Was KI-Agenten wirklich kosten

Die Kosten für Agentic-AI-Initiativen können schnell aus dem Ruder laufen. Gorodenkoff | shutterstock.com



Agentic AI hat sich vom „Konferenz-Hype“ zu einem eigenständigen Budgetposten entwickelt. Im Gegensatz zu herkömmlichen KI-Systemen, die auf einen einzelnen Prompt reagieren, sind agentische KI-Systeme darauf ausgelegt, Ziele zu verfolgen. Sie planen, greifen auf Tools zurück, überprüfen Ergebnisse oder delegieren Tasks an andere Agenten, bevor sie eine Antwort liefern oder eine Maßnahme ergreifen.



Diese zusätzliche Autonomie ist das Alleinstellungsmerkmal von Agentic AI – schafft aber auch ein Kostenproblem: Während eine einzelne Chatbot-Interaktion einige Tausend Token verbrauchen kann, konsumiert ein agentischer Workflow möglicherweise Hunderttausende oder Millionen von Token pro Tag. Deswegen sollten die wirtschaftlichen Aspekte auch auf Ebene der „Agenteninstanzen“ betrachtet werden – nicht nur auf der der Modellaufrufe.



KI-Agenten – die konkreten Kosten



Für die nachfolgenden Preisschätzungen für KI-Agenten gehen wir von Token-Kosten von drei Dollar pro einer Million Token aus. Hierbei handelt es sich um einen gemittelten Planungswert, der von einem Mix aus Input- und Output-Tokens, Reasoning-Schritten, RAG, Zusammenfassungen, Tool-Aufrufen, Memory Updates und dem gelegentlichen Einsatz größerer Kontextfenster ausgeht. Einige Unternehmen werden weniger zahlen, weil sie Mengenrabatte erhalten oder Tasks an kleinere Modelle weiterleiten. Andere Anwender, die beispielsweise Premium-Modelle nutzen oder umfangreiche Dokumente verarbeiten, werden mehr bezahlen.



Die Grundformel ist simpel: Wenn ein Agent zwei Millionen Token pro Tag verbraucht, ergibt das auf das Jahr gerechnet 730 Millionen Token. Bei drei Dollar pro einer Million Token belaufen sich die (Token-)Kosten für diesen einzelnen Agenten also auf circa 2.190 Dollar pro Jahr. Das klingt nach überraschend wenig, bis man sich bewusst macht, dass diese Zahl mit der Anzahl der Agenten, Workflows und Nutzer multipliziert werden muss – und dann noch die Kosten für die erforderliche Infrastruktur hinzukommen.  



Je nach Anwendungsfall variieren die jährlichen Kosten pro KI-Agent (nur für Token) entsprechend:




Ein ressourcenschonender Agent für die HR – etwa für die Personalbeschaffung oder das Onboarding – der täglich eine Million Token verbraucht, kostet etwa 1.095 Dollar pro Jahr.



Ein anspruchsvollerer Agent für die Softwareentwicklung, der täglich 3,5 Millionen Token verbraucht, schlägt mit etwa 3.833 Dollar pro Jahr zu Buche.



Agenten für den Kunden-Support kosten etwa 2.190 Dollar pro Jahr.



Für KI-Agenten, die sich mit Vertragsmanagement auseinandersetzen, werden etwa 2.409 Dollar pro Jahr fällig.



Agenten für die Security-Triage kosten circa 2.738 Dollar pro Jahr.



KI-Agenten für Research-Zwecke sorgen für jährliche Kosten von etwa 3.066 Dollar.




Diese Zahlen sind nützlich, aber unvollständig: Sie umfassen lediglich den Token-Verbrauch von LLMs. Außen vor bleiben hingegen Orchestrierungsplattformen, Vektordatenbanken, Observability, Modellevaluierung, Sicherheitskontrollen, Workflow-Überwachung, menschliche Reviews, die Integration von Unternehmensanwendungen, Daten-Pipelines, Audit-Protokollierung, Prompt-Management sowie die für den Aufbau und die Wartung der Systeme benötigten Spezialisten. In realen Einsatzszenarien würde ich davon ausgehen, dass die Gesamtbetriebskosten in etwa das Zwei- bis Fünffache der reinen Token-Kosten betragen. In regulierten oder geschäftskritischen Umgebungen kann dieser Multiplikator noch höher ausfallen.



