In deutschen Unternehmen wird Künstliche Intelligenz spürbar teurer. Für 2026 sollen die Ausgaben für KI-Software, -Dienstleistungen und -Hardware auf rund 28,7 Milliarden Euro steigen. Das entspricht einem Plus von 48 Prozent gegenüber 2025, als das Marktvolumen noch bei 19,4 Milliarden Euro lag. Grundlage der Berechnungen sind Daten des IT-Marktforschungsunternehmens IDC.

Besonders kräftig wächst die generative KI: Die Ausgaben für Anwendungen wie ChatGPT, Claude, Microsoft Copilot und Google Gemini sollen sich von 5,7 Milliarden Euro im Jahr 2025 auf 11,5 Milliarden Euro verdoppeln. Damit entfallen rund 40 Prozent des gesamten deutschen KI-Marktes auf generative KI. Der große Schub kommt nicht nur aus Konzernzentralen. KI wird branchenübergreifend und in Unternehmen jeder Größe eingesetzt – um Prozesse zu beschleunigen und Produkte zu verbessern.

Billigere Tokens, höhere Rechnungen

Der Haken steckt in der Abrechnung. KI wird meist nach Tokens bezahlt, also nach Texteinheiten, die ein Sprachmodell verarbeitet. Eine Million Tokens entsprechen ungefähr 750.000 Wörtern oder 2.500 Buchseiten. Eine intensive einstündige Textnutzung mit rund 20.000 Input- und 10.000 Output-Tokens kostet nach aktuellen Listenpreisen je nach Modell weniger als 1 bis etwa 70 US-Cent. Ein leistungsfähiges Modell aus dem mittleren Preissegment liegt bei ungefähr 14 US-Cent. Zusätzliche Datenzugriffe und Werkzeuge können die Rechnung weiter erhöhen.

Die Preise pro verarbeitetem Token sinken zwar. Genau das verleitet Unternehmen aber dazu, KI häufiger und in mehr Anwendungen einzusetzen. Die von Accenture befragten Führungskräfte erwarten für die kommenden zwei Jahre einen Rückgang der Tokenpreise um knapp 20 Prozent, rechnen zugleich aber mit einem Anstieg des eigenen Tokenverbrauchs um knapp 80 Prozent. Die Gesamtausgaben steigen dadurch voraussichtlich weiter. Roland-Berger-Chef Stefan Schaible bezeichnete den Tokenverbrauch bereits als großes Unternehmensthema.

Goldman Sachs erwartet bis 2030 sogar einen 24-fachen Anstieg des Tokenverbrauchs, vor allem wegen autonomer KI-Agenten. Das klingt zunächst nach einer gewaltigen Zahl – und ist doch die logische Folge einer Entwicklung, bei der günstige Rechenvorgänge immer öfter angestoßen werden. In der Wirtschaft ist dafür der Begriff „Jevons-Paradox“ geläufig: Effizienzgewinne senken den Einzelpreis, treiben aber den Gesamtverbrauch nach oben. Beim US-Fahrdienstleister Uber verbrauchten Mitarbeiter nach Unternehmensangaben bereits nach vier Monaten das gesamte Jahresbudget für KI-Programmiertools.

Das falsche Modell am falschen Platz

Viele Unternehmen haben anfangs für einfache Aufgaben die stärksten und damit teuersten Modelle verwendet – etwa zum Zusammenfassen von Studien. Laut Accenture benötigen jedoch nur etwa 10 Prozent der betrieblichen KI-Aufgaben die leistungsfähigsten Modelle. Trotzdem werden mehr als 50 Prozent der Anfragen an diese Systeme weitergeleitet. Hier liegt ein Stück Einsparpotenzial, das nicht nach großer Zauberei aussieht, sondern nach sauberer Organisation.

Beim automatisierten „Model Routing“ wird eine Anfrage nach ihrer Komplexität dem jeweils passenden Modell zugeordnet. Bislang setzen das erst rund 30 Prozent der Unternehmen ein. Siemens und SAP leiten Anfragen bereits an das jeweils günstigste geeignete Modell weiter. Siemens nutzt außerdem „Prompt Caching“: Wiederkehrende Kontexte müssen bei ähnlichen Anfragen nicht jedes Mal vollständig verarbeitet werden. Auch SAP behandelt Token-Kosten wie andere Kostenblöcke, ordnet sie den zuständigen Bereichen zu und bietet KI-Tools grundsätzlich breit an – allerdings mit rollen- und bedarfsabhängigen Nutzungsplänen.

Für einfache Aufgaben können lokale KI-Modelle ausreichen. Das ist nicht spektakulär, aber oft vernünftig. Prompt-Caching und Model-Routing gehören damit zu einem Bündel technischer und organisatorischer Maßnahmen, mit denen Firmen ihre KI-Kosten besser kontrollieren wollen, statt am Monatsende überrascht auf die Rechnung zu schauen.

