KI-Token-Kosten: Was Finanzabteilungen wissen müssen

Die Rechnung steigt, obwohl die Mitarbeiterzahl gleich bleibt und kein neuer Anbieter hinzugekommen ist. Der Grund kann ein Modellwechsel, eine längere Antwort, wiederholt übertragener Gesprächsverlauf oder ein Agent sein, der für eine Aufgabe zahlreiche Aufrufe ausführt.

KI-Token-Ausgaben ähneln daher weniger einem festen Abonnement als variablen Betriebskosten. Die Finanzabteilung braucht ein grundlegendes Verständnis der Token-Abrechnung, um Veränderungen zu erklären und Ausgaben mit ihrem geschäftlichen Nutzen zu verbinden.

Behalten Sie Ihre KI-Token-Ausgaben zentral im Blick

Wer steigende KI-Kosten erklären möchte, muss zunächst erkennen können, wo sie entstehen. Token-Ausgaben verteilen sich häufig auf Mitarbeitende, automatisierte Workflows und verschiedene Anbieter, während die Finanzabteilung oft erst Einblick erhält, nachdem die Kosten bereits entstanden sind.

Deshalb haben wir den Moss AI Token Cost Tracker entwickelt: ein kostenloses Dashboard, das lokal auf Ihrem Computer läuft und die KI-Ausgaben Ihrer verbundenen Anbieter in einer auf das Finanzteam zugeschnittenen Übersicht zusammenführt. So können Sie Kosten bis auf Ebene des Anbieters, Modells, Teams, der Person, des API-Keys oder Workflows zurückverfolgen.

Probieren Sie den Tracker selbst aus. Folgen Sie dazu einfach dem Video-Tutorial und der Schritt-für-Schritt-Anleitung für Ihr System:

Clone and set up the moss-ai-token-cost-tracker tool for me. Act as my setup assistant using your file system and terminal access:
1. First check whether the current folder (or a `moss-ai-token-cost-tracker` subfolder) already contains this tool (look for server.mjs and index.html). If it's already there, run `git pull` inside that folder to get the latest changes, then skip straight to step 3.
2. Otherwise, clone the repo:
   git clone https://github.com/getmoss/moss-ai-token-cost-tracker
   then work from inside that folder, and check whether Git, nvm, and the Node.js version this repo's README requires are installed, installing or switching to whatever is missing.
3. Ask me whether I want to run it in production mode (connecting my real accounts with API keys) or demo mode (mocked data, so I can just see how it looks without any API keys). Wait for my answer before continuing.
4. Double check that everything needed is set up correctly, and then run `npm start` for production mode, or `npm run demo` for demo mode, based on my answer.
5. Watch the terminal output for errors. If something fails, diagnose the root cause, explain it to me in plain language, and either fix it or tell me exactly what to run.
6. Tell me the URL to open in my browser once the server is running.
7. Later, if I ask you to stop or restart the tool, do that for me.

Important: never read, print, or send the contents of my .env file, and never share any API keys or company data outside this terminal session.

Was ist ein KI-Token?

Ein Token ist eine kleine Texteinheit, die ein Sprachmodell verarbeitet. Dabei kann es sich um ein Wort, einen Wortteil, eine Zahl oder ein Satzzeichen handeln. Als grobe Orientierung entsprechen 1.000 englischsprachige Token etwa 750 Wörtern. Die genaue Zahl hängt von Sprache und Inhalt ab.

Für die Abrechnung sind vor allem drei Arten relevant:

• Eingabe-Token umfassen Prompts, Systemanweisungen, hochgeladene Inhalte und den relevanten Gesprächsverlauf.
• Ausgabe-Token umfassen die vom Modell erzeugte Antwort und werden häufig zu einem höheren Tarif abgerechnet.
• Zwischengespeicherte Token sind wiederkehrende Teile der Eingabe, die das System aus einem Cache erneut verwenden kann. Sie werden je nach Anbieter und Modell zu einem günstigeren Tarif abgerechnet. Für das Erstellen oder Speichern des Caches können eigene Bedingungen gelten.

