Was KI wirklich kostet: Der Budgetschock, den Unternehmen noch nicht einkalkuliert haben

10. Juni 2026 · ca. 18 Minuten

TL;DR

1. Token-Konsum wuchs seit Januar 2025 um das 13-Fache. 73 Prozent der Unternehmen berichteten 2026, dass ihre KI-Kosten die ursprünglichen Projektionen überschritten.
2. Zwei bestätigte und ein berichteter Fall: Uber (CTO bestätigt), Microsoft (The Verge), sowie ein anonymes Unternehmen, das laut Axios/TechCrunch 500 Millionen Dollar in einem Monat ausgegeben haben soll.
3. GitHub Copilot wechselte am 1. Juni 2026 zu token-basierter Abrechnung. Entwickler berichten von Kostensteigerungen von $29 auf bis zu $750 pro Monat.
4. Lösung: dedizierte Budget-Position, 1,7x bis 2,0x Multiplikator auf API-Basiskosten, per-Team-Limits und ROI-Metriken vor der Einführung.
5. Günstige Alternativen mit Kostenkontrolle: OpenCode.ai (open source, BYOK, kein Vendor-Lock-in), Windsurf (Flatrate), DeepSeek API (unter $1 pro Million Token).

Ein strukturelles Problem, kein Einzelfall

Irgendwann im April 2026 begannen CFOs und CTOs aus unterschiedlichen Branchen, denselben Anruf zu machen. J.R. Storment, Geschäftsführer der FinOps Foundation, beschrieb es gegenüber TechCrunch so: „In April and May, I started hearing from companies: Oh my god, we are 3x over our entire 2026 token budget and it’s only April. We started hearing existential crises, and the whole conversation shifted from go fast to we need guardrails.“ Was er beschreibt, ist kein Ausnahmefall. Es ist der Alltag von Unternehmen, die KI eingeführt haben, ohne die Abrechnungslogik dahinter wirklich verstanden zu haben.

Was dahintersteckt, ist keine Fehlfunktion von KI-Werkzeugen. Es ist ein strukturelles Missverständnis darüber, wie token-basierte Abrechnung funktioniert. Laut Elvex ist der Token-Konsum seit Januar 2025 um das 13-Fache gewachsen, weit schneller als jeder Budgetplanungszyklus. 85 Prozent der SaaS-Anbieter haben bis 2026 auf hybrid oder nutzungsbasierte Preismodelle umgestellt. Der Flatrate-Markt, auf dem Unternehmen ihre Jahresbudgets geplant haben, existiert in dieser Form nicht mehr.

Klassische Software hat lineare Kosten: mehr Nutzer, mehr Lizenzen. Token-Abrechnung funktioniert anders. Ein Mitarbeiter kann 10.000 Token pro Tag verbrauchen, ein anderer 10 Millionen, beide auf derselben Sitzlizenz. Agentic Workflows, in denen KI autonom mehrere Schritte ausführt, ohne dass ein Mensch eingreift, verbrauchen laut iternal.ai 5 bis 30 Mal mehr Token als eine einfache Chat-Interaktion. Wer ein KI-Budget auf der Basis von Chat-Nutzung geplant hat und dann auf agentische Systeme umsteigt, multipliziert seine Kosten auf eine Weise, die kein Jahresbudget erfassen kann. Laut FinOps Foundation berichteten 73 Prozent aller Unternehmen 2026, dass ihre KI-Ausgaben die ursprünglichen Projektionen überschritten. Goldman Sachs prognostiziert, dass der globale Token-Konsum bis 2030 um das 24-Fache auf 120 Billiarden Token pro Monat steigen wird.

