Stellen Sie sich vor, Sie tanken Ihr Auto an einer Zapfsäule, doch die Anzeige für die Literzahl wird von der Tankstelle selbst programmiert, ohne dass eine staatliche Prüfstelle die Genauigkeit zertifiziert hat. In der physischen Welt wäre dies ein Skandal und ein Verstoß gegen grundlegende Handelsgesetze. In der Welt der Künstlichen Intelligenz ist genau dies der aktuelle Standard. Unternehmen und öffentliche Verwaltungen bezahlen ihre KI-Leistungen in Token, einer Maßeinheit, die so variabel und intransparent ist, dass sie fast schon an ein blindes Vertrauen in die Anbieter grenzt.

Das Paradoxon der digitalen Messgeräte

In Europa ist die Fairness von Handelstransaktionen durch die Richtlinie über Messgeräte streng geregelt. Ob es sich um eine Waage im Supermarkt oder einen Stromzähler handelt, diese Instrumente müssen CE-Kennzeichnungen tragen oder von unabhängigen Stellen zertifiziert werden. Der Grund ist simpel: Wer verkauft, hat ein strukturelles Interesse daran, dass die Zählung zu seinen Gunsten ausfällt. Die staatliche Kontrolle verhindert, dass die Korrektheit eines Austauschs allein auf dem Wort des Verkäufers basiert.

Bei der Nutzung von Large Language Models (LLMs) sieht die Realität anders aus. Der Token, diese fragmentierte Einheit von Text oder Code, wird vom Anbieter definiert, durch den Anbieter gezählt und vom selben Anbieter in Rechnung gestellt. Es gibt keine unabhängige Telemetrie und keine neutralen Standards. Für einen CFO bedeutet dies, dass die Kostenstelle KI eine Blackbox bleibt. Man zahlt für eine Leistung, deren exakte Menge man nicht unabhängig verifizieren kann, was die Budgetplanung in einem volatilen Markt extrem erschwert.

Google Gemini 3.8 Flash und die Token-Expansion

Während die Diskussion um die Transparenz der Abrechnung schwelt, treiben die Tech-Giganten die technische Entwicklung voran. Google hat kürzlich Gemini 3.8 Flash vorgestellt, ein Modell, das die Grenzen der Datenverarbeitung massiv verschiebt. Mit einem Kontextfenster von einer Million Token ermöglicht das Modell die Analyse gewaltiger Datenmengen in einem einzigen Durchgang. Dies ist technisch beeindruckend, verschärft aber das Problem der Kostenkontrolle.

Das neue Modell zeigt in Benchmarks eine starke Performance. Im DeepSWE v1.1 Benchmark erreicht es einen Wert von 73,7 % und liegt damit nur knapp hinter Claude Opus 5 (74,0 %), während es GPT-5.6 Sol mit 72,7 % übertrifft. Besonders hervorzuheben ist die Cyber-Variante, die speziell für Sicherheitsanwendungen entwickelt wurde. Hier zeigen sich bereits praktische Erfolge: Das Chrome-Sicherheitsteam konnte eine 2,6-fach höhere Rate an korrekten Patches verzeichnen, und kritische Schwachstellen wurden in weniger als zwei Stunden identifiziert.

Die versteckte Dynamik der Preisgestaltung

Die Einführung neuer Modelle geht oft mit einer kurzfristigen Lockvogelstrategie einher. Google startet Gemini 3.8 Flash zwar mit vergünstigten API-Tarifen, doch die Strategie ändert sich schnell. Ab Januar 2027 werden die API-Preise steigen. Für Unternehmen, die ihre Workflows tief in diese Infrastruktur integrieren, entsteht eine gefährliche Abhängigkeit. Wenn die Maßeinheit (der Token) nicht standardisiert ist und die Preise einseitig angehoben werden, verlieren Firmen die Kontrolle über ihre Betriebskosten.

Die Komplexität wird dadurch erhöht, dass verschiedene Anbieter Token unterschiedlich definieren. Was bei einem Anbieter ein Token ist, kann bei einem anderen 1,2 oder 0,8 Token entsprechen. Ohne eine Art standardisierten Kilogramms der KI-Leistung bleibt der Vergleich von Angeboten ein fragiles Unterfangen. Es ist ein Wettlauf, bei dem die Anbieter die Regeln der Messung schreiben.

