Praxisbericht aus 7 Monaten KI-Nutzung mit 175 Mitarbeitenden – und warum viele Firmen für dieselbe Nutzung ein Vielfaches zahlen.
Warum KI-Budgets oft falsch kalkuliert werden
Stellen Sie sich vor, Sie statten 200 Mitarbeitende mit ChatGPT-Plus-Abos aus. Das sind rund 48.000 USD pro Jahr. Klingt nach einer soliden Zukunftsinvestition – in der Praxis ist es häufig vor allem eins: massiv überbezahlt.
Die folgende Einschätzung basiert nicht auf Folien oder Vendor-Studien, sondern auf anonymisierten Nutzungs-Logs eines realen Rollouts, den die Agentur für Webentwicklung über sieben Monate begleitet hat. Das Ergebnis ist klar: In vielen Unternehmen verpufft ein Großteil der KI-Ausgaben, weil das Abrechnungsmodell nicht zur tatsächlichen Nutzung passt.
Der Grund, warum Sie das Thema nicht aussitzen können
Die unbequemste Wahrheit zuerst: KI wird bereits genutzt – auch ohne Freigabe. Häufig ohne Kontrolle, ohne klare Regeln, ohne belastbares Datenschutzkonzept.
Typische Befunde aus Erhebungen und Praxis:
- 71 % der Büroangestellten nutzen KI-Tools ohne IT-Genehmigung
- 38 % teilen dabei vertrauliche Informationen mit öffentlichen Diensten
- 46 % würden KI sogar bei explizitem Verbot weiter verwenden
Die entscheidende Frage lautet daher nicht, ob KI eingesetzt wird, sondern ob Sie den Einsatz steuern – oder ob er unkontrolliert im Schatten läuft.
Die Fallstudie: 175 Mitarbeitende, mehrere Anbieter, echte Nutzungsdaten
Das Unternehmen entschied sich für einen sehr pragmatischen Ansatz:
Zugang für alle, mehrere Modelle/Anbieter parallel, und anschließend Auswertung dessen, was wirklich passiert – statt Annahmen aus Meetings.
Die wichtigste Weichenstellung: API statt Abos.
Abgerechnet wird pro Nutzung (Tokens/Requests) – nicht pauschal pro Person.
Ergebnisse nach 7 Monaten (Juni–Dezember 2025)
- 139 von 175 Mitarbeitenden haben KI mindestens einmal genutzt
- 40.782 Anfragen insgesamt
- Ø 42 Anfragen pro aktivem Nutzer und Monat
- Gesamtkosten: 2.284 USD
- Ø 2,35 USD pro aktivem Nutzer/Monat
Zum Vergleich: Bei 20-USD-Abos (für vergleichbare Nutzung) wären es 19.460 USD gewesen – also 8,5× so viel.
Wohin das Budget tatsächlich fließt: Bilder dominieren die Kosten
Die Auswertung brachte eine überraschend klare Verteilung:
Bildgenerierung
- 34 % der Anfragen
- 64 % des Budgets
Textmodelle
- 66 % der Anfragen
- 36 % des Budgets
Bilder waren damit etwa 3,5× teurer als Text. Und: 130 von 175 Mitarbeitenden (also 74 %) haben mindestens einmal Bilder generiert – nicht nur Design, sondern quer durch alle Bereiche, inklusive Administration und Buchhaltung.
Wenn Menschen die Möglichkeit zum Ausprobieren bekommen, tun sie es – und genau dadurch entsteht in vielen Organisationen der größte Kostentreiber.
Drei typische Kostenfallen – und wie Sie sie umgehen
1) Abo-Flatrates werden selten „ausgenutzt“
Ein Abo ist nur dann wirtschaftlich, wenn die Person wirklich intensiv nutzt. In dieser Fallstudie war die Realität deutlich darunter.
Rechenlogik (Beispiel):
Ein Abo lohnt sich erst ab sehr hoher Token-Nutzung pro Monat und Person (im Textbeispiel: 53 Mio. Tokens/Monat bei GPT-4o-mini, grob ~40.000 Textseiten/Monat). Für die meisten Rollen ist das nicht realistisch.
API-Logik: Sie zahlen nur, was genutzt wird.
Ergebnis hier: 2,35 USD statt 20 USD je aktivem Nutzer/Monat → 88,25 % Einsparung.
