Die Herausforderungen der Preisgestaltung für KI-Dienstleistungen in Unternehmen

Die Komplexität der KI-Preisgestaltung: Eine Analyse der aktuellen Herausforderungen für Unternehmen

Die Integration von Künstlicher Intelligenz (KI) in Geschäftsprozesse schreitet rasant voran. Von der Automatisierung von Kundenservice bis zur Optimierung komplexer Lieferketten – KI-Anwendungen versprechen Effizienzsteigerungen und innovative Lösungen. Doch während Unternehmen Milliarden in die Entwicklung und Implementierung dieser Technologien investieren, sehen sie sich zunehmend mit einer unerwarteten Hürde konfrontiert: der Preisgestaltung für KI-Dienstleistungen und der Kontrolle der damit verbundenen Kosten. Dieser Artikel beleuchtet die vielschichtigen Gründe, warum die Festlegung von Preisen für KI-basierte Angebote eine komplexe Aufgabe darstellt und welche Implikationen dies für die B2B-Zielgruppe hat.

Die Token-Ökonomie: Herzstück der Herausforderung

Im Zentrum der Problematik steht die sogenannte "Token-Ökonomie". Large Language Models (LLMs) und agentische KI-Systeme verarbeiten Anfragen, indem sie diese in mathematische Einheiten, sogenannte Tokens, zerlegen. Jede Interaktion mit einem KI-Modell – sei es eine Frage, die Generierung von Code oder die Automatisierung eines Prozesses – verbraucht Tokens. Die Antwort des Modells wird ebenfalls in Tokens generiert und anschließend in eine für den Menschen lesbare Form umgewandelt.

Das Kernproblem dieser Token-basierten Abrechnung liegt in ihrer inhärenten Unvorhersehbarkeit. Simon Gooch von Saviynt, einem Unternehmen, das agentische KI in seine Dienste integriert, bringt es auf den Punkt: "Der Versuch, jemanden für die nächsten 12 Monate, zwei Jahre, drei Jahre an ein Kostenmodell zu binden, ist ehrlich gesagt unsinnig, weil wir es nicht wissen."

Diese Unvorhersehbarkeit resultiert aus mehreren Faktoren:

• Variabilität der Prompts: Selbst geringfügige Änderungen in einer Anfrage (Prompt) können zu unterschiedlichen Antworten und damit zu einem variablen Token-Verbrauch führen.
• Nicht-deterministische Outputs: Dieselbe Anfrage liefert nicht immer die exakt gleiche Antwort, und verschiedene Modelle reagieren unterschiedlich. Dies macht eine präzise Vorabkalkulation des Token-Verbrauchs schwierig.
• Agentische Systeme: In komplexen agentischen KI-Systemen, bei denen mehrere KI-Agenten zusammenarbeiten, um Entscheidungen zu treffen und Aktionen auszuführen, steigt sowohl der Token-Verbrauch als auch die Unvorhersehbarkeit erheblich.

Kostenexplosion trotz sinkender Token-Preise

Obwohl die Kosten für einzelne Tokens in den letzten Jahren gesunken sind, wie Analysen von Goldman Sachs zeigen, ist der Gesamtverbrauch an Tokens exponentiell angestiegen. Goldman Sachs prognostiziert, dass der Token-Verbrauch zwischen 2026 und 2030 um das 24-fache auf 120 Quadrillionen Tokens pro Monat ansteigen wird, da Unternehmen verstärkt auf KI-Agenten umsteigen.

Viele Unternehmen und individuelle Nutzer von KI-Systemen haben Schwierigkeiten, ihren tatsächlichen Token-Verbrauch zu überblicken, bis sie entweder ihre monatliche Rechnung erhalten oder feststellen, dass ihr Budget aufgebraucht ist. Berichten zufolge musste sogar Microsoft den Einsatz bestimmter Drittanbieter-Codierungstools durch seine Ingenieure einschränken, und Uber soll sein Jahresbudget für KI-Codierungs-Tokens innerhalb weniger Monate überschritten haben.

Herausforderungen in der Kostenverwaltung und Wertbemessung

Will Venters, außerordentlicher Professor für Digitale Innovation und Informationssysteme an der London School of Economics, stellt fest, dass Unternehmen bei der internen Implementierung von KI Schwierigkeiten haben, die Kosten zu kontrollieren, da Mitarbeiter Tokens verbrauchen. Er betont: "Die Menschen finden es wirklich schwer, diese Kosten zu verwalten... es ist ein nicht-deterministischer Output, also ist es ein nicht-deterministischer Wert."

Die Schwierigkeit, den Wert eines nicht-deterministischen Outputs zu bemessen, wirkt sich direkt auf die Preisgestaltung aus. Wie können Unternehmen einen fairen und profitablen Preis festlegen, wenn der Aufwand und der genaue Nutzen jeder KI-Interaktion variieren?

