAI veranschaulichen diesen Unterschied. Sein Kapazitätsmodell ermöglicht API-Kunden, Token-Durchsatz für einen bestimmten Modellsnapshot zu reservieren. Das hilft bei der Steuerung der Verfügbarkeit, doch Käufer müssen weiterhin abschätzen, wie viel Kapazität ihre Anwendungen benötigen.

Microsoft verwendet eine weitere Abstraktionsebene. Ausgewählte Copilot- und Agent-Funktionen nutzen verbrauchsbasierte Abrechnung, während für einige Einsätze vorausbezahlte Kapazität verfügbar bleibt. In der Dokumentation heißt es, dass Reasoning-Modelle während einer einzelnen Interaktion mehr als einen Abrechnungszähler aktivieren können.

Diese Ansätze sind nicht grundsätzlich unfair. Sie spiegeln einen Dienst mit variablen Produktionskosten wider. Allerdings verlagern sie die Prognosearbeit auf Kunden, bevor diese ihre künftige Nutzung vollständig verstehen.

Die über Google News verbreitete BBC-Schlagzeile ist relevant, weil sie ein strukturelles Problem beschreibt, nicht einen vorübergehenden Aktionszyklus. KI-Anbieter erproben, wie sie Rechenkosten, Kundennutzen und verständliche Verträge miteinander verbinden können. Diese drei Elemente bewegen sich selten im Gleichschritt.

Ein günstigeres Modell kann die Kosten eines einzelnen Aufrufs senken. Es macht einen mehrstufigen Workflow nicht automatisch planbar. Ein effizienter Agent kann Arbeit mit weniger Aufrufen erledigen, während ein schlecht konzipierter Agent mehr Ressourcen verbrauchen kann, ohne eine bessere Antwort zu liefern.

Preisgestaltung wird daher zu einer Frage des Produktdesigns. Der Zähler beeinflusst, wie Entwickler Workflows aufbauen, wie häufig Nutzer darauf vertrauen und ob Manager autonomen Betrieb zulassen. Er bestimmt auch, welche Fehler finanziell schmerzhaft werden.

Ein festes Abonnement fördert Experimente, setzt den Anbieter jedoch starken Nutzern aus. Token-Abrechnung schützt den Anbieter, kann aber die Einführung hemmen. Ergebnisbasierte Abrechnung klingt wertorientiert, setzt jedoch voraus, dass beide Seiten sich darauf einigen, was Erfolg bedeutet.

Kein Modell beseitigt Risiken. Es entscheidet lediglich, wer sie trägt.

Nutzerbasierte Software trifft auf variable KI-Kosten

KI-Anbieter wünschen sich die Einfachheit von Abonnements, doch die Ökonomie der Inferenz drängt sie weiterhin zur verbrauchsabhängigen Abrechnung.

Nutzerbasierte Preisgestaltung berechnet jeden autorisierten Nutzer. Sie funktioniert gut, wenn Software als Werkzeug dient, das Mitarbeitende direkt bedienen. Ein Kunde kann die Ausgaben durch Zählen der Nutzer schätzen, während der Anbieter von wiederkehrenden Umsätzen profitiert.

KI-Agenten verkomplizieren diese Logik, weil sie Arbeit ohne kontinuierliche menschliche Eingaben erledigen können. Ein Mitarbeitender könnte einen Agenten starten, der eine einzelne Abfrage abschließt. Ein anderer könnte einen Workflow beginnen, der Hunderte Dokumente prüft und seine Ausgabe mehrfach überarbeitet.

Beide Nutzer gleich abzurechnen, kann Umsatz und Betriebskosten voneinander entkoppeln. Es trennt auch Preis und erbrachte Arbeit. Der Kunde mit der größeren Arbeitslast erhält mehr Dienstleistung, obwohl beide Nutzerplätze identisch erscheinen.

Das Gegenmodell rechnet Verbrauch ab. Anbieter können Token, Nachrichten, Modellaufrufe, Aktionen oder Verarbeitungskapazität messen. Die Einnahmen folgen dann der technischen Aktivität stärker.

