KIs wahrer Preis: Entwicklerproduktivität & Vertrauen in Gefahr
Die Anziehungskraft künstlicher Intelligenz für Unternehmensführer weltweit rührt oft von einem einfachen, wirkungsvollen Versprechen her: dem Potenzial, menschliche Mitarbeiter zu ersetzen. Während sich Diskussionen häufig darauf konzentrieren, wie KI die Effizienz steigern kann, ist die zugrunde liegende Motivation für viele Führungskräfte und Aktionäre die Aussicht auf Personalabbau. Weniger Gehälter führen direkt zu verbesserten Geschäftsergebnissen, steigenden Aktienkursen und erheblichen persönlichen Gewinnen für die Verantwortlichen an der Spitze.
Unternehmen bestreiten diese Absicht natürlich weitgehend. Microsoft beispielsweise preist KI-Tools wie GitHub Copilot an, wobei CEO Satya Nadella behauptet, sie generierten mittlerweile bis zu 30 Prozent des Softwarecodes des Unternehmens. Doch diese Verkündung fällt mit der Entlassung von über 15.000 Mitarbeitern bei Microsoft zusammen, fast 7 Prozent der Belegschaft. Die durch diese Reduzierungen eingesparten Mittel tragen zweifellos zu Microsofts erheblichen KI-Kapitalausgaben bei, die allein in diesem Jahr voraussichtlich 75-80 Milliarden US-Dollar betragen werden.
Dieses rosige Bild hängt jedoch von zwei entscheidenden Annahmen ab: dass KI die Arbeit konsistent effektiv leisten kann und dass KI eine wirtschaftliche Lösung bleiben wird. Während KI sicherlich einige Aufgaben automatisieren kann, wie bestimmte Callcenter-Funktionen, könnten die finanziellen Einsparungen nicht so erheblich sein, wie Führungskräfte erwarten. Das Offshoring von Callcenter-Jobs ist seit langem ein etabliertes Muster, was den Einstieg von KI hier weniger zu einem revolutionären Kostenersparnis als vielmehr zu einer inkrementellen Verschiebung macht.
Das ehrgeizigere Ziel ist es, hochwertige Wissensarbeiter zu ersetzen – Entwickler, Ingenieure und Designer. Doch sobald die übertriebenen Behauptungen rund um KI entlarvt sind, wird der greifbare Wert, den KI liefert, weniger klar. Ein aufschlussreicher Einblick stammt aus der Stack Overflow Developer Survey 2025, die zeigt, dass zwar 84 Prozent der Programmierer KI-Tools in ihren Workflows verwenden oder planen, sie zu verwenden, aber signifikante 46 Prozent der KI-nutzenden Entwickler den Ergebnissen nicht vertrauen. Noch besorgniserregender ist, dass das Vertrauen der Programmierer in KI-Entwickler-Tools paradoxerweise abgenommen hat, obwohl diese angeblich „verbessert“ wurden. Diese Vertrauenserosion rührt daher, dass Entwickler unverhältnismäßig viel Zeit – oft als verschwendete Mühe empfunden – mit der Korrektur von KI-generierten Codierungsfehlern verbringen, eine Aufgabe, die kaum für Fachkräfte auf mittlerer oder höherer Ebene geeignet ist.
Der aktuelle Stand der KI-Fähigkeiten verkompliziert die Angelegenheit zusätzlich. OpenAI-CEO Sam Altman pries GPT-5 als „das beste Modell der Welt“, doch das Modell produzierte notorisch sachliche Ungenauigkeiten, wie die selbstbewusste Behauptung, „Willian H. Brusen sei ein ehemaliger US-Präsident“ – eine nicht existierende Figur. Solche eklatanten Fehler führten dazu, dass ernsthafte Nutzer die Rückgabe des älteren, zuverlässigeren GPT-4o-Modells forderten und erhielten, ein klares Indiz für die Unzufriedenheit der Nutzer mit der Leistung von GPT-5.
Einige Forscher legen sogar nahe, dass die aktuellen KI-Verbesserungsmethoden an ihre Grenzen stoßen könnten. Studien sowohl von Apple als auch von der Arizona State University zeigen, dass bestehende Ansätze zur Verbesserung von Large Language Models (LLMs) ein Plateau erreicht haben. Wie das Papier der Arizona State University feststellt: „CoT [Chain of Thought]-Reasoning ist eine brüchige Fata Morgana, die verschwindet, wenn sie über Trainingsverteilungen hinausgetrieben wird“, was eine fundamentale Zerbrechlichkeit in der Art und Weise impliziert, wie diese Modelle komplexe Informationen verarbeiten.