Quelle: Elvex AI Token Cost Enterprise 2026 / offizielle Preislisten der Anbieter

13x

Wachstum des Token-Konsums seit Januar 2025

Elvex, Mai 2026

73%

der Unternehmen überschritten 2026 ihre KI-Kostenprojektionen

FinOps Foundation, 2026

24x

prognostiziertes Wachstum des Token-Konsums von 2026 bis 2030

Goldman Sachs, Mai 2026

„In April and May, I started hearing from companies: Oh my god, we are 3x over our entire 2026 token budget and it’s only April.“

J.R. Storment, Executive Director FinOps Foundation, TechCrunch, 5. Juni 2026

Drei dokumentierte Fälle

Uber: Das gesamte Jahresbudget in vier Monaten

Uber öffnete im Dezember 2025 den Zugang zu Claude Code für seine rund 5.000 Ingenieurinnen und Ingenieure. Im Februar nutzten 32 Prozent das Werkzeug agentisch. Im März waren es 84 Prozent. Im April 95 Prozent. Und im April war das gesamte Jahresbudget für KI-Coding weg. Nicht die Hälfte. Nicht drei Viertel. Die monatlichen Kosten pro Ingenieur lagen zwischen 150 und 250 Dollar im Durchschnitt, bei intensiven Nutzern zwischen 500 und 2.000 Dollar. CTO Praveen Neppalli Naga gab an, in einer einzigen zweistündigen Demo-Session 1.200 Dollar ausgegeben zu haben. COO Andrew Macdonald kommentierte, dass der Zusammenhang zwischen Ausgabe und konkretem Output nicht hergestellt werden konnte.

Quelle: The Information / Fortune / DesignRush News, Mai 2026

Microsoft: Lizenzen gekündigt nach sechs Monaten

Microsoft führte Claude Code für seine Experiences and Devices Division ein, also die Teams hinter Windows, Office, Teams und Surface. Sechs Monate später kündigte das Unternehmen laut The Verge den Grossteil der internen Claude Code Lizenzen. Die monatlichen Kosten pro Ingenieur hatten laut Berichten 500 bis 2.000 Dollar erreicht. Die Kündigung erfolgte zum 30. Juni 2026, dem Ende von Microsofts Geschäftsjahr. Microsoft hatte das Werkzeug selbst mitentwickelt und war trotzdem nicht in der Lage, die Kosten im Rahmen zu halten.

Ein anonymer Fall: 500 Millionen Dollar in einem Monat

Ein nicht namentlich genanntes Unternehmen soll laut Axios via Fast Company, aufgegriffen von TechCrunch und Cybernews, innerhalb eines einzigen Monats eine Claude-Rechnung von 500 Millionen Dollar angehäuft haben. Der Bericht stammt von einem KI-Berater, der einen seiner Unternehmenskunden beschrieb. Das Unternehmen selbst hat die Zahl nicht öffentlich bestätigt. Die berichtete Ursache: keine Nutzungslimits, kein Spending-Cap, kein Checkpoint. Die Grössenordnung schraenkt den Kreis auf eine kleine Zahl sehr grosser Konzerne weltweit ein. Was in diesem Fall 500 Millionen Dollar gekostet hat, passiert in kleinerem Massstab täglich in Unternehmen jeder Grösse.

GitHub Copilot wechselte am 1. Juni 2026 zu token-basierter Abrechnung. Laut TechCrunch berichten Entwickler von Kostensteigerungen von $29 auf bis zu $750 pro Monat. Ein Priceline-Mitarbeiter teilte mit, dass seine Cursor-Vertragsverlängerung 4 bis 5 Mal teurer zurückgekommen ist als erwartet.

Quelle: TechCrunch, 30. Mai 2026 / GitHub Blog, 27. April 2026

Drei strukturelle Ursachen

1. Keine dedizierte Budget-Position für KI-Compute

Die meisten Unternehmen haben KI-Ausgaben in bestehenden Kategorien versteckt: Software-Abonnements, IT-Infrastruktur, Beratungsbudgets. Das war vertretbar, solange KI-Werkzeuge Flatrate-Abonnements waren. Mit token-basierter Abrechnung funktioniert KI-Spending wie Cloud-Infrastruktur in den frühen 2010er Jahren: Die Kosten folgen der Nutzung, nicht der Budgetplanung. Sphere Partners dokumentiert: Ohne per-User-Limits, per-Team-Budgets und Modell-Routing-Richtlinien kann ein Unternehmen mit 250 Mitarbeitern bis zum zweiten Monat das Drei- bis Fünffache seines geplanten KI-Budgets ausgegeben haben.

