SAN FRANCISCO / LONDON (IT BOLTWISE) – Uber-Coo Andrew Macdonald warnt, dass sich KI-Ausgaben intern zunehmend schwerer begründen lassen. Laut ihm führt höherer Tokenverbrauch nicht automatisch zu messbar mehr nutzbaren Features für Kundinnen und Kunden. Die Debatte trifft auf eine breitere Branchenwende, in der Unternehmen nach Jahren des Tokenmaxxings wieder stärker auf Ergebnis und Effizienz schauen. Neben Uber verweisen Beobachter auch auf Gegenbewegungen wie Duolingo, das KI-Nutzung in Performance-Reviews zurückgenommen hat.
Uber macht die KI-Ausgaben zum internen Wirtschaftlichkeits-Thema: Andrew Macdonald, Operations-COO des Unternehmens, sagt in einem „Rapid Response“-Interview, dass es zunehmend schwieriger werde, die Kosten für Künstliche Intelligenz „für das, was am Ende herauskommt“, zu rechtfertigen. Der Kern der Aussage ist nicht, dass KI nutzlos wäre, sondern dass der Zusammenhang zwischen mehr Rechen- und Tokenaufwand und realen Mehrwerten für Kundinnen und Kunden immer schwerer nachweisbar wird. Damit rückt Uber in eine Diskussion, die viele Teams inzwischen aus der Praxis kennen: Tokenbasierte Workloads lassen sich zwar skalieren, aber nicht beliebig in Produktwirkung „übersetzen“.
Hintergrund der aktuellen Debatte ist auch ein vorheriger Budget-Kommentar rund um die Claude-Code-Nutzung. Wie aus dem Umfeld der Gespräche hervorgeht, habe Uber-CTO Praveen Neppalli Naga in einem April-Interview angedeutet, dass das Unternehmen sein Budget für 2026 für „Claude Code“ bereits überzogen habe. Solche Schlagzeilen verstärken in großen Organisationen sofort die Frage, ob „Tokenmaxxing“ zum Selbstzweck wird: also KI so intensiv wie möglich zu nutzen und Teams an messbare Nutzungsgrößen zu binden. Für Unternehmen entsteht dadurch ein Spannungsfeld zwischen Experimentierfreude und Controlling, besonders wenn Ausgaben monatlich steigen, aber Feature-Erfolge sich nur indirekt belegen lassen.
Technisch betrachtet ist Tokenverbrauch zunächst ein nachvollziehbarer Proxy für Arbeit: Ein Sprachmodell verarbeitet Eingaben und generiert Ausgaben in Einheiten, die eng mit Längen, Kontextfenstern und dem Anteil an Output zusammenhängen. In der Praxis hängt die Kostenkurve jedoch von mehreren Stellhebeln ab, etwa von Prompt-Design, Retrievall-Strategien, der Anzahl Modellaufrufe, Tool- oder Agenten-Schleifen sowie von der Frage, ob Teams „mehr Token“ verwenden, um komplexe Aufgaben zu lösen oder um Unsicherheiten zu kompensieren. Wenn der Messpfad von Tokens zu Kundennutzen nicht klar definiert ist, entstehen Genauigkeits- und Effektivitätsprobleme: Dann kann ein höheres Nutzungsniveau in Summe teurer sein, ohne proportional bessere Ergebnisse in Frontend- oder Service-KPIs zu liefern.
Uber verknüpft die Kostendiskussion außerdem mit Personal- und Steuerungsfragen. Macdonald sagt, auf Basis von Gesprächen mit Senior Engineering Leaders erkannt zu haben, dass mehr Tokens nicht automatisch mehr „useful consumer features“ bedeuten. Das Problem sei, dass sich der Trade-off zwischen Aufwand und Produktwirkung schwer in eine direkte Linie setzen lasse. Schon zuvor hatte CEO Dara Khosrowshahi in einem Earnings-Call angedeutet, das Tempo beim Hiring zu drosseln, um Investitionen in KI besser abzufedern. Genau hier zeigt sich der Markttrend: KI wird zwar als strategisch betrachtet, aber Budgetentscheidungen folgen zunehmend Effizienzmetriken, die über reine Nutzung hinausgehen.
