Tokenomics: AI-Spend wird Chefsache im FinOps

98 Prozent der FinOps-Praktiker steuern inzwischen AI-Spend – vor zwei Jahren waren es 31 Prozent. Damit rückt Tokenomics vom Engineering-Detail auf die Agenda von CIO, CTO und Vorstand.

VerwandtDrei KI-Budgets, keine gemeinsame Rechnung  /  Quantencomputing: Die Lösung für den Energiehunger von KI?

FinOps steuert AI-Kosten und sitzt näher am Technologiechef

Die State-of-FinOps-2026-Erhebung der FinOps Foundation basiert auf 1.192 Befragten und repräsentiert einen jährlichen Cloud-Spend von mehr als 76 Milliarden Euro. Der Befund ist eindeutig: AI-Cost-Management ist vom Randthema zur Kernaufgabe geworden. 98 Prozent der FinOps-Praktiker managen inzwischen AI-Spend. Zwei Jahre zuvor lag der Anteil bei 31 Prozent. Zugleich ist AI-Cost-Management die am häufigsten genannte Skill-Dimension, die Teams nach eigenen Angaben brauchen.

Damit verschiebt sich die organisatorische Verankerung. 78 Prozent der FinOps-Practices berichten an CTO oder CIO. Mit C-Level- und VP-Engagement steigt der Einfluss auf Technologieauswahl deutlich. Für Digitalverantwortliche in DACH-Organisationen heißt das: AI-Budgets und Modellentscheidungen gehören in dieselbe Steuerungsschleife wie Cloud-Portfolio und Vendor-Governance, sobald FinOps sichtbar an den Technologiechef angebunden ist.

Die Erhebung erscheint am 19. Februar 2026 und bildet den empirischen Startpunkt für die Debatte, die im Jahresverlauf um Tokenomics und offene Standards erweitert wird. Wer AI nur als Feature-Pipeline steuert und Kosten nachträglich bereinigt, verliert den Anschluss an die neue Norm der Disziplin.

Value, Self-Funding und der Druck hinter dem AI-Wachstum

Reines Optimieren von Waste reicht in der FinOps-Praxis nicht mehr. Scopes, Governance, Alignment und Forecasting wiegen gemeinsam schwerer als Optimization allein. Das Ziel ist Value, also der Beitrag von Cloud- und AI-Investitionen zum Geschäftsergebnis, nicht allein die nächste Prozentstufe Kostenreduktion.

Viele Organisationen sollen AI-Investments aus Optimierungsersparnissen selbst finanzieren. Dieses Self-Funding koppelt Effizienzdruck und AI-Wachstum: Jede freigestellte Euro-Marge aus Cloud- und Inference-Disziplin kann neue Modelle, Agenten oder Use Cases speisen. Für Vorstände entsteht daraus ein doppelter Steuerungsauftrag. Effizienzprogramme finanzieren Innovation und Innovation erhöht wieder den Verbrauch, wenn Consumption und Governance nicht mitwachsen.

McKinsey stützt die Reifegradlücke aus sekundärer Sicht. In der Enterprise AI FinOps Survey vom Mai 2026, referenziert im Juli 2026, verfügen nur 20 bis 25 Prozent der Unternehmen über reife AI-FinOps-Practices. Zugleich sind oft 20 bis 30 Prozent des AI-Spend nicht sauber zugeordnet. Durchdachte Consumption kann laut McKinsey 20 bis 30 Prozent der AI-Kosten sparen. Die strategische Konsequenz liegt auf der Hand: Ohne Zuordnung und Consumption-Design bleibt Self-Funding eine Hoffnung statt ein steuerbarer Kreislauf.

Tokenomics macht den Token zur atomaren Steuerungseinheit

Tokenomics ist laut J.R. Storment, Executive Director der FinOps Foundation, FinOps angewandt auf KI. Der Token ist die atomare Abrechnungs- und Steuerungseinheit von Inference, kein Ownership-Token und keine Spekulationsmetrik. Storment formulierte den Rahmen im Mai 2026: Token-Kosten und -Effizienz gehören damit auf die CEO-Agenda.

Tokens verhalten sich anders als klassische Cloud-Ressourcen. Nutzer-Input-Tokens und die am API-Endpoint tatsächlich abgerechneten Prompt-Tokens können auseinanderlaufen. Real-time Monitoring von Token- und API-Metriken ist nach Angaben der FinOps Foundation zentral, um Budgetüberschreitungen zu vermeiden. Wer nur monatliche Rechnungen liest, steuert zu spät.

Zugleich sind Tokens nur eine Schicht im AI-Cost-Stack. Daneben liegen GPU und Compute, SaaS-Embedding, Shadow AI sowie Engineering- und Governance-Aufwand. Ein reiner Token-Blick bleibt unvollständig. CIO Dive fasste im Juni 2026 zusammen: Tokens sind nur ein Teil des AI-Spend, aber die am leichtesten meterbare Schicht. Genau deshalb eignen sie sich als Einstieg in die Disziplin, ohne den Rest des Stacks zu ersetzen.

