Die Testphase ist vorbei. Wer Künstliche Intelligenz in den Betrieb übernommen hat, bekommt seit einigen Monaten eine Rechnung, die mit jeder Nutzung wächst statt zu sinken. Für viele Unternehmen kehrt sich damit eine Kalkulation um, auf die sich die Softwarebranche zwei Jahrzehnte lang verlassen hat.
Software war teuer im Bau und günstig im Betrieb
Klassische Unternehmenssoftware folgt einer einfachen Ökonomie. Die Entwicklung kostet viel, der laufende Betrieb kostet wenig. Ist ein Programm einmal geschrieben, bedient es den tausendsten Nutzer fast so günstig wie den ersten. Servermiete und Datenbankabfragen fallen an, aber sie wachsen langsam. Diese Marge war zwanzig Jahre lang der wirtschaftliche Kern des Geschäftsmodells.
Mit generativer KI verschiebt sich das Verhältnis. Der Bau wird billiger: Ein kleines Team setzt in Wochen um, wofür früher eine große Entwicklungsmannschaft nötig war. Der Betrieb dagegen wird teuer. Jede Anfrage an ein Sprachmodell verbraucht Rechenleistung, und diese Rechenleistung wird pro Token abgerechnet, der kleinsten Verarbeitungseinheit aus Wortbestandteilen. Die Kosten steigen also mit der Nutzung, nicht mit dem Umsatz.
Der Mittelstand hält sich zurück
Die Zurückhaltung lässt sich messen. Nach einer Studie der Unternehmensberatung Horváth, für die rund 200 Betriebe befragt wurden, sank der KI-Anteil am Umsatz mittelständischer Unternehmen 2025 auf 0,35 Prozent, nach 0,41 Prozent im Jahr davor. Der Gesamtmarkt lag bei 0,5 Prozent. Der Mittelstand investiert damit rund 30 Prozent unter dem Durchschnitt.
Studienleiter Heiko Fink, Vorstandsmitglied bei Horváth, nennt zwei Gründe: geopolitische Unsicherheit, die den Blick auf Kostensenkung lenkt, und erste Anwendungsfälle, die nicht die erhoffte Effizienz gebracht haben. Wer einmal Geld ohne messbaren Nutzen ausgegeben hat, wird beim zweiten Anlauf vorsichtig.
Warum günstigere Modelle nicht die einfache Antwort sind
Die naheliegende Reaktion lautet, auf kleinere oder quelloffene Modelle auszuweichen. Sie kosten pro Token weniger, und in vielen Standardfällen liefern sie brauchbare Ergebnisse.
Das Problem sind die Randfälle. Ein Modell, das die alltägliche Anfrage beantwortet, aber bei der Ausnahme scheitert, verliert das Vertrauen der Belegschaft. Und Ausnahmen gibt es in jedem Geschäftsprozess. Mitarbeitende, die zweimal eine falsche Antwort bekommen haben, kehren zur alten Arbeitsweise zurück. Dann zahlt das Unternehmen für ein System, das niemand nutzt, und die Kostenfrage wird zur Akzeptanzfrage.
Die Architektur entscheidet über die Rechnung
Zwischen teurem Spitzenmodell und unzuverlässigem Sparmodell liegt die eigentliche Ingenieursarbeit. Sie besteht darin, das teure Modell nur dort einzusetzen, wo es gebraucht wird, und den Rest der Arbeit auf günstigere Komponenten zu verteilen.
Ein Weg dorthin ist, die Daten eines Unternehmens vorab zu strukturieren und zu indexieren, sodass das Modell pro Anfrage nur den relevanten Ausschnitt verarbeitet statt eines vollständigen Kontexts. Mehrere spezialisierte Komponenten übernehmen Teilaufgaben, statt ein einziges großes Modell alles erledigen zu lassen. Das Ergebnis sind geringere Kosten pro Abfrage bei gleichbleibender Qualität, auch in den Randfällen.
Diese Architektur ist kein theoretisches Konstrukt. XLR8N betreibt die eigenen Systeme nach demselben Muster: strukturierte Daten, spezialisierte Komponenten, das teure Modell nur im Ausnahmefall. Der Grund ist wirtschaftlich, nicht ideologisch. Ein KI-nativ geführter Betrieb hat eine niedrigere Kostenstruktur, und diese Struktur bestimmt am Ende den Preis, den ein Kunde zahlt.
Für die Geschäftsführung verschiebt sich damit die entscheidende Frage. Sie lautet nicht mehr, ob sich Künstliche Intelligenz einführen lässt, sondern zu welchen laufenden Kosten sie sich tragen lässt. Diese Kosten entstehen bei jeder einzelnen Anfrage. Unternehmen, die sie von Beginn an in ihren Business-Case eingerechnet haben, tragen die steigende Nutzung. Für die anderen kommt die Rechnung als nachträgliche Korrektur.