Die Abrechnungsleitlinien für Agenten von Microsoft zeigen, wie detailliert dies werden kann. Verschiedene Agent-Funktionen verbrauchen unterschiedliche Mengen, und Reasoning-fähige Modelle können getrennte Zähler ansprechen. Diese Granularität unterstützt die Kostendeckung, macht die Budgetierung jedoch vom Verhalten des Workflows abhängig.

Kunden können die Nutzung überwachen, Grenzen setzen und Prompts optimieren. Diese Kontrollen helfen nach dem Einsatz. Sie lösen jedoch nicht die frühere Frage, wie viel ein ungetesteter Workflow im großen Maßstab verbrauchen wird.

Besonders schwierig ist dies bei Wissensarbeit. Eine wiederkehrende Klassifizierungsaufgabe hat relativ stabile Ein- und Ausgaben. Recherche, Programmierung, Vertragsanalyse und Kundensupport enthalten Ausnahmen, die einen Agenten auf längere Wege schicken.

Ein Support-Agent könnte eine bekannte Anfrage mit einem einzigen Abruf lösen. Ein seltenes Kontoproblem könnte mehrere Datenbankabfragen, Richtlinienprüfungen und Übergaben erfordern. Aktivitätsbasierte Abrechnung erfasst diesen Unterschied, doch der Kunde zahlt gerade dann mehr, wenn das System auf schwierige Fälle trifft.

Das kann einen problematischen Anreiz schaffen. Ein Anbieter kann mehr verdienen, wenn ein Agent ineffizient arbeitet, während der Kunde die zusätzlichen Kosten trägt. Der Anbieter kann diesem Bedenken mit transparenten Protokollen, Effizienzzielen und Ausgabenkontrollen begegnen. Dennoch wird Vertrauen Teil der kommerziellen Vereinbarung.

Feste Abonnements kehren den Anreiz um. Der Anbieter profitiert, wenn Modelle und Workflows effizienter werden, weil die Einnahmen stabil bleiben, während die Rechenkosten sinken. Unbegrenzter Zugang schafft jedoch Risiken, wenn Nutzer große Aufgaben automatisieren oder Agenten kontinuierlich ausführen.

Hybride Preisgestaltung versucht, das Risiko aufzuteilen. Ein Unternehmen könnte die gewöhnliche Nutzung in einer Lizenz einschließen und dann fortgeschrittene Aktionen oder höheren Verbrauch separat berechnen. Das erhält einen vertrauten Einstiegspunkt und begrenzt zugleich offene Kostenrisiken für den Anbieter.

Hybride Strukturen bringen ihre eigene Komplexität mit sich. Käufer müssen verstehen, welche Aktivitäten eingeschlossen sind und welche einen neuen Zähler aktivieren. Wenn die Grenze erst nach dem Einsatz sichtbar wird, wird ein einfaches Abonnement zu einem unvorhersehbaren variablen Vertrag.

Der Konflikt setzt etablierte Softwareunternehmen am stärksten unter Druck. Sie haben Kunden darauf eingestellt, stabile Verträge pro Nutzer zu erwarten. Nun müssen sie variable Abrechnung einführen, ohne ihre Produkte wie ungewohnte Cloud-Infrastruktur wirken zu lassen.

Modellanbieter stehen vor einem anderen Problem. Ihre Produktionseinheit ist leichter zu messen, doch ihre Dienste konkurrieren zunehmend mit günstigeren Modellen. Kunden können einfache Aufgaben an kleinere Systeme weiterleiten und Premium-Modelle anspruchsvollen Arbeiten vorbehalten.

Dieses Routing schwächt die Fähigkeit eines Anbieters, einen umfassenden Preisaufschlag zu verlangen. Zugleich wird die Anwendungsebene wichtiger, weil die Orchestrierung bestimmt, welches Modell jede Aufgabe erledigt.

