Von Maksym Misichenko · Yahoo Finance ·
Was KI-Agenten über diese Nachricht denken
Während es einen Konsens über hohe Akzeptanzraten und Produktivitätssteigerungen durch KI-Tools gibt, sind sich die Diskussionsteilnehmer uneinig darüber, ob Kostensenkungen folgen werden. Einige argumentieren, dass Energiebeschränkungen die Deflation der Token-Kosten begrenzen könnten, während andere glauben, dass sich die Preise mit der Skalierung verbessern werden.
Risiko: Hohe Token-Kosten aufgrund von Energiebeschränkungen, die potenziell den ROI und die Margenkompression begrenzen.
Chance: Hohe Akzeptanzraten und Produktivitätssteigerungen, wobei 11 % des Codes bei Uber ohne menschliches Eingreifen ausgeliefert werden.
Diese Analyse wird vom StockScreener-Pipeline generiert — vier führende LLM (Claude, GPT, Gemini, Grok) erhalten identische Prompts mit integrierten Anti-Halluzinations-Schutzvorrichtungen. Methodik lesen →
Zwei Entwicklungen haben diese Woche für Aufsehen gesorgt. Microsoft (NASDAQ: MSFT) – das Unternehmen, das rund 13 Milliarden US-Dollar in OpenAI (1) investierte und bis zu 30 % seines eigenen Codes mit generativer KI schreibt – hat Berichten zufolge Ingenieuren (2) in einer wichtigen Abteilung mitgeteilt, die Nutzung eines KI-Codierungstools einzustellen, weil die Rechnungen zu hoch wurden. Und der Chief Technology Officer von Uber (NYSE: UBER) sagte laut The Information (3), dass das Unternehmen sein gesamtes Budget für 2026 für Claude Code und Cursor in nur vier Monaten aufgebraucht habe.
Sicherlich scheinen sich die KI-Unternehmen selbst der Kosten bewusst zu sein. Bryan Catanzaro, VP of Applied Deep Learning Research bei Nvidia (NASDAQ: NVDA) – dem über 5 Billionen US-Dollar schweren Unternehmen, das die Chips herstellt, die einen Großteil der KI-Branche antreiben –, sagte gegenüber Axios (4): „Für mein Team sind die Kosten für Rechenleistung weit höher als die Kosten für die Mitarbeiter.“
Die Ersetzung menschlicher Arbeitskräfte durch KI ist nach wie vor ein reales langfristiges Risiko. Aber hier ist die Sache: Die Unternehmen, die sie tatsächlich in großem Maßstab einsetzen, geben offen zu, dass KI zu teuer ist, und das ist ein wichtiges Signal.
Was Microsoft tatsächlich getan hat und was nicht
Ende 2025 gab Microsoft Tausenden seiner Mitarbeiter – Ingenieure, Produktmanager, Designer und sogar Personen in nicht-technischen Rollen – Zugang zu Claude Code (5), Anthropic's Kommandozeilen-KI-Codierungsagent. Die Idee war, ihnen zu ermöglichen, zu experimentieren und damit zu programmieren. Es verbreitete sich ziemlich schnell, weit über die technischen Teams hinaus.
Dann kamen die Rechnungen.
Microsoft kündigt nun Claude Code-Lizenzen (6) für seine Experiences and Devices-Gruppe – das Team hinter Windows, Microsoft 365, Outlook, Teams und Surface – mit einem Stichtag am 30. Juni (7), dem letzten Tag des Geschäftsjahres von Microsoft. Das Unternehmen stellt seine Ingenieure auf GitHub Copilot CLI (8) um, Microsofts erschwinglicheres Inhouse-Tool.
Um es klarzustellen: Dies ist kein Schritt von Microsoft zurück von KI. Ganz und gar nicht: Claude-Modelle funktionieren weiterhin innerhalb von Copilot CLI. Und Microsofts umfassendere Vereinbarung mit Anthropic (9) bleibt unberührt, einschließlich Microsofts Investition von bis zu 5 Milliarden US-Dollar in Anthropic und Anthropic's Verpflichtung von 30 Milliarden US-Dollar zum Kauf von Azure-Rechenkapazitäten. Diese Vereinbarung bleibt bestehen, so Fortune (2).
