Tokens: Die Nachfolger der Subscription

Meine These

Tokens sind nicht nur ein technisches Detail generativer KI. Sie sind ein neues ökonomisches Interface. Sie bestimmen, wie Anbieter Wert verkaufen, wie Nutzende ihr Verhalten anpassen und wie Unternehmen Produktivität messen.

Ich sehe darin eine Fortsetzung einer bekannten Verschiebung: Erst wurde Besitz durch Abos ersetzt. Jetzt wird das Abo selbst zur Eintrittskarte in eine Verbrauchslogik. Der Zugang ist bezahlt, aber die eigentliche Nutzung wird in Credits, Tokens, Qualitätsstufen, Generierungen, Laufzeiten oder Agent Runs nachgemessen.

Das kann fair sein, wenn es transparent und begrenzt ist. Gefährlich wird es, wenn Planbarkeit verschwindet und Verbrauch als Wertsignal verkauft wird.

Vom Zugang zum Verbrauch

Das klassische Abo versprach zumindest eine einfache Logik: monatlich zahlen, Dienst nutzen. In vielen Bereichen war das praktisch. Man musste keine Software mehr installieren, keine Updates kaufen, keine Medien sammeln. Der Preis war meist vorhersehbar.

Bei KI und vielen digitalen Diensten verschiebt sich diese Logik. Das Abo ermöglicht oft nur noch den Zugang. Was danach wirklich kostet, hängt vom Verbrauch ab: Wie viele Bilder werden generiert? Wie gross ist das Context Window? Welches Modell wird genutzt? Wie viele Varianten werden generiert? Wie viele Agent Runs sind bis zum gewünschten Ergebnis nötig?

Für Nutzende bedeutet das weniger Planbarkeit. Für Anbieter bedeutet es eine präzisere Monetarisierung des Verhaltens.

Warum Tokens als Metrik problematisch sind

Ein Token ist technisch eine Verarbeitungseinheit. Wirtschaftlich wird er zur Umsatzeinheit. Genau hier entsteht die Versuchung, hohe Nutzung als Wert zu lesen.

Ich halte das für gefährlich. Token-Verbrauch misst Aktivität, nicht Qualität. Ein Team kann viele Tokens verbrauchen, weil es gute Arbeit skaliert. Es kann aber genauso viele Tokens verbrauchen, weil Aufgaben schlecht geschnitten sind, Prompts unklar bleiben, Agenten in Schleifen laufen oder Ergebnisse mehrfach neu erzeugt werden müssen.

Mehr Verbrauch kann Produktivität bedeuten. Er kann aber auch ein Symptom für Unklarheit sein.

Die falschen Anreize

Wenn Unternehmen Token-Verbrauch als positives Signal behandeln, schaffen sie einen schlechten Anreiz. Teams optimieren dann auf sichtbare KI-Nutzung statt auf bessere Ergebnisse. Das erinnert mich an andere schwache Metriken: Anzahl Commits, Meeting-Stunden, Ticket-Durchsatz oder reine Nutzungsstatistiken.

Alles davon kann Hinweise liefern. Nichts davon beweist Wert.

Gute KI-Nutzung sollte oft weniger Tokens brauchen, nicht mehr. Ein sauberer Workflow reduziert Kontext, vermeidet Wiederholungen, prüft früh und bricht unsinnige Schleifen ab. Ein schlechter Workflow lässt Modelle immer weiter produzieren, bis genug Material vorhanden ist, um Produktivität zu simulieren.

Warum private Nutzende die Verschiebung spät merken

Für Einzelpersonen zeigt sich die Token-Ökonomie oft als Credit-Paket, Rate-Limit, Premium-Modell, Zusatzfunktion oder Qualitätsstufe. Man zahlt bereits für einen Dienst und merkt erst in der konkreten Nutzung, dass der interessante Teil begrenzt ist.

Das Problem ist nicht, dass Anbieter Geld verlangen. Gute Infrastruktur kostet. Das Problem ist die Unübersichtlichkeit. Ein Preis sagt immer weniger darüber aus, was ein Dienst im realen Gebrauch kostet. Besonders bei kreativen und explorativen KI-Workflows gehört Scheitern zur Nutzung. Fehlversuche, Varianten, verworfene Bilder, falsche Antworten und erneute Läufe sind nicht Ausnahmen. Sie sind Teil des Prozesses.

Wenn genau dieser Prozess einzeln monetarisiert wird, wird Experimentieren teurer und schwerer kalkulierbar.

Warum Unternehmen Governance brauchen

Unternehmen unterschätzen diese Logik, wenn sie KI wie klassische SaaS einkaufen. Zugriff freischalten, Adoption fördern, Erfolg an Nutzung messen: Das reicht nicht mehr.

Nutzungsbasierte KI braucht Budgets, Grenzen und fachliche Bewertung. Wer darf teure Modelle nutzen? Welche Aufgaben rechtfertigen grosse Kontexte? Wann ist ein Agent Run sinnvoll und wann nur eine teure Schleife? Wie werden Kosten einem Team, Produkt oder Kunden zugeordnet? Und wer entscheidet, ob der Output den Verbrauch wert war?

Das sind Governance-Fragen. Ohne Antworten wird KI nicht nur ein Werkzeug, sondern ein schwer kontrollierbares Kosten- und Anreizsystem.

Worauf ich achten würde

Ich würde bei KI-Produkten und internen KI-Plattformen immer auf diese Punkte schauen:

• Ist vor der Nutzung klar, was enthalten ist und was zusätzlich kostet?
• Gibt es Budgets, Warnungen und harte Grenzen für teure Workflows?
• Wird Verbrauch als Wertsignal behandelt oder werden Ergebnisse bewertet?
• Sind Fehlversuche, Varianten und Agent Runs in der Kalkulation enthalten?
• Können Teams Kosten pro Workflow, Produkt oder Kunde nachvollziehen?
• Belohnt das Modell effiziente Problemlösung oder möglichst viel Nutzung?

Diese Fragen sind nicht nur kaufmännisch. Sie entscheiden darüber, welche Arbeitsweise ein System fördert.

Abschliessende Gedanken

Tokens könnten der Nachfolger der Subscription werden, weil sie für Anbieter attraktiver sind: genauer messbar, feiner bepreisbar und näher am tatsächlichen Verhalten der Nutzenden.

Für mich liegt das Risiko nicht im Token selbst. Das Risiko liegt in der Idee, dass mehr Verbrauch automatisch mehr Wert bedeutet. Wenn diese Annahme in Produkte, Dashboards und Management-Metriken wandert, wird KI teurer und zugleich schlechter steuerbar.

Gute KI-Ökonomie müsste das Gegenteil fördern: klare Grenzen, transparente Kosten und möglichst wenig Verbrauch für möglichst belastbare Ergebnisse.