Der Google-News-Bericht handelt daher nicht nur davon, eine Zahl auszuwählen. Unternehmen müssen entscheiden, ob sie Zugang, Rechenleistung, Arbeit oder ein Ergebnis verkaufen. Die Antwort verändert den Zähler, die Kundenbeziehung und das Produkt selbst.

Ergebnisbasierte KI-Preisgestaltung klingt fair, bis jemand Erfolg definieren muss

Ergebnisbasierte Preisgestaltung richtet die Zahlung theoretisch am Wert aus, doch die Zurechnung verwandelt die scheinbare Lösung in eine weitere Verhandlung.

Ein ergebnisbasiertes Modell berechnet Gebühren, wenn das System ein vereinbartes Ergebnis erzielt. Ein Anbieter für Kundenservice könnte die Abrechnung an gelöste Gespräche knüpfen. Ein Vertriebsprodukt könnte abgeschlossene Arbeit oder ein anderes verifiziertes Ereignis verwenden.

Dieser Ansatz ist unmittelbar attraktiv. Kunden wollen Token nicht um ihrer selbst willen kaufen. Sie wollen weniger ungelöste Anfragen, schnellere Analysen, besseren Service oder abgeschlossene Geschäftsprozesse.

Anbieter erhalten ebenfalls eine klarere Nutzenargumentation. Statt eine unsichtbare Recheneinheit rechtfertigen zu müssen, können sie die Zahlung mit etwas verbinden, das ein Manager bereits misst.

Salesforce bietet inzwischen mehrere Agentforce-Strukturen statt einer universellen Antwort an. Seine Agentforce-Optionen umfassen gesprächsbasierte Abrechnung und ein flexibles Kreditsystem. Salesforce führte Letzteres ein, nachdem sich sein ursprünglicher Ansatz nicht für jeden Workflow als ausreichend erwiesen hatte.

Diese Entwicklung zeigt, warum ergebnisbasierte Preisgestaltung schwierig wird. Ein Gespräch kann kurz oder lang sein. Eine Aktion kann trivial oder folgenreich sein. Eine Lösung kann auf den Agenten, die eigene Anstrengung des Kunden, einen menschlichen Mitarbeitenden oder mehrere zusammenarbeitende Systeme zurückgehen.

Die Parteien müssen zunächst das abrechenbare Ereignis definieren. Anschließend benötigen sie Regeln für doppelte Anfragen, wiedereröffnete Fälle, teilweise Abschlüsse, Kundenabbrüche, menschliches Eingreifen und fehlerhafte Ergebnisse.

Qualität fügt eine weitere Ebene hinzu. Ein Agent könnte einen Supportfall schließen, obwohl der Kunde unzufrieden bleibt. Er könnte einen Lead als qualifiziert einstufen, ohne Umsatz zu erzeugen. Er könnte einen Vertrag entwerfen, der Zeit spart, aber dennoch eine umfangreiche rechtliche Prüfung erfordert.

Wenn die Abrechnung dem ersten sichtbaren Abschlussereignis folgt, kann der Anbieter auf Abschluss statt auf nachhaltigen Nutzen optimieren. Wenn die Zahlung von einem späteren Geschäftsergebnis abhängt, können externe Faktoren den Beitrag des Agenten überlagern.

Ergebnisbasierte Preisgestaltung verändert auch die Verantwortlichkeit. Ein Anbieter, der Zahlungen nur bei Erfolg akzeptiert, scheint mehr Leistungsrisiko zu übernehmen. In der Praxis können Verträge die Erfolgsdefinition jedoch einengen, unsichere Fälle ausschließen oder Kunden dazu verpflichten, bestimmte Daten und Prozesse aufrechtzuerhalten.

Diese Bedingungen können angemessen sein. Ein Agent kann aus fehlenden Datensätzen, widersprüchlichen Richtlinien oder unzugänglichen Systemen keine verlässlichen Ergebnisse liefern. Dennoch schwächt jede Bedingung die Behauptung, der Preis folge einfach dem Wert.

