Tag: Kostenmanagement

  • Bau-Kalkulationssoftware 2026: Was kleine Unternehmen wirklich brauchen

    Bau-Kalkulationssoftware 2026: Was kleine Unternehmen wirklich brauchen

    LGR Reutlingen – 19 Juni 2026 | Wer ein kleines Bauunternehmen führt, kennt die ungeschriebene Stellenbeschreibung: Man ist Projektmanager, Vertriebler, Bauleiter und – ob man wollte oder nicht – auch Kalkulator. Landet ein neues Angebot auf dem Tisch, heißt es Überstunden mit Planunterlagen, Textmarker und Excel-Tabelle, um aus Zeichnungen eine Zahl zu machen, bevor ein Mitbewerber den Zuschlag erhält. Das Problem: Die meisten Kalkulationsprogramme wurden nicht für diese Situation entwickelt. Sie sind für Firmen mit eigener Preconstruction-Abteilung, fest angestelltem Kalkulator und IT-Team konzipiert. Für einen kleinen Generalunternehmer, einen Umbau-Spezialisten oder einen selbstständigen Handwerker zeigt sich der Fehlpass schnell: in Einarbeitungszeiten, die man nicht hat, Funktionen, die man nie nutzt, und Preisen, die für ein zehnmal größeres Unternehmen gemacht sind. Dieser Leitfaden überspringt die Enterprise-Tools und konzentriert sich auf das, was für kleine Teams im Jahr 2026 wirklich zählt: Worauf man achten sollte, was realistisch kostet, der Unterschied zwischen Takeoff- und vollständiger Kalkulationssoftware, wo KI-Tools tatsächlich helfen – und wann es sinnvoller ist, die Arbeit komplett auszulagern.

    Best Construction Estimating Software for Small Contractors in 2026: Was kleine Betriebe wirklich brauchen

    Der Kernunterschied liegt nicht in den Funktionen, sondern in der Frage, für wen die Software gemacht ist. Enterprise-Plattformen setzen voraus, dass ein Unternehmen einen oder mehrere Kalkulatoren beschäftigt, unterstützt von einer IT-Abteilung, die Einrichtung, Integrationen und laufende Wartung übernimmt. Diese Plattformen sind mächtig – detaillierte Kosten-Datenbanken, historische Angebotsvergleiche, BIM-Integration, Multi-User-Kollaboration. Doch bei kleinen Betrieben existiert diese Infrastruktur nicht. Es gibt keine IT-Abteilung, keinen dedizierten Kalkulator, weil die Person, die kalkuliert, auch auf der Baustelle steht. Genau deshalb wird ein Tool, das in einer Verkaufsdemo beeindruckend wirkt, schnell zur Frustrationsquelle: Die Einarbeitungszeit frisst die Zeit, die die Software sparen sollte, und ein Großteil der Funktionen bleibt ungenutzt, weil sie für einen Workflow gebaut sind, den der kleine Betrieb nicht hat. Die praktische Konsequenz: Die beste Kalkulationssoftware bedeutet je nach Kategorie etwas anderes. Ein Tool, das für große Generalunternehmer Spitzenwerte erzielt, ist nicht automatisch die richtige Wahl für einen Zwei-Personen-Umbau-Betrieb. Und Software anhand der falschen Kriterien zu bewerten, ist einer der häufigsten Fehler bei der Suche.

    Für kleine Teams zählen einige Kriterien überproportional, auch wenn sie in generischen Feature-Vergleichen selten oben stehen. Die Benutzerfreundlichkeit steht an erster Stelle, weil kleine Teams schlicht keine Zeit für eine mehrwöchige Einarbeitung haben. Wenn eine Plattform eine Schulungszeit von mehreren Wochen erfordert, bevor sie Zeit spart statt kostet, ist das ein echter Kostenfaktor. Die Preistransparenz ist ebenso wichtig. Kleine Betriebe sollten nicht Enterprise-Preise für einen Bruchteil des Funktionsumfangs zahlen. Klare, veröffentlichte Preise helfen, der Falle zu entgehen, dass man sich anmeldet und später Pro-Kunde- oder Pro-Angebot-Gebühren entdeckt, die die Margen jedes Auftrags schmälern. Darüber hinaus ist die Anbindung an den restlichen Workflow entscheidend: Verbindet die Plattform die Kalkulation mit Budgets, Angeboten, Bestellungen und der Nachkalkulation? Oder produziert sie eine Zahl, die man manuell in ein anderes System übertragen muss? Tools, die diese Verbindungen automatisieren, verursachen weniger Kopfschmerzen, sobald der Auftrag läuft. Auch branchenspezifische Vorlagen und Baugruppen sind ein Unterscheidungsmerkmal: Ein Maler, ein Dachdecker und ein Betonbauer haben unterschiedliche Kalkulationsbedürfnisse. Eine Plattform mit Vorlagen für das eigene Gewerk bringt schneller zu einer genauen Zahl als eine generische.