Trotz der allgegenwärtigen Marketingrhetorik von KI-Führern hob The Economist kürzlich hervor, dass nur 10 Prozent der Firmen KI sinnvoll in ihre Abläufe integrieren, was darauf hindeutet, dass die Auswirkungen von KI nicht so weit verbreitet sind, wie der frenetische Aktienmarkt vermuten lassen könnte. Entscheidend ist, dass Kunden derzeit nicht die wahren Kosten von KI tragen. Jedes KI-Unternehmen verkauft seine Dienste effektiv zu einem Lockvogelpreis. Wie Ewa Szyszka für den Kilo Code Blog bemerkte, hat sich die Annahme, dass fallende Roh-Inferenzkosten zu proportional niedrigeren Anwendungs-Inferenzkosten führen würden, als falsch erwiesen. Moderne, fortschrittliche Modelle können für komplexe Abfragen über 100-mal mehr Rechenleistung erfordern als die traditionelle Single-Pass-Inferenz, was die Rechenkosten zu einem signifikanten Faktor macht. Folglich erhöhen KI-gestützte Code-Editoren wie Cursor und Claude Code Berichten zufolge ihre Einführungspreise von 20 US-Dollar pro Monat auf 200 US-Dollar pro Monat. Darüber hinaus sind viele verlockende Niedrigpreispläne mit Token-Begrenzungen verbunden, die ihre Nützlichkeit im Vergleich zu höherstufigen Angeboten stark einschränken.
Während OpenAI-CEO Sam Altman eine zehnfache Senkung der KI-Nutzungskosten alle 12 Monate vorhersagt, wird dieser Optimismus von vielen mit Skepsis betrachtet, die auf die nicht nachhaltigen Finanzmodelle der aktuellen KI-Giganten hinweisen. OpenAI beispielsweise operiert mit einer geschätzten Burn Rate von 8 Milliarden US-Dollar pro Jahr, und Anthropic mit 3 Milliarden US-Dollar. Ihr Weg zur Profitabilität bleibt für Finanzanalysten „eine offene Frage“.
Unterdessen betten etablierte Technologieunternehmen wie Microsoft und Google KI-Gebühren subtil in ihre bestehenden Software-as-a-Service (SaaS)-Abonnements ein. Zylo, ein SaaS-Managementunternehmen, stellte fest, dass in aktuelle Plattformen integrierte KI-Tools „trügerisch teuer“ sein können. Microsoft Copilot beispielsweise schlägt mit bis zu 30 US-Dollar pro Benutzer und Monat zu den Microsoft 365-Abonnements hinzu, während Google die Workspace-Preise mit gebündelten KI-Funktionen erhöht hat. Diese undurchsichtige Preisgestaltung erschwert es Unternehmen, Optionen zu vergleichen oder die Gesamtkosten genau zu berechnen.
Die KI-Entwickleranalysefirma DX hat festgestellt, dass die realen Kosten der Implementierung von KI-Tools in technischen Organisationen die anfänglichen Schätzungen oft verdoppeln oder verdreifachen, manchmal sogar mehr. Laura Tacho, CTO von DX, betont, wie die kumulativen Kosten zahlreicher einzelner KI-Tools, die jeweils etwa 20 US-Dollar pro Monat kosten, schnell erheblich werden, wenn sie über eine Organisation skaliert werden. Justin Reock, stellvertretender CTO von DX, veranschaulicht dies mit einem Ingenieur, der möglicherweise GitHub Copilot, ChatGPT und Claude verwendet, was zu sich überschneidenden Ausgaben ohne zentrale Übersicht führt.
Letztendlich werden die derzeitigen Schnäppchenpreise verschwinden, da KI-Unternehmen gezwungen sind, der Rentabilität Priorität einzuräumen. Bis 2026 sollten Unternehmen damit rechnen, für die gleiche KI-gesteuerte Arbeit, die sie heute leisten, mindestens zehn- bis fünfzehnmal mehr zu bezahlen. Das Versprechen von KI als kostensparendes Allheilmittel entpuppt sich schnell als kostspielige Illusion.