KI-Kosten im Marketing: Warum Agenten-Workflows Budgets sprengen
Einige Konzerne haben ihr KI-Jahresbudget in wenigen Monaten aufgebraucht. Das berichten Axios und das Wall Street Journal, aufgegriffen vom Marketing AI Institute. Für Marketingteams ist das keine ferne Konzernnachricht, sondern eine Frage, die dieses Jahr auf jeder Rechnung landet. Ich erkläre, was die Kosten treibt und wie ich in meinen Automationen gegensteuere, ohne den KI-Einsatz abzuschalten.
Warum die Rechnung plötzlich anders aussieht
Ein Chatbot beantwortet eine Frage und verbraucht dabei eine überschaubare Menge Tokens. Tokens sind die Einheit, über die KI-Anbieter Rechenaufwand abrechnen. Ein Agent dagegen arbeitet eine Aufgabe in vielen Schritten ab. Ein Content-Briefing entstehen lassen, Prospects recherchieren oder Kampagnendaten ziehen, das ist nicht eine Anfrage, sondern schnell einige Dutzend bis hunderte.
Goldman Sachs hat das im Mai deutlich formuliert: Agentische KI wiederhole viele Abfragen in Folge, das blähe eine einfache Chatbot-Anfrage um das Zehn-, Zwanzig- oder Fünfzigfache auf. Der Tokenverbrauch soll sich laut dem Bericht zwischen 2026 und 2030 um das 24-Fache vervielfachen. Für Teams, die stark auf Agenten setzen, taucht diese Kurve nicht erst 2030 in der Bilanz auf, sondern deutlich früher.
Das eigentliche Problem ist die fehlende Sicht
Content, Personalisierung, Kampagnenanalyse, Social-Texte, E-Mail-Strecken, SEO-Recherche: In den meisten Teams sind diese Abläufe rasch gewachsen, ohne dass Budget oder Steuerung mitgezogen haben. Die meisten Marketingleute wissen nicht, wie viele Tokens sie verbrauchen und was die Rechnung treibt. Der Verbrauch schwankt stark zwischen einzelnen Personen, und die Tools verbinden Kosten kaum mit Ergebnissen. Man merkt, dass das Monatslimit erreicht ist, weiß aber nicht, welche Arbeit den meisten Wert pro Token gebracht hat.
Erst messen, dann begrenzen
Der reflexhafte Weg wäre, KI-Zugänge zu kappen. Das tauscht ein Problem gegen ein größeres. Bevor ich Limits setze, schaue ich, wohin die Tokens wirklich fließen. Welche Workflows verbrauchen am meisten, und welche liefern messbare Ergebnisse? Diese Frage entscheidet, nicht die nackte Verbrauchszahl. In meinen Automationen mit n8n, Make oder Zapier protokolliere ich Schritte und Kosten pro Durchlauf, damit ich diese Sicht überhaupt habe.
Das Modell zur Aufgabe passen
Das fähigste Modell ist nicht immer das richtige. Ein Reasoning-Modell für einen Social-Post oder einen Blog-Absatz einzusetzen, ist teuer und bringt keinen Mehrwert. Ich baue in Workflows bewusst eine Modellauswahl ein: kleine Modelle für Routinetexte, starke Modelle nur dort, wo die Aufgabe es verlangt. So sinken die Kosten, ohne dass die Qualität der Ausgabe leidet. Genau das meine ich mit KI-Automation mit Kontrolle.
Tokenverbrauch ist der falsche KPI
Wichtig ist, was die KI-Arbeit produziert hat: gesparte Zeit, fertige Inhalte, beeinflusste Pipeline. Teams, die KI-Aktivität mit echten Ergebnissen verbinden, können ihre Ausgaben begründen und treffen bessere Investitionsentscheidungen. In meinem Redaktionssystem hänge ich deshalb jeden automatisierten Schritt an ein Ergebnis, nicht an einen Verbrauchswert. Wer den Betrieb im Blick behalten will, findet dazu mehr unter KI-Automation im Betrieb.
Was ich mitnehme
Die Budgets, die Ende 2025 geplant wurden, waren nicht für Agenten gebaut. Das lässt sich nicht mit einem pauschalen Sparkurs lösen, sondern mit derselben strategischen Haltung, die man jeder anderen Technikinvestition entgegenbringt. Wer weiß, welcher Workflow welchen Wert erzeugt, verliert die Kostenkontrolle nicht.