    Der Unterschied zwischen Takeoff-Software und vollständiger Kalkulationssoftware ist vielen nicht klar, und es lohnt sich, ihn vor dem Vergleich zu verstehen. Takeoff-Software misst Mengen aus digitalen Plänen – laufende Meter Rahmen, Quadratmeter Bodenbelag, Anzahl der Leuchten – direkt aus der digitalen Zeichnung, statt per Hand auf einem Ausdruck. Das ist der volle Umfang eines reinen Takeoff-Tools: Es sagt einem, wie viel von allem das Projekt benötigt. Vollständige Kalkulationssoftware geht einen Schritt weiter: Sie wendet Preise, Lohnsätze und Kostendaten auf die Mengen an und verwandelt eine Liste von Maßen in eine tatsächliche Dollarzahl, die man als Angebot vorlegen kann. Manche Plattformen sind auf eine der beiden Funktionen spezialisiert, andere kombinieren beides. Für den kleinen Betrieb lautet die relevante Frage: Wo liegt der Engpass? Wenn der langsame Teil der Prozess des Ausmessens von Plänen ist, löst ein schnelles Takeoff-Tool das Problem. Wenn man schnell misst, aber Schwierigkeiten hat, diese Zahlen in einen verteidigungsfähigen Preis umzuwandeln, ist eine vollständige Kalkulationsplattform mit integrierten Kosten-Datenbanken die bessere Wahl.

    Kosten, KI und die Alternative: Software kaufen oder auslagern?

    Die Preise für Bau-Kalkulationssoftware variieren enorm, von kostenlosen Excel-Vorlagen bis zu 1.500 Euro oder mehr pro Monat für Enterprise-Plattformen. Mittelklasse-Cloud-Tools liegen typischerweise zwischen 200 und 600 Euro pro Monat. Für kleine Betriebe gibt es jedoch Plattformen am unteren Ende dieser Spanne, die die Kernfunktionen bieten, die ein kleines Team tatsächlich benötigt. Preisgünstige Optionen, die speziell für kleinere Betriebe entwickelt wurden, bieten vorgefertigte Kosten-Datenbanken und schnelle Angebotsworkflows, manche Pläne beginnen bei etwa 79 Euro pro Monat – ein bedeutender Unterschied zu Enterprise-Plattformen, die jährlich in die Tausende gehen können. Andere Plattformen sind explizit für kleine bis mittlere Unternehmen konzipiert, mit einer intuitiven Oberfläche für Nutzer, die nicht unbedingt technikaffin sind, und legen Wert auf Einfachheit bei Angeboten, Einkauf und Terminplanung statt auf tiefe Anpassungsmöglichkeiten. Das Muster: Preis und Leistung sind nicht perfekt korreliert. Ein 79-Euro-Tool, das speziell für kleine Betriebe gebaut wurde, kann schneller zu brauchbaren Ergebnissen führen als eine 500-Euro-Enterprise-Plattform, deren erweiterte Funktionen von einem Zwei-Personen-Team ungenutzt bleiben. Der richtige Vergleich ist nicht „meiste Funktionen für den Preis“, sondern „schnellster Weg zu einem genauen, nutzbaren Angebot für meine Arbeitsweise“.