2.Vendor-Lock-in übergibt die Preishoheit an den Anbieter

Wer seine Workflows tief in ein einziges Werkzeug integriert, gibt dem Anbieter die Kontrolle über die Preisgestaltung. GitHub Copilot ist das aktuellste Beispiel: Drei Jahre Flatrate, um Adoption aufzubauen, dann Modellwechsel auf token-basierte Abrechnung. Laut Deloitte verschiebt sich das Kostenoptimum mit dem Volumen: Bei niedrigen Volumina sind Cloud-APIs sinnvoll, bei mittleren werden alternative Cloud-Optionen besser, bei hohen Volumina sind self-hosted Modelle trotz Kapitalaufwand die günstigste Option. Wer diesen Übergang nicht plant, zahlt immer das Maximum.

3.ROI-Messbarkeit fehlt

Laut CloudZero investieren 49 Prozent der Unternehmen in KI ohne ein Messsystem, das den Zusammenhang zwischen Ausgabe und Ergebnis nachweisbar macht. Ubers COO hat es öffentlich gesagt: Er konnte nicht erklären, was die Ausgaben konkret gebracht haben. Das ist das eigentliche Problem. Nicht die Höhe der Rechnung, sondern die fehlende Grundlage, um zu entscheiden, ob sie gerechtfertigt war.

Konkrete Budget-Strategie: Was, wo und wann

Schritt 1: KI-Compute als eigene Budget-Position anlegen

Bevor ein KI-Werkzeug eingeführt wird, muss eine separate Budget-Zeile existieren, nach Werkzeug und Team aufgeschlüsselt. Nicht „Software-Abonnements“. Nicht „IT-Infrastruktur“. Sondern „KI-Compute-Kosten“. Die Grundlage: Basis-API-Kosten schätzen, dann laut iternal.ai einen Multiplikator von 1,7 bis 2,0 anwenden. Dieser berücksichtigt Nutzungswachstum (+25 Prozent), Infrastruktur-Overhead (+30 Prozent), Experimentierbudget (+15 Prozent) und Peak-Spitzen (+20 bis 50 Prozent). Wer nur die Basis-API-Kosten einplant, unterschätzt den realen Aufwand systematisch.

Quelle: iternal.ai Token Usage Guide / Sphere Partners Enterprise AI Cost Control, Mai 2026

Schritt 2: Zwei Szenarien durchrechnen

Für jedes Werkzeug müssen zwei Szenarien modelliert werden: ein Basisszenario mit moderater Chat-Nutzung und ein Skalierungsszenario mit agentischen Workflows. Der Unterschied kann laut GitHub Blog einen Faktor von 10 bis 50 betragen. Wer nur das Basisszenario budgetiert, hat bei Adoption-Erfolg kein Budget mehr. Das ist exakt das, was bei Uber und Microsoft eingetreten ist.

Schritt 3: Per-Team-Limits und Echtzeit-Alerts einrichten

Sphere Partners empfiehlt: Spending-Alerts bei 50, 75 und 95 Prozent des Budgets. Nicht erst bei 100 Prozent. Monatliche Team-Kostenberichte, die jeden Bereich seinen KI-Aufwand neben seinen KI-Outputs zeigen, schaffen die Bedingungen für ROI-Gespräche. Die 500-Millionen-Dollar-Rechnung des anonymen Unternehmens wäre bei aktivierten Limits nach wenigen Tagen gestoppt worden.

Schritt 4: ROI-Metriken vor Einführung definieren

Der DX Core 4-Framework von getdx.com gibt eine strukturierte Grundlage: Vor der Einführung werden Basismetriken erhoben, Prozesszeit, Fehlerrate, Deployment-Frequenz. Nach der Einführung werden dieselben Metriken gemessen. Der Unterschied ist der ROI. Wer diese Schritte überspringt, kann in der Budgetrunde 2027 nicht erklären, warum er 2026 das Doppelte ausgegeben hat. Ein mittleres Technologieunternehmen gibt laut getdx.com zwischen 100.000 und 250.000 Dollar jährlich für KI-Coding-Tools aus.