2) Bildgenerierung verschlingt schnell zwei Drittel der Kosten
Preisunterschiede zwischen Anbietern können extrem sein:
- GPT Image: 0,44 USD pro Anfrage
- Gemini Image: 0,053 USD pro Anfrage (Faktor ~8)
Im September wechselte das Unternehmen von GPT Image zu Gemini – ohne großen Aufwand, Migration in 1 Tag.
Zahlen aus 4 Monaten (Oktober–Dezember):
- 15.300 Bildanfragen
- Kosten mit Gemini: 810 USD
- Kosten wären mit GPT gewesen: 6.779 USD
- Ersparnis: 5.969 USD
Nebenbei sank der Durchschnitt pro Nutzer von 6,47 USD (September) auf 3,67 USD (Oktober) – in einem Monat halbiert, nur durch Providerwechsel.
Merke: Wenn viele Mitarbeitende Zugriff haben, müssen Sie Bildkosten von Anfang an einplanen – und Anbieter bewusst wählen.
3) Wenige Nutzer bestimmen das Budget (Pareto ist real)
Die Verteilung war fast punktgenau:
- 20 % der Nutzer verursachten 79,4 % der Ausgaben
- Top 10 Nutzer (5,7 %) machten 20 % des Gesamtbudgets aus
Der teuerste Nutzer: 308 USD in 7 Monaten bei 3.578 Anfragen.
Ein anderer Nutzer: 2.757 Anfragen, aber nur 139 USD.
Der Unterschied: Bilder vs. Text.
Konsequenz: Beobachten Sie die Top-20-% aktiv. Und legen Sie fest, wo teure Features (z. B. Bild) wirklich notwendig sind.
Weitere Budget-Lecks, die man oft übersieht
Mitarbeitende wählen „automatisch“ das teuerste Modell
Wenn alles verfügbar ist, landet man schnell beim Premium-Modell – selbst für einfache Aufgaben wie Kundenmails.
Beispiele aus dem Text:
- GPT-5 Mini ist 6× günstiger als GPT-5
- Gemini Flash ist 7× günstiger als Pro
Trotzdem liefen nur 2.438 von 61.729 Anfragen (≈ 4 %) über günstige Modelle.
Grund: Gewohnheit und Status-quo-Bias.
Lösung: Günstiges Modell als Standard, teure Modelle nur auf Bedarf (und ggf. mit Freigabe).
Standard-Settings bei Bildern sind eine Kostenfalle
Wenn Nutzer Qualität und Bildanzahl frei wählen, wird oft „maximal“ gewählt: hohe Qualität, mehrere Bilder pro Request. In der Iteration summiert sich das schnell auf zweistellige Beträge pro Aufgabe.
Praxislösung: Preislogik transparent machen, Defaults begrenzen, Zugriff auf Bildfeatures rollenbasiert steuern.
Erwartungslücke bei Tabellen
Viele Rollen arbeiten täglich mit Excel/Sheets – und erwarten: Datei hochladen → Analyse kommt raus.
In Standard-Chat-UIs klappt das oft nicht zuverlässig, vor allem bei großen Dateien. Das erzeugt Frust und Fehlannahmen („KI kann das nicht“).
Was hilft: Früh erklären, was KI kann und was nicht – und für echte Tabellenanalysen gezielt Tools/Agenten mit Code-Interpreter einplanen.
Rechnet sich KI überhaupt?
Studien (Federal Reserve, BCG, Adecco) kommen in Summe häufig auf 2–5 Stunden Zeitersparnis pro Woche je Mitarbeitendem; Power-User teils bis 11 Stunden.
Auf die Fallannahmen übertragen:
- 200 aktive Mitarbeitende × 3 Std/Woche × 4 Wochen = 2.400 Std/Monat
- Ø Stundensatz Deutschland 2025: ~25 €/Std
- Potenzial: 60.000 €/Monat
- KI-Kosten (Beispiel): 200 × 2,50 € = 500 €/Monat
Selbst bei nur 30 Minuten pro Woche amortisiert sich das sehr schnell. Einarbeitung und private Nutzung müssen Sie realistisch berücksichtigen – aber der Hebel bleibt groß.
Datenschutz: Wo landen Ihre Daten?
Ein häufiger Irrtum: „Alles wird fürs Training genutzt.“
Im Textbeispiel gilt: API-Daten werden standardmäßig nicht fürs Training verwendet (seit März 2023). Das wird auch für andere Anbieter (Anthropic, Google) so dargestellt.