    KI-gestützte Kalkulationstools haben sich von einer Neuheit zu einer echten Kategorie entwickelt. Für kleine Betriebe hängt die Antwort, ob sie sich lohnen, ganz vom eigenen Engpass ab. KI-Tools liefern den größten Wert, wenn der Engpass die Takeoff-Zeit oder die Angebotsmenge ist – wenn ein Betrieb Aufträge nicht wegen falscher Preise verliert, sondern weil Wettbewerber einfach schneller Angebote abgeben. Diese Tools nutzen Computer Vision, um Komponenten direkt aus digitalen Plänen zu erkennen und zu messen, und verkürzen die manuelle Messzeit erheblich. Für einen kleinen Betrieb, der mehrere Rollen jongliert, kann die Zeitersparnis beim Takeoff mehr bedeuten als fast jede andere Effizienzsteigerung. Traditionelle Plattformen sind weiterhin die bessere Wahl, wenn man kundenspezifische Baugruppen, Teamarbeit oder tiefe Integration in eine bestehende Softwarelandschaft benötigt – all das ist bei KI-Tools nicht unbedingt optimiert. Der praktische Entscheidungspunkt: Ist das Problem die Geschwindigkeit (KI gewinnt) oder die Tiefe und Anpassbarkeit (traditionelle Plattformen gewinnen)?

    Für manche kleine Betriebe lautet die ehrliche Antwort auf die Frage „Welche Software soll ich kaufen?“ eine ganz andere: Sollte ich überhaupt Software kaufen und lernen, oder ist es sinnvoller, die Kalkulationsarbeit auszulagern? Diese Option wird in den meisten Softwarevergleichen übersehen, weil diese natürlich Software vergleichen. Aber für einen Betrieb, der selten Angebote abgibt, für den die Einarbeitungszeit angesichts der sonstigen Belastung unüberwindbar ist oder dessen Projekte so komplex sind, dass ein Selbstbedienungs-Tool eine Zahl liefert, der man nicht voll vertraut, umgeht das Auslagern des Angebots die Softwarefrage ganz. ACON Engineering bietet genau diese Alternative für Betriebe, die lieber ein genaues Angebot erhalten, als Zeit mit dem Lernen und Pflegen einer neuen Plattform zu verbringen. Durch Quantity Takeoff Services misst und quantifiziert ACON Engineering Material-, Arbeits- und Geräteanforderungen direkt aus Projektzeichnungen – die gleiche Kernfunktion, die jede Takeoff-Software ausführt, aber ohne dass der Betrieb ein Abonnement abschließen, sich einarbeiten oder das Tool warten muss. Für einen kleinen Betrieb, der eine wiederkehrende Softwaregebühr und eine Lernkurve gegen die einfache Beschaffung der benötigten Zahl für ein bestimmtes Angebot abwägt, ist das Auslagern des Takeoffs eine echte dritte Option – neben „Enterprise-Software kaufen“ und „Budget-Software kaufen“ – die man ehrlich in Betracht ziehen sollte.

    Die beste Kalkulationssoftware für kleine Bauunternehmen im Jahr 2026 ist nicht die Plattform mit den meisten Funktionen. Es ist die, die darum herum gebaut ist, wie ein kleines Team tatsächlich arbeitet: schnell zu erlernen, transparent bepreist und an den restlichen Workflow angebunden, statt eine Zahl zu produzieren, die man manuell woanders hinschleppen muss. Preisgünstige Plattformen, die speziell für kleine Betriebe entwickelt wurden, existieren und konkurrieren ernsthaft mit Enterprise-Tools bei den Kennzahlen, die für einen Zwei- oder Drei-Personen-Betrieb am wichtigsten sind. Den Unterschied zwischen Takeoff-Software und vollständiger Kalkulationssoftware zu verstehen und ehrlich zu sein, ob der eigene Engpass die Geschwindigkeit oder die Preissicherheit ist, spart mehr Zeit als jeder einzelne Feature-Vergleich. Und für Betriebe, die selten Angebote abgeben oder deren Projekte mehr Vertrauen erfordern, als ein Selbstbedienungs-Tool bieten kann, bleibt das Auslagern der Kalkulation eine legitime Alternative zum Softwarekauf. Ob man sich für eine preisgünstige Plattform, ein KI-gestütztes Takeoff-Tool oder ein ausgelagertes Angebot entscheidet – das Ziel ist dasselbe: eine Zahl, der man vertrauen kann, bevor man ein Angebot abgibt. ACON Engineering bietet mit seinen Quantity Takeoff Services genau das, ohne eine weitere Software erlernen zu müssen.

