Was ein KI-Agent wirklich kostet
Uber hat sein komplettes KI-Budget für 2026 in vier Monaten verbrannt, ein Ausreißer, aber ein lehrreicher. Was die Kostenstruktur von KI-Agenten so anders macht als klassische Software, und was das für die Marge bedeutet.
Im Februar nutzten 32 % der Uber-Ingenieure agentenbasierte Coding-Tools. Im März waren es 84 %. Bis zum Frühjahr griffen 95 % monatlich auf KI-Tools zu, rund 70 % des committeten Codes stammte von ihnen. Das ist beeindruckende Adoption nach jedem Maßstab. Es ist auch der Grund, warum Uber sein komplettes KI-Budget für 2026 bereits im April aufgebraucht hatte: vier Monate, nicht zwölf.
Wie genau ein Jahresbudget in vier Monaten verschwindet
Die durchschnittlichen monatlichen Kosten lagen laut übereinstimmenden Berichten bei 150 bis 250 US-Dollar pro Ingenieur, überschaubar. Vielnutzer erzeugten aber Rechnungen zwischen 500 und 2.000 US-Dollar im Monat, und eine Führungskraft schaffte es Berichten zufolge, in einer einzigen zweistündigen Coding-Session 1.200 US-Dollar auszugeben. Verschärft wurde das Ganze durch ein internes Leaderboard, das Teams nach ihrer KI-Nutzung rankte: ein Anreizsystem, das genau das produzierte, wofür es gebaut war, mehr Verbrauch, nicht mehr Wert. Uber-COO Andrew Macdonald bringt die eigentliche Lücke auf den Punkt: "That link is not there yet" — der Zusammenhang zwischen KI-Ausgaben und tatsächlichem Konsumentennutzen fehlt schlicht noch. Uber hat inzwischen Ausgabenobergrenzen von 1.500 US-Dollar pro Tool und Monat eingeführt.
Das Wichtige daran ist nicht die Anekdote selbst. Uber ist ein Extremfall mit tausenden Ingenieuren. Entscheidend ist der Mechanismus: Agenten-Kosten sind variabel, nicht fix, und genau das unterscheidet sie fundamental von der Software-Lizenzlogik, an die Finance-Teams seit Jahrzehnten gewöhnt sind. Ein Sitzplatz kostet, was er kostet. Ein Agent kostet, was er tut, und "was er tut" lässt sich ohne Kappung nach oben kaum vorhersagen.
Nicht jeder sieht das gleiche Bild
An dieser Stelle lohnt sich ein Einschub zur Fairness: Nicht alle Analysen zeichnen das düstere Bild, das der erste Artikel dieser Reihe über MITs 95-%-Zahl gezeichnet hat. a16z widerspricht MIT explizit: "Based on our internal data and conversations with corporate executives, we find that statistic hard to believe", schreibt Kimberly Tan im April 2026, und verweist stattdessen darauf, dass rund 29 % der Fortune 500 und 19 % der Global 2000 bereits zahlende Kunden führender KI-Anbieter sind.
Zwei Dinge dazu, im Sinne der kritischen Recherche aus den vorherigen Artikeln. Erstens: a16z selbst ist in viele der KI-Startups investiert, über die hier gesprochen wird. Das macht die Zahl nicht falsch, aber es lohnt sich, es zu wissen. Zweitens, und wichtiger: "Zahlender Kunde sein" ist Adoption, nicht Wert-Realisierung, exakt die Unterscheidung, die MIT und BCG in Artikel 1 unabhängig voneinander getroffen haben. Uber ist nach a16z' Maßstab ein Adoptions-Erfolg (95 % Nutzung). Nach der Kostenkontrolle des eigenen COO ist es, Stand jetzt, kein bewiesener Wert-Fall. Beide Aussagen sind gleichzeitig wahr.