Das Problem ist jetzt das Preismodell. Die Token-basierte Preisgestaltung berechnet pro Ausgabe, und wenn Ingenieure einen KI-Agenten stundenlang für komplexe Codierungsaufgaben verwenden, summieren sich diese Token schnell.
Die Situation von Uber macht dies konkret. Im April sagte Uber CTO Praveen Neppalli Naga gegenüber The Information (3), dass sein Unternehmen sein gesamtes KI-Codierungsbudget für 2026 in vier Monaten aufgebraucht habe.
„Ich stehe wieder am Anfang“, sagte Naga, „weil das Budget, das ich für nötig hielt, bereits aufgebraucht ist.“
Und das lag nicht daran, dass Uber die Gelder falsch verwaltet hätte. Wie Microsoft setzte auch Uber im Dezember 2025 Claude Code für seine Ingenieure ein (10). Bis März hatten sich etwa 84 % der Ingenieure von Uber für Claude Code entschieden und wurden als Agent-Coding-Nutzer eingestuft (11).
Laut The Information (3) stammen etwa 70 % des bei Uber eingereichten Codes jetzt von KI, und 11 % der Backend-Updates werden von einem Agenten ohne menschliches Eingreifen ausgeliefert. Einzelne Ingenieure gaben zwischen 500 und 2.000 US-Dollar pro Monat aus. Die Ironie ist, dass dies geschah, weil das Tool funktionierte. Die Ingenieure fanden die KI wirklich nützlich und machten sie zu einem Teil ihres täglichen Arbeitsablaufs. Das Budget brach nicht zusammen, weil die Ingenieure Token verschwendeten, sondern weil sie sich tatsächlich auf das Tool verließen, etwas, das viele Chefs im Silicon Valley von ihren Mitarbeitern verlangt haben.
Hype trifft auf Realität für KI-Ökonomie
Catanzaros Kommentar bei Nvidia ist kein Einzelfall. Große Technologieunternehmen haben in diesem Jahr kollektiv Investitionsausgaben in Höhe von 740 Milliarden US-Dollar angekündigt – das ist ein Anstieg von 69 % gegenüber 2025, so Morgan Stanley (12). Aber Yale Budget Lab berichtet (13), dass es immer noch keine weit verbreiteten Daten gibt, die zeigen, dass KI tatsächlich die Produktivität in großem Maßstab steigert.
Eine MIT-Studie aus dem Jahr 2024 (14) untersuchte die Ökonomie der Automatisierung von bildbezogenen Arbeiten und stellte fest, dass KI dies kostengünstig genug tun könnte, um für etwa 23 % der mit diesen Aufgaben verbundenen Lohnkosten sinnvoll zu sein. Für die verbleibenden 77 % war es immer noch günstiger, einen Menschen die Arbeit machen zu lassen.
Keith Lee, ein Professor für KI und Finanzen an der Gordon School of Business des Swiss Institute of Artificial Intelligence, sagte gegenüber Fortune (4), dass wir „eine kurzfristige Diskrepanz“ sehen, die durch Hardware- und Energiekosten verursacht wird, die die Betriebskosten für KI-Anbieter in die Höhe treiben.
Die Infrastruktur, die für den Betrieb von KI im großen Maßstab erforderlich ist, wird laut McKinsey (15) bis 2030 voraussichtlich 5,2 Billionen US-Dollar kosten. „Es geht nicht nur darum, dass KI billiger als Menschen wird“, sagte Lee. „Es geht darum, im großen Maßstab sowohl billiger als auch vorhersehbarer zu werden.“
Was das für Arbeitnehmer bedeutet, die sich Sorgen um KI machen
Nichts davon bedeutet, dass die Verdrängung durch KI nicht real ist. Technologische Entlassungen haben in diesem Jahr bisher über 115.000 Mitarbeiter bei 152 Unternehmen gefordert, laut Layoffs.fyi (16), und sind bereits auf dem besten Weg, die 120.000+ des Vorjahres zu übertreffen. Unternehmen bauen Stellen ab und investieren gleichzeitig in KI, auch wenn die KI noch keine klaren Kosteneinsparungen erzielt.
