Was kostet generative KI wirklich? Lizenzen, Tokens und versteckte Kosten erklärt

Generative KI kostet ein Modeunternehmen weit mehr als den Lizenzpreis. Zur Gesamtsumme gehören Abonnements pro Nutzer, nutzungsabhängige Token-Gebühren für automatisierte Aufgaben, Integration und Entwicklung, Datenaufbereitung sowie laufend Governance, Schulung und Prüfaufwand. Lizenzen sind der sichtbarste Posten, doch Integration, Datenarbeit und menschliche Prüfung kosten über die Lebensdauer eines Anwendungsfalls häufig mehr.

Aus welchen Kostenblöcken setzt sich generative KI zusammen?

Was kosten Lizenzen für KI-Assistenten im Unternehmen?

Preise pro Arbeitsplatz lassen sich am einfachsten vergleichen, ändern sich aber häufig und sollten immer auf der Seite des Anbieters geprüft werden. Microsoft führt Microsoft 365 Copilot zu 30 US-Dollar pro Nutzer und Monat bei jährlicher Zahlung oder 31.50 Dollar bei monatlicher Zahlung mit Jahresbindung; vorausgesetzt wird eine separate berechtigende Microsoft-365-Lizenz. Google bündelt Gemini-Funktionen in den meisten Business-Plänen von Google Workspace: Der volle Funktionsumfang von Gemini in Docs, Sheets, Slides und weiteren Apps ist für die Stufen Business Standard und Plus aufgeführt, Business Starter bietet eingeschränkteren Zugang.

Zwei Punkte sind wichtiger als der Listenpreis. Erstens: Welche Mitarbeitenden brauchen wirklich einen kostenpflichtigen Zugang? Wer Lizenzen an alle verteilt, hat oft viele ungenutzte Arbeitsplätze. Zweitens: Was ist im Paket enthalten, etwa Konnektoren zu Unternehmensdaten, Agentenfunktionen und Admin-Steuerung, die sonst separat entwickelt oder eingekauft werden müssten?

Lesen Sie auch

KI für CFOs in der Mode: wo das Geld liegt und wie man es steuert

Wie funktioniert die Abrechnung nach Tokens?

Läuft KI in den eigenen Systemen eines Unternehmens, etwa um Produktbeschreibungen für Tausende von SKUs zu erzeugen oder einen Kundenservice-Chatbot zu betreiben, wird sie meist über eine API pro Million Tokens abgerechnet (ein Token ist ein Wortbestandteil). Die veröffentlichte API-Preisliste von OpenAI, geprüft im Oktober 2026, zeigt das Muster: Das Flaggschiffmodell kostet 5 Dollar pro Million Input-Tokens und 30 Dollar pro Million Output-Tokens, das kleine Modell 0.20 beziehungsweise 1.20 Dollar. Zwischengespeicherter Input ist günstiger, und die Batch API gewährt 50 Prozent Rabatt für Aufträge, die bis zu 24 Stunden warten können.

Die praktischen Folgen für Modeteams:

• Der Output ist der teure Teil, daher kosten lange generierte Texte mehr als lange Prompts.
• Massenaufgaben wie die Übersetzung eines Saisonkatalogs über Nacht eignen sich für Batch-Preise.
• Kleinere Modelle reichen für strukturierte Aufgaben wie die Extraktion von Attributen oft aus, zu einem Bruchteil der Kosten.
• Agenten, die Modelle pro Aufgabe mehrfach aufrufen, können den Token-Verbrauch vervielfachen; testen Sie die Kosten deshalb vor dem Start mit realistischen Volumen.

Die Bildgenerierung folgt einer ähnlichen Logik, wird aber meist pro Bild oder pro Credit statt pro Token berechnet. Für Kampagnenmotive oder Produktbilder ist der Vergleich mit Fotografie-, Retusche- und Studiokosten aussagekräftiger. Der Business Case hängt also davon ab, wie viele generierte Bilder ohne Nacharbeit tatsächlich verwendbar sind und welche rechtlichen Prüfungen vor der Veröffentlichung nötig sind.

