AI-Agenten kosten mehr, als ihr Preis pro Token vermuten lässt, und sie bringen nur dann einen Mehrwert, wenn sie an eine Aufgabe mit messbarem Vorher-Nachher-Effekt gebunden sind. Ein AI-Agent ist ein System, bei dem ein Sprachmodell Schritte plant und Werkzeuge wie eine Suche, ein CRM oder einen Browser verwendet, um ein Ziel zu erreichen. Budgetierung bedeutet, die Modellnutzung, Plattformgebühren, Aufbauzeit, Wartung und menschliche Überprüfung zu zählen und sie dann mit der eingesparten Zeit oder den erzielten Einnahmen zu vergleichen.
Was unterscheidet Agentenkosten von Chatbot-Kosten?
Ein Chatbot beantwortet eine Nachricht mit einem Modellaufruf. Ein Agent durchläuft eine Schleife: Er denkt nach, ruft ein Werkzeug auf, liest das Ergebnis, denkt erneut nach und wiederholt dies