KI als Ersatz für menschliche Arbeitskraft ist ein viel diskutiertes und gewagtes Thema, bei dem zwei prominente Persönlichkeiten nun behaupten, dass es möglicherweise überhyped wird. In den letzten Monaten haben zwei bedeutende Technologie-Investoren, die tatsächlich Kapital hinter ihre Entscheidungen setzen, die Frage aufgeworfen: Was passiert, wenn eine KI höhere Kosten verursacht als die Person, die sie ursprünglich ersetzen sollte?
Dies ist nicht nur eine theoretische Frage; es geschieht bereits jetzt.
Der 300-Dollar-Realitätscheck
Bei einer kürzlichen Aufzeichnung des All-In-Podcasts erklärte Jason Calacanis — ein Venture-Investor und Co-Moderator des Podcasts —, dass er 300 $ pro Tag zahlt, um einen Anthropic Claude KI-Agenten für seine Unternehmen zu betreiben. Dies summiert sich auf etwa 9.000 $ pro Monat, aber der Haken dabei ist: Laut Calacanis liegt die Leistung des Agenten nur zwischen 10 % und 20 % der maximalen Kapazität.
Wenn man also die Kosten pro nützlicher Aufgabe bei 300 $ pro Tag für eine teilweise Leistung kalkuliert, sieht es weniger nach einer disruptiven Technologie und mehr nach einem teuren Experiment aus.
Calacanis beschrieb das Problem einfach: "Wann werden Token teurer als die Bezahlung eines Angestellten?" Die Token sind die Nutzungseinheiten, die alle KI-Modelle abrechnen. Während ein KI-Agent im Laufe des Tages Aufgaben ausführt, summieren sich die Token schnell. Je mehr Aufgaben der Agent erledigt, desto höher fällt die Rechnung aus. Im Gegensatz zu einem Angestellten mit Festgehalt gibt es keine Obergrenze dafür, wie viele Token berechnet werden, solange der Agent aktiv Token verbraucht und keine Limits gesetzt wurden.
Chamaths Zwei-Mal-Regel
Chamath Palihapitiya, CEO von Social Capital und Co-Moderator des All-In-Podcasts, teilte mit, dass er bei Social Capital vor einem ähnlichen Problem stand. Er formulierte es so: "KI-Agenten können ihre Kosten vor mir nur rechtfertigen, wenn sie mir mindestens das Zweifache der Leistung eines menschlichen Mitarbeiters im selben Job bieten."
Dieser Faktor zwei dient als Basis, um die Effektivität einer KI gegenüber einem menschlichen Mitarbeiter zu analysieren, da mehrere Faktoren zu den gesamten Betriebskosten beitragen. Einige dieser Faktoren sind:
- Betriebskosten (ca. 70.000 $ - 150.000 $/Jahr, abhängig von Cloud vs. On-Premise)
- Kosten für Management und Prompting (ca. 20.000 $ - 50.000 $/Jahr, je nach Nutzungshäufigkeit)
- Zeitaufwand für die Fehlerbehebung aufgrund von Fehlern oder schlechter Datenqualität
- Produktivitätsverlust in Zeiträumen, in denen die KI unterdurchschnittliche Leistungen erbringt
Wenn man die gesamten Betriebskosten für ein menschliches Unternehmen gegenüber KI-Lösungen zusammenrechnet, zeigt sich: Wenn ein Unternehmen eine Person für 70.000 $ oder mehr als 150.000 $ einstellen kann, sind die Kosten oft identisch mit denen einer KI. Es wird offensichtlich, dass das Unternehmen bevorzugt die Person einstellen wird, da sie jemanden wählen kann, der seit Jahren im Betrieb ist, geschult wurde und das Geschäft versteht, anstatt eine neue KI zu implementieren.
Er riet dazu, dass einige Unternehmen wahrscheinlich harte Budgetobergrenzen einführen werden, um die KI-Nutzung zu begrenzen (eine überraschende Aussage von jemandem, der jahrelang auf die transformative Kraft der Technologie gewettet hat). Dies deutet darauf hin, dass selbst KI-Investitionen letztlich wie jeder andere Posten im Budget eines Unternehmens behandelt werden und eine Rechtfertigung für die Ausgaben erfordern.