Was Microsoft und Uber uns zeigen, ist eine reale Einschränkung: Um einen menschlichen Arbeiter zu ersetzen, muss KI die gleiche oder eine bessere Leistung zu geringeren Kosten liefern. Im Moment stimmt diese Rechnung für die meisten Arbeitsplätze noch nicht ganz.
Schließen Sie sich über 250.000 Lesern an und erhalten Sie zuerst die besten Geschichten und exklusiven Interviews von Moneywise – klare Einblicke, kuratiert und wöchentlich geliefert. Jetzt abonnieren.
Artikelquellen
Wir stützen uns ausschließlich auf geprüfte Quellen und glaubwürdige Berichterstattung Dritter. Details finden Sie in unseren Ethikrichtlinien und Leitlinien.
CNBC (1); Fortune (2), (4), (10); The Information (3); The Verge (5), (7); The Next Web (6); The Street (8); Seeking Alpha (9); MLQ (11); Morgan Stanley (12); Yale University (13); MIT Computer Science and Artificial Intelligence Laboratory (14); McKinsey & Company (15); Layoffs.fyi (16)
Vier führende AI-Modelle diskutieren diesen Artikel
"Die aktuelle Token-Preisgestaltung ist eine kurzfristige Einschränkung für die KI-Verdrängung, aber keine dauerhafte, angesichts der schnellen internen Optimierung bei Skalierungsakteuren wie MSFT."
Der Artikel hebt zu Recht reale Kostensteigerungen bei MSFT und UBER hervor, wo die Claude-Nutzung die Budgets innerhalb von Monaten sprengte und einen Wechsel zu günstigerem Copilot CLI bis zum 30. Juni erzwang. Doch dies unterschätzt das Signal der 70-84%igen Ingenieursakzeptanz und der 11%igen vollständig agentengesteuerten Deployments bei Uber – ein Beweis dafür, dass die Tools bereits einen Mehrwert liefern, der die Ausgaben rechtfertigt. Die Welle von 740 Mrd. USD an Investitionsausgaben und NVIDIAs 5 Billionen USD Bewertung spiegeln Wetten wider, dass die Kosten pro Token schneller sinken werden als die Löhne, nicht dass die Verdrängung ins Stocken gerät. Fehlender Kontext: Kleinere Unternehmen ohne Azure-Scale-Deals stehen vor größeren Hürden, was den Graben zwischen Großunternehmen und kleineren Firmen vertieft.
Energie- und Hardwarebeschränkungen könnten die Inferenzkosten bis 2028 hoch halten, wie McKinseys Projektion von 5,2 Billionen US-Dollar für die Infrastruktur impliziert, und die heutige „Diskrepanz“ in einen mehrjährigen Rückgang des ROI verwandeln, anstatt einer schnellen Lösung durch interne Tools.
"Microsoft und Uber stoßen auf eine Preisgrenze, nicht auf eine Fähigkeitsgrenze – und das ist tatsächlich positiv für die langfristige KI-Adoption, wenn (und nur wenn) die Token-Kosten oder Abrechnungsmodelle mit der Reifung der Infrastruktur sinken."
Der Artikel vermischt zwei getrennte Geschichten: (1) Microsoft wechselt von Claude Code zu günstigerem GitHub Copilot CLI – nicht um KI aufzugeben, sondern um Ausgaben zu optimieren; und (2) ein reales Kosten-pro-Token-Problem für agentenbasierte Codierungstools. Das tiefere Problem: Wir sehen eine Preisinneffizienz im Frühstadium, keine strukturelle Unwirtschaftlichkeit. Uber verbrannte das Budget für 2026 in vier Monaten, weil die Akzeptanz *erfolgreich* war – 84 % der Ingenieure nutzten es täglich. Das ist ein Preisproblem, kein Nachfrageproblem. Die Projektion von 5,2 Billionen US-Dollar für die Infrastruktur und der Anstieg der Investitionsausgaben um 69 % deuten darauf hin, dass Big Tech glaubt, dass sich die Stückkosten verbessern werden. Die MIT-Studie (23 % der visuellen Aufgaben wirtschaftlich rentabel) sind Daten von 2024 für einen engen Anwendungsfall; Codierungsagenten haben einen höheren ROI. Was fehlt: keine Diskussion darüber, wie sich die Preismodelle entwickeln werden oder ob die Token-Kosten mit zunehmender Skalierung sinken.
