7.500 Dollar pro Mitarbeiter? Warum der KI-Ausgabenwert kein Budgetziel ist

Für deutsche B2B-Teams folgt daraus keine Zielgröße. Sinnvoll ist die Zahl als Warnsignal: KI-Kosten können sich auf Lizenzplätze, Zusatzguthaben, API-Verbrauch, Fachbereichstools und Betriebsaufwand verteilen. Wer nur eine Rechnung betrachtet, steuert deshalb womöglich nur einen Teil der tatsächlichen Ausgaben.

Was die Ramp-Zahl misst – und was nicht

Der Ramp AI Index beobachtet bezahlte Transaktionen von mehr als 50.000 US-Unternehmen im Ramp-Ökosystem. Laut der Methodendokumentation gelten Firmen als KI-Nutzer, wenn in einem Monat eine positive Zahlung an einen erfassten KI-Anbieter sichtbar ist. Kostenlose Nutzung und berufliche Käufe über private Konten können dadurch fehlen.

Die Auswertung beantwortet daher nicht, wie viel ein „durchschnittliches Unternehmen“ in Deutschland für KI ausgeben sollte. Sie misst auch weder Produktivität noch Qualität oder Rendite. Ein hoher Betrag kann aus wertvollen produktiven Arbeitsabläufen entstehen – oder aus unkoordinierten Lizenzen, überdimensionierten Modellen und Experimenten ohne klare Verantwortung. Genau diese Unterscheidung muss ein internes Kostenmodell leisten.

Eine 30-Minuten-Kostenaufnahme für kleine Teams

1. Drei Monate statt einer Rechnung ansehen. Exportieren Sie Zahlungen aus Karten, Kreditorenbuchhaltung und den Abrechnungsseiten der wichtigsten Anbieter. Drei Monate reichen meist, um einmalige Tests von wiederkehrenden Ausgaben zu trennen.

2. Jeden Posten einem Kostenpfad zuordnen. Trennen Sie Lizenzplätze, Zusatzguthaben, API, Nebentools und Betriebskosten. OpenAI dokumentiert beispielsweise ausdrücklich, dass ChatGPT und die API getrennte Abrechnungssysteme sind. Der konkrete Aufbau anderer Anbieter kann abweichen; deshalb zählt die Rechnung des jeweiligen Herstellers.

3. Einen Owner und einen Anwendungsfall ergänzen. Ein Produktname allein erklärt keine Ausgabe. Notieren Sie, welches Team verantwortlich ist, welcher Arbeitsablauf unterstützt wird und ob es sich um Test oder Produktion handelt. Unser Leitfaden zum SaaS-Wildwuchs im KMU zeigt, wie diese Bestandsliste auch für klassische Software gepflegt werden kann.

4. Nutzung und Ergebnis getrennt messen. Aktive Nutzer, Anfragen oder Token sind Verbrauchswerte. Daneben braucht jeder produktive Anwendungsfall mindestens ein Ergebnismaß: etwa eingesparte Bearbeitungszeit, kürzere Durchlaufzeit, weniger Nacharbeit oder eine stabilere Lösungsquote.

5. Vor dem Ausbau eine Entscheidungsschwelle festlegen. Definieren Sie vorab, ab welchem Betrag eine Freigabe nötig ist, welche Qualitätsgrenze gelten muss und wann ein Pilot gestoppt wird. Wer einen neuen Dienst auswählt, kann dafür die Ausschlusskriterien aus dem Guide KI-SaaS sicher auswählen übernehmen.

Welche Kennzahlen besser sind als „Dollar pro Mitarbeiter“?

Ein Pro-Kopf-Wert hilft bei der groben Größenordnung, vermischt aber sehr unterschiedliche Rollen und Arbeitsabläufe. Für die Steuerung sind vier Kennzahlen aussagekräftiger:

• Kosten pro produktivem Anwendungsfall: Gesamtkosten eines klar abgegrenzten Ablaufs, einschließlich Prüfung und Betrieb.
• Kosten pro akzeptiertem Ergebnis: Nur Ergebnisse zählen, die die vereinbarte Qualitätskontrolle bestehen.
• Anteil zentral erfasster Ausgaben: Sichtbare KI-Kosten geteilt durch alle bei der Bestandsaufnahme gefundenen KI-Kosten.
• Nutzungs- und Qualitätsentwicklung: Verbrauch, Fehler, Nacharbeit und Ergebniswert gemeinsam über mehrere Perioden beobachten.

Das NIST AI Risk Management Framework stützt diese Logik auf einer breiteren Ebene: Geschäftswert, erwartete Kosten, Zuständigkeiten, Inventar und laufende Messung sollen dokumentiert und regelmäßig überprüft werden. Das ist keine spezielle FinOps-Vorgabe, aber ein belastbares Governance-Prinzip für KI-Systeme.

Wenn API-Kosten einen großen Anteil ausmachen, ist nicht automatisch das billigste Modell die beste Wahl. Kleinere Modelle können für einfache Aufgaben sinnvoll sein; anspruchsvolle Schritte brauchen möglicherweise stärkere Modelle oder zusätzliche Prüfung. Unser Beitrag zum Modell-Routing und Senken von KI-Kosten vertieft diese Abwägung.