An dieser Stelle werden viele Anwendungsfälle für Agentic AI weniger klar: Ein Modell aufzurufen mag kostengünstig sein, das System rund um das Modell ist es jedoch nicht. Agenten, die ein CRM-System aktualisieren, eine Rückerstattung genehmigen oder eine Sicherheitsmaßnahme empfehlen, benötigen entsprechende Schutzmechanismen, Berechtigungen, Protokollierung, Rollback-Mechanismen sowie Eskalationswege für menschliche Eingriffe. Dabei handelt es sich nicht um optionale Funktionen, sondern um solche, die den Unterschied zwischen einer Demo und einem Enterprise-System ausmachen.



Wirtschaftlich sinnvolle Anwendungsfälle für KI-Agenten



Der Kunden-Support ist einer der offensichtlichsten Anwendungsfälle. Bei einer typischen Implementierung zur Support-Automatisierung könnten etwa acht verschiedene Agenten zum Einsatz kommen. Diese klassifizieren eingehende Anfragen, rufen Wissen ab, generieren Antworten, eskalieren an Menschen, prüfen die Qualität, aktualisieren das CRM, erfassen das Sentiment und fahren Analysen. Bei zwei Millionen Token pro Agent und Tag kostet jeder Agent pro Jahr etwa 2.190 Dollar (Token-Verbrauch). Das treibt die jährlichen Gesamtkosten auf rund 17.520 Dollar. Wenn dieses System auch nur eine bescheidene Anzahl von Tickets abfängt oder die Produktivität der Agenten verbessert, kann es wirtschaftlich attraktiv sein.



Sales Development ist ein weiteres praktisches Beispiel. Ein System mit fünf Agenten für Kundenrecherche, Lead-Anreicherung, E-Mail-Personalisierung, CRM-Aktualisierungen und die Planung von Folgeaktionen kann 1,2 Millionen Token pro Agent und Tag konsumieren. Daraus ergeben sich jährliche Token-Kosten von etwa 1.314 Dollar pro Agent und 6.570 Dollar für das gesamte Agenten-Team. Das kann wirtschaftlich überzeugend sein, wenn dadurch die Qualität der Pipeline optimiert wird. Es kann aber auch zu Verschwendung führen, wenn die Mitarbeiter in großem Umfang Kontakte von geringer Qualität generieren.



Agentic AI in der Softwareentwicklung ist zwar teurer, aber potenziell auch wertvoller. Ein System mit zwölf Agenten, das Anforderungsanalyse, Architektur, Codegenerierung, Tests, Reviews, Sicherheitsprüfungen, Dokumentation, CI-Debugging, Refactoring, Versionshinweise, Abhängigkeitsanalyse und Hotfix-Support abdeckt, kann pro Agent und Tag 3,5 Millionen Token verbrauchen. Das entspricht etwa 3.833 Dollar pro Agent und Jahr – oder rund 45.990 Dollar für das gesamte System. Im Vergleich zu den Entwicklergehältern sind diese Kosten gering. Die eigentliche Frage ist allerdings, ob das System den Durchsatz zuverlässig verbessert – ohne Fehler, Sicherheitslücken oder komplexe Wartungsarbeiten nach sich zu ziehen.



Auch der Bereich Security Operations passt zum agentenbasierten Modell, da die Arbeit repetitiv, zeitkritisch und kontextintensiv ist. Ein Sicherheits-Triage-System mit zehn Agenten könnte Alarm-Triage, Protokollanalyse, Bedrohungsinformationen, Endpunktuntersuchung, Netzwerkuntersuchung, Zusammenfassung von Vorfällen, Ticketerstellung, Compliance-Nachweise, Eskalation sowie Nachanalyse umfassen. Bei 2,5 Millionen Token pro Agent und Tag belaufen sich die jährlichen Token-Kosten auf etwa 2.738 Dollar pro Agent. Das gesamte System kostet 27.375 Dollar. Dieser Invest lässt sich leicht rechtfertigen, wenn dadurch die Alert Fatigue reduziert und die Reaktionszeit verkürzt wird. Allerdings geht das auch nicht ohne Risiko einher: Wenn Agenten Kausalzusammenhänge halluzinieren oder kritische Signale in „selbstbewussten“ Zusammenfassungen verschleiern, kann die Initiative schnell nach hinten losgehen.