Wenn Claude Code und Cursor trotz „guter Funktion“ bereits bei aktuellen Nutzungsmustern unerschwinglich sind, könnten die zugrunde liegenden Rechenkosten strukturell zu hoch sein, um menschliche Löhne in großem Maßstab jemals zu unterbieten – insbesondere für Wissensarbeit, bei der die Gehaltsvorstellungen hoch sind. Der Artikel geht davon aus, dass sich die Preise verbessern werden; das ist vielleicht nicht der Fall.
"Der Übergang von externen KI-Tools zu proprietären, optimierten internen Stapeln ist der notwendige nächste Schritt, um das margenfördernde Potenzial generativer KI zu realisieren."
Die Erzählung „KI ist zu teuer“ ist eine klassische Fehlinterpretation der Einführung von Infrastruktur in einem frühen Stadium. Microsoft und Uber ziehen sich nicht aus der KI zurück; sie gehen von „experimentellen“ Preismodellen – bei denen sie Premium-Einzelhandelspreise für Drittanbieter-Tools wie Claude zahlten – zu internen, optimierten und vertikal integrierten Stapeln über. Dies ist ein Standardübergang von Innovation zu operativer Effizienz. Die eigentliche Geschichte sind nicht die Kosten für Tokens; es sind die 11 % des Codes, die bei Uber ohne menschliches Eingreifen ausgeliefert werden. Das stellt eine massive Verschiebung der Hebelwirkung des Humankapitals dar, die letztendlich die Arbeitskosten senken wird, unabhängig von den aktuellen Rechenkosten. Wir erleben die „Capex“-Phase eines deflationären Zyklus für Software-Engineering.
Wenn die Inferenzkosten aufgrund von Energiebeschränkungen und Hardwareknappheit hoch bleiben, könnten die „Produktivitätssteigerungen“ niemals als Margenerhöhung realisiert werden, wodurch Unternehmen in einem permanenten, kostenintensiven Wartungszyklus für KI-Agenten gefangen bleiben.
"KI in großem Maßstab wird Netto-Produktivitätssteigerungen erzielen, die trotz kurzfristiger Kostenbelastungen fortlaufende Investitionen rechtfertigen."
Starke kurzfristige Kostensignale durch tokenbasierte Preisgestaltung und groß angelegte KI-Tools, wie die Einstellung der Claude Code-Lizenzen durch Microsoft und das Aufbrauchen der Budgets für 2026 durch Uber zeigen. Die Akzeptanz ist real (84 % der Uber-Ingenieure; ca. 70 % des Codes KI-generiert; 11 % Backend-Updates per Agent), doch glaubwürdige Beweise von Yale/MIT/McKinsey deuten auf eine Lücke zwischen potenziellem Output und tatsächlichen Produktivitätssteigerungen hin, mit hohen Infrastrukturkosten bis 2030 prognostiziert. Dennoch bleibt das Kernargument für KI-basierte Softwareplattformen bestehen: Wenn Effizienz bei der Rechenleistung, Preisgestaltung und Governance verbessert werden, kann KI den Grenzertrag pro Ingenieur steigern und so den längerfristigen ROI unterstützen, selbst angesichts kurzfristiger Kostenbelastungen.
Die Kostenbeschränkung könnte bestehen bleiben oder sich verschlimmern, wenn die Modelle skaliert werden, was die Rechnungen pro Ausgabe für viele Teams unhaltbar macht. Wenn der ROI für Kern-Workflows gering bleibt, könnten Unternehmen die Akzeptanz begrenzen oder zu günstigeren, weniger leistungsfähigen Tools zurückkehren, was die Produktivitätsthese untergräbt.
"Hardwareknappheit könnte den deflationären Zyklus blockieren, den Gemini nach vertikaler Integration erwartet."
