Die KI-Messkrise: was Enterprise-KI wirklich kostet und woran man erkennt, ob sie sich rechnet

Die Provokation, ernst genommen

Der Technologieautor Ed Zitron argumentiert seit zwei Jahren lautstark, dass die KI-Branche auf Zahlen läuft, die niemand festnageln kann – dass die wahren Inferenzkosten verschleiert werden, dass die Erlöse gemessen am Aufwand dünn sind und dass „KI keinen Return on Investment hat". Das ist eine Polemik, und Teile davon sind anfechtbar. Unter der Rhetorik steckt jedoch eine Behauptung, die sich schwerer wegwischen lässt und die dieser Beitrag anhand von Primärquellen statt anhand von Bauchgefühlen überprüfen will: Die meisten Unternehmen können schlicht nicht messen, was ihre KI kostet, und können nicht belegen, was sie zurückbringt.

Das ist keine Börsenfrage. Es ist eine Strategiefrage. Ein Aufsichtsrat muss nicht wissen, ob OpenAI eine gute Investition ist, um zu wissen, ob das eigene KI-Programm Wert produziert – und nach den vorliegenden Belegen können die meisten Boards die zweite Frage derzeit nicht mit einer Zahl beantworten. Das Verblüffende ist, dass selbst die Leute, die das Handwerkszeug zur Behebung dieses Problems aufbauen, das so sehen. Die FinOps Foundation – das Linux-Foundation-Gremium, das faktisch den Standard für Cloud-Kostendisziplin setzt – stellt unverblümt fest, dass die Fachleute, die KI-Ausgaben verwalten, „die Messung und Quantifizierung des Geschäftswerts von KI-Initiativen als eine wesentliche Herausforderung" benennen und dass die dafür nötigen Methoden noch im Entstehen sind und nicht als gesettelt gelten können.¹¹

Die Kritik trifft also. Die interessante Frage ist, was ein ernsthafter Operator dagegen tut. Dieser Beitrag beschreibt die vier Stellen, an denen die Messung bricht – die ROI-Evidenz, die Kostenseite, die Anbieterökonomie und warum Piloten stagnieren –, und legt anschließend die Messinstrumente vor, die die Organisationen, die tatsächlich messen, einsetzen. Jedes Diagramm unten ist aus einer Primärerhebung oder einem Framework-Dokument abgeleitet, und wo eine Quelle schwach oder umstritten ist, wird das im Text gesagt und nicht begraben.

Zufriedenheit ist hoch. Gemessene Rendite nicht.

Das klarste Ergebnis aus den Erhebungen von 2025 ist nicht, dass KI scheitert. Es ist, dass die Anwender damit zufrieden sind und dennoch kein Geld vorweisen können. Bain & Companys Führungskräftebefragung aus Q3 2025 ergab, dass unter den 59 % der Unternehmen, die Generative KI substanziell einsetzen, die Technologie in rund 80 % der Fälle die Erwartungen erfüllte oder übertraf. In derselben Befragung gaben nur etwa 23 % aller Befragten an, dass Generative KI tatsächlich mehr Umsatz gebracht oder Kosten gesenkt hatte.¹ Diese Lücke – zwischen „es funktioniert" und „wir können den Wert zurechnen" – ist die Messkrise in einem einzigen Diagramm.

Wäre das eine einzelne Erhebung, wäre es ein Einzelfall. Das ist es nicht. S&P Global Market Intelligences Voice of the Enterprise-Befragung unter rund 1.006 IT- und Fachbereichsfachleuten in Nordamerika und Europa ergab, dass der Anteil der Organisationen, die die Mehrheit ihrer Generative-KI-Initiativen vor der Produktion aufgaben, innerhalb eines Jahres mehr als verdoppelte – von 17 % auf 42 % – und dass im Durchschnitt 46 % der Projekte irgendwo zwischen Proof of Concept und breiter Einführung gestrichen wurden.²

Dieselbe Längsschnitterhebung fand etwas Aussagekräftigeres als jede einzelne Abbruchzahl: Der Anteil der Organisationen, die einen positiven Einfluss von Generativer KI berichteten, sank im Jahresvergleich bei jedem gemessenen Unternehmensziel. Keine Umverteilung, kein Plateau – ein Rückgang auf allen drei Fronten gleichzeitig.

