Die falsche Frage lautet: Wie teuer sind eine Million Tokens? Die richtige Frage lautet: Was kostet ein fachlich akzeptiertes Ergebnis - inklusive Fehlversuchen, Tool-Aufrufen, menschlicher Prüfung, Betrieb und Risiko? Erst wenn diese Zahl kleiner ist als der wirtschaftliche Wert des Ergebnisses, rechnet sich ein KI-Agent.
Agentic AI verändert die Kostenlogik von Software. Klassische Software wird entwickelt und anschließend sehr oft zu nahezu konstanten Grenzkosten genutzt. Ein Agent verbraucht dagegen bei jeder Aufgabe erneut Modelle, Kontext, Tools und Rechenzeit. Und weil er seinen Weg zur Lösung teilweise selbst bestimmt, ist nicht einmal sicher, wie viele Schritte ein einzelner Auftrag benötigt.
Für Geschäftsführer ist das weder ein Argument gegen Agenten noch ein Grund zur Panik. Es bedeutet nur: Ein Agent ist kein weiterer Softwareplatz. Er ist eine variable Produktionsressource. Er sollte deshalb wie ein Prozess, eine Maschine oder ein externer Dienstleister bewertet werden - nach Ergebnis, Durchsatz, Qualität und Risiko.
Tokens sind die Rechnung, nicht der Wert
Die Preise der Modelle sinken in vielen Leistungsklassen. Gleichzeitig steigen die Gesamtausgaben, weil Agenten anspruchsvollere Aufgaben übernehmen, größere Kontexte lesen, mehrere Modelle verwenden und in Schleifen planen, handeln und prüfen. Ein günstiger Token kann deshalb Teil eines teuren Prozesses sein.
Besonders relevant ist die Input-Seite. Ein Agent liest Richtlinien, Dokumente, Datenbankauszüge, frühere Schritte, Tool-Ergebnisse und seine eigene Arbeit immer wieder. Die sichtbare Antwort ist oft nur ein kleiner Teil des Verbrauchs. Noch größer wird der Unterschied durch Verifikation: Der erste Entwurf ist schnell erzeugt. Prüfen, korrigieren und erneut testen kostet häufig den größeren Anteil.
Meine Kurzfassung: Wer nur den Preis pro Token optimiert, kann einen billigen Fehler sehr effizient skalieren. Entscheidend sind Kosten, Qualität und Risiko pro abgeschlossenem Geschäftsvorgang.
Die fünf Kostenebenen eines Agenten
Ein belastbarer Business Case muss mehr erfassen als die Modellrechnung. In der Praxis entstehen fünf Kostenebenen, die zusammengehören:
Die zentrale Kennzahl lautet daher nicht „Kosten pro Agent“ und auch nicht „Tokens pro Nutzer“, sondern Kosten pro erfolgreichem Ergebnis. Zwei Agenten können dieselbe Monatsrechnung erzeugen und trotzdem völlig unterschiedlich wirtschaftlich sein: Der eine liefert 900 nutzbare Vorgänge, der andere 300 und produziert zusätzlich Nacharbeit.
Die Rechnung beginnt beim heutigen Prozess
Ein Business Case braucht eine ehrliche Baseline. Wie viele Vorgänge gibt es? Wie viel Arbeitszeit benötigt ein Vorgang heute? Wie hoch ist die Fehlerquote? Welche Wartezeiten entstehen? Welcher Anteil wird nachbearbeitet? Und welchen wirtschaftlichen Wert hat ein schnelleres, besseres oder zusätzlich mögliches Ergebnis?
Nehmen wir einen Angebotsprozess. Ein Mitarbeiter benötigt im Durchschnitt 90 Minuten, um Daten zusammenzutragen, Konditionen zu prüfen und einen Entwurf zu erstellen. Bei Vollkosten von 60 Euro pro Stunde kostet die Bearbeitung 90 Euro. Ein Agent benötigt im Mittel 3 Euro für Modelle und Tools, weitere 2 Euro anteilige Plattformkosten und 10 Minuten menschliche Prüfung, also 10 Euro. Wenn 80 Prozent der Ergebnisse direkt akzeptiert werden und die restlichen 20 Prozent im Mittel 25 Euro Nacharbeit verursachen, ergibt sich:
Diese Rechnung ist bewusst einfach. Sie zeigt aber den entscheidenden Punkt: Selbst ein relativ teurer Agent kann sich rechnen, wenn die menschliche Erstellung lange dauert und das Ergebnis schnell geprüft werden kann. Umgekehrt kann ein technisch günstiger Agent unwirtschaftlich sein, wenn Menschen jede Ausgabe komplett neu nachvollziehen müssen.
Die wichtigste Ungleichung
Für reversible Aufgaben gibt es eine erstaunlich nützliche Faustformel. Ein Agent schafft Zeitwert, wenn seine Erfolgswahrscheinlichkeit größer ist als das Verhältnis von Prüfzeit zu manueller Bearbeitungszeit:
Genau hier liegt der Unterschied zwischen einem Rechercheentwurf und einer eigenständig ausgeführten Rückerstattung. Ein schlechter Entwurf wird gelöscht. Eine falsche Rückerstattung verändert die reale Welt und erzeugt Rückabwicklung, Kundenkommunikation und möglicherweise rechtliche Folgen. Dann kommt zur Prüfzeit die sogenannte Agency Tax hinzu: Nacharbeit plus erwarteter Fehlerschaden.