Strategien zur Kostenkontrolle

Unternehmen suchen nach Wegen, diese Herausforderungen zu meistern:

• Flatrate-Modelle: Kleinere Organisationen nutzen teilweise persönliche Accounts mit Flatrate-Gebühren, um unter dem Radar der großen Anbieter zu bleiben. Experten prognostizieren jedoch, dass diese Praxis enden wird, sobald die großen KI-Plattformen unter Druck geraten, Gewinne zu erzielen.
• Bewusste Modellauswahl: Oliver King-Smith, Gründer des Ingenieursoftwareunternehmens smartR AI, rät Unternehmen, sorgfältiger bei der Auswahl der zu verwendenden KI-Modelle vorzugehen.
• Präzisere Prompts: Rob Steele, CFO des britischen Buchhaltungssoftwareunternehmens iplicit, betont die Notwendigkeit präziserer Prompts. Er vergleicht es damit, niemanden zum Einkaufen zu schicken, ohne genaue Anweisungen zu geben, was im Einkaufswagen zu erwarten ist.

Die Schwierigkeit der Kostenkontrolle wird noch größer, wenn KI in Produkte integriert wird, die an Tausende von Benutzern ausgeliefert werden. Venters weist darauf hin, dass die KI-Kosten schnell in die Höhe schnellen können, beispielsweise wenn Tokens nicht nur für die Kernsoftwareentwicklung, sondern auch für Tests, Sicherheit oder die Implementierung von Schutzmechanismen benötigt werden.

Die einfache Skalierung durch das Hinzufügen weiterer KI-Agenten per Knopfdruck steht im Gegensatz zur sorgfältigen Personalplanung bei menschlichen Arbeitskräften und trägt zur Kostenintransparenz bei.

Wert versus Kosten: Eine komplexe Gleichung

Trotz der unvorhersehbaren Token-Kosten kann der Einsatz von KI letztendlich einen höheren Wert für das Unternehmen generieren. Venters merkt an, dass es nicht dasselbe ist wie ein Taschenrechner: "Je mehr man ihm gibt, desto teurer wird es, aber desto besser kann das Ergebnis sein." Dies impliziert, dass Unternehmen den Wert, den KI schafft, gegen die variablen Kosten abwägen müssen.

Die entscheidende Frage bleibt jedoch, wie diese Kosten an die eigenen Kunden weitergegeben werden können. Bill Peterson, Senior Director of Product Marketing bei Sumo Logic, einem Softwareunternehmen, das neue Sicherheitsdienste auf Basis agentischer KI anbietet, bestätigt, dass es noch keine etablierten Lösungen gibt. Die internen Diskussionen hierzu sind intensiv.

Mögliche Preismodelle und ihre Herausforderungen

Optionen für die Preisgestaltung von KI-Diensten könnten sein:

• Pauschalpreise: Eine allgemeine Preiserhöhung über alle Dienstleistungen hinweg.
• Ergebnisbasierte Abrechnung: Zahlung nach erzielten Ergebnissen.
• Incident-Bundles: Abrechnung für Pakete von Vorfällen oder Nutzungsereignissen.

Peterson weist jedoch auf ein weiteres Problem hin: Wenn die Anbieter der großen Sprachmodelle ihre eigenen Preisstrategien ändern, kann dies die gesamte Preisstruktur eines Unternehmens durcheinanderbringen. "Man gerät in eine variable Preisgestaltung, die sich alle paar Monate ändert", sagt er. "Das mögen Kunden nicht. So erstellt niemand ein Budget."

Fazit

Die Preisgestaltung für KI-Dienstleistungen ist eine der größten Herausforderungen, mit denen Unternehmen in der aktuellen Innovationsphase konfrontiert sind. Die inhärente Unvorhersehbarkeit der Token-Nutzung, die rasant steigenden Verbrauchszahlen und die Schwierigkeit, den Wert nicht-deterministischer Outputs zu bemessen, erschweren eine transparente und stabile Preispolitik. Für B2B-Unternehmen, die KI-Lösungen anbieten oder nutzen, ist es unerlässlich, innovative Abrechnungsmodelle zu entwickeln, die sowohl den dynamischen Kostenstrukturen gerecht werden als auch für Kunden planbar und nachvollziehbar sind. Die Fähigkeit, diese Komplexität zu meistern, wird ein entscheidender Faktor für den langfristigen Erfolg im Zeitalter der Künstlichen Intelligenz sein.

Bibliographie

• BBC News (2026). Artificial intelligence: Why firms are struggling to set prices.
• BCG (2026). Why AI in B2B Pricing Isn’t Plug and Play.
• Fortune (2026). Your AI is already setting prices. The real question is who sets the rules.
• Goldman Sachs (2026). AI Agents Forecast to Boost Tech Cash Flow as Usage Soars.
• Kansas City Fed (2026). Who Uses AI for Pricing?
• WordUp News (2026). Artificial intelligence: Why firms are struggling to set prices.