Die 95-%-Zahl – und warum man sie mit Vorsicht handhaben sollte

Keine Statistik in dieser Debatte kursiert weiter als MITs. Der Bericht der NANDA-Initiative des MIT Media Lab, The GenAI Divide: State of AI in Business 2025 – aufgebaut auf 150 Führungskräfteinterviews, einer Mitarbeiterbefragung mit 350 Teilnehmern und einer Analyse von 300 öffentlichen Deployments – berichtet, dass rund 5 % der KI-Piloten im Unternehmen eine rasche Umsatzbeschleunigung erzielen, während rund 95 % wenig oder keinen messbaren Einfluss auf die Gewinn-und-Verlust-Rechnung haben.³ Zudem berichtet er einen steilen Einführungstrichter für aufgabenspezifische, eingebettete Tools, gegenüber einem deutlich sanfteren Pfad für generische Chatbots wie ChatGPT und Copilot.

Der Grund, alle drei Quellen gleichzeitig im Blick zu behalten, ist, dass sie auf unterschiedliche Weise versagen. Bain ist eine kleine Führungskräftebefragung. S&P ist eine größere Längsschnitterhebung. MIT ist eine umstrittene Schlagzeile. Sie stimmen nicht bei einer Zahl überein – sie stimmen bei einer Form überein: Die Einführung ist breit, die Zufriedenheit ist real, und ein zurechenbarer finanzieller Rückfluss ist selten und wird immer schwerer zu behaupten. Diese Form ist robust, auch wenn jede einzelne Zahl unsicher ist.

Warum „billigere Token" zu höheren Rechnungen geführt haben

Die Renditeseite ist schwer zu messen. Die Kostenseite ist, wenn überhaupt, noch schlimmer – weil der Haupttrend in die falsche Richtung zur Rechnung zeigt. Die Token-Preise sind eingebrochen. Stanford HAIs AI Index dokumentiert einen Rückgang der Kosten für eine GPT-3.5-äquivalente Anfrage um rund das 280-Fache zwischen November 2022 und Oktober 2024 – von etwa 20 US-Dollar auf etwa 0,07 US-Dollar pro Million Token.⁸ Selbst auf einer konservativen modellgleichen Basis schätzen Praktiker den Rückgang auf etwa eine Größenordnung über zwei Jahre. Und dennoch steigen die Enterprise-KI-Rechnungen, weil der Verbrauch schneller wächst als der Preis fällt – die klassische Jevons-Paradox-Dynamik, bei der Effizienz den Verbrauch schneller ausdehnt, als sie die Stückkosten senkt.⁹

Ankerpunkt ist Stanford HAI; die „>100×"-Verbrauchszahl und die Budget-Erschöpfungs-Anekdoten stammen aus VentureBeats Berichterstattung und sind als Größenordnung zu verstehen. Quellen: Stanford HAI AI Index 2025; VentureBeat, „Cheaper tokens, bigger bills".

Sinkende Preise würden eine Prognose dennoch ermöglichen, wenn die Einheit stabil wäre. Das ist sie nicht. Der Grund, warum die wahren Kosten einer KI-Arbeitslast so schwer zu kennen sind, liegt darin, dass sie von zu vielen wechselwirkenden Variablen abhängen, um sie intuitiv zu erfassen: welches Modell eine gegebene Anfrage tatsächlich bedient, wo die Arbeitslast ausgeführt wird, wie Prompt und Kontext strukturiert sind, wie viel Retrieval in das Kontextfenster gestopft wird – und vor allem – wie oft ein agentischer Workflow schleift. Branchenanalysen von CloudZero und IDC beschreiben agentische Multi-Call-Muster, die den Token-Verbrauch für einen einzigen sichtbaren Nutzervorgang um das 5- bis 30-Fache verstärken. Das zu managen ist, in den Worten eines Praktikers, „ein Engineering-Problem, das kontinuierliche Abstimmung erfordert" – was Prompt-Engineering als Kostenkontroll-Disziplin neu einrahmt, nicht als handwerkliche Prompt-Gestaltung.⁹

Die Konsequenz zeigt sich direkt in der Budgetierungsgenauigkeit. Die Daten der FinOps Foundation aus dem State of FinOps 2026 zeigen, dass nur etwa 15 % der Unternehmen ihre KI-Kosten auf ±10 % genau vorhersagen, während rund einer von vier seine Prognose um mehr als 50 % verfehlt.¹⁰ Eine Budgetposition, die man um die Hälfte verfehlt, ist keine Position, auf der man einen Business Case aufbauen kann.

