Das Budget, das der Erfolg sprengte

Ubers Technikchef Praveen Neppalli Naga nannte The Information die Zahl, die jeden Unternehmer mitten im Satz stoppen sollte: Das Unternehmen hatte sein gesamtes geplantes KI-Coding-Budget 2026 in vier Monaten verbrannt. Uber hatte das Werkzeug im Dezember 2025 an rund 5.000 Ingenieure ausgerollt, und die Nutzung stieg von 32 Prozent der Ingenieure im Februar auf 84 Prozent, die im März 2026 als starke agentische Nutzer galten. Bis zum Frühjahr lagen die Monatskosten pro Ingenieur laut Berichten im Schnitt zwischen 150 und 250 Dollar und bei Vielnutzern zwischen 500 und 2.000 Dollar. Nichts war schiefgegangen. Das Werkzeug funktionierte, die Ingenieure nutzten es, und die Nutzung leerte das Budget.

Dasselbe Muster tauchte bei Microsoft auf. Mehrere Berichte, angeführt von The Verge, beschreiben, wie Microsoft bis zum 30. Juni 2026 den meisten internen Claude-Code-Zugang in seiner Sparte Experiences and Devices kappt - der Gruppe hinter Windows, Microsoft 365, Outlook, Teams und Surface - und Ingenieure auf GitHub Copilot CLI umzieht. Die offizielle Darstellung ist Werkzeug-Vereinheitlichung, doch die Berichte sind deutlich beim Treiber: Bei Verbrauchsbepreisung sprengt starke Nutzung eines agentischen Coding-Werkzeugs das Jahresbudget, denn das Werkzeug wird nach verbrauchten Tokens gemessen, nicht nach belegten Plätzen. Je besser es arbeitet, desto mehr wird es genutzt, und je mehr es genutzt wird, desto höher die Rechnung.

Warum es zählt: das ist ein Basisraten-Fehler, kein Werkzeug-Problem

Warum es zählt: Der Fehler ist nicht die Wahl des falschen Werkzeugs. Es ist, ein neues Werkzeug auf der alten Basisrate zu budgetieren. Unternehmen bepreisten KI-Coding, als wäre es billige Autovervollständigung - geringe Kosten pro Platz, die sich mit der Nutzung kaum bewegen. Agentische Werkzeuge brechen diese Annahme, weil sie kontinuierliche Denkzyklen laufen lassen, und sie sind dafür bepreist: Die Kosten skalieren mit der Menge an Arbeit, die das Werkzeug leistet, also mit dem Erfolg des Rollouts. Wer den Pilot budgetiert - eine Handvoll neugieriger Ingenieure mit leichten Abfragen - modelliert die falsche Basisrate für ein Werkzeug, dessen ganzes Nutzenversprechen lautet, dass alle es ständig nutzen.

Ja, aber: Das ist kein Argument, dass agentische KI zu teuer ist. Uber setzt sie weiter ein, und die Produktivität ist real - bis zum Frühjahr stammten rund 70 Prozent von Ubers eingecheckten Code von KI-Werkzeugen. Der Punkt ist enger: Verbrauchsbepreisung macht aus Adaption eine Kostenkurve, und der Erfolgsfall, nicht der Pilot, ist der, der bezahlbar sein muss. Microsofts Antwort, der Wechsel zu einem anderen Werkzeug, ist eine Lösung; Messung und Deckel pro Nutzer ab dem ersten Tag ist eine andere, meist die günstigere.

Fazit: den voll adaptierten Fall budgetieren und ab Tag eins messen

Fazit: Bevor Sie ein verbrauchsbepreistes KI-Werkzeug kaufen, rechnen Sie die Kosten des Szenarios, in dem es funktioniert. Nehmen Sie die Kosten pro Nutzer Ihres stärksten erwarteten Nutzers, multiplizieren Sie mit der Kopfzahl, an die Sie wirklich ausrollen wollen, und prüfen Sie, ob diese Zahl ins Jahresbudget passt. Passt sie nicht, ist das Werkzeug im Erfolgsfall unbezahlbar, egal wie billig der Pilot aussah, und der disziplinierte Zug ist, ab dem ersten Tag pro Nutzer zu deckeln und zu messen, statt die Grenze im vierten Monat zu entdecken, wie Uber es tat.

Das breitere Entscheidungsprinzip überlebt diese eine Produktkategorie. Bepreist ein Anbieter pro Einheit genau des Verhaltens, dessen Steigerung Sie bezahlen, sind die Pilotkosten bedeutungslos und die Erfolgskosten alles. Modellieren Sie das erhoffte Ergebnis, nicht den laufenden Test, und können Sie das perfekt arbeitende Werkzeug nicht bezahlen, kaufen Sie das Werkzeug nicht, das Ihnen fürs Arbeiten mehr berechnet.

Weiterlesen: Wer 145 Milliarden ausgibt, sagt: es funktioniert noch nicht  |  Google: 9 Prozent Overhead, 37 Prozent mehr Strom