Vom Autor
Das Token-Problem, vor dem niemand gewarnt hat
Calacanis weist darauf hin, dass es ein kritischeres Problem in KI-Artikeln gibt, die sich meist auf Performance-Metriken und Demo-Videos statt auf Token-Kosten konzentrieren. Der Großteil der KI, die von Unternehmen eingesetzt wird, umfasst viele Inputs, Outputs und Transaktionen, bei denen ein Agent mit einem System interagiert. In einigen Fällen summieren sich diese bei kleinen Aufgaben auf einem vernünftigen Niveau, aber wenn ein Agent 8 Stunden am Tag in allen Abteilungen eines Unternehmens arbeitet, erreicht die Anzahl der verbrauchten Token in kürzester Zeit signifikante Ausmaße.
Das Geschäftsmodell für einen KI-Agenten, der auf einem Token-basierten Modell arbeitet, unterscheidet sich drastisch von der Einstellung einer menschlichen Ressource. Ein Angestellter mit einem Jahresgehalt hat feste Kosten, unabhängig davon, wie produktiv er an einem bestimmten Tag ist. Eine KI unter einem Token-Modell verursacht Kosten, die steigen, je produktiver sie ist — oder anders gesagt, je mehr Wert sie für ein Unternehmen schafft.
Die für einen positiven ROI erforderliche Produktivitätsschwelle für einen KI-Agenten ändert sich ständig, da die KI-Modell-Anbieter gezwungen sein werden, über Preissenkungen miteinander zu konkurrieren. Stand Anfang 2026 ist der preisliche Unterschied zwischen den Kosten der Agenten und dem erwarteten Nutzen jedoch groß genug, um eine öffentliche Debatte zwischen Investoren auszulösen, die signifikante Summen dafür bezahlt haben.
Dies bedeutet nicht, dass KI-Agenten eine Sackgasse sind
Um es ganz klar zu sagen: Weder Calacanis noch Palihapitiya haben KI-Agenten abgeschrieben. Beide engagieren sich stark in diesem Bereich, sowohl finanziell als auch intellektuell. Sie wählen einen fokussierteren und damit pragmatischen Ansatz in ihrem Argument gegen die Hypothese, dass KI-Agenten ein vollständiger Ersatz sind. Ein Beispiel hierfür ist die makroökonomische Ebene: Damit eine Substitution stattfindet, muss die Wirtschaftlichkeit stimmen; derzeit ist die Makroökonomie von KI-Agenten jedoch recht chaotisch.
In Zukunft, wenn die Modelle effizienter werden und die Anbieter weiter um Marktanteile kämpfen, wird der Aufwand für KI-Agenten sinken und sie werden weniger kosten. Die Bemühungen von OpenAI, Anthropic, Google und den verschiedenen Open-Source-Alternativen zielen alle auf effizientere Modelle ab. Sobald die Kosten pro Token sinken und die Zuverlässigkeit steigt, würde sich die Ökonomie zugunsten von KI-Agenten verschieben. Die Nutzung von "in der Zukunft", um die aktuelle Hypothese von KI-Agenten als Ersatz zu stützen, ist jedoch sehr irreführend, und Anwender, die diese Tools täglich nutzen, liefern reale Daten darüber, wie die Dinge tatsächlich stehen.
Vom Autor
Was als Nächstes zu beobachten ist
Der wichtigste Aspekt ist der Preis. Wenn sowohl OpenAI als auch Anthropic sowie ihre Konkurrenten die Kosten pro Token weiter senken (und die Trends zeigen, dass dies geschieht), wird sich der beschriebene Breakeven-Punkt verschieben. Unternehmen, die jetzt Prozesse für Agenten entwickeln (trotz negativer Margen), könnten sich auf eine andere Kostenstruktur in den nächsten 12 bis 24 Monaten vorbereiten.
Wer jedoch KI derzeit zur Planung der Belegschaft einsetzt, weil er glaubt, KI sei kostengünstiger als menschliche Mitarbeiter, muss dies basierend auf den Erfahrungen erfahrener Investoren in den Betreibernetzwerken überdenken.