Wichtige Unterscheidung:
- Kostenlose Chat-UIs: Daten können ggf. fürs Training genutzt werden (oft per Einstellung deaktivierbar)
- API: standardmäßig kein Training mit den übertragenen Daten
Logs können bis zu 30 Tage fürs Monitoring gespeichert werden; Enterprise-Optionen wie Zero Data Retention können das weiter reduzieren. Admins können zudem Missbrauch über Logs identifizieren.
Verfügbarkeit: Redundanz statt Single Point of Failure
In der Fallstudie gab es keinen kritischen Ausfall – dennoch bleibt ein einzelner Anbieter ein Risiko.
Empfohlener Setup (im Text für 2026):
- Direkte APIs: OpenAI, Anthropic, Google (Gemini), xAI (Grok)
- Aggregator: OpenRouter (Failover bei Ausfällen)
- Reserve: Azure OpenAI (gleiche Modelle, andere Infrastruktur)
Technikprinzip: Request → Hauptanbieter → bei Timeout/Fehler automatischer Wechsel. Für Nutzer unsichtbar, im Monitoring sichtbar.
Brauchen Sie dafür einen KI-Vollzeit-Spezialisten?
Nicht zwingend. Meist reicht eine verantwortliche Person, die Monitoring und Regeln betreut: Logs prüfen, Fragen beantworten, Standards anpassen. Full-time wird es eher dann, wenn Sie zusätzlich strukturierte Weiterbildung anbieten (Schulungen, Best-Practice-Programme, interne Community).
Onboarding ist der unterschätzte Erfolgsfaktor
In der Fallstudie wurden Mitarbeitende gezielt eingeführt:
- 2 Stunden aufgezeichnetes Training (Prompting, Grenzen, Modellwahl)
- 2 Wochen Zeit zum Anschauen
- Live-Q&A-Webinar (1 Stunde)
Wichtig: Erst testen, dann ausrollen. Ein instabiler Start senkt Akzeptanz drastisch – besonders im Enterprise-Kontext.
Was nach 7 Monaten wirklich sichtbar wurde
- 85 % der Nutzer blieben auch nach dem ersten Monat aktiv (sehr hohe Retention)
- Die Anfragen stiegen innerhalb von sechs Monaten um den Faktor 27
Budget-Effekt: Geben Sie 100 Mitarbeitenden Zugriff, sind nach sechs Monaten nicht 20 aktiv, sondern oft 60–80. Kosten steigen dann nicht zwingend wegen höherer Preise, sondern weil mehr Menschen produktiv nutzen – was grundsätzlich positiv ist, aber eingeplant werden muss.
Die 5 wichtigsten Empfehlungen aus der Praxis
- API statt Abo: häufig 5–10× günstiger
- Wachstum einplanen: hohe Retention bedeutet steigende Nutzung
- Bilder separat budgetieren oder klare Limits pro Nutzer/Rolle setzen
- Top-20-% überwachen: diese Nutzer bestimmen das Budget
- Offiziellen Zugang schaffen: sonst entsteht Shadow-IT
Fazit für Geschäftsführungen
KI-Integration für 200 Mitarbeitende kann weniger kosten als ein einziges Jahresgehalt – oft deutlich weniger.
Im Text wird außerdem auf eine MIT-Studie 2025 verwiesen: Viele KI-Piloten haben keinen messbaren Einfluss auf die GuV, und ein großer Teil der Initiativen wurde 2025 wieder eingestellt. Der häufige Fehler: Unternehmen kalkulieren Implementierung und Lizenzen – aber nicht die realen Nutzungsprofile. Sie kaufen Enterprise-Pakete für alle, obwohl nur ein Teil aktiv ist.
Der robuste Ansatz lautet: API + Monitoring + Schulung.
Nicht „Was kostet die Lizenz?“, sondern: „Was kostet die Anfrage – und wofür wird sie genutzt?“
Nächste Schritte
Wenn Sie eine kontrollierte, kosteneffiziente KI-Lösung in Ihrem Unternehmen aufbauen möchten, unterstützt Sie die Agentur für Webentwicklung – von Konzeption und technischer Umsetzung bis zu Monitoring, Rollen-/Rechtemodellen und Onboarding.
Varexa Digital Agency is the 2025 Award-winning company in Germany for our Artificial Intelligence services 🏆