  • Tokenmaxxing: Produktivität auf der Kippe?

    Tokenmaxxing: Produktivität auf der Kippe?

    LGR Reutlingen – 27 Mai 2026 | In der Tech-Branche sorgt ein neuer Begriff für Aufsehen: Tokenmaxxing. Dabei handelt es sich um die Praxis, den Verbrauch von AI-Tokens zu maximieren, um interne Produktivitätsziele zu erreichen oder sich auf firmeninternen Ranglisten einen Platz an der Spitze zu sichern. Diese Entwicklung nimmt insbesondere nach der jüngsten Google I/O-Keynote Fahrt auf, bei der CEO Sundar Pichai den Begriff explizit erwähnte. Doch während einige Unternehmen den Tokenverbrauch als Erfolgsmesser betrachten, warnen Experten vor den wirtschaftlichen Folgen, die diese Praxis mit sich bringen kann.

    Ein besonders eindrucksvolles Beispiel für die massiven Ausgaben durch Tokenmaxxing liefert Peter Steinberger, Gründer von OpenClaw und derzeit bei OpenAI tätig. Auf der Plattform X teilte er einen Screenshot, der belegte, dass er in nur 30 Tagen Tokens im Wert von rund 1,3 Millionen Dollar für OpenAIs Coding-Agenten Codex verbraucht hat. Dieses Beispiel verdeutlicht, wie schnell der Tokenverbrauch von einem Insider-Witz zu einem ernsthaften Kostenproblem avancieren kann.

    Der Begriff selbst hat seine Wurzeln im Gen-Z-Slang, ähnlich wie „looksmaxxing“ oder „sleepmaxxing“. Im April 2026 wurde Tokenmaxxing durch einen Bericht des Branchenmediums The Information populär, der von einem internen Dashboard bei Meta Platforms berichtete. Ein Mitarbeiter hatte ein Leaderboard mit dem Titel „Claudeonomics“ ins Leben gerufen, das Kollegen nach ihrem individuellen Tokenverbrauch einordnete und Titel wie „Token Legend“ und „Cache Wizard“ vergab. Laut den Berichten verbrauchten Meta-Mitarbeitende in nur 30 Tagen satte 60 Billionen Tokens, wobei der Spitzenreiter auf etwa 281 Milliarden Tokens kam – ein Betrag, der bei den aktuellen API-Preisen Millionen kosten kann. Das Dashboard wurde daraufhin schnell wieder offline genommen.

    Ähnliche interne Wettbewerbe wurden auch bei Microsoft und Amazon dokumentiert. Pichai räumte auf der I/O-Bühne ein, dass einige von diesen Praktiken als Tokenmaxxing bezeichnet werden könnten und dass es durchaus einen wahren Kern darin gebe. Google verarbeitet mittlerweile beeindruckende 3,2 Billiarden Tokens pro Monat – ein Anstieg von 9,7 Billionen vor zwei Jahren.

    Ein weiteres besorgniserregendes Beispiel ist der Fall von Uber. Der CTO Praveen Neppalli Naga gab in einem Interview mit The Information zu, dass das Unternehmen sein gesamtes Jahresbudget für 2026 bereits nach vier Monaten für Tools wie Claude Code und Cursor aufgebraucht hatte. Die Nutzung von Claude Code stieg im ersten Quartal 2026 von 32 auf 84 Prozent der Ingenieure. Bei etwa 5.000 Ingenieuren gibt jeder Einzelne monatlich zwischen 500 und 2.000 US-Dollar für AI-Tools aus – das summiert sich schnell auf Millionenbeträge. Uber-Präsident Andrew Macdonald sprach von einem „head-exploding moment“ und stellte infrage, ob die höheren Token-Ausgaben tatsächlich zu einem proportionalen Anstieg der Produktivität führen. Sein Fazit: Obwohl mehr Features bereitgestellt werden, lässt sich keine direkte Verbindung zwischen Tokenverbrauch und einem signifikanten Anstieg nützlicher Funktionen herstellen.

