Einem Bericht der Associated Press zufolge stößt die Modeerscheinung des „Tokenmaxxing“ bei der Technologie der künstlichen Intelligenz in Unternehmen an ihre Grenzen, da an Arbeitsplätzen, die KI auf alles richten, die Kosten steigen, ohne dass es zu einem ähnlichen Anstieg der Produktivität kommt.
Was im Frühjahr 2026 als Hype der Technologiebranche begann, um so viel KI-generierte Arbeit wie möglich aus Produkten wie ChatGPT von OpenAI und Claude von Anthropic herauszuholen, hat sich zu einer sommerlichen Gegenreaktion entwickelt. Führungskräfte, Analysten und Entwickler stellen nun offen die Frage, ob die Maximierung des KI-Token-Verbrauchs jemals eine vernünftige Strategie war. Für eine fortlaufende Berichterstattung über die KI-Geschäftslandschaft besuchen Sie unsere neueste KI-Branchenberichterstattung.
Aufstieg und Fall einer Modeerscheinung
„Tokenmaxxing“ bezieht sich auf die Maximierung der Nutzung von Token – den Bausteinen generativer KI, die kleinen Textteilen entsprechen, die ein KI-System liest oder schreibt. Jeder Token stellt ungefähr drei Viertel eines Wortes dar, und KI-Anbieter legen in der Regel Nutzungsbeschränkungen fest, wobei teurere Abonnements höhere Obergrenzen bieten.
Der Trend wurde von einigen der prominentesten Technologieführern aktiv gefördert. Sam Altman, CEO von OpenAI, sagte im Mai 2026, er sei „gespannt, was mit den Startups von tokenmaxxing passieren wird, sowohl was ihre interne Arbeitsweise als auch die Produkte angeht, die sie entwickeln können.“ Jensen Huang, CEO von Nvidia, erklärte: „Wenn Ihr 500.000-Dollar-Ingenieur nicht 250.000 Dollar in Tokens verbrennt, stimmt etwas nicht.“ Die Facebook-Muttergesellschaft Meta veranstaltete einen internen Wettbewerb, bei dem eine hohe Token-Nutzung belohnt wurde.
Doch als sich die Kosten häuften, ließ die Begeisterung nach. „Als sich die Rechnungen häuften, wurde den Leuten klar, dass diese neuen Tools ziemlich teuer sind und man sie mit Bedacht einsetzen muss“, sagte Vincent Gusdorf, Leiter der KI-Analyse bei Moody's Ratings und Autor eines neuen Berichts, der einen disziplinierteren Ansatz empfiehlt.
„Es ist sehr einfach, mit KI etwas zu schaffen, das man nicht braucht“, fügte Gusdorf hinzu.
Gegenreaktion der Führungskräfte
Die Gegenreaktion wurde von einigen der einflussreichsten Stimmen der Technologiebranche angeführt. Satya Nadella, CEO von Microsoft, gab zu, dass Tokenmaxxing süchtig machen kann, warnte jedoch davor, dass Kunden effektiv doppelt für KI zahlen – erstens durch die Ausgaben für Token und zweitens durch die Weitergabe ihrer proprietären Daten an KI-Anbieter. Nadellas Kommentare waren insofern ungewöhnlich, als er Zweifel an den Datenschutzgarantien führender KI-Unternehmen aufkommen ließ, obwohl er Microsofts eigene KI-Strategie bewarb.
Alex Karp, CEO von Palantir, ging noch einen Schritt weiter und sagte gegenüber CNBC, dass etwas „völlig schief gelaufen“ sei. Er sagte, er kanalisiere die Stimme amerikanischer Unternehmen, die insgeheim „wütend“ darüber seien, enorme Summen für Token zu zahlen, die keinen Wert schaffen.
„Die grundlegende Ansicht der Unternehmen in diesem Land ist: ‚Ich werde abschalten und meine Zeit mit Token verschwenden. Ich werde keinen Wert bekommen und sie werden mein geistiges Eigentum bekommen‘“, sagte Karp.
