Weltweit geben Unternehmen immer mehr Geld für KI aus. Laut Gartner planten im Frühjahr 85 Prozent der Führungskräfte, ihre Investitionen in diesem Bereich zu erhöhen. Der ROI lässt jedoch allzu oft auf sich warten: Dem Analystenhaus zufolge gelingt es bislang nur jedem fünften Unternehmen, KI erfolgreich zu skalieren oder von Anfang an tief in seine Prozesse zu integrieren.
KI-Agenten treiben Token-Verbrauch in die Höhe Auch in Deutschland steigen die KI-Ausgaben rapide. Für 2026 beziffert bitkom das Marktvolumen auf 28,7 Milliarden Euro – 48 Prozent mehr als noch im Vorjahr. Derweil wird sich der Einsatz der Technologie perspektivisch verteuern: Goldman Sachs prognostiziert, dass der Token-Verbrauch bis 2030 um das 24-Fache steigen wird. Token sind die kleinste Recheneinheit, in die Sprachmodelle eine Anfrage oder Antwort zerlegen, um sie verarbeiten zu können. Je mehr Informationen eine Aufgabe umfasst, desto höher der Token-Verbrauch.
Die Analysten von Goldman Sachs führen den erwarteten Anstieg auf den vermehrten Einsatz von KI-Agenten zurück, die ganze Arbeitsabläufe automatisieren und dabei autonom Folgeprozesse anstoßen. Dies geht mit einem sprunghaften Anstieg der Modellabrufe einher. Dadurch sind Agentensysteme deutlich „token-hungriger“ als klassische Software-Anwendungen. Für Nutzer sind diese Vorgänge von außen oft nicht nachvollziehbar. Sie erhalten am Ende lediglich die Rechnung – und werden teils böse überrascht, wenn die Kosten ohne ihr Wissen aus dem Ruder gelaufen sind.
Damit sich Investitionen in KI-Projekte auszahlen und die Kosten im Rahmen bleiben, müssen Unternehmen die Prozesse im Hintergrund verstehen. Im Gegensatz zu Konsumenten-KI, der im Internet alle möglichen Informationskanäle offenstehen, sind für KI im Unternehmenskontext primär firmeninterne Zusammenhänge relevant. Gemeint sind Prozesse, Richtlinien, Dokumente oder Zuständigkeiten – und ganz entscheidend: die Verbindungen dazwischen. Nur wenn die Technologie diese spezifischen Beziehungen versteht, kann sie relevante und korrekte Ergebnisse liefern.
KI muss Unternehmensprozesse verstehen
Kontextmodelle ermöglichen Unternehmens-KI genau diesen Informationszugriff. Wie eine Vermittlungsschicht erfassen sie relevante Unternehmensdaten und -zusammenhänge und machen sie für KI-Agenten nutzbar. So können diese die Informationen, die sie brauchen, gezielt abrufen. Dadurch wird vermieden, dass die KI unnötig große Informationsmengen durchsucht und somit den Token-Verbrauch unnötig in die Höhe treibt.
Zugleich reduzieren Kontextmodelle redundante Informationsabfragen, indem sie Inhaltefiltern, bevor sie an ein Sprachmodell gesendet werden. Wichtige Informationen wie die zugrunde liegende Prozesslogik werden strukturiert im Kontextmodell hinterlegt, sodass Anwender sie nicht bei jeder Abfrage neu formulieren müssen. So lassen sich Prompts verkürzen.
Die genauere Datenabfrage reduziert den Token-Verbrauch erheblich – in ersten Praxistests um mehr als 50 Prozent. Gleichzeitig haben Kontextmodelle das Potenzial, die Qualität der KI-Ergebnisse signifikant zu verbessern: Denn wenn die KI von Anfang an mit präzise zusammengestellten Informationen arbeitet, gelangt sie einfacher zu korrekten Ergebnissen. Insofern fungieren Kontextmodelle wie ein Navigationssystem für KI-Agenten.
Mit Prozessverständnis zu messbarem Mehrwert
Um messbar von KI zu profitieren, müssen Unternehmen die Technologie übergreifend in ihre Geschäftsprozesse einbinden. Gerade Agentensysteme sind entscheidend, um Geschäftsabläufe in großem Stil zu automatisieren. Kontextmodelle verhelfen der Technologie zu dem Prozessverständnis, das sie braucht, um für Unternehmen einen messbaren Mehrwert zu erzielen.