    Die Reaktion von Microsoft auf ähnliche Kostenexplosionen war drastisch: Tausenden interner Ingenieure wurde der Zugang zu Claude Code entzogen, um im Hinblick auf das neue Fiskaljahr Kosten zu sparen.

    In dieser Debatte meldet sich nun auch Eugene Cheah, CEO und Mitgründer von Featherless.ai, zu Wort. Er warnt die Branche davor, den Tokenverbrauch als Maßstab für den Erfolg zu nutzen. „Token-Nutzung ist eine Metrik, aber extremer Verbrauch im Gewand von Tokenmaxxing ist in den meisten Fällen kein nachhaltiges Geschäftsmodell“, erklärt Cheah. „Es ist ein plumpes Mittel, um Erfolg zu messen. Nicht alle Tokens sind gleich; unterschiedliche Aktionen erzeugen unterschiedliche Returns für Unternehmen.“

    Cheah ist überzeugt, dass die nächste Phase der Enterprise-AI nicht auf Maximierung, sondern auf Token-Minimierung ausgerichtet sein wird. „Jedes unnötig generierte Token wirkt wie eine direkte Steuer auf die Produktivität eines Unternehmens“, warnt er. „Smartere Architekturen setzen auf kleinere, spezialisierte Modelle, die mit einem Bruchteil der Rechenleistung präzise Ergebnisse liefern können.“ In naher Zukunft werden die besten AI-Frameworks daran gemessen werden, wie wenig sie tatsächlich generieren müssen, um eine Aufgabe zu erfüllen.

    Ein weiterer Punkt, den Cheah hervorhebt, ist der Anfangseffekt, der bei neuen AI-Produkten häufig auftritt: „Ein Anstieg des Tokenverbrauchs ist in den frühen Tagen eines neuen Produkts normal, besonders wenn die Einstiegspreise niedrig sind. Die wahre Nachfrage und die langfristige Tragfähigkeit einer AI-Plattform zeigen sich jedoch erst, wenn die Preise sich normalisieren und die tatsächlichen Kosten für Unternehmen anfallen.“

    Das Phänomen Tokenmaxxing wird zunehmend als Beispiel für Goodharts Gesetz interpretiert – die Beobachtung, dass eine Kennzahl ihre Aussagekraft verliert, sobald sie zum Ziel erklärt wird. Cristina Cordova, COO von Linear, brachte es auf den Punkt: Ingenieure nach Tokenausgaben zu bewerten, ist vergleichbar mit der Beurteilung eines Marketing-Teams nach den Ausgaben.

    Es gibt jedoch auch Verteidiger dieser Praktiken. Garry Tan, CEO von Y Combinator, hat Tokenmaxxing positiv kommentiert, und Meta-CTO Andrew Bosworth erklärte gegenüber Forbes, dass sein bester Ingenieur das Äquivalent seines Gehalts in Tokens ausgibt, dabei jedoch „fünf- bis zehnmal produktiver“ sei.

    Die Tech-Riesen scheinen die Bedenken ernst zu nehmen. Pichai stellte Gemini 3.5 Flash als Lösung für die Herausforderungen des Tokenmaxxings vor. Ein Kunde, der täglich eine Billion Tokens verbraucht, könnte durch die Verlagerung von 80 Prozent seiner Workloads auf Flash jährlich über eine Milliarde US-Dollar einsparen.

    Die Lehren aus den Fällen von Meta, Uber und Microsoft sowie die Warnungen von Cheah sind klar: Unternehmen, die im Jahr 2026 noch immer glauben, dass mehr Tokens zwangsläufig zu mehr Produktivität führen, könnten bei der nächsten Rechnung überrascht werden.

  • Tokenmaxxing: Ein direkter Steuer auf die Produktivität

    Tokenmaxxing: Ein direkter Steuer auf die Produktivität

    LGR Reutlingen – 27 Mai 2026 | In den letzten Wochen hat ein neuer Begriff die Diskussion in der Technologiebranche angeheizt: Tokenmaxxing. Dabei handelt es sich um die Praxis, den Verbrauch von KI-Token zu maximieren, um interne Produktivitätskennzahlen zu erreichen oder auf internen Ranglisten nach oben zu klettern. Nach der kürzlichen Keynote von Google I/O, in der CEO Sundar Pichai den Begriff ausdrücklich erwähnte, werden die warnenden Stimmen aus der Branche immer lauter.

    Zuletzt sorgte Peter Steinberger, Gründer von OpenClaw und derzeit bei OpenAI, für Aufsehen, als er auf X einen Screenshot teilte, der zeigte, dass er in den letzten 30 Tagen Token im Wert von 1,3 Millionen Dollar für OpenAI’s Codex verbrannt hatte.

    Der Begriff, der sich an Gen-Z-Slang wie „looksmaxxing“ anlehnt, trat im April 2026 in den Mainstream, nachdem das Branchenmedium The Information über ein internes Dashboard bei Meta Platforms berichtete. Ein Mitarbeiter hatte eigenständig eine Rangliste namens „Claudeonomics“ erstellt, die Kollegen nach ihrem individuellen Tokenverbrauch bewertete und Titel wie „Token Legend“, „Model Connoisseur“ oder „Cache Wizard“ verlieh. Laut The Information verbrauchten Meta-Mitarbeiter in 30 Tagen rund 60 Billionen Token; der bestplatzierte Nutzer allein machte ungefähr 281 Milliarden Token aus – ein Volumen, das, basierend auf den regulären API-Preisen, Kosten in Höhe von mehreren hunderttausend bis mehreren Millionen US-Dollar nach sich ziehen kann. Das Dashboard wurde einige Tage später offline genommen.

    Ähnliche interne Wettbewerbe wurden mittlerweile auch bei Microsoft und Amazon dokumentiert. Sogar bei Google selbst erkannte Pichai auf der I/O-Bühne an: „Einige könnten dies Tokenmaxxing nennen, und da könnte etwas Wahres dran sein.“ Laut eigenen Angaben verarbeitet Google nun 3,2 Billiarden Token pro Monat – vor zwei Jahren lag diese Zahl bei 9,7 Billionen.

    Ein Beispiel: Uber verbraucht sein Jahresbudget in vier Monaten

    Wie schnell sich das Spiel in ein Geschäftsproblem verwandelt, zeigt das prominenteste Beispiel der letzten Wochen: Uber. Der CTO Praveen Neppalli Naga hatte in einem Interview mit The Information im April offengelegt, dass das Mobilitätsunternehmen bereits sein gesamtes Jahresbudget 2026 für Tools wie Claude Code und Cursor innerhalb von nur vier Monaten aufgebraucht hatte. Im ersten Quartal 2026 stieg der Anteil der Ingenieure, die Claude Code nutzten, von 32 auf 84 Prozent. Bei rund 5.000 Ingenieuren gibt jeder Einzelne derzeit zwischen 500 und 2.000 Dollar pro Monat nur für KI-Tools aus – was sich auf Millionen von Dollar pro Monat summiert.

    Doch auffälliger als die Zahlen ist die rückblickende Einschätzung: Der Präsident und COO von Uber, Andrew Macdonald, sprach im Rapid Response Podcast von einem „Kopf-explodierenden Moment“ und stellte öffentlich in Frage, ob höhere Token-Ausgaben tatsächlich in einem proportionalen Produktivitätsgewinn resultieren. Sein Fazit nach Gesprächen mit dem Team des CTO: Implizit wurden zwar mehr Funktionen ausgeliefert, doch eine direkte Verbindung zwischen Tokenverbrauch und „25 Prozent nützlicheren Verbraucherfunktionen“ ließ sich schlichtweg nicht herstellen. Macdonalds prägnante Bemerkung: „KI scheint kostenlos zu sein, wenn man einfach nur interessante Szenarien entwickelt. Aber letztendlich zahlt das Unternehmen dafür.“

    Als Reaktion auf ähnliche Kostenexplosionen hat Microsoft den Zugriff auf Claude Code für Tausende interner Ingenieure widerrufen und sie auf GitHub Copilot CLI umgeschichtet, um Geld zu sparen, bevor das neue Finanzjahr beginnt.

    Tokenmaxxing: Ein irreführendes Erfolgsmessinstrument

    In genau diese Debatte tritt Eugene Cheah, CEO und Mitgründer von Featherless.ai, mit einer klaren Warnung an die Branche ein: Die Verwendung des Tokenverbrauchs als Maßstab für den Erfolg führt seiner Meinung nach dazu, dass Unternehmen über den tatsächlichen wirtschaftlichen Wert ihrer KI-Implementierungen irreführend informiert werden.

    „Token-Nutzung ist eine Kennzahl, aber extremer Verbrauch unter dem Deckmantel von Tokenmaxxing ist in den meisten Fällen kein nachhaltiges Geschäftsmodell und eine ungenaue Art, den realen Wert zu verstehen“, sagt Cheah. „Es ist eine plumpen Art, Erfolg zu messen. Nicht alle Token sind gleich; unterschiedliche Aktionen erzeugen unterschiedliche Erträge für Unternehmen. Das Verfolgen dieser Zahlen zeigt, dass einige das tatsächliche Mechanismus der Kapitalrendite von KI noch immer nicht verstehen.“

    Cheah argumentiert, dass die nächste Phase der Unternehmens-KI nicht durch Maximierung, sondern durch Token-Minimierung definiert wird: „Während Ingenieurteams massive Kontextfenster und hohe Durchsätze oft als Schönheitsmerkmale betrachten, wird die nächste Phase tatsächlich das Gegenteil sein. Jeder unnötige Token, der generiert wird, ist eine direkte Steuer auf die Unternehmensproduktivität, verlangsamt die Latenz und drainiert die Wirtschaftlichkeit pro Einheit.“

    Und weiter: „Der Ansatz, sich auf ein riesiges Modell zu verlassen, um jede Aufgabe zu bewältigen, fördert lediglich die verschwenderische Generierung. Stattdessen verwenden intelligentere Architekturen kleinere, spezialisierte Modelle, die darauf ausgelegt sind, mit einem Bruchteil der Rechenleistung punktgenau zu arbeiten. In naher Zukunft werden die ausgeklügeltsten KI-Frameworks daran gemessen, wie wenig sie tatsächlich generieren müssen, um die Aufgabe zu erledigen.“

    Cheah weist auch auf einen Effekt hin, der in der Branche derzeit besonders sichtbar wird: „Ein Anstieg des Tokenverbrauchs ist in den frühen Tagen eines hochkarätigen neuen KI-Produktstarts völlig normal, insbesondere wenn die Einführungskosten minimal sind. Doch die tatsächliche Nachfrage und die langfristige Tragfähigkeit jeder KI-Plattform werden erst dann deutlich, wenn sich die Preise normalisieren und die wahren Kosten für die Unternehmen eintreten.“

    Beobachter rahmen das Phänomen des Tokenmaxxings zunehmend als ein klassisches Beispiel für Goodharts Gesetz: Die Beobachtung, dass eine Messgröße aufhört, eine gute Messgröße zu sein, sobald sie ein Ziel wird. Die COO von Linear, Cristina Cordova, fasste es auf X zusammen: Ingenieure nach Token-Ausgaben zu bewerten, sei wie ein Marketingteam danach zu bewerten, wer das meiste Geld ausgegeben hat.

    Gleichzeitig ist die Bewegung nicht ohne Verteidiger: Y Combinator CEO Garry Tan hat den Begriff beispielsweise angenommen und Meta CTO Andrew Bosworth erklärte gegenüber Forbes, dass sein bester Ingenieur das Äquivalent seines Gehalts in Token ausgegeben habe – aber im Gegenzug „fünf bis zehn Mal produktiver“ gewesen sei.

    Dass die Hyperscaler die Gegenwind ernst nehmen, wurde auf der I/O-Bühne offensichtlich: Pichai positionierte Gemini 3.5 Flash explizit als Ausweg aus dem Tokenmaxxing-Rausch. Ein Kunde, der täglich eine Billion Token verarbeitet, könne mehr als eine Milliarde US-Dollar jährlich sparen, indem er 80 Prozent seiner Arbeitslasten auf Flash umschichtet.

    Die Botschaft, die sich aus den Fällen von Meta, Uber und Microsoft sowie aus Cheahs Warnung ableitet, ist unmissverständlich: Wer im Jahr 2026 noch davon überzeugt ist, dass mehr Token automatisch mehr Produktivität bedeuten, könnte bei der nächsten Rechnung überrascht werden.