Limits, Kontingente und ein bisschen Aufklärung

Die Wege unterscheiden sich. Zalando arbeitet mit flexiblen Nutzungslimits und prüft bei jeder neuen KI-Funktion das Verhältnis von Kosten und Nutzen. Lohnt sich ein Projekt nicht, wird es beendet. Beschäftigte können nach Erreichen ihres Limits zusätzliche Tokens beantragen, müssen das aber begründen. Auch SAP, Zeiss und die Deutsche Bank verwenden rollen- oder projektbasierte Begrenzungen.

Bei Mercedes werden die KI-Kosten den jeweils nutzenden Fachbereichen zugerechnet. Ein personenbezogenes Token-Limit gibt es nicht, wohl aber Grenzen für besonders rechenintensive Anwendungen. Diese können bei Bedarf erweitert werden. Leistungsfähige Modelle sollen Entwicklungen mit hoher Wertschöpfung vorbehalten bleiben. Im Programm „Tokenomics“ informiert Mercedes die Beschäftigten über effiziente Nutzung und Kosten.

Die Deutsche Bank erwartet durch einen verstärkten KI-Einsatz jährliche Einsparungen von zwei Milliarden Euro. Bis 2028 sind rund 1,4 Milliarden Euro an Technologieinvestitionen in der Unternehmensbank, eine Milliarde Euro in der Investmentbank und rund 600 Millionen Euro in der Privatkundenbank geplant. Zum Einsatz kommen der interne KI-Assistent „dbLumina“ und Microsoft Copilot. Für allgemeine Tätigkeiten gibt es laut Bank keine Nutzungsbegrenzungen; anonymisierte Nutzungsdaten werden zur Messung der Akzeptanz erfasst. In der Softwareentwicklung gelten projektbezogene KI-Kontingente.

Zeiss bietet sowohl pauschale als auch tokenabhängige Nutzung an. Tokenabhängige Zugänge können bei Erreichen eines Limits eingeschränkt und auf Antrag erweitert werden. Besonders teure Modelle sind nicht für alle Beschäftigten direkt zugänglich; bei der Auswahl sollen Kosten und Nutzen eine Rolle spielen. Fresenius setzt für einen großen Teil der breiten KI-Anwendung auf abonnementbasierte Softwarelösungen. Die Kostenrisiken liegen dabei entweder beim Anbieter oder werden durch integrierte Nutzungslimits begrenzt. Bei Eigenentwicklungen wird der Tokenverbrauch überwacht.

Merck setzt auf Transparenz und Kostenbewusstsein statt auf pauschale Limits. Beschäftigte können Verbrauch und Kosten nachvollziehen, effiziente Modelle sind standardmäßig voreingestellt, und der kostenbewusste Umgang mit KI gehört zu den Schulungen. Mercedes, Merck und Eon schulen ihre Beschäftigten zu Tokenkosten und effizientem Prompting. Eon stellt seinen 78.000 Beschäftigten verschiedene KI-Tools zur Verfügung, verbindet das aber mit Wirtschaftlichkeitsvorgaben und Budgetgrenzen.

Bosch berichtet bislang von keinen Einschränkungen der KI-Nutzung und geht davon aus, dass der Nutzen die Kosten überwiegt. Das ist die andere Seite der Debatte: Nicht jede Firma will sofort den Rotstift zücken. Bei manchen Anwendungen bleibt die Rechnung offenbar überschaubar, während der praktische Gewinn schon im Alltag ankommt.

Der Markt wächst weiter – und die Skepsis bleibt

Für KI-Software werden 2026 voraussichtlich 16 Milliarden Euro ausgegeben, 65 Prozent mehr als im Vorjahr. KI-bezogene Dienstleistungen sollen 6,8 Milliarden Euro erreichen, ein Plus von 30 Prozent. Auf KI-Hardware entfallen voraussichtlich 5,8 Milliarden Euro, 32 Prozent mehr als 2025. IDC prognostiziert für 2027 ein weiteres Marktwachstum von 40 Prozent auf 40,3 Milliarden Euro.

Bitkom-Präsident Ralf Wintergerst beschreibt den Wandel als Übergang von der Experimentierphase in eine breite produktive Nutzung. Parallel ist KI längst im Alltag angekommen. Laut einer gemeinsamen Medienstudie von ARD und ZDF nutzen 59 Prozent der Befragten in Deutschland zumindest gelegentlich KI-Anwendungen. Bei den 14- bis 29-Jährigen sind es 92 Prozent. Für die Studie wurden mehr als 2.400 Menschen ab 14 Jahren befragt.

Ganz geheuer ist vielen die Sache trotzdem nicht. Etwa die Hälfte äußerte trotz der hohen Nutzung Skepsis. 54 Prozent betrachten KI-Anwendungen vor allem als Werkzeuge, deren Antworten überprüft werden müssen. 81 Prozent halten Quellenangaben für wichtig, aber nur 43 Prozent bewerten die Quellenangaben von KI-Tools als transparent. Zwischen glänzender Demo, Budgetgrenze und dem kleinen Zweifel im Bauch liegen also weiterhin ein paar Meter – oder, wie es auf Baustellen heißt: Da muss man noch einmal ordentlich nachmessen.