Organisationen ermutigen immer mehr Beschäftigte, mit künstlicher Intelligenz zu entwickeln. Sich jedoch für jede Aufgabe auf ein einziges allgemeines Tool zu verlassen, kann enttäuschende Ergebnisse hervorbringen und das Vertrauen in die Technologie untergraben. Wenn dies in großem Maßstab geschieht, verfeinern Beschäftigte möglicherweise wiederholt ihre Prompts, bis sie etwas Nutzbares erhalten – ein Muster, das als „Tokenmaxxing“ bezeichnet wird.

Die Quelle argumentiert, dass Tokenmaxxing weniger ein Versagen der Beschäftigten als vielmehr ein Symptom unklarer Ziele, unzureichender Leitplanken und begrenzter Möglichkeiten zur Messung von KI-Ausgaben und -Ergebnissen ist. Die Beschäftigten einfach zu beschuldigen oder allgemeine Schulungen zur verantwortungsvollen Nutzung hinzuzufügen, geht diese grundlegenden Probleme nicht an.

Traditionelle Beschaffungsprozesse können zudem mit dem Tempo der KI-Entwicklung kollidieren. Während die Genehmigung von Unternehmenssoftware Monate dauern kann, kann ein Beschäftigter auf einen öffentlichen Chatbot zugreifen und innerhalb von Sekunden eine Landingpage erzeugen. Wenn genehmigte Tools zu langsam oder zu restriktiv sind, greifen Beschäftigte möglicherweise auf nicht geprüfte Dienste zurück, geben potenziell geschützte Informationen in öffentliche Modelle ein und schaffen Risiken für die Daten-Governance.

Die daraus entstehenden Prototypen können weitere Probleme verursachen. Sie können mangelhaften Code enthalten, Unternehmensdesignsysteme oder Anforderungen an die Barrierefreiheit wie WCAG 2.2 nicht einhalten und grundlegende Authentifizierungspraktiken auslassen. Eine Zugangsbeschränkung beendet dieses Verhalten nicht unbedingt; Beschäftigte könnten stattdessen Abonnements selbst bezahlen und die Kosten damit außerhalb der unmittelbaren finanziellen Sichtbarkeit der Organisation verlagern.

Der Artikel bringt die unkontrollierte KI-Nutzung außerdem mit dem Druck auf schnellere Erträge in Verbindung. Eine Teneo-Umfrage unter mehr als 350 CEOs börsennotierter Unternehmen und 400 institutionellen Anlegern ergab, dass 53 % der Anleger innerhalb von sechs Monaten oder weniger positive Erträge aus neuen KI-Initiativen erwarteten. Demgegenüber glaubten nur 16 % der CEOs großer Unternehmen mit hoher Marktkapitalisierung, diesen Zeitraum einhalten zu können. Die CEOs berichteten außerdem, dass weniger als die Hälfte ihrer aktuellen KI-Projekte eine positive Rendite erwirtschaftete.

Gleichzeitig wird mit einem deutlichen Anstieg der Token-Nutzung gerechnet. Goldman Sachs Research prognostiziert zwischen 2026 und 2030 eine 24-fache Zunahme des monatlichen Token-Verbrauchs auf 120 Billiarden Token, während Halbleiteranbieter jährlich Kostenreduzierungen von 60 % bis 70 % pro Token erzielen. Niedrigere Preise könnten zu einer stärkeren Nutzung ermutigen, insbesondere wenn Organisationen autonome KI-Agenten einsetzen.

Agenten können wesentlich mehr Token verbrauchen als ein Mensch, der einen Prompt bearbeitet, weil sie Abfragen in Sequenzen wiederholen. Ein Agent, dem eine unklare Aufgabe zugewiesen wurde, kann lange weiterarbeiten, nachdem ein Mensch bereits infrage gestellt hätte, ob sich die Arbeit lohnt. Ein Teil dieser Ausgaben fließt in Prototypen, die nie in die Produktion gelangen.

Gartner stellte fest, dass bis Ende 2025 mindestens die Hälfte der generativen KI-Projekte nach der Proof-of-Concept-Phase aufgegeben worden war. Zu den Gründen gehörten eine schlechte Datenqualität, unzureichende Risikokontrollen, steigende Kosten und ein unklarer geschäftlicher Nutzen. Prototypen, die von Ingenieuren von Grund auf neu aufgebaut werden müssen, können ebenfalls sowohl Token-Budgets als auch wertvolle Entwicklungszeit verbrauchen.

Dies kann das Misstrauen technischer Teams weiter verstärken. Die Entwicklerumfrage von Stack Overflow aus dem Jahr 2025 ergab, dass 46 % der Entwickler der Genauigkeit von KI-Ausgaben misstrauten. „Fast richtige“ Antworten waren für 66 % der Entwickler die größte Frustration, während 45 % angaben, dass das Debuggen von KI-generiertem Code mehr Zeit in Anspruch nahm.

Die vorgeschlagene Alternative besteht nicht darin, den Zugang zu KI zu begrenzen, sondern ihre Nutzung spezifischer und nachvollziehbarer zu machen. Nichttechnischen Teams die Möglichkeit zur Entwicklung zu geben, kann dabei helfen, Software zu erstellen, die von Menschen gestaltet wird, die die geschäftlichen Anforderungen verstehen. Jede Nutzung sollte jedoch einen klar definierten Zweck haben, und Beschäftigte sollten erklären können, was mit einer bestimmten Token-Ausgabe erreicht werden sollte.

Anstatt ein allgemeines Chatfenster als Standardschnittstelle zu behandeln, könnten Organisationen Arbeitsabläufe und Agenten bereitstellen, die auf bestimmte Rollen zugeschnitten sind. Diese Umgebungen könnten Ausführungsgrenzen, Markenrichtlinien, genehmigte Schriftarten, Sicherheitsanforderungen und vorgefertigte Komponenten enthalten. Das Einbetten dieser Kontrollen würde Beschäftigten helfen, Anwendungen zu erstellen, die ohne separate Anfragen für jede einzelne Schutzmaßnahme eher konform und produktionsbereit sind.

Die Quelle beschreibt ein mittelständisches Unternehmen, in dem ein dreiköpfiges Datenanalyse-Team einen Agenten entwickelte, der Informationen aus den verschiedenen Systemen des Unternehmens analysiert. Die Implementierung ersparte jedem Teammitglied zwischen 12 und 13 Stunden manueller Arbeit pro Woche. Der Agent hatte eine klar definierte Aufgabe und arbeitete innerhalb vorab festgelegter Parameter, anstatt als uneingeschränkter Chatbot zu funktionieren.

Die zentrale Aussage lautet, dass sinkende Token-Preise die Notwendigkeit einer finanziellen Kontrolle nicht beseitigen. Organisationen sollten zunächst in klaren, einfachen Begriffen festlegen, was KI leisten soll, und anschließend Tools, Grenzen und Ausgaben auf diesen Zweck abstimmen. Ohne diese Klarheit ist eine unerwartete Rechnung lediglich ein Symptom eines umfassenderen Versagens bei der Festlegung der Rolle, die KI spielen soll.

Quellen: TechRadar.