Schritt 5: Modell-Routing einrichten

Nicht jede Aufgabe braucht das teuerste Modell. Grosse Frontier-Modelle kosten laut Sphere Partners 17 bis 25 Mal mehr pro Token als kleine, effiziente Modelle. Eine einfache Code-Vervollständigung braucht kein Modell für 25 Dollar pro Million Token. Ein kleineres Modell für unter einem Dollar liefert dieselbe Qualität bei einem Bruchteil der Kosten. Modell-Routing, also die automatische Zuweisung von Anfragen zum jeweils günstigsten Modell, das die Anforderungen erfüllt, ist laut Deloitte eine der wirksamsten Kostenkontrollmassnahmen.

BUDGET-CHECKLISTE FÜR JEDE KI-TOOL-EINFÜHRUNG

(1) Separate Budget-Zeile für KI-Compute angelegt? (2) Basis- und Skalierungsszenario durchgerechnet, Multiplikator 1,7x bis 2,0x angewandt? (3) Per-Team-Limits und Alerts bei 50/75/95 Prozent eingerichtet? (4) ROI-Metriken vor Einführung definiert und Baseline gemessen? (5) Modell-Routing-Strategie nach Aufgabentyp geplant?

Werkzeuge mit echter Kostenkontrolle

Claude Code und GitHub Copilot fehlen in der folgenden Tabelle nicht, weil sie schlechte Werkzeuge wären. Sie fehlen, weil die vorigen Abschnitte gezeigt haben, was mit ihnen passiert, wenn kein Kostenkontrollsystem vorhanden ist. Die folgenden Alternativen haben eines gemeinsam: Sie geben dem Unternehmen die Preiskontrolle zurück.

Werkzeug	Preismodell	Monatliche Kosten	Datenkontrolle	Stärke
OpenCode.ai	BYOK (eigene API-Keys)	$0 Software + eigene API-Kosten	Hoch: kein Datenspeicher, kein Vendor-Lock-in	Volle Kostenkontrolle, 75+ Modelle wählbar
Windsurf	Flatrate (Stand Jun. 2026)	$20 bis $200/Monat	Mittel	Planbare Kosten, gut für Teams ohne Kostenschwankungen
Cursor	Credit-basiert	$20/Monat Basis, $200/Monat Max	Mittel	GUI-Integration, breite IDE-Unterstützung
Aider	Open Source, BYOK	$0 + eigene API-Kosten	Hoch	Terminal-basiert, ideal für erfahrene Entwickler
Continue.dev	Open Source, BYOK	$0 + eigene API-Kosten	Hoch	IDE-Extension, lokale Modelle unterstützt
DeepSeek V4-Pro (API)	Token-basiert	Unter $1/Mio. Output-Token	Niedrig (chinesisches Recht)	Günstigste Option für volumenstarke Anwendungen ohne DSGVO-Relevanz
Qwen 3.6 (Alibaba, via DeepInfra)	Token-basiert	ca. $0.14/M Input, $1/M Output	Mittel	Sehr kosteneffizientes MoE-Modell (35B/3B), starke Leistung für Reasoning, Coding und KI-Agenten

Warum OpenCode.ai besonders relevant ist

OpenCode ist ein open-source KI-Coding-Agent mit über 120.000 GitHub-Stars und mehr als 5 Millionen monatlichen Nutzern laut AICloudBase. Das Grundprinzip: Bring Your Own Key. Das Unternehmen schliesst direkt einen Vertrag mit dem Modellanbieter seiner Wahl ab, OpenCode stellt das Interface. Software-Kosten: null. API-Kosten: exakt das, was der jeweilige Modellanbieter berechnet, mit vollständiger Transparenz über Token-Verbrauch.

OpenCode unterstützt über 75 LLM-Provider, darunter Claude, GPT, Gemini und lokale Modelle. Das bedeutet konkret: Ein Unternehmen kann OpenCode mit DeepSeek V4-Pro betreiben und zahlt unter einem Dollar pro Million Output-Token bei gleichwertiger Leistung für Standard-Tasks. Wenn eine Aufgabe ein leistungsfähigeres Modell erfordert, wird das Modell innerhalb desselben Werkzeugs gewechselt, ohne das Werkzeug zu wechseln. Kein Vendor-Lock-in. Die Architektur ist datenschutzorientiert: Kein Code und kein Kontext werden auf OpenCode-Servern gespeichert. Laut The AI Corner bieten open-source Terminal-Agents wie OpenCode, Aider und Continue.dev nahezu gleiche Leistung wie kommerzielle Alternativen bei 2 bis 5 Dollar pro Monat an API-Kosten bei moderater Nutzung.