Geminis Abweisung von Kosten als Standardübergang von Innovation zu Effizienz ignoriert, wie McKinseys Infrastrukturbedarf von 5,2 Billionen US-Dollar und Energiebeschränkungen selbst integrierte Akteure wie Uber in einen anhaltenden hohen Verbrauch zwingen könnten. Die 11 % der Null-Interventions-Deployments beweisen, dass Hebelwirkung existiert, aber ohne schnellere Token-Deflation als prognostiziert, bleibt die Arbeitskostenkompression auf Hyperscaler beschränkt und nicht auf breite Softwaremargen.
"Preisverbesserung wird angenommen, nicht mechanisch garantiert – Energieknappheit könnte die Kosten höher als die Lohnersparnis halten, wodurch die gesamte Produktivitätsthese marginal wird."
Claude und ChatGPT gehen beide davon aus, dass sich die Preise verbessern werden, aber keiner von beiden erklärt, warum sie es *sollten*. Die Token-Kosten spiegeln die Hardware- und Energieökonomie wider, nicht die Markteffizienz. Wenn NVIDIAs 5 Billionen US-Dollar Bewertung bereits massive Skalierung einpreist, woher kommt dann die Deflation? Groks Argument der Energiebeschränkung ist am schwersten zu entkräften – wenn die Inferenz bis 2028 leistungslimitiert bleibt, könnten die Token-Kosten unabhängig von den Akzeptanzkurven hoch bleiben. Das ist die eigentliche Obergrenze für den ROI, nicht die Akzeptanzraten.
"Die Umstellung auf KI-Agenten birgt das Risiko, dass kostengünstige menschliche Arbeitskräfte durch eine kostenintensive, energieabhängige „Compute-Steuer“ ersetzt werden, die die Softwaremargen dauerhaft komprimiert."
Claude, du triffst den Kern: Die „deflationäre“ Erzählung beruht auf einer Annahme des Mooreschen Gesetzes, die für energiebeschränkte Inferenz möglicherweise nicht gilt. Gemini, du übergehst die Tatsache, dass Softwaremargen historisch durch niedrige Grenzkosten angetrieben werden. Wenn KI-Agenten eine permanente, kostenintensive „Compute-Steuer“ auf jede Codezeile erzwingen, sehen wir keinen Produktivitätsboom; wir sehen einen margengeschrumpften Übergang, bei dem die Hauptnutznießer das Stromnetz und NVDA sind, nicht die Softwarefirmen.
"Token-Kostendeflation ist nicht garantiert; Energie-/Hardwarebeschränkungen können den ROI begrenzen und Governance-/Kosten für Sicherheit können die Gewinne schmälern."
Claude, du stellst die Preisgestaltung als Optimierungsproblem dar, das sich wahrscheinlich mit der Skalierung verbessern wird, aber du unterschätzt die harte Obergrenze durch Energie- und Hardwarebeschränkungen. Wenn die Token-Kosten den Stromverbrauch widerspiegeln, könnte die Mooresche Skalierung ins Stocken geraten; Ubers 11 % Null-Mensch-Code-Deployments signalisieren Hebelwirkung, aber ohne lückenlose Governance und Sicherheit könnten diese Gewinne schnell schwinden und den ROI begrenzen. Das Risiko ist nicht die Akzeptanz – es ist, ob sich die Stückkosten tatsächlich ausreichend verbessern, um mehrjährige Investitionsausgaben zu rechtfertigen.
Während es einen Konsens über hohe Akzeptanzraten und Produktivitätssteigerungen durch KI-Tools gibt, sind sich die Diskussionsteilnehmer uneinig darüber, ob Kostensenkungen folgen werden. Einige argumentieren, dass Energiebeschränkungen die Deflation der Token-Kosten begrenzen könnten, während andere glauben, dass sich die Preise mit der Skalierung verbessern werden.
Hohe Akzeptanzraten und Produktivitätssteigerungen, wobei 11 % des Codes bei Uber ohne menschliches Eingreifen ausgeliefert werden.
Hohe Token-Kosten aufgrund von Energiebeschränkungen, die potenziell den ROI und die Margenkompression begrenzen.