Das ist der Teil von Zitrons Kritik, der am besten standhält. Nicht „KI ist wertlos" – die weiter unten zitierten Produktivitätsbelege widersprechen dem –, sondern „die wahren Stückkosten sind strukturell schwer zu kennen". Das stimmt. Und eine Organisation, die ihre Kosten pro Arbeitseinheit nicht benennen kann, kann keine Rendite berechnen, so gut die Arbeit auch sein mag.

Anbieterökonomie – als Beschaffungsrisiko, nicht als Investmentperspektive

Es ist nicht Aufgabe des Käufers, die Modellanbieter zu bewerten. Aber es ist Aufgabe des Käufers zu verstehen, dass der Preis, den er heute zahlt, auf einer Wirtschaftsstruktur ruht, die noch ihren Gleichgewichtspunkt sucht – weil diese Struktur Preisbeständigkeit und Gegenparteirisiko bestimmt, die Budgetierungseingaben sind. Drei Fakten, alle aus der Berichterstattung über die eigenen Zahlen der Anbieter, genügen, um die Exposition einzurahmen.

Erstens haben sich OpenAIs Ausgabenpläne um ein Ausmaß verschoben, das ins Gewicht fällt. Im Februar 2026 berichtete CNBC, dass das Unternehmen sein Rechnerausgabenziel nach unten korrigiert hatte – von den rund 1,4 Billionen US-Dollar an Infrastrukturverpflichtungen, mit denen CEO Sam Altman geworben hatte, auf rund 600 Milliarden US-Dollar bis 2030 –, ausdrücklich um die Ausgaben enger an das erwartete Umsatzwachstum zu knüpfen.⁵ Zweitens zeigen seine 2025er Ergebnisse, wie berichtet, realen Mittelabfluss: rund 13,1 Milliarden US-Dollar Umsatz gegen rund 8 Milliarden US-Dollar verbranntes Kapital.⁵

Das sind ungeprüfte Zahlen, die über die Berichterstattung zu den internen Projektionen eines privaten Unternehmens weitergegeben werden – die stärkste verfügbare Quelle, von CNBC, Reuters und Bloomberg bestätigt, aber inhärent nicht unabhängig überprüfbar. Als „laut Berichten angestrebt" zu lesen, nicht als Jahresabschluss. Quelle: CNBC, „OpenAI resets spend expectations" (Feb. 2026).

Drittens ist die Belastung nun in den Kreditratings der Unternehmen sichtbar, die den Aufbau finanzieren. Mitte 2025 stufte Moody's den Ausblick für Oracle von „stabil" auf negativ zurück – bei bestätigtem Baa2-Rating, dem unteren Ende von Investment Grade –, und nannte dabei das Gegenparteikonzentrationsrisiko aus einem rund 300-Milliarden-Dollar, 4,5-Gigawatt-Rechenvertrag mit OpenAI, den Moody's als eine der weltweit größten Projektfinanzierungen charakterisierte.⁶ Das war eine Ausblickkorrektur, keine Herabstufung – aber für einen Unternehmenskäufer ist es ein konkretes, namentlich benanntes Signal.

Die Abhängigkeit von externen LLMs in der Skalierung ist ein eigenständiges strategisches Risiko

Unterhalb der Preis- und Gegenparteizahlen liegt ein größerer Punkt, der klar benannt werden sollte. Einen zentralen, hochvolumigen Geschäftsprozess über eine externe Modell-API zu führen, konzentriert eine operative Abhängigkeit außerhalb des Einflussbereichs der Organisation. Im Pilotmaßstab ist das ein vernünftiger Tausch – Fähigkeit und Geschwindigkeit gegen einen kleinen, abgegrenzten Aufwand. Im Produktionsmaßstab, wenn Tausende von täglichen Entscheidungen, Dokumenten oder Kundeninteraktionen über einen einzigen Drittanbieter-Endpunkt laufen, wird dieselbe Anordnung zu einer Frage der Resilienz, nicht der Bequemlichkeit. Ein Anbieter, der noch Kapital verbrennt, seinen eigenen Ausgaben-Fahrplan zurücksetzt und seinen Aufbau über konzentrierte Gegenparteien finanziert, ist noch kein stabiles Versorgungsunternehmen; er ist ein schnell beweglicher Lieferant eines Inputs, den das Unternehmen still zu einer tragenden Säule gemacht hat. Eine Preisänderung, ein Rate-Limit, eine veraltete Modellversion oder ein Ausfall landet dann nicht als IT-Unannehmlichkeit, sondern als Unterbrechung eines Kernprozesses.