Ein Teil der Verarbeitung bleibt für Nutzer unsichtbar. Manche Modelle verwenden interne Reasoning-Token, bevor sie eine Antwort ausgeben. Bei längeren Chats kann zudem der bisherige Gesprächsverlauf erneut als Eingabe verarbeitet werden. Die abgerechnete Nutzung kann deshalb größer sein, als es die sichtbare Anfrage vermuten lässt.

KI-Nutzung wächst schneller als messbarer Nutzen und Kostenkontrolle

Unternehmen investieren bereits erheblich in KI. In einer Studie von SAP und Oxford Economics aus dem Jahr 2025 lagen die durchschnittlichen jährlichen KI-Ausgaben der befragten britischen Unternehmen bei 15,94 Millionen Pfund. Für die folgenden zwei Jahre erwarteten sie eine weitere Steigerung um durchschnittlich 40 %.

Auch die Nutzung nimmt schnell zu. Laut den British Chambers of Commerce stieg der Anteil der befragten britischen kleinen und mittleren Unternehmen, die KI aktiv einsetzen, von 25 % im Jahr 2024 auf 54 % im Jahr 2026. Eine separate Befragung von Studio Graphene und Censuswide ergab jedoch, dass nur 31 % der bereits KI nutzenden Unternehmen eine positive Rendite meldeten.

Damit wird ein proaktiver Umgang mit KI-Kosten wichtiger. Anders als klassische Software wird generative KI häufig nach Verbrauch abgerechnet. Jeder Prompt, Dokumentenupload, automatisierte Aufruf und wiederholte Versuch kann zusätzliche Kosten erzeugen. Die Rechnung kann dadurch steigen, bevor die Finanzabteilung die Veränderung erkennt.

Warum Token-Abrechnung schwerer zu steuern ist als klassische Softwarekosten

Klassische Unternehmenssoftware bietet vertraute Kosteneinheiten wie Lizenzen, Tarifstufen, Verlängerungsdaten und vertraglich festgelegte Gebühren. Eine höhere Rechnung lässt sich meist auf zusätzliche Nutzer, einen neuen Tarif oder einen Anbieterwechsel zurückführen.

Bei tokenbasierter Abrechnung wird die Rechnung auch durch das Verhalten innerhalb des Dienstes beeinflusst. Die Kosten können steigen, weil:

• Mitarbeitende längere Prompts senden oder ausführlichere Antworten anfordern
• ein Workflow zu einem teureren Modell wechselt
• derselbe Gesprächsverlauf wiederholt verarbeitet wird
• ein Agent zusätzliche Planungsschritte, Tool-Aufrufe oder Wiederholungsversuche ausführt
• die Nutzung nach einer Produkteinführung, einem Berichtszyklus oder einem internen Rollout zunimmt

Die Kosten ergeben sich aus Tarif und Nutzung, wobei sich beide verändern können. Anbieter legen unterschiedliche Preise für Eingabe, Ausgabe, Modellstufen, zwischengespeicherte Inhalte und Verarbeitungsarten fest. Teams können zudem zwischen Modellen wechseln, ohne einen neuen Beschaffungsvorgang auszulösen. Die Finanzabteilung bemerkt solche Veränderungen mitunter erst auf der Rechnung.

Auch die buchhalterische Einordnung hängt vom Anwendungsfall ab. KI-Kosten, die unmittelbar mit einem kundenorientierten Produkt verbunden sind, können den Umsatzkosten zugeordnet werden und die Bruttomarge beeinflussen. Interne Assistenten werden dagegen eher als betriebliche Aufwendungen erfasst. Werden beide Bereiche zusammen betrachtet, bleibt unklar, ob die Kosten Umsätze unterstützen, internen Aufwand reduzieren oder ohne erkennbaren Nutzen steigen.