Fünf Verbrauchstreiber und fallende Stückpreise bei steigendem Aggregate-Spend

Fünf Treiber bestimmen den Token-Verbrauch pro Request: System-Prompt-Overhead, Context und Memory, Modellwahl, Output-Länge sowie Retry und Orchestrierung. Agenten und RAG können den Verbrauch um ein bis zwei Größenordnungen erhöhen. Für Portfolio-Steuerung heißt das: Die teuerste Einheit ist selten der einzelne Chat, sondern die orchestrierte Kette aus Retrieval, Tools und Mehrfachaufrufen.

Die Modellwahl bleibt ein direkter Hebel. Die teuersten und komplexesten Modelle pauschal für jede Aufgabe zu nutzen treibt unnötige Kosten. Das Modell muss Kontext und Qualitätsbedarf matchen. Akademisch untermauert das FrugalGPT von Lingjiao Chen, Matei Zaharia und James Zou aus dem Jahr 2023: Model Cascading und Routing können laut den Autoren bis zu 98 Prozent der Kosten gegenüber einer GPT-4-Baseline senken, bei vergleichbarer Performance. Für CIOs belegt das, dass Routing und Cascading in die Standardarchitektur gehören.

Stückpreise pro Token können fallen, während der Aggregate-Spend steigt. Die Nachfrage ist elastisch: Günstigere Einheiten erzeugen mehr Nutzung, längere Kontexte und mehr Agentenläufe. Storment bringt die Paradoxie auf den Punkt, dass ein Token billiger werden kann, Tokens in der Summe aber nicht. Budgetplanung, die nur den Listenpreis pro Million Tokens fortschreibt, unterschätzt genau diese Mengenexpansion.

McKinsey definiert Tokenomics breiter als Prompt- und Inference-Kosten: Modellwahl, Routing, Orchestrierung, Agent-Verhalten, Workflow-Design, Infrastrukturauslastung und Waste-Eliminierung gehören dazu. Damit rücken Architektur und Betriebsmodell in denselben Steuerungskreis wie der Token-Zähler.

Standards, Quoten und Stakeholder-Governance für AI at scale

Die Linux Foundation kündigte am 3. Juni 2026 die Absicht an, die Tokenomics Foundation für offene Standards, Benchmarks und Best Practices der AI-Kostenökonomie zu gründen, in Partnerschaft mit der FinOps Foundation. Jim Zemlin, CEO der Linux Foundation, sieht Tokens als neue Einheit des Technology-Spend und verweist darauf, dass neutrale Standards für Token-Effizienz über Modelle und Vendoren hinweg fehlen. J.R. Storment betont in dem Zusammenhang erneut, dass Token-Kosten und -Effizienz auf CEO-Ebene verhandelt werden müssen.

Best Practices der FinOps Foundation umfassen Quoten, Tagging, GPU-Allokation und Stakeholder-Governance mit Data Science, Procurement und Finance. CIO Dive berichtet im Juni 2026, die Tokenomics Foundation solle mit der FinOps Foundation Best Practices für Enterprise-AI at scale erarbeiten. Für DACH-Organisationen mit multiplen Cloud- und Modell-Vendoren ist das der Hinweis, interne Mess- und Tagging-Systeme so zu bauen, dass sie an künftige Branchenbenchmarks anschlussfähig bleiben.

Gegenpositionen im Sinne eines Lagers, das Tokenomics für unnötig hält, liefern die Primärquellen nicht. Die Gegengewichte liegen innerhalb der Disziplin: Optimization allein genügt nicht, der Token ist nicht der ganze Stack und Reifegrade sind in den meisten Unternehmen noch niedrig. Genau diese internen Spannungen machen die Steuerung anspruchsvoll und vorstandstauglich.

Was CIO und CDO im Portfolio jetzt festziehen

Erstens: AI-Spend in die FinOps-Reporting-Linie zum CTO oder CIO legen und Verantwortlichkeiten für Quoten, Tags und Budget-Alerts benennen. Zweitens: Consumption-Design und Modell-Routing als Architekturprinzip verankern, statt nur Rechnungen zu prüfen. Drittens: Self-Funding transparent machen, welche Ersparnisse welche AI-Investments speisen und welche Risiken daraus für den Aggregate-Spend entstehen.

Viertens: den AI-Cost-Stack abbilden, also Tokens, GPU und Compute, Embedding-SaaS, Shadow AI und Governance-Aufwand. Fünftens: Stakeholder-Runden mit Data Science, Procurement und Finance institutionalisieren. Sechstens: Real-time Monitoring von Token- und API-Metriken einfordern, damit Budgetüberschreitungen sichtbar werden, bevor der Monatsabschluss greift.

Wer diese Hebel setzt, steuert AI als Portfolio mit messbarer Value-Logik. Die Zahlen aus State of FinOps 2026, die Tokenomics-Einordnung der FinOps Foundation und die geplante Tokenomics Foundation der Linux Foundation zeigen dieselbe Richtung: AI-Kostenökonomie rückt vom Rand der Cloud-Rechnung ins Zentrum und wird zum Führungsinstrument für Technologieentscheidungen im Unternehmen.

Häufig gestellte Fragen

Mehr aus dem MBF Media Netzwerk

Bildquelle: KI-generiert (August 2026)