Irgendwo am Hauptsitz eines Großkonzerns sitzt der Finanzvorstand und blickt auf eine Rechnung. Darauf steht eine Zahl, die ohne Weiteres dem jährlichen IT-Budget eines mittelgroßen Staates entsprechen könnte. Mehr als eine halbe Milliarde Dollar. Für einen einzigen Monat. Für künstliche Intelligenz. Und vor allem, ohne dass irgendjemand den Mitarbeitern Verbrauchslimits gesetzt hätte. Es ist das Symptom eines Trends, der den Namen Tokenmaxxing erhalten hat und der sich jetzt, zur Jahresmitte, auf äußerst schmerzhafte Weise bemerkbar macht.
Unternehmen auf der ganzen Welt haben in den vergangenen zwei Jahren darum gewetteifert, ihre Mitarbeiter dazu zu bringen, möglichst viele KI-Tools zu nutzen. Das Ergebnis sind astronomische Rechnungen, keine klaren Auswirkungen auf die Produktivität und wachsende Frustration auf allen Seiten.
Wie Tokenmaxxing entstand
Token sind die Grundeinheit, in der große Sprachmodelle Text verarbeiten. Grob gesagt entspricht ein Token anderthalb Wörtern im Englischen. Und KI-Unternehmen wie Anthropic oder OpenAI rechnen nach dem Tokenverbrauch ab. Wenn man sich das vor Augen führt, erscheint die Logik des Tokenmaxxings auf den ersten Blick sinnvoll. Ein Unternehmen möchte wissen, welche Mitarbeiter KI tatsächlich nutzen. Wie lässt sich das messen? Ganz einfach: Wer die meisten Token verbraucht, muss auch am meisten mit KI arbeiten. Und wer am meisten mit KI arbeitet, ist doch am produktivsten. Oder etwa nicht?
Meta beispielsweise schlug diesen Weg mit voller Kraft ein. Ein Mitarbeiter erstellte dort eine inoffizielle Rangliste namens Claudeonomics, in der alle rund 85 000 Beschäftigten nach ihrem Tokenverbrauch geordnet wurden. Die Besten erhielten Titel wie "Token-Legende" oder "Unsterblicher der Sitzung." Innerhalb eines einzigen 30-Tage-Zeitraums überstieg der Gesamtverbrauch in dieser Rangliste 60 Billionen Token. Ein einziger Nutzer verbrannte in dieser Zeit 281 Milliarden Token. Zu den Standardpreisen von Anthropic hätte dieser Verbrauch mehr als 900 Millionen Dollar gekostet.
Amazon ging einen ähnlichen Weg. Die interne Rangliste Kirorank erfasste die Aktivitäten der Mitarbeiter auf der Entwicklerplattform Kiro und belohnte diejenigen, die KI am häufigsten nutzten.
Den Rest erledigte das Goodhartsche Gesetz
Hier kommt ein Phänomen ins Spiel, das Philosophen und Ökonomen schon lange kannten, bevor jemand das Wort Tokenmaxxing erfand. Das Goodhartsche Gesetz besagt: Sobald eine Messgröße zum Ziel wird, ist sie keine gute Messgröße mehr.
In der Praxis sah das so aus: Amazon-Mitarbeiter begannen, KI-Agenten mit unnötigen Aufgaben zu beschäftigen, nur um ihre Punktzahlen zu erhöhen. Ein Ingenieur gab zu, dass er jedes Mal, wenn ihn ein Projektmanager verärgert, den gesamten Slack-Unterhaltungsverlauf in das interne KI-Tool wirft und ihn von zehn Unteragenten durchsuchen lässt, um Möglichkeiten zu finden, den Manager lächerlich zu machen. Der Ranglistenplatz steigt, die Produktivität bleibt unverändert und die Rechnung wächst auf unangenehme Weise.
Den Topmanagern bei Amazon fiel das auf. Dave Treadwell, Vice President of Engineering, schrieb den Mitarbeitern: "Bitte nutzt KI nicht nur, um sie zu nutzen. Nutzt sie, um Probleme der Kunden und des Unternehmens zu lösen und um Innovationen zu schaffen."
Uber verbrannte das Jahresbudget in vier Monaten
Dasselbe Problem gibt es auch bei Uber. Technikchef Praveen Neppalli Naga räumte ein, dass das Unternehmen sein gesamtes Jahresbudget für KI-Programmierwerkzeuge bereits im Laufe des Aprils aufgebraucht hatte. Und das, obwohl der Anteil der Ingenieure, die Claude Code nutzten, zwischen Februar und März 2026 von 32 auf 84 Prozent gestiegen war.
COO Andrew Macdonald äußerte daraufhin öffentlich Zweifel. Er sagte, es gelinge ihm nicht, eine direkte Verbindung zwischen dem steigenden Tokenverbrauch und dem herzustellen, was das Unternehmen seinen Nutzern tatsächlich bereitstellt. "Diesen Zusammenhang gibt es einfach nicht", erklärte er und räumte ein, dass die Ausgaben für KI immer schwerer zu rechtfertigen seien. Die durchschnittlichen monatlichen Kosten für KI-Tools pro Ingenieur lagen bei Uber zwischen 150 und 250 Dollar. Bei den aktivsten Nutzern waren es bis zu 2 000 Dollar im Monat. Bei rund 5 000 Ingenieuren steigen die Kosten schnell.