Die Schlussfolgerung lautet nicht, externe Modelle zu meiden – sie sind zu leistungsfähig, und Frontier-Fähigkeiten intern aufzubauen ist selten der richtige Weg. Die Schlussfolgerung lautet, einen Modellanbieter so zu behandeln, wie ein ernsthafter Operator jeden kritischen Einzellieferanten behandelt, sobald ein Prozess den Experimentierstatus überschreitet, und eine ehrliche Frage beantworten zu können: Was passiert mit diesem Prozess, wenn sich der Preis verdoppelt, das Modell eingestellt wird oder der Endpunkt nächstes Quartal nicht verfügbar ist? Gibt es keine Antwort, ist die Abhängigkeit ein strategisches Risiko im Kostüm einer praktischen API. Die konkreten Absicherungen, die sich aus dieser Frage ergeben, sind diejenigen, die ein Käufer aufschreiben sollte – weiter unten.

Warum Piloten stagnieren – und was die Evidenz zeigt, was tatsächlich funktioniert

Wenn die Zufriedenheit hoch und die Attributierung selten ist, lautet die naheliegende Frage: Was unterscheidet die Programme, die konvertieren? Die Evidenz verweist weg vom Modell hin zu zwei strukturellen Ursachen: was gefördert wird und was gemessen wird.

Das Budget folgt der Sichtbarkeit, nicht der Rendite

Der umsetzbarste Befund des MIT-NANDA-Berichts – vertretbarer als seine Kernausfallquote – ist, dass GenAI-Budgets systematisch falsch zugeteilt werden. Rund die Hälfte der GenAI-Budgets (das Abstract des Berichts nennt ~50 %; das Umfragedetail reicht bis zu ~70 %) fließt in Front-Office-Bereiche wie Vertrieb und Marketing, während Back-Office-Automatisierung, die oft besseren ROI erzielt, unterfinanziert bleibt. Der Grund ist selbst ein Messproblem: Vertriebs- und Marketingergebnisse lassen sich sauber auf Vorstandsebene-KPIs und Investoreninformationen abbilden, während die Effizienzgewinne in Recht, Einkauf und Finanzen real, aber schwerer in einem Führungsgespräch herauszustellen sind.³

Die Produktivität ist real – aber ungleich verteilt

Es wäre falsch, den Eindruck zu hinterlassen, KI funktioniere nicht. Ein großes, vorregistriertes Feldexperiment über Microsoft, Accenture und einen anonymen Fortune-100-Hersteller (n=4.867 Entwickler, veröffentlicht in Management Science) ergab, dass GitHub Copilot die Anzahl abgeschlossener Aufgaben um rund 26 % steigerte.⁷ Zwei Vorbehalte sind für jeden ROI, der auf dieser Zahl aufgebaut wird, wichtig. Erstens maß die Studie Durchsatz von Aufgaben, nicht Codequalität oder finanziellen Rückfluss – die Forscher hatten keinen Zugang zum erzeugten Code. Zweitens, und für die Strategie hilfreicher: Die Gewinne waren nach Erfahrungsstand stark ungleich.

Verbindet man die beiden Befunde, ist die strategische Implikation scharf. Der Wert ist real, aber er ist kontingent – abhängig von der Funktion, von der Zusammensetzung der Belegschaft, davon, ob der Workflow um das Tool herum neu gestaltet wurde. Ein Programm, das nicht auf dieser Granularitätsstufe misst, sieht den Durchschnitt und verpasst die Verteilung, fördert den sichtbaren Use Case statt des wertvollen, berichtet „es hat die Erwartungen erfüllt" während sich die G+V nicht bewegt. Das ist kein Modellversagen. Es ist ein Instrumentierungsversagen.