Auf dieser Grundlage wären Multi-Agenten-Systeme darüber hinaus auch in den Bereichen Finanzen, Recht, Healthcare, Marktforschung, Personalwesen und Supply Chain realisierbar:




Ein Finanzabschlusssystem mit sechs Agenten verursacht jährlich etwa 9.855 Dollar an Token-Kosten.



Ein System zur Überprüfung von Rechtsverträgen mit vier Agenten bringt es auf 9.636 Dollar.



Ein administrativer Workflow im Healthcare-Bereich, der sieben Agenten umfasst, verursacht circa 13.797 Dollar an Kosten.



Ein Team aus sechs Agenten, dass den Wettbewerb beobachtet kostet 18.396 Dollar.



Personalbeschaffung und Einarbeitung mit fünf Agenten abzuwickeln, belastet das Budget mit 5.475 Dollar.



Lieferkettenplanung und Ausnahmemanagement auf der Grundlage eines Teams von acht Agenten zu händeln, kostet etwa 21.024 Dollar.




Traditionelle und agentische KI im Kostenvergleich



Die Wirtschaftlichkeit von Agentic AI sollte stets mit simpleren Ansätzen verglichen werden. Traditionelle KI, Workflow-Automatisierung, Regel-Engines, RPA und nicht-agentische LLM-Calls sind oft kostengünstiger, einfacher zu steuern und besser vorhersehbar. Für Aufgaben wie Klassifizierung, Extraktion, Zusammenfassung, Weiterleitung oder einen Entwurf innerhalb eines engen Kontexts, ist agentische KI in der Regel überdimensioniert. Ein deterministischer Workflow mit einem einzigen Modellaufruf kann diese Tasks einem Bruchteil der Kosten (und Risiken) erledigen.



Agentische Systeme sind immer dann sinnvoll, wenn der Prozess Ermessensentscheidungen über mehrere Schritte hinweg, dynamische Planung, Tool-Einsatz, Exception Handling und die Anpassung an unvollständige Informationen erfordert. Sie sind wertvoll, wenn der Weg zur Antwort nicht vollständig im Voraus festgeschrieben werden kann – und deutlich weniger wertvoll, wenn Unternehmen sie als trendigen Ersatz für grundlegende Automatisierung nutzen.



Die beste Architektur ist in der Regel hybrid: Setzen Sie traditionelle Automatisierung dort ein, wo der Prozess stabil ist. Nutzen Sie nicht-agentische KI, wenn die Aufgabe begrenzt ist. Agentic AI sollte nur an den Stellen zum Einsatz kommen, wo Autonomie einen messbaren Hebeleffekt erzeugt. Das resultiert in weniger Agenten, engeren Anwendungsbereichen, expliziten Budgets, Modell-Routing, Token-Überwachung und menschlichen Kontrollpunkten für Entscheidungen mit großer Tragweite.



Der finanzielle Fehler, den viele Organisationen begehen werden, besteht darin, Agenten als digitale Mitarbeiter mit Grenzkosten nahe Null zu behandeln. Das sind sie nicht. Es handelt sich um probabilistische Softwarekomponenten, die Token verbrauchen, Tools auslösen, operative Abhängigkeiten schaffen und Überwachung erfordern. Die Kosten für die Token lassen sich vielleicht bewältigen. Die Kosten für die Governance möglicherweise nicht.



Agentische KI kann sich durchaus lohnen. In vielen Fällen liegt der jährliche Token-Verbrauch für ein nützliches Agenten-Team unter den Gesamtkosten eines einzelnen Mitarbeiters. Das bedeutet jedoch nicht, dass die Technologie günstig ist. Unternehmen sollten die Agentenkosten pro erreichtem Geschäftsergebnis messen, nicht pro Prompt oder Modellaufruf. Letztendlich geht es auch gar nicht darum, wie viel ein Agent kostet. Sondern darum, die richtige Frage zu stellen – nämlich: Überwiegt die Autonomie, die ein KI-Agent bietet, die Komplexität, die er mit sich bringt? (fm)



Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.