Hohe Token-Verbräuche behindern den wirtschaftlichen Erfolg von KI-Agenten in spanischen Unternehmen
11. Oktober 2026 · 3 Min. Lesezeit
In Spanien investieren zahlreiche Unternehmen in die Integration von autonomen KI-Agenten in ihre bestehenden Systemlandschaften, wobei achtundachtzig Prozent der Firmen bereits entsprechende Maßnahmen ergriffen haben. Diese Initiativen zielen darauf ab, ein höheres Maß an Personalisierung und Automatisierung zu erreichen, um die Marktposition zu stärken sowie die Kundenzufriedenheit und den Service zu verbessern. Trotz dieser hohen Investitionsbereitschaft stehen viele Organisationen vor der Herausforderung, aus einzelnen Pilotprojekten einen nachhaltigen und breiten geschäftlichen Nutzen zu ziehen.
Eine aktuelle Untersuchung des Unternehmens KPMG zeigt eine signifikante Diskrepanz zwischen der wahrgenommenen Wertschöpfung und dem tatsächlichen finanziellen Rückfluss. Während fünfundsechzig Prozent der spanischen Organisationen bestätigen, dass ihre Anwendungsfälle bereits geschäftlichen Wert generieren, erzielen lediglich dreiundzwanzig Prozent einen Return on Investment über mehrere Einsatzszenarien hinweg. Diese Differenz verdeutlicht eine zentrale Schwierigkeit bei der Skalierung: Der Transfer von erfolgreich getesteten Einzellösungen in eine umfassende unternehmerische Adoption gestaltet sich komplexer als erwartet.
Der Betrieb von autonomen KI-Agenten führt zu neuen Kostenstrukturen, die den wirtschaftlichen Erfolg direkt beeinflussen können. Im Gegensatz zu einfachen Abfragen, die oft mit einer einzigen Frage und Antwort abgeschlossen sind, müssen Agenten für die Erledigung komplexer Aufgaben reasoning durchführen, Informationen suchen, externe Werkzeuge nutzen, Ergebnisse verifizieren und schließlich handeln. Jeder dieser einzelnen Schritte verbraucht sogenannte Token, also die Maßeinheiten, mit denen KI-Modelle Informationen verarbeiten und die häufig die Grundlage für die Kostenberechnung vieler KI-Dienste bilden.
Besonders problematisch ist, dass Teile der während des Prozesses generierten Informationen im Kontextfenster verbleiben und in nachfolgenden Schritten erneut verarbeitet werden. Dies führt dazu, dass der Token-Verbrauch nicht nur linear ansteigt, sondern sich im Verlauf einer Aufgabenbearbeitung multiplizieren kann, bis der Agent die Arbeit abschließt. Die Gesamtkosten hängen daher nicht allein vom Preis des zugrundeliegenden Modells oder den Infrastrukturkosten ab, sondern werden maßgeblich davon bestimmt, wie die Agenten Informationen erschließen, wie viel Kontext sie abrufen, wie oft sie Anfragen wiederholen und welche Kontrollmechanismen vor der Datenübergabe an das Modell greifen.
Ein wesentlicher Kostentreiber ist die Fragmentierung der Datenquellen in der Praxis. Agenten finden benötigte Informationen selten an einem einzigen Ort vor, sondern müssen auf verteilte Datenspeicher wie Data Lakehouses, Data Warehouses, Software-as-a-Service-Anwendungen, operative Systeme, Dokumente und Schnittstellen zugreifen. Jede dieser Quellen verfügt über eigene Schemata, Sprachen, Definitionen und Zugriffsrichtlinien. Um die korrekten Daten zu lokalisieren, muss der Agent verschiedene Kataloge durchsuchen, Metadaten prüfen und Werkzeugdefinitionen analysieren, wobei fehlgeschlagene Versuche ebenfalls Token verbrauchen, bevor das Ziel erreicht ist.
Zusätzlich entstehen Kosten durch semantische Unterschiede zwischen den Systemen. Begriffe wie aktiver Kunde, Nettoeinnahmen oder Risikobelastung können je nach Quelle unterschiedlich interpretiert werden. Fehlen einheitliche Definitionen, kann der Agent falsche Metriken wählen und muss die Anfrage korrigieren, was den Prozess verlängert und den Verbrauch erhöht, ohne das Ergebnis zu verbessern. Auch das Abrufen irrelevanter Datenfelder verursacht Kosten und erhöht das Risiko, sensible Informationen unbeabsichtigt preiszugeben. Experten empfehlen daher den Einsatz spezialisierter Daten-Agenten, die relevante und kontextualisierte Informationen bereitstellen, bevor sie an prozessorientierte Agenten weitergegeben werden, um Effizienz und Datensicherheit zu gewährleisten.