Je irreversibler eine Aktion, desto höher muss die Erfolgsquote sein. In manchen Fällen ist die wirtschaftlich beste Lösung deshalb nicht mehr Autonomie, sondern ein Agent, der vorbereitet und einen Menschen entscheiden lässt.
Wann sich ein Agent rechnet
Besonders attraktiv sind Aufgaben, bei denen ein Engpass gelöst wird. Wenn ein Agent nicht nur Arbeitszeit spart, sondern Angebote schneller versendet, Support-Rückstände abbaut oder zusätzliche Analysen ermöglicht, kann der Wert deutlich über der reinen Personalkostenersparnis liegen.
Wann sich ein Agent nicht rechnet
Viele Vorhaben scheitern nicht an der Modellqualität, sondern an einer falschen Problemwahl. Ist der Ablauf stabil und regelbasiert, ist ein klassischer Workflow günstiger und zuverlässiger. Reicht eine Klassifikation oder Extraktion, genügt oft ein kleineres Modell oder ein einzelner API-Aufruf. Ein offener Agent Loop fügt dann Kosten und Varianz hinzu, ohne geschäftlichen Mehrwert zu schaffen.
Ein Agent rechnet sich ebenfalls selten, wenn die Aufgabe nur wenige Male pro Monat vorkommt, aber hohe Integrations- und Governance-Kosten erzeugt. Dasselbe gilt, wenn das Ergebnis nicht schnell prüfbar ist, Fehler teuer oder irreversibel sind oder der Prozess keine saubere Datenbasis hat. Dann automatisiert der Agent vor allem Unklarheit.
Warnsignal: Wenn der Business Case nur funktioniert, indem jede eingesparte Minute als vollständig abgebauter Personalaufwand gerechnet wird, ist er zu optimistisch. Frei werdende Zeit erzeugt erst dann Wert, wenn sie tatsächlich in mehr Durchsatz, bessere Qualität oder andere produktive Arbeit übersetzt wird.
Warum das teuerste Modell günstiger sein kann
Modell-Routing ist einer der größten Hebel. Einfache Schritte wie Klassifikation, Formatierung oder Datenextraktion gehören auf kleine, schnelle Modelle. Schwierige Planung, mehrdeutige Entscheidungen oder anspruchsvolle Fehleranalyse können ein leistungsfähigeres Modell rechtfertigen.
Dabei ist „billigstes Modell“ kein sinnvolles Ziel. Ein teureres Modell kann die Gesamtkosten senken, wenn es weniger Wiederholungen benötigt, bessere Tool-Aufrufe erzeugt oder die menschliche Prüfzeit stark reduziert. Umgekehrt ist ein Frontier-Modell für jeden Zwischenschritt reine Verschwendung. Die richtige Einheit ist wieder der erfolgreiche Vorgang, nicht der einzelne Call.
Neben Routing wirken vier weitere Kontrollen besonders stark: Kontext nur bei Bedarf laden, wiederkehrende Promptteile cache-fähig strukturieren, harte Limits für Schritte und Budget setzen sowie Wiederholungen und Sub-Agenten nur mit nachweisbarem Qualitätsgewinn zulassen.
Was ein Geschäftsführer im Pilot verlangen sollte
Ein Agentenpilot sollte nicht mit einer beeindruckenden Demo enden, sondern mit einer kleinen Ergebnisrechnung. Dafür reichen sieben Kennzahlen:
Erst danach lohnt die Optimierung einzelner Tokenpfade. Wer vorab schon Modellpreise vergleicht, aber keine Erfolgsdefinition hat, optimiert eine Rechnung ohne Produkt.
Mein Fazit
Agentic AI ist nicht automatisch zu teuer. Aber Agenten sind auch nicht automatisch wirtschaftlich, nur weil ein Modellcall Centbeträge kostet. Ihre Ökonomie entsteht aus vielen Entscheidungen während eines Laufs - und aus der Frage, was nach dem Lauf wirklich nutzbar ist.
Die Geschäftsführer-Perspektive ist deshalb erfreulich klar: Beginne mit einem teuren oder langsamen Geschäftsproblem, definiere ein akzeptiertes Ergebnis, miss den heutigen Prozess und rechne alle Kosten pro Erfolg. Wähle erst dann zwischen klassischer Automatisierung, kleinem Modell, Agent mit Kontrolle oder menschlicher Entscheidung.
Der beste Agent ist nicht der autonomste und nicht der mit den wenigsten Tokens. Es ist der, dessen zusätzlicher Geschäftswert seine vollständigen Kosten und sein Risiko dauerhaft übersteigt.
Weiterführende Quellen
- McKinsey: Cost versus value - managing agentic AI system performance
- KPMG Global AI Pulse Q2 2026: Cost visibility and accountability
- How Do AI Agents Spend Your Money? Token consumption in agentic coding tasks
- Google AI for Developers: Gemini API and agent pricing
- FinOps Foundation: Token economics, agentic protocols and the new SaaS math
- Praxisdiskussion: AI agents are turning token cost into the new cloud bill
- Praxisdiskussion: Agentenkosten auf Task- und Run-Ebene messen