Ihre KI-Rechnung steigt, und niemand weiß, was sie geliefert hat
Von Xavier Franco, CEO de Elternativa · Grupo Zemsania
· 6 Min. Lesezeit
Mit Unterstützung von KI verfasst und von Xavier Franco geprüft

In diesem Artikel
Vor Kurzem war KI noch ein Experiment mit Innovationsbudget. Heute ist sie ein Posten wie jeder andere: Lizenzen, Modellverbrauch, Agenten von Anbietern und eigene Agenten. Fragen Sie einen Technologiechef, was ihn die KI diesen Monat gekostet hat, kommt die Antwort meist schnell. Fragen Sie, was sie dafür geliefert hat, schon nicht mehr.
Genau diese Lücke zwischen dem, was sie kostet, und dem, was sie liefert, muss die KI-Observability schließen.
Die KI-Kosten werden schon gesteuert, aber blind
Das ist kein bloßer Eindruck. Der Bericht State of FinOps 2025 der FinOps Foundation mit 861 Antworten, die rund 69 Milliarden Dollar an Ausgaben für die Public Cloud abbilden, hält fest, dass 63 % der Teams die KI-Ausgaben bereits steuern, gegenüber 31 % im Vorjahr. In einem Jahr hat sich der Anteil verdoppelt.
Doch derselbe Bericht sagt etwas Aufschlussreiches: Bei KI geht es noch nicht um Optimierung, sondern darum, die Ausgaben zu verstehen: sie zuzuordnen, die Daten zu erfassen, Anomalien zu erkennen und vorauszuplanen. Die meisten versuchen also noch herauszufinden, was überhaupt passiert.
Und Gartner prognostiziert in seinem Bericht zu Best Practices für die Kostenoptimierung generativer und agentischer KI, dass bis 2028 mindestens die Hälfte der Projekte mit generativer KI das Budget überschreiten wird, wegen schlechter Architekturentscheidungen und fehlender Betriebserfahrung.
In der Praxis: Fordern Sie die KI-Rechnung des letzten Quartals an und versuchen Sie, sie nach Agent oder Anwendungsfall aufzuteilen. Wenn Sie das nicht können, ist das Ihr erstes Problem.
Warum die Rechnung undurchsichtig ist
Die KI-Rechnung hat drei Merkmale, die sie schwer lesbar machen:
- Sie richtet sich nach dem Verbrauch. Sie zahlen keinen Festpreis: Sie zahlen für jeden Aufruf eines Modells. Ein schlecht konfigurierter Agent, der Anfragen wiederholt oder unnötig viel Kontext mitschleppt, kann die Kosten vervielfachen, ohne dass es jemand bemerkt.
- Sie ist verstreut. Agenten verschiedener Anbieter, jeder in seinem eigenen System: der Assistent des CRM, der des ERP, die Abläufe eines Low-Code-Tools und die eigenen Agenten. Jeder mit eigener Rechnung und eigener Konsole.
- Sie sagt nicht, was geliefert wurde. Sie wissen, wie viele Tokens verbraucht wurden, aber nicht, ob die Aufgabe gelungen ist, ob die Antwort richtig war oder ob jemand sie genutzt hat.
Das Ergebnis ist bekannt: Der Modellverbrauch wächst unkontrolliert pro Agent und pro Anwendungsfall, und was jeder Agent tut, bleibt in Protokollen, die nur ein Spezialist versteht.
Was KI-Observability ist
KI zu beobachten heißt, in Echtzeit zu sehen, was jeder Agent tut: welche Werkzeuge er nutzt, mit welchen Daten und welchem Modell, was er kostet und mit welcher Qualität. Es ist kein Monatsbericht: Es ist ein Trace jeder einzelnen Operation.
Damit sie wirklich nützt, braucht sie vier Dinge:
- Inventar. Wissen, welche Agenten Sie haben, egal wer sie gebaut hat. Ohne ein lebendiges Register gibt es keine Richtlinie, die sich anwenden ließe.
- Telemetrie. Traces jeder Operation, mit Kosten, Latenz und Fehlern. Vernünftig ist es, dafür offene Standards wie OpenTelemetry zu nutzen, um sich nicht an einen Anbieter zu binden.
- Qualität. Es genügt nicht zu wissen, was es kostet: Man muss wissen, ob der Agent die Aufgabe erfüllt hat, ob er seine Werkzeuge richtig genutzt hat oder ob er personenbezogene Daten hat abfließen lassen.
- Regeln. Schwellenwerte für Kosten, Latenz und sensible Daten, die sich von selbst anwenden.
In der Praxis: Beginnen Sie mit dem Inventar. Die Kosten von etwas zu kontrollieren, von dem Sie nicht wissen, dass es existiert, ist unmöglich.
Erst warnen, dann blockieren
Wer die Rechnung entdeckt, ist versucht abzuschalten. Ich verstehe das, aber blindes Abschalten hat ebenfalls seinen Preis: Sie stoppen Anwendungsfälle, die durchaus etwas bringen.