Spezialisierung versus Standardisierung

Die Entwicklung von spezialisierten Modellen, wie der Cyber-Version von Gemini, zeigt den Trend zur vertikalen KI. Diese Modelle erzielen hohe Werte in Tests wie CyberGym (86,2 %) oder dem CWE-Bench (47,2 %). Doch auch hier bleibt die Frage der Abrechnung zentral. Wenn hochspezialisierte Modelle für Regierungen oder vertrauenswürdige Tester über Programme wie Fairwind bereitgestellt werden, ist die Preisstruktur oft noch undurchsichtiger als bei Standard-Modellen.

Die Industrie bewegt sich in eine Richtung, in der die Intelligenz-Indizes steigen – Gemini 3.8 Flash erreicht einen Index von 59, was die höchste Denkintensität dieser Serie darstellt. Doch während die Intelligenz wächst, stagniert die Transparenz der kommerziellen Abwicklung. Unternehmen kaufen quasi eine Leistung, deren Volumen sie nur schätzen können.

Risiken einer unkontrollierten Token-Ökonomie

Wenn die Abrechnung von KI-Diensten weiterhin ohne externe Validierung erfolgt, riskieren Unternehmen eine schleichende Kostenexplosion. Besonders problematisch ist dies bei automatisierten Prozessen, in denen Agenten autonom Token verbrauchen. Ein kleiner Fehler in der Prompt-Struktur oder eine Endlosschleife in der Logik kann innerhalb kürzester Zeit enorme Kosten verursachen, ohne dass ein menschlicher Administrator sofort eingreifen kann.

Die Korrektheit des Austauschs darf nicht auf dem Wort des Verkäufers beruhen, denn dieser hat ein strukturelles Interesse daran, dass die Zählung zu seinen Gunsten ausfällt.

Die Forderung nach einer unabhängigen Telemetrie ist daher nicht nur eine technische, sondern eine ökonomische Notwendigkeit. Erst wenn Unternehmen in der Lage sind, den tatsächlichen Ressourcenverbrauch objektiv zu messen, wird KI von einem experimentellen Kostenfaktor zu einer kalkulierbaren Investition.

Bedeutung für den DACH-Raum: Mittelstand und Industrie 4.0

Für deutsche Unternehmen und den breiteren DACH-Markt hat diese Intransparenz spezifische Auswirkungen. Der deutsche Mittelstand ist traditionell auf präzise Kalkulationen und langfristige Planung angewiesen. Die Unvorhersehbarkeit von Token-Kosten widerspricht der Kultur der Kosteneffizienz, die das Rückgrat der Industrie 4.0 bildet.

Im Kontext des EU AI Act wird die Forderung nach Transparenz noch an Bedeutung gewinnen. Während der AI Act primär auf Sicherheit und Ethik abzielt, wird die wirtschaftliche Transparenz der nächste große Kampfplatz sein. Deutsche Firmen, die KI in ihre Produktionsketten integrieren, müssen sicherstellen, dass sie nicht in eine Abhängigkeit geraten, bei der die Kostenbasis willkürlich verschoben werden kann.

Die Integration von Modellen wie Gemini 3.8 Flash in industrielle Prozesse bietet enorme Chancen, etwa bei der automatisierten Fehleranalyse in der Fertigung oder der Absicherung von IT-Infrastrukturen. Doch die Abhängigkeit von US-amerikanischen API-Preisen und deren proprietärer Zählweise stellt ein strategisches Risiko dar. Für den DACH-Raum ist es daher essenziell, auf Open-Source-Alternativen oder lokale Instanzen zu setzen, bei denen die Rechenleistung (Compute) statt Token die Abrechnungsgrundlage bildet. Nur so kann die digitale Souveränität gewahrt und die wirtschaftliche Planbarkeit im Sinne einer nachhaltigen Industrie 4.0 garantiert werden.

Häufige Fragen

Quellen: Agendadigitale ·