Ein unabhängiger Käufer muss fragen, wer die Ergebnisdaten kontrolliert. Wenn der Anbieter den Zähler definiert, den Agenten betreibt und Erfolg meldet, benötigen Kunden Prüfbarkeit. Sie sollten das Ereignis, das die Abrechnung ausgelöst hat, einsehen und fehlerhafte Klassifizierungen anfechten können.

Eine zweite Frage betrifft die Optimierung. Hört der Agent auf, wenn er die abrechenbare Schwelle erreicht, oder wenn er das tatsächliche Ziel des Kunden erreicht? Diese beiden Zeitpunkte sind nicht immer identisch.

Eine dritte Frage betrifft das Scheitern. Ein Agent kann erhebliche Rechenressourcen verbrauchen, ohne eine Aufgabe abzuschließen. Bei ergebnisbasierter Preisgestaltung trägt der Anbieter diese direkten Kosten. Die wahrscheinliche Reaktion besteht darin, schwierige Workflows einzuschränken, Unsicherheit in den Vertrag einzupreisen oder Grenzfälle an Menschen weiterzuleiten.

Das bedeutet: Abrechnung nach Ergebnissen beseitigt technische Kosten nicht. Sie verbirgt sie hinter einem Geschäftsvorgang und verlagert das Risiko in die Anspruchsregeln.

Für eng definierte Workflows mit hohem Volumen kann das Modell funktionieren. Beide Seiten können das Ereignis messen, Ausnahmen prüfen und die Häufigkeit abschätzen. Schwieriger wird die Vereinbarung bei offener Wissensarbeit, bei der Qualität subjektiv ist.

Ein Recherche-Memo, eine Produktstrategie oder ein Softwaredesign haben selten einen einzigen binären Erfolgspunkt. Ihr Wert zeigt sich erst später durch menschliche Entscheidungen. Eine Abrechnung pro Ergebnis würde ein umstrittenes Urteil über Qualität oder Wirkung erfordern.

Diese Einschränkung hält nutzungs- und nutzerbasierte Preise am Leben. Sie mögen unvollkommen sein, messen aber beobachtbare Dinge. Ergebnisorientierte Modelle funktionieren am besten, wenn das Resultat gleichermaßen beobachtbar und zurechenbar ist.

Günstigere Modelle erhöhen den Druck, schließen aber nicht die Prognoselücke

Wettbewerb kann die Kosten für Intelligenz senken, doch niedrigere Stückkosten machen autonome Workloads nicht vorhersehbar.

Offene Modelle und kleinere spezialisierte Systeme verschaffen Unternehmen mehr Verhandlungsmacht. Ein Entwicklungsteam kann ein Premium-Modell für anspruchsvolles Denken einsetzen und routinemäßige Klassifizierung oder Extraktion anschließend an eine günstigere Option weiterleiten.

Dieser Multi-Modell-Ansatz verringert die Abhängigkeit von einem einzelnen Anbieter. Er macht die Modellauswahl zudem zu einer operativen Entscheidung statt zu einer dauerhaften Bindung.

Der Wandel setzt OpenAI, Anthropic, Google, Microsoft und andere Anbieter unter Druck, Premium-Dienste zu rechtfertigen. Die reine Führungsposition bei Benchmarks zählt weniger, wenn ein kleineres Modell die tatsächliche Aufgabe des Kunden zuverlässig erledigt.

IDC argumentiert, dass sich der KI-Wettbewerb in Richtung messbarer Ergebnisse bewegt. Seine Ergebnisanalyse besagt, dass die betriebliche Einsatzbereitschaft eine wesentliche Einschränkung bleibt, wenn Unternehmen Schwierigkeiten haben, Pilotprojekte in Kernworkflows zu überführen.

Dieser Unterschied ist entscheidend. Ein niedrigerer Tokenpreis hilft nur, wenn Workload, Prompt, Retrieval-System und Tool-Aufrufe wirksam bleiben. Eine günstige Antwort, die wiederholte Korrekturen erfordert, kann mehr kosten als ein überzeugender erster Versuch.