Uber ist damit bei Weitem nicht allein. Microsoft strich den Großteil seiner internen Lizenzen für Claude Code, hauptsächlich aus Kostengründen. Die Mitarbeiter wurden auf den hauseigenen GitHub Copilot umgestellt. Salesforce sieht sich für das Jahr 2026 mit einer Rechnung von Anthropic über mehr als 300 Millionen Dollar konfrontiert. Meta nahm seine Claudeonomics-Rangliste kurz nachdem darüber berichtet worden war wieder offline. CTO Andrew Bosworth schrieb den Mitarbeitern unmissverständlich: "Niemand sollte KI-Tools nur nutzen, um sie zu nutzen."
Was ist also schiefgelaufen?
Sophia Velastegui, Geschäftsführerin von Velastegui Ventures und ehemalige KI-Chefin bei Microsoft, benennt eines der grundlegenden Probleme. Ihrer Ansicht nach automatisieren die meisten Mitarbeiter Aufgaben, die ihnen keinen Spaß machen, anstatt diejenigen, die für das Unternehmen am wertvollsten sind. Lizenzen blindlings zu verteilen und abzuwarten, was dabei herauskommt, führt zu keinen Ergebnissen.
Eine Untersuchung des Unternehmens Jellyfish lieferte konkrete Zahlen. Intensive Nutzer von Claude Code verbrauchten etwa zehnmal mehr Token als mäßig aktive Kollegen. Ihre Produktivität stieg dabei jedoch nur ungefähr auf das Doppelte. Mit anderen Worten: Für jeden zusätzlich für KI ausgegebenen Dollar erhielten die Unternehmen deutlich weniger als erwartet. Die Realität der KI besteht heute darin, dass sie vor allem beim Programmieren zuverlässig funktioniert. In allen anderen Bereichen ist das Ergebnis deutlich weniger vorhersehbar. Und genau diese Lücke treibt die IT-Rechnungen in die Höhe, ohne eine entsprechende Rendite zu bringen.
Ein anonymer Fall, über den Axios berichtete, ist wohl das anschaulichste Beispiel dafür, wohin das völlige Fehlen von Regeln führt. Ein KI-Berater beschreibt einen Kunden, der in einem einzigen Monat mehr als eine halbe Milliarde Dollar für Claude ausgab, weil er schlicht vergessen hatte, irgendwelche Verbrauchslimits für seine Mitarbeiter festzulegen. Anthropic bietet Unternehmenskunden Tools zur Verwaltung von Zugriffsrechten, zur Überwachung des Verbrauchs und zur Festlegung von Obergrenzen an. Diese Funktionen müssen jedoch von jemandem aktiv konfiguriert werden. Und in diesem Fall hatte das schlicht niemand getan.
Das ist nicht die einzige Geschichte dieser Art. Ein CTO erwähnte, dass Mitarbeiter das KI-Abonnement des Unternehmens nutzten, um sich nach dem Wetter zu erkundigen. Dabei sind KI-Tarife für Unternehmen keine unbegrenzten "All-you-can-eat"-Angebote. Selbst eine einfache Anfrage an einen Chatbot verbraucht Token und verursacht Kosten. Und wenn sich das über Tausende Mitarbeiter summiert, schnellen die Zahlen rasch in die Höhe.
Rückkehr zu Ergebnissen statt Verbrauch
Amazon reagierte, indem es anstelle der Zahl verbrauchter Token nun die "normalisierte Bereitstellung" erfasst, also wie viel KI-unterstützter Code tatsächlich in die Produktion gelangt. Nicht wie viele Token jemand verbrannt hat, sondern was daraus entstanden ist.
Die Investitionen in die KI-Infrastruktur werden dabei von niemandem gestoppt. Amazon plant für 2026 Investitionsausgaben von rund 200 Milliarden Dollar, überwiegend für KI und Rechenzentren. Jefferies weist darauf hin, dass die Ausgaben US-amerikanischer Unternehmen für Informationstechnologie und Software im ersten Quartal 2026 einen Rekordwert von 4,91 Prozent des BIP erreichten und damit den bisherigen Höchststand aus der Zeit des Dotcom-Booms im Jahr 2000 übertrafen.
Banken warnen zugleich davor, dass in diesem Zyklus erhebliche Mengen an Kapital vernichtet werden, ähnlich wie Ende der 90er-Jahre. Und sie erinnern an das Amarasche Gesetz: Menschen neigen dazu, die kurzfristigen Auswirkungen einer Technologie zu überschätzen und ihre langfristigen Auswirkungen zu unterschätzen.
Vorerst sieht es so aus, als würden Unternehmen endlich damit beginnen, die richtige Frage zu stellen. Nicht, wie viele Token wir verbrannt haben, sondern was wir dafür bekommen haben.
Quellen: businessinsider.com, theconversation.com und finance.yahoo.com