Welche versteckten Kosten hat generative KI?

Gartner warnte im Juli 2024, dass Ansätze für den Einsatz generativer KI mit erheblichen Kosten zwischen 5 und 20 Millionen US-Dollar verbunden sind und dass diese Kosten je nach Anwendungsfall, Ausgabenniveau und Einsatzansatz schwerer vorhersehbar sind als bei anderen Technologien. Zudem prognostizierte Gartner, dass mindestens 30 Prozent der Projekte mit generativer KI nach dem Proof of Concept aufgegeben würden, unter anderem wegen steigender Kosten. Im Juni 2025 nannte Gartner steigende Kosten erneut als Grund dafür, dass über 40 Prozent der Projekte mit agentischer KI bis Ende 2027 eingestellt würden.

In der Mode konzentrieren sich die versteckten Kosten meist auf drei Bereiche. Produktdaten: KI-generierte Beschreibungen sind nur so genau wie die Angaben zu Material, Passform und Pflege im PIM, und deren Bereinigung ist arbeitsintensiv. Integration: Die Anbindung der Ergebnisse an E-Commerce, ERP oder B2B-Bestellsysteme kostet oft mehr als die KI selbst. Prüfzeit: Jemand muss die Ergebnisse auf Richtigkeit, Markensprache und rechtlich relevante Aussagen prüfen, und diese Zeit ist gegen die behaupteten Einsparungen zu rechnen.

Personalkosten sind der am stärksten unterschätzte Posten überhaupt. Schulungen, die Zeit von KI-Champions, rechtliche und sicherheitstechnische Prüfungen neuer Tools sowie die Stunden, die Führungskräfte in die Neugestaltung von Prozessen investieren, tauchen in einer Anbieterofferte kaum auf. Bei einer mittelgrossen Marke können diese internen Kosten im ersten Jahr leicht das Lizenzbudget erreichen. Sie sollten offen geschätzt und nicht als kostenlos betrachtet werden, nur weil die Mitarbeitenden ohnehin auf der Lohnliste stehen.

Wie können Modeunternehmen die Kosten generativer KI steuern?

1. Lizenzen nach Rolle vergeben, die Nutzung vierteljährlich prüfen und ungenutzte Arbeitsplätze neu zuteilen.
2. Die Modellgrösse an die Aufgabe anpassen: kleinere, günstigere Modelle für Klassifizierung und Extraktion, grössere für komplexes Schlussfolgern.
3. Batch-Verarbeitung für Content-Arbeit im Katalogmassstab nutzen.
4. Ausgabenlimits und Warnmeldungen für API-Konten und Agenten-Workflows einrichten.
5. Produktdaten an der Quelle korrigieren, statt wiederholt dafür zu bezahlen, dass die KI Lücken umschifft.
6. Prüfen, ob bestehende Suiten bereits KI-Funktionen enthalten, bevor überlappende Tools gekauft werden.

Lesen Sie auch

Warum bleiben KI-Piloten in der Mode stecken, und wie bringt man sie in die Produktion?

Wie sollten Kosten und Nutzen gegeneinander abgewogen werden?

Ein glaubwürdiger Business Case stellt die Gesamtkosten (Lizenzen, Nutzung, Integration, Datenarbeit, Governance und Prüfung) den gegenüber einem Ausgangswert gemessenen Verbesserungen gegenüber. Die verlässlichsten Kandidaten in der Mode sind meist Aufgaben mit hohem Volumen, deren Ergebnisse sich überprüfen lassen, etwa Content-Produktion, Dokumentenverarbeitung und Servicebearbeitung. Bei spekulativeren Einsätzen gilt: klein beginnen, messen und erst dann mehrjährige Lizenzen eingehen.