Warum die Kosten oft nicht mal das eigentliche Problem sind
Ein Team um Arvind Narayanan (Princeton, bekannt u. a. durch "AI Snake Oil") hat mit dem Paper "AI Agents That Matter" etwas Grundlegenderes gezeigt: Die meisten Agenten-Benchmarks optimieren ausschließlich auf Genauigkeit und ignorieren Kosten komplett. Die Autoren finden, dass "state-of-the-art"-Agenten unnötig komplex und teuer sind, und dass ein Großteil der Community die falschen Schlüsse daraus zieht, woher Genauigkeitsgewinne eigentlich kommen. Ihr zentrales Ergebnis: Wer Kosten und Genauigkeit gemeinsam optimiert statt nur Genauigkeit, kann den Aufwand oft drastisch senken, ohne an Leistung zu verlieren.
In der Praxis heißt das: Ein großer Teil dessen, was ein Agent "kostet", ist nicht der Preis der Aufgabe, sondern unnötige Komplexität, die niemand hinterfragt hat, weil niemand je danach gefragt hat. Wenig überraschend, wenn man bedenkt, dass die meisten Teams (siehe Artikel 2) ohnehin nicht die Metriken tracken, die diese Frage überhaupt beantworten könnten.
Was das für die Marge bedeutet, wenn man selbst baut
Für Gründer, die KI-Produkte nicht nur nutzen, sondern verkaufen, hat das eine zweite, direktere Konsequenz. Bessemer Venture Partners rechnet in seinem AI Pricing and Monetization Playbook (Februar 2026) vor: KI-Unternehmen erzielen typischerweise 50 bis 60 % Bruttomarge, gegenüber 80 bis 90 % bei klassischer SaaS. Der Grund ist derselbe wie bei Uber, nur von der Verkäuferseite aus betrachtet: Jede Anfrage verursacht echte, variable Rechenkosten. Die COGS-Zeile, die man bei Software-Lizenzen jahrzehntelang ignorieren konnte, ist bei KI-Produkten plötzlich wieder zentral. Bessemers Kernsatz dazu trifft es gut: Wenn die Unit Economics bei 10 Kunden nicht funktionieren, funktionieren sie bei 1.000 erst recht nicht.
Drei Fragen, bevor man skaliert
Aus der Uber-Lektion, dem Princeton-Befund und dem, was ich bei Gründern sehe, ergibt sich eine kleine, konkrete Checkliste, bewusst als Ergänzung zum Drei-Fragen-Framework aus Artikel 2, nicht als Ersatz:
- Gibt es eine Kappungsgrenze, bevor es einen Nutzungsanreiz gibt? Ubers Leaderboard wurde vor jeder Ausgabenobergrenze eingeführt. Anreiz ohne Deckel ist eine Einladung zur Kostenexplosion, unabhängig davon, wie gut das Tool ist.
- Wird Komplexität hinterfragt, oder nur Genauigkeit? Nach Narayanans Team lohnt sich die Frage "brauchen wir diesen zusätzlichen Tool-Call, diesen weiteren Retry-Loop wirklich" öfter, als die meisten Teams denken, und die Antwort ist oft nein.
- Ist die Kostenzeile mit derselben einen Kennzahl verknüpft, die schon in Artikel 2 definiert wurde? Wenn die Ausgabenkurve steigt, aber die vorher festgelegte Erfolgskennzahl sich nicht bewegt, ist das kein Wachstumsschmerz, das ist das Signal zum Abbruch.
Adoption ist leicht zu messen und fühlt sich gut an, Uber beweist das eindrucksvoll. Ob sich das in Wert übersetzt, zeigt sich erst, wenn jemand beide Zahlen nebeneinanderlegt: was es kostet, und was es tatsächlich bringt. Genau diese Verbindung fehlt bei den meisten Projekten noch, bei Uber genauso wie, wenn man den Daten aus Artikel 1 glaubt, bei 95 % aller anderen auch.
Quellen:
Fallstudie
- Fortune: Uber burned through its entire 2026 AI budget in four months (Jake Angelo, Mai 2026)
- Moneywise via Yahoo Finance: Uber blew its entire 2026 AI budget in 4 months (Clay Halton, Juli 2026)
Gegenposition (siehe Einordnung im Text)
- a16z: Where Enterprises Are Actually Adopting AI (Kimberly Tan, April 2026)
Forschung
- Kapoor, Stroebl, Siegel, Nadgir, Narayanan (Princeton): AI Agents That Matter
Venture Capital
- Bessemer Venture Partners: The AI Pricing and Monetization Playbook (Februar 2026)
Direkter Anschluss