Meine Empfehlung lautet, in Phasen vorzugehen. Zuerst beobachten: die Agenten anbinden und einige Wochen lang schauen, was passiert. Dann warnen: Schwellenwerte, die Alarm schlagen, wenn ein Agent ausreißt. Und erst danach blockieren, was die von Ihnen festgelegten Grenzen überschreitet.
Und eine wichtige Nuance: Diese Regeln müssen deterministisch sein. Wenn die Kontrolle der KI-Ausgaben eine andere KI übernimmt, haben Sie keine Kontrolle: Sie haben eine weitere Meinung. Und eine weitere Rechnung.
Von den Kosten zum Wert
Die eigentliche Frage ist nicht, wie viel Sie ausgeben, sondern was jeder Euro bringt. Mit Observability können Sie Agenten endlich vergleichen: welcher pro gelöster Aufgabe am meisten kostet, welcher am häufigsten scheitert, welchen niemand nutzt. Damit können Sie entscheiden, was Sie skalieren, was Sie korrigieren und was Sie abschalten.
Und nebenbei erhalten Sie noch etwas: den Nachweis. Dieselben Traces, die Ihnen sagen, was jeder Agent kostet, dienen dazu zu belegen, was er tut, mit welchen Daten und unter welcher Aufsicht, und genau das verlangt die europäische KI-Verordnung von Hochrisikosystemen.
In der Praxis: Definieren Sie pro Agent einen Indikator, der nicht nur die Kosten abbildet: gelöste Aufgaben, validierte Antworten oder vermiedene Störungen. Das macht aus der Rechnung ein Gespräch über Wert.
Fünf Fragen an jeden KI-Anbieter
Viele Ihrer Agenten haben Sie nicht selbst gebaut: Sie stecken im CRM, im ERP oder in der Service-Plattform. Das nimmt sie weder aus Ihrer Rechnung noch aus Ihrer Verantwortung. Vor einer Verlängerung oder Erweiterung würde ich jedem Anbieter fünf Fragen stellen:
- Was kostet jede Ausführung? Nicht der Lizenzpreis, sondern der tatsächliche Verbrauch pro Aufgabe.
- Kann ich die Traces sehen? Was der Agent getan hat, mit welchen Daten und welchem Modell, in einem Standardformat, das ich in mein eigenes System übernehmen kann.
- Kann ich Grenzen setzen? Ausgaben- und Nutzungsschwellen pro Agent oder Anwendungsfall.
- Wie messe ich seine Qualität? Ob er die Aufgabe erfüllt, ob er seine Werkzeuge richtig nutzt und ob er personenbezogene Daten abfließen lässt.
- Was passiert, wenn ich ihn abschalte? Wenn das Abschalten eines Agenten einen Prozess bricht, müssen Sie das vorher wissen.
Kann ein Anbieter diese Fragen nicht beantworten, ist das Problem nicht nur eines der Kosten: Es ist eines der Kontrolle. Und da die europäische KI-Verordnung greift, ist Kontrolle für Hochrisikosysteme nicht mehr optional.
In der Praxis: Schicken Sie diese fünf Fragen an die drei KI-Anbieter, die Ihnen am meisten berechnen. Die Antworten zeigen Ihnen, wo Sie anfangen sollten.
Wo Sie anfangen
- Erstellen Sie das Inventar der KI-Agenten und Anwendungsfälle, eigene und die von Anbietern.
- Binden Sie die Telemetrie der größten Verbraucher an, ohne sie zu verändern.
- Verteilen Sie die Kosten einen Monat lang auf Agent und Anwendungsfall.
- Setzen Sie Schwellenwerte, die warnen, bevor sie blockieren.
- Prüfen Sie jeden Monat Kosten, Qualität und Wert mit der Geschäftsleitung.
Wie wir Ihnen helfen
Bei AI Governance helfen wir Ihnen, Ihre gesamte KI zu sehen und zu steuern: lebendiges Inventar von Agenten, Wissensdatenbanken und Integrationen; deterministische Regeln für Kosten, Latenz und sensible Daten, die zuerst warnen und dann blockieren; und ein Dashboard mit Kosten und einem Ranking der Agenten.
Wir tun das mit Regentic.AI, der Plattform für Observability und Governance von KI-Agenten, deren exklusive Distributoren in Europa wir sind. Sie bindet sich über OpenTelemetry, MCP, REST oder A2A an, auf jedem Framework und Modell, ohne Ihre Agenten anzutasten.
Dieser Artikel dient der Information und ersetzt nicht die Rechtsberatung Ihrer Organisation.
Wissen Sie, was die KI Sie diesen Monat gekostet hat, und wofür?
Wir zeigen Ihnen in einer Demo, wie Regentic.AI jeden Agenten, seine Kosten und seine Qualität nachverfolgt und Schwellenwerte anwendet, die zuerst warnen und dann blockieren.