Das Mess-Playbook: von Kosten pro Token zu Kosten pro Ergebnis

Die gute Nachricht ist, dass die Disziplin zur Behebung dieses Problems nicht theoretisch ist. Die FinOps Foundation – das Gremium, das Cloud-Kostenmanagement standardisiert hat – hat ihr Framework auf KI ausgeweitet, und ihr Kernkonstrukt, Unit Economics, ist die konkreteste verfügbare Primärantwort. Unit Economics wird definiert als „Metriken, die ein Verständnis davon vermitteln, wie der Technologieeinsatz und die Technologiemanagement-Praktiken einer Organisation den Wert ihrer Produkte, Dienstleistungen oder Aktivitäten beeinflussen", und fällt direkt unter den Domänenbereich Quantify Business Value des Frameworks. Die Foundation formuliert das Prinzip unverblümt: „Ohne eine Möglichkeit, Kosten mit erhaltenen Nutzen in Beziehung zu setzen, ist es schwierig zu verstehen, ob die Ausgaben angemessen sind."⁴

Der praktische Schritt ist eine Leiter. Die KI-Kostenmessung soll auf der Stufe der Kosten pro Token beginnen und auf ergebnisorientierte Metriken hinaufklettern – Kosten pro Unterstützungsleistung, pro Agentenschritt, pro abgewendetem Fall – wobei die granulare Nachverfolgung (bis auf Token-, GPU- und Vorhersageebene) die darüberliegenden Sprossen speist.⁴

Die Metrik-Leiter braucht einen Owner, sonst stagniert sie im Finanzbereich. Das von der Foundation empfohlene Governance-Vehikel ist ein funktionsübergreifender KI-Investment-Council – und der Wert der Empfehlung liegt in der konkreten Zusammensetzung, denn sie ist es, die Kosten und Ergebnis in einem Raum zusammenbringt. Der Council, so die FinOps Foundation, treibt die Unit-Economics-Diskussion auf höhere Organisationsebenen, indem er die konkreten Ergebnisse und KPIs definiert, die KI-Projekte adressieren müssen.¹¹

Zwei ehrliche Einschränkungen. Erstens beansprucht die Foundation selbst nicht, die Aufgabe erledigt zu haben: Sie räumt ein, dass es noch keine gesettelte, standardisierte Methodik zur Quantifizierung des KI-Geschäftswerts gibt – die Ansätze entstehen gerade erst. Das ist genau der Grund, warum die Kritik am Anfang dieses Beitrags trifft; die Disziplin, die die Lösung aufbaut, ist offen dafür, dass die Lösung unvollständig ist. Zweitens ist die Sprache des Frameworks deskriptiv, kein Mandat – es stellt fest, dass ausgereifte Praktiken „in Richtung" Outcome-Metriken expandieren, es ordnet niemanden dazu an. Die strategische Lesart ist dieselbe: Das Ziel ist Kosten-pro-Ergebnis, fast niemand ist dort angelangt, und die Organisationen, die am frühesten ankommen, werden diejenigen sein, die Wert nachweisen können, während ihre Mitbewerber noch Zufriedenheit berichten.

Wo Consulting Huber ansetzt

Consulting Huber ist eine Praktiker-Firma. Wir verkaufen keine KI-Plattform, und wir haben keinen Anreiz, eine Token-Rechnung oder eine Pilotanzahl aufzublähen. Wir arbeiten mit CEOs, Aufsichtsräten, Transformationsverantwortlichen und PE-Operatoren an der unattraktiven Hälfte des Problems, auf das die Erhebungen immer wieder zeigen: KI-Kosten und KI-Wert messbar zu machen, damit die Entscheidung zu skalieren oder zu stoppen auf einer Zahl beruht, nicht auf einem Bauchgefühl.

In der Praxis bedeutet das: eine strategisch wichtige Arbeitslast in den ersten Wochen auf die Kosten-pro-Ergebnis-Sprosse instrumentieren; die funktionsübergreifende Kadenz aufstellen – Business Owner, Engineering, Finance, Risiko –, die das FinOps-Framework als Council bezeichnet und die wir schlicht den Raum nennen, in dem der KPI gesetzt wird; Prognosefähigkeit in die Kostenlinie bauen statt sie zu verhandeln; und Anbieter- und Preisrisiko in den Business Case schreiben. Die vollständige Form dieser Delivery-Disziplin beschreibt unser Begleit-Deep-Dive zur Delivery-Ebene unter der KI und das KI-Wertschöpfungs-Playbook; die regulatorische Seite steht in unserem EU-KI-Verordnung-Compliance-Leitfaden.

Wenn Sie sich in einer der vier Käufersituationen oben befinden und ein direktes Gespräch darüber führen möchten, wie Sie Ihre KI-Ausgaben messbar machen können, ist der schnellste Einstieg unsere zweiwöchige Delivery- & KI-Readiness-Diagnose zum Festpreis — ein ehrlicher Blick darauf, ob sich Ihre KI- und Digitalausgaben rechnen, geliefert als IC-fähiges Memo. Oder nutzen Sie den Kalender-Link unten.