Die Rechnung erklärt die Abweichung selten

KI-Ausgaben können über Modellanbieter, Cloud-Plattformen, Abonnements, Werkzeuge für die Softwareentwicklung und automatisierte Workflows verteilt sein. Die jeweiligen Kosten erscheinen in unterschiedlichen Systemen und mit unterschiedlichem Detaillierungsgrad.

Eine Rechnung zeigt möglicherweise Anbieter und Gesamtbetrag, aber nicht unbedingt das verantwortliche Team, die Kostenstelle, den Workflow, den Agenten, das Modell oder den API-Key. Ohne diesen Kontext kann die Finanzabteilung wichtige Fragen nicht beantworten:

• Hat sich der Tarif geändert oder ist die Nutzung gestiegen?
• Welches Team oder welcher Workflow hat die Veränderung verursacht?
• Wurde mehr wertvoller Output erzeugt oder lediglich ein teurerer technischer Weg genutzt?
• Gehören die Kosten zu den Umsatzkosten oder zu den betrieblichen Aufwendungen?
• Welche Ausgaben sind für den nächsten Monat zu erwarten?

Aussagekräftige Berichte müssen deshalb die Transaktion mit Nutzungsmetadaten verbinden. Die Finanzabteilung muss dafür weder Prompts noch Antworten einsehen. Sie benötigt Kosten nach Anbieter, Modell, Team, Person, Workflow, Agent und API-Key sowie einen klar benannten geschäftlichen Verantwortlichen.

Die Kontrolle von KI-Kosten erfolgt auf zwei Ebenen

Token-Kosten haben einen technischen Ursprung und eine finanzielle Auswirkung. Deshalb können sie nicht von einer einzelnen Abteilung gesteuert werden.

Entwicklungs- und IT-Teams beeinflussen unter anderem Modellauswahl, Kontextlänge, Antwortlänge, Caching, Routing, Batch-Verarbeitung, Ratenbegrenzungen und Wiederholungslogik. Sie können erklären, warum ein Workflow teurer geworden ist, und den technischen Ablauf anpassen.

Die Finanzabteilung und die Unternehmenssteuerung verantworten dagegen Budgets, Kostenzuordnung, interne Weiterverrechnung, Abweichungsanalysen, Warnmeldungen, Prognosen und die Bewertung des geschäftlichen Nutzens. Sie legen fest, welche Ausgaben genauer geprüft werden müssen und ob das Ergebnis die Kosten rechtfertigt.

Die Herausforderung besteht darin, dass die Personen und Systeme, die zusätzliche Nutzung auslösen, nicht dieselben sind, die für die Kontrolle der Gesamtausgaben verantwortlich sind. Praktische Kostenkontrolle erfordert daher eine gemeinsame Sicht auf technische Nutzung und finanzielle Auswirkungen.

Die Finanzabteilung muss Token verstehen, bevor sie Kosten optimiert

Das Ziel besteht nicht darin, jedes Token zu vermeiden. Eine geringe Nutzung kann ebenso unwirtschaftlich sein wie eine hohe, wenn daraus kein nutzbares Ergebnis entsteht. Zunächst müssen die Ausgaben nachvollziehbar werden.

Dafür sollte die Finanzabteilung Preisänderungen von Nutzungsänderungen trennen und anschließend prüfen, welches Modell, Team oder welcher Workflow die Abweichung verursacht hat. Erst dann lässt sich beurteilen, ob die Veränderung auf wertvolle zusätzliche Nutzung oder auf einen ineffizienten Ablauf zurückzuführen ist.

Die Finanzabteilung muss nicht jedes technische Detail verstehen. Sie sollte jedoch wissen, was verbraucht wurde, zu welchem Tarif, für welchen Zweck und mit welchem Ergebnis. So lassen sich Budgets, Kontrollen und Prognosen an den tatsächlichen Kostentreibern ausrichten, ohne produktive KI-Nutzung pauschal einzuschränken.