Nvidia-VP Bryan Catanzaro sagte, dass KI bei bestimmten Anwendungen derzeit teurer sein kann als ein menschlicher Mitarbeiter. Die Aussage ist besonders bemerkenswert, weil sie von einem führenden KI-/Chipunternehmen stammt.

Microsoft-Berichte zeigen laut Fortune ein ähnliches Problem: Die Kosten der Nutzung von KI können bei bestimmten Arbeitsabläufen höher liegen als die Kosten menschlicher Arbeit. Ein wesentlicher Faktor sind tokenbasierte Abrechnungsmodelle und die starke Nutzung von KI-Agenten.

Bei Amazon verursachte ein KI-Projekt mit Claude Sonnet unerwartete Kosten von rund 1,8 Mio. US-Dollar. Das Budget lag bei etwa 187.000 Dollar. Das Problem wurde erst nach fünf Monaten erkannt. Weitere Beispiele: rund 541.000 Dollar bei einem Finanz-Audit-Projekt und 134.000 Dollar bei einer Logistik-Anwendung.

Wichtig: Amazon bezeichnet diese Fälle als einzelne Lernbeispiele und nicht als repräsentativ für den gesamten KI-Einsatz.

Obwohl die Kosten einzelner KI-Tokens stark gefallen sind, steigen die Gesamtausgaben weiter. Der Grund: Unternehmen verwenden KI wesentlich intensiver, setzen mehr Agenten ein und erzeugen mehr Anfragen. Uber hatte beispielsweise bereits nach vier Monaten sein KI-Budget für 2026 aufgebraucht.

Atlassian-Chef Mike Cannon-Brookes warnt Unternehmen inzwischen ausdrücklich davor, die KI-Nutzung unkontrolliert auszuweiten. Bei sehr großen Tokenmengen werden die Kosten zu einem wesentlichen Managementthema. Er empfiehlt, nicht für einfache Aufgaben unnötig leistungsfähige Modelle einzusetzen.

Beschäftigte sparen durch KI laut der zitierten Untersuchung durchschnittlich nur etwa 14 Minuten pro Woche netto. Ein großer Teil der eingesparten Zeit wird durch Fact-Checking und Validierung wieder verbraucht. Bei Führungskräften stehen etwa 16 Minuten Zeitersparnis rund vier Stunden Validierungsarbeit gegenüber.

85 % der befragten Beschäftigten berichten von Zeitersparnis durch KI. Gleichzeitig werden laut der zitierten Workday-Untersuchung etwa 40 % dieser Einsparungen durch Korrekturen und Nacharbeit wieder aufgezehrt.

Der Begriff „Botsitting“ beschreibt die zusätzliche Arbeit rund um KI: Kontext liefern, Ergebnisse überwachen, Fehler beheben, KI-Ausgaben bereinigen und zwischen verschiedenen KI-Tools wechseln. Ein Bericht von WalkMe kommt laut CIO auf nahezu acht Stunden pro Woche.

Eine weitere Untersuchung kommt auf etwa 6,4 Stunden pro Woche, die Beschäftigte mit dem Füttern von Kontext, Überwachung, Debugging, Bereinigung von KI-Ergebnissen und dem Wechsel zwischen KI-Tools verbringen. Nur 13 % der Befragten sagen laut der Untersuchung, dass KI die Unternehmensleistung deutlich verbessert habe.

72 % der befragten Entwickler nutzen KI täglich. Gleichzeitig sagen 38 %, dass die Überprüfung von KI-generiertem Code mehr Zeit benötigt als die Überprüfung von Code menschlicher Kollegen. 96 % vertrauen KI-Code außerdem nicht vollständig.

Eine weitere Untersuchung berichtet, dass trotz höherer Geschwindigkeit bei der Code-Erzeugung 81 % der Entwickler inzwischen mehr Zeit mit Code Reviews verbringen. Damit entsteht eine Art „unsichtbare Arbeit“, die in klassischen Produktivitätsmetriken leicht übersehen wird.

Die Gegenposition sollte nicht unterschlagen werden: Es gibt Aufgaben, bei denen trotz Nachbearbeitung ein erheblicher Nettoeffekt bleibt. Bei einer wissenschaftlichen Datenextraktion wurden laut einer veröffentlichten Untersuchung zunächst rund 97 % Zeitersparnis durch KI gemessen. Nach Vor- und Nachbearbeitung sowie menschlicher Qualitätskontrolle blieben immer noch rund 52 % Netto-Zeitersparnis.

Das spricht dafür, dass nicht „KI ja oder nein“, sondern die konkrete Prozessgestaltung entscheidend ist.