WAS OPENCODE NICHT LÖST

OpenCode ist kein out-of-the-box-Produkt. Die Konfiguration ist anspruchsvoller als bei GitHub Copilot oder Cursor. Die Integration erfordert technisches Wissen intern. Für Unternehmen ohne eigene Engineering-Kapazitäten ist das ein einmaliger Investitionsaufwand, der sich amortisiert. Für Unternehmen ohne technische Basis ist es keine sofortige Lösung.

ROI konkret messen

Laut getdx.com misst der DX Core 4-Framework vier Dimensionen: Liefergeschwindigkeit (Deployment-Frequenz), Qualität (Fehlerrate), Produktivität (aktive Coding-Zeit) und Entwicklerzufriedenheit. Diese Metriken werden vor der KI-Einführung erhoben und nach sechs Wochen, drei Monaten und sechs Monaten erneut gemessen. Wer die Baseline nicht gemessen hat, bevor er eingeführt hat, kann den Unterschied nicht belegen.

Metrik	Was gemessen wird	Wann messen	Zielwert
Deployment-Frequenz	Häufigkeit erfolgreicher Deployments	Vor Einführung, nach 6 Wo.	Anstieg 15-25%
Lead Time for Changes	Zeit von Code-Commit bis Deployment	Vor Einführung, nach 3 Mo.	Reduktion 20-40%
Fehlerrate	Anteil Deployments mit Folgekorrektur	Monatlich	Keine Verschlechterung
Aktive Coding-Zeit	Anteil Zeit in produktiver Entwicklung	Vor Einführung, nach 6 Wo.	Anstieg 10-20%
Token-Kosten pro Output	API-Kosten dividiert durch deployten Output	Monatlich laufend	Sinkend mit Erfahrung

Was das für europäische Unternehmen konkret bedeutet

Die Token-Rechnungen, die amerikanische Unternehmen im April 2026 in den Newsfeeds landeten, sind keine amerikanische Eigenheit. GitHub Copilot gilt weltweit. Anthropic stellt seine Preise global. Die strukturellen Probleme, fehlende Budget-Positionen, Vendor-Lock-in und fehlende ROI-Messung, betreffen ein Unternehmen in Stuttgart genauso wie eines in San Francisco.

Für Unternehmen in Europa kommt eine weitere Dimension hinzu. Ab August 2026 verlangt der AI Act Dokumentation, menschliche Aufsicht und Transparenzpflichten für KI-Systeme in Hochrisiko-Kontexten. Das sind keine abstrakten Anforderungen, das sind Personalzeit, Audits, technische Anpassungen. Wer KI-Budgets nicht separat führt, kann am Ende nicht sagen, wie viel er für das Tool ausgegeben hat und wie viel für die Compliance rund darum.

Mehr Geld für KI auszugeben ist einfach. Zu wissen, was es gebracht hat, ist die eigentliche Aufgabe. Unternehmen, die das lösen, werden 2026 nicht die grössten KI-Budgets haben. Sie werden die nachvollziehbarsten haben.

Wie agentivo dieses Problem löst

agentivo unterstützt KMUs dabei, KI mit klaren Anwendungsfällen, messbaren Outputs und einer Kostenstruktur einzusetzen, die nicht von externen Preisänderungen überrascht wird: individuell trainierte KI-Mitarbeiter, die reale Aufgaben übernehmen, auf eigener Infrastruktur laufen und unter voller Datenkontrolle des Unternehmens operieren. Kein Vendor-Lock-in. Fünf Kriterien entscheiden, ob ein KI-Einsatz für ein europäisches Unternehmen tragfähig ist: konversationeller Aufbau, EU-AI-Act-Konformität, eigene Infrastruktur, Steuerung durch eigene Mitarbeiter und wirtschaftliche Sinnhaftigkeit für KMU. agentivo ist ein europäischer Anbieter, der alle fünf Komponenten in einer Plattform kombiniert.