Das Design des Agenten bestimmt einen großen Teil der Endrechnung. Entwickler entscheiden, wie viel Kontext sie bereitstellen, wann sie Dokumente abrufen, welche Tools sie aufrufen und wie viele Wiederholungsversuche sie zulassen. Sie entscheiden auch, ob eine Aufgabe ein fortgeschrittenes Reasoning-Modell benötigt.

Prompt-Caching ist ein Beispiel für architektonische Einsparungen. Es ermöglicht einer Anwendung, bereits verarbeiteten Prompt-Inhalt wiederzuverwenden, statt dasselbe Material erneut zu berechnen. Die Caching-Dokumentation von OpenAI beschreibt, wie wiederholte Prompt-Präfixe anders behandelt werden können als nicht gecachte Eingaben.

Caching hilft, wenn eine Anwendung wiederholt stabile Anweisungen oder Referenzmaterial versendet. Es hilft weniger, wenn jede Aufgabe andere Datensätze verwendet oder frischen Kontext erfordert.

Retrieval kann die Menge der an ein Modell gesendeten Informationen reduzieren, doch schlechtes Retrieval verursacht andere Kosten. Wenn das System irrelevante Dokumente auswählt, kann das Modell eine schwache Antwort erzeugen oder einen weiteren Versuch benötigen.

Auch menschliche Prüfung muss in die Berechnung einfließen. Ein KI-System kann auf API-Ebene günstig wirken, während es Prüfaufwand auf Mitarbeitende verlagert. Eine sinnvolle Kostenkennzahl umfasst Einrichtung, Überwachung, Korrektur, Sicherheit und Governance.

Deshalb können Vergleiche, die nur auf Tokens basieren, Käufer in die Irre führen. Tokens sind ein Produktionsmaß, aber kein vollständiges Maß für nützliche Arbeit.

Dasselbe Problem betrifft Abo-Vergleiche. Ein nominell unbegrenzter Tarif kann Rate Limits, Modelleinschränkungen oder Richtlinien enthalten, die verändern, wie viel Vielnutzer erhalten. Unternehmen benötigen Servicegarantien und Workload-Tests, nicht nur eine Tarifbezeichnung.

Die Berichterstattung von Google News spiegelt zunehmend diese Spannung zwischen sinkenden Modellkosten und steigendem Gesamteinsatz wider. Wenn Agenten längere Aufgaben ausführen, können Effizienzverbesserungen zu mehr Verbrauch führen. Niedrigere Kosten pro Schritt garantieren keine niedrigeren Gesamtausgaben.

Dieses Muster ähnelt dem Cloud Computing. Günstigere Speicherung und Verarbeitung erweiterten, was Unternehmen bauen konnten, während die gesamten Cloud-Rechnungen weiterhin aktive Steuerung erforderten. KI bringt zusätzliche Unsicherheit mit sich, weil Modellverhalten und Workflow-Länge probabilistisch sind.

Ein deterministisches Programm folgt einer festgelegten Abfolge. Ein Agent kann für ähnliche Anfragen unterschiedliche Wege wählen. Diese Flexibilität schafft Wert, erschwert aber auch die Kapazitätsplanung.

Unternehmen können mit Aufgabenbudgets reagieren. Ein Agent erhält eine maximale Anzahl an Schritten, Tool-Aufrufen oder Tokens. Er muss anhalten, eine Genehmigung einholen oder die Arbeit an eine Person übergeben, wenn er das Limit erreicht.

Sie können Aufgaben auch nach Komplexität weiterleiten. Ein leichtgewichtiges Modell bearbeitet gewöhnliche Arbeit, während ein leistungsfähigeres System nur schwierige Fälle erhält. Evaluierungsdaten sollten diese Routing-Regeln bestimmen.

Bei wissensintensiver Arbeit ist die Pflege eines verlässlichen Kontexts ebenso wichtig. Ein gut organisierter Wissensworkflow kann unnötige Suchen und wiederholte Dokumentenverarbeitung reduzieren. Die Informationsqualität muss jedoch weiterhin innerhalb der tatsächlichen Anwendung getestet werden.

Der Wettbewerbsvorteil wird nicht automatisch dem günstigsten Modell gehören. Er wird Systeme begünstigen, die variable Intelligenzkosten in kontrollierbare, verlässliche Arbeit übersetzen.

Was KI-Preiskennzahlen weiterhin nicht zeigen

Jedes aktuelle Preismodell lässt einen Teil der Wertschöpfungskette aus, weshalb Käufer Behauptungen misstrauen sollten, ein einzelnes Messverfahren richte alle Anreize vollständig aus.

Token-Preise messen Modellaktivität. Sie messen nicht, ob die Antwort korrekt, nützlich oder notwendig ist. Eine Anwendung kann weniger Tokens verbrauchen und dennoch ihre Aufgabe nicht erfüllen.

Nutzerbasierte Preise messen autorisierten Zugang. Sie zeigen weder, wie viel Arbeit das System verrichtet, noch ob Mitarbeitende es nutzen. Ein Unternehmen kann viele Nutzer lizenzieren und dennoch wenig operativen Wert erhalten.

Aktionspreise messen ausgeführte Schritte. Sie können ein System dafür belohnen, mehr Arbeit zu leisten, selbst wenn ein kürzerer Weg besser wäre. Die Definition einer Aktion kann zudem zwischen Produkten variieren.

Konversationspreise schaffen eine verständliche Einheit für den Kundenservice. Doch Konversationen unterscheiden sich in Länge, Komplexität und Ergebnis. Ein wiedereröffneter Fall kann Unklarheit darüber offenlegen, ob die ursprüngliche Interaktion erfolgreich war.

Ergebnispreise messen ein deklariertes Resultat. Sie haben Schwierigkeiten mit Zurechenbarkeit, Qualität, verzögerten Effekten und externen Faktoren. Zudem laden sie zu Meinungsverschiedenheiten darüber ein, wer die Messung kontrolliert.

Kein Messverfahren erfasst alles. Ein Käufer benötigt daher eine Kombination aus technischen und geschäftlichen Kennzahlen.

Die technische Seite sollte Verbrauch nach Workflow, Modell, Umgebung und Aufgabentyp umfassen. Teams benötigen Fehlerraten, Wiederholungszahlen, Latenz, Tool-Aufrufe und menschliche Eskalationen.

Die geschäftliche Seite sollte Abschlussqualität, eingesparte Zeit, Akzeptanz, Kundenreaktionen und die Kosten der Aufsicht umfassen. Diese Kennzahlen sollten mit einer definierten Ausgangsbasis vor der KI-Einführung verbunden sein.

Ohne Ausgangsbasis können Anbieter und Kunden gleichermaßen Erfolg behaupten. Der Anbieter verweist auf Aktivität. Der Kunde verweist auf unveränderte Geschäftsergebnisse. Keiner kann feststellen, was das System tatsächlich verbessert hat.

Ein kontrolliertes Pilotprojekt sollte mehr beantworten als die Frage, ob der Agent eine Aufgabe erledigen kann. Es sollte die Verteilung des Verbrauchs über einfache und schwierige Fälle hinweg zeigen.

Durchschnittswerte verdecken gefährliche Schwankungen. Ein Agent kann bei den meisten Anfragen wirtschaftlich sein, bei einer kleinen Gruppe von Ausnahmen jedoch extrem teuer. Diese Ausnahmen können nach der Einführung die Gesamtausgaben dominieren.

Käufer müssen auch adversarielle und fehlerhaft formatierte Eingaben testen. Ein Agent, der in eine Schleife gerät, wiederholt ein Tool aufruft oder unerwartet große Dokumente verarbeitet, kann Ressourcen verbrauchen, ohne Wert zu liefern.

Ausgabenlimits sind unerlässlich, doch grobe Limits können Geschäftsprozesse unterbrechen. Teams sollten globale Limits mit workflow-spezifischen Kontrollen und Warnmeldungen kombinieren.

Governance ist wichtig, weil Mitarbeitende oft keinen Einblick in die kommerziellen Auswirkungen ihrer Handlungen haben. Ein Nutzer sieht einen Button. Das dahinterliegende System könnte mehrere Modelle und Unternehmensdienste aufrufen.

Klare Schnittstellen sollten offenlegen, wenn eine Aufgabe Premium-Reasoning, großen Kontext oder einen autonomen Workflow nutzt. Ziel ist nicht, jeden Nutzer mit Token-Abrechnung zu belasten. Es geht darum, ihnen dabei zu helfen, folgenreiche Entscheidungen zu verstehen.

Anbieter sollten Abrechnungsdaten auf der Ebene bereitstellen, auf der Kunden handeln können. Eine monatliche Gesamtsumme reicht nicht aus. Teams müssen erkennen können, welcher Agent, Workflow oder welches Feature eine Veränderung verursacht hat.

Kunden sollten auch falscher Präzision widerstehen. Ein detailliertes Kreditsystem kann transparent wirken und dennoch schwer mit tatsächlicher Rechenaktivität zu verbinden sein. Credits helfen dabei, technische Komplexität zu bündeln, aber nur, wenn ihre Umrechnungsregeln stabil und dokumentiert bleiben.

Die skeptische Sicht lautet, dass KI-Preise unbeständig bleiben werden, weil die zugrunde liegenden Produkte unbeständig bleiben. Modellfähigkeiten ändern sich, Inferenzmethoden verbessern sich und Agenten übernehmen neue Aufgaben. Ein dauerhaftes Messverfahren kann kaum entstehen, solange sich die Werteinheit ständig verschiebt.

Das macht die Einführung in Unternehmen nicht unmöglich. Es bedeutet, dass Verträge Flexibilität bewahren sollten. Käufer benötigen die Möglichkeit, Verbrauch zu überwachen, Modelle zu wechseln, Limits anzupassen und die Preisgestaltung mit zunehmender Reife der Workflows neu zu bewerten.

Anbieter wiederum dürfen Komplexität nicht als Deckmantel nutzen. Wenn Kunden wiederholt überraschende Rechnungen erhalten oder Gebühren intern nicht erklären können, wird die Einführung unabhängig von der Modellqualität langsamer voranschreiten.

Vertrauen wird davon abhängen, ob ein Unternehmen Ausgaben vor der Skalierung prognostizieren und sie anschließend nachvollziehbar abstimmen kann.

Drei Signale zeigen, wohin sich KI-Preise als Nächstes entwickeln

Das erfolgreiche Preismodell wird dasjenige sein, das Agentenkosten vorhersehbar macht, ohne die Bezahlung von nützlicher Arbeit zu entkoppeln.

Das erste Signal ist, ob große Softwareanbieter ihre Messverfahren nach realen Unternehmensbereitstellungen vereinfachen. Salesforce bietet bereits Optionen pro Nutzer, pro Konversation und für flexiblen Verbrauch an. Microsoft kombiniert Lizenzierung, vorausbezahlte Kapazität und Pay-as-you-go-Strukturen über seine Agentenprodukte hinweg.

Mehr Auswahl kann unterschiedliche Workloads unterstützen. Sie kann aber auch signalisieren, dass Anbieter noch keine stabile Werteinheit gefunden haben.

Es wird darauf ankommen, ob diese Unternehmen ihre Optionen konsolidieren oder weitere Unterscheidungen hinzufügen. Eine Konsolidierung würde darauf hindeuten, dass Käufer und Anbieter wiederholbare Muster identifiziert haben. Mehr Ebenen würden zeigen, dass Agentenverhalten für einen einheitlichen Vertrag weiterhin zu vielfältig ist.

Das zweite Signal ist die Qualität der Nutzungskontrollen. Abrechnungs-Dashboards sollten sich von monatlicher Berichterstattung hin zu Prognosen auf Workflow-Ebene, automatischer Anomalieerkennung und durchsetzbaren Aufgabenbudgets entwickeln.

Das ist wichtiger als eine weitere nominelle Preissenkung. Ein Finanzteam kann einen relativ teuren Dienst verwalten, wenn Ausgaben erklärbar sind. Bei einem günstigeren Dienst mit unvorhersehbarem Risiko wird es zögern.

Bessere Kontrollen würden verbrauchsbasierte Preise stärken. Kunden könnten variable Rechnungen akzeptieren, wenn sie Aktivität nachvollziehen, prognostizieren und begrenzen können. Schwache Kontrollen würden Käufer zurück zu festen Abonnements oder eng abgegrenzten Pilotprojekten drängen.

Das dritte Signal ist, ob ergebnisbasierte Preisgestaltung den Kontakt mit unübersichtlichen Geschäftsprozessen übersteht. Der Kundensupport bietet einen der klarsten Tests, weil Konversationen, Lösungen, Wiedereröffnungen und Eskalationen erfasst werden können.

Wenn Anbieter und Kunden sich auf belastbare Definitionen einigen, Prüfstreitigkeiten effizient klären und die Servicequalität bewahren, kann ergebnisbasierte Abrechnung auf andere strukturierte Workflows ausgeweitet werden.

Wenn Verträge Ausschlüsse anhäufen und Käufer darüber streiten, was als Erfolg gilt, wird ergebnisbasierte Preisgestaltung eine selektive Option statt des Standards bleiben.

Unabhängige Analysen von Unternehmenseinsätzen werden hilfreicher sein als Ankündigungen von Anbietern. Käufer sollten nach Belegen für die gesamten Betriebskosten suchen, nicht nur für den Modellverbrauch. Dazu gehören Integration, Monitoring, menschliche Prüfung und fehlgeschlagene Arbeit.

Die nächste Generation von Agent-Produkten wird wahrscheinlich mehrere Geschäftsmodelle unterstützen. Routineunterstützung für Mitarbeitende kann innerhalb einer Nutzerlizenz abgedeckt werden. Automatisierung mit hohem Volumen kann nutzungsbasiert abgerechnet werden. Eng abgegrenzte Workflows mit überprüfbaren Ergebnissen können ergebnisbasiert berechnet werden.

Diese gemischte Zukunft ist weniger elegant als eine universelle Antwort. Sie ist aber auch realistischer, weil KI-Produkte unterschiedliche Arten von Arbeit leisten.

Für Entwickler gehört die Preisarchitektur inzwischen zum Systemdesign. Modellrouting, Caching, Kontextmanagement, Wiederholungsrichtlinien und Freigabeschranken beeinflussen allesamt das kommerzielle Produkt.

Für Unternehmenskäufer kann die Beschaffung nicht länger abgeschlossen sein, bevor die Implementierung beginnt. Vertragsbedingungen müssen das beobachtete Workload-Verhalten widerspiegeln, und technische Teams benötigen Zugriff auf Abrechnungsdaten.

Für Wissensarbeiter lautet die Frage nicht, ob jeder Prompt mit einem sichtbaren Preis versehen ist. Entscheidend ist, ob Unternehmen nützliche Tools einschränken, nachdem unerwarteter Verbrauch auftritt.

Google News hat eine echte Konfliktlinie in der KI-Ökonomie aufgezeigt. Anbieter verkaufen Software, deren Betriebskosten Infrastruktur ähneln und deren versprochener Wert Arbeit ähnelt. Keines der traditionellen Preismodelle passt nahtlos.

Die entscheidende Frage ist praktisch: Kann Ihre Organisation jede KI-Workload mit kontrollierten Kosten und einem messbaren Ergebnis verknüpfen? Bis Anbieter diese Antwort erleichtern, ist der sicherste Ansatz ein begrenzter Einsatz, transparente Verbrauchsmessung und eine Ausweitung erst dann, wenn die Wirtschaftlichkeit den Praxiseinsatz übersteht.