Im Branchenvergleich zeigt sich die Spaltung zwischen „Nutzung maximieren“ und „Ergebnis optimieren“. Während große Tech-Anbieter Tokenmaxxing vorantreiben, indem sie KI-Usage in Workflows intensivieren und teils sogar in Mitarbeiterbewertungen indirekt sichtbar machen, gibt es Gegenbewegungen. Ein prominentes Beispiel ist Duolingo: Das Unternehmen soll eine anfängliche Entscheidung zurückgenommen haben, KI-Nutzung in Performance-Reviews einzubeziehen, nachdem Mitarbeitende gefragt hatten, ob sie KI „nur um der KI willen“ einsetzen müssten. Laut einem Podcast-Interview von Luis von Ahn habe sich das für das Team so angefühlt, als werde nicht das tatsächliche Ergebnis, sondern das „Durchlaufen“ einer Nutzungserwartung eingefordert.
Aus Expertenperspektive lässt sich die Uber-Debatte als Reifegradverschiebung interpretieren: In frühen KI-Phasen war es sinnvoll, breite Experimente zu ermöglichen und Tokenverbrauch als Lernrate zu betrachten. In späteren Phasen müssen jedoch Governance, Messbarkeit und Betriebsdisziplin greifen. Ein zentraler Unterschied liegt darin, ob KI als „Kostenstelle ohne klare Zielgröße“ läuft oder ob sie in Produkt- und Qualitätsmetriken eingebettet ist, etwa in Antwortgüte, Such-Conversion, Support-Deflection oder Time-to-Resolution. Wo diese Verknüpfung fehlt, wird KI leicht zum variablen Aufwandsposten, der zwar technische Fortschritte ermöglicht, aber die Unternehmensseite zur Rechtfertigung zwingt.
Auch regulatorisch und sicherheitstechnisch verschärft sich der Druck. Tokenverbrauch geht häufig mit mehr Datenbewegung einher: Prompts enthalten Systemkontext, manchmal Benutzereingaben und gegebenenfalls interne Informationen. Damit steigen die Anforderungen an Datenminimierung, Zugriffskontrolle und Auditierbarkeit, insbesondere wenn KI-Features produktiv werden oder in interne Entwicklungs- und Support-Prozesse wandern. Für ein Unternehmen wie Uber bedeutet das: Neben Kostenkennzahlen müssen Datenschutz- und Compliance-Anforderungen in das Monitoring. Teams brauchen saubere Trennungen zwischen Test- und Produktionsumgebungen, Rollenmodellierung, Logging-Strategien und die Fähigkeit, risikobehaftete Datenflüsse zu erkennen, bevor sich Kosteneffekte mit Datenschutzrisiken überlagern.
Mit Blick nach vorn deutet die Uber-Position auf eine Entwicklung hin, die viele Unternehmen bereits anstoßen: weg von „so viel KI wie möglich“, hin zu KI-Betrieb mit messbaren Nutzenketten. Wahrscheinlich wird der nächste Schritt sein, Tokenbudgets stärker pro Use Case zu strukturieren, Abbruchkriterien für Agenten-Workflows einzubauen und die Modellwahl je nach Komplexität zu staffeln. Gleichzeitig wird die Branche in Richtung „FinOps für KI“ und strengere Evaluationskulturen laufen: Nicht nur „wie oft“ und „wie teuer“, sondern „wie relevant“ und „wie zuverlässig“ zählen dann stärker. Für Entwickler entsteht damit eine neue Chance: Wer KI-Systeme effizient instrumentiert, kann bei identischem Budget bessere Kundennutzen liefern und langfristig den Produktwert absichern.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Uber: KI-Tokenkosten schwerer zu rechtfertigen – COO warnt vor Tokenmaxxing" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Uber: KI-Tokenkosten schwerer zu rechtfertigen – COO warnt vor Tokenmaxxing" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Uber: KI-Tokenkosten schwerer zu rechtfertigen – COO warnt vor Tokenmaxxing« bei Google Deutschland suchen, bei Bing oder Google News!