Raffi Krikorian, Chief Technology Officer von Mozilla, verglich Tokenmaxxing mit der diskreditierten Praxis, die Produktivität von Programmierern anhand von Codezeilen zu messen. „Ich denke, dass Tokenmaxxing genau das gleiche Muster durchläuft“, sagte er. „Ich denke, das wird ein interessanter Zwischenfall, über den wir alle in einem Jahr zurückblicken und lachen werden.“
Das Kostenproblem im großen Maßstab
Die finanziellen Auswirkungen werden auf Unternehmensebene deutlich. Jue Wang, Unternehmensberaterin bei Bain & Company, sagte, dass viele der großen Unternehmen, die ihre Firma berät, die Rendite ihrer KI-Investitionen genauer unter die Lupe genommen hätten.
„Die Token-Kosten für sie haben sich fast alle zwei Monate verdoppelt“, sagte Wang. „Sagen wir, 200 US-Dollar pro Entwickler und Monat. Multiplizieren Sie das mit 20.000 Entwicklern, womit wir es bei diesen Unternehmen oft zu tun haben, und dann kommen Sie schnell auf eine Zahl, die kein Geschäftsführer geplant hat.“
Wang wies auf ein häufiges Missbrauchsmuster hin: die standardmäßige Verwendung der leistungsstärksten – und teuersten – KI-Modelle für Aufgaben, die diese nicht erfordern. „Nicht alles braucht einen Claude Opus 4.6“, sagte sie über eines der leistungsfähigsten Modelle von Anthropic, das sich für Softwareentwicklung oder tiefgreifende Forschung eignet. „Und doch gibt es so viele Unternehmen, so viele Benutzer, die Opus standardmäßig für alles verwenden, einschließlich der Generierung von E-Mails.“
Der Aufstieg von Model Routing und Open Weights
Der Kostendruck hat die Nachfrage nach KI-„Modellrouting“-Tools angeheizt, die einfachere Abfragen automatisch an günstigere, effizientere KI-Systeme senden und gleichzeitig leistungsstarke Modelle für komplexe Aufgaben reservieren. Der Softwareentwickler Hassan El Mghari, der die Entwicklererfahrung beim Startup Together AI leitet, sagte, der Schock der Unternehmen über die „lächerlichen Geldbeträge“, die für Abonnements von KI-Produkten führender US-Unternehmen ausgegeben werden, habe viele dazu veranlasst, den Ansatz der Maximierung der Nutzung zu überdenken.
„Es ist besser, den Mitarbeitern die Möglichkeit zu geben, diese Dinge zu nutzen, und ihnen die Möglichkeit zu geben, KI zu nutzen, wann und wie oft sie es brauchen“, sagte El Mghari.
Unterdessen finden Befürworter eines hohen Token-Verbrauchs neue Munition in Modellen mit offenem Gewicht von chinesischen Start-ups wie Kimi von Moonshot und GLM von Zhipu, die zu einem Bruchteil der Kosten nahezu die Fähigkeiten der Top-US-Modelle erreichen. Krikorian räumte ein, dass „die Theorie, dass dies das Tokenmaxxing ein wenig weiter vorantreiben könnte, eine gewisse Gültigkeit hat“, betonte jedoch, dass der allgemeine Trend in der Branche zu einer disziplinierteren Nutzung gehe.
Lektionen für das Unternehmen
Die tokenmaxxing-Episode bietet eine warnende Geschichte für Unternehmen, die sich in der KI-Landschaft zurechtfinden. Während führende KI-Modellentwickler wie OpenAI und Anthropic vom Anstieg des Verbrauchs profitierten, hat die Erfahrung viele Unternehmen dazu veranlasst, maßvollere Ansätze zu verfolgen – sie konzentrieren sich auf spezifische Anwendungsfälle, in denen KI messbare Erträge liefert, anstatt rohe Nutzungsmetriken zu maximieren.
Wenn der anfängliche KI-Hype-Zyklus einer pragmatischen Umsetzung weicht, könnten die Unternehmen erfolgreich sein, die KI als Präzisionswerkzeug und nicht als stumpfes Instrument betrachten, das richtige Modell an die richtige Aufgabe anpassen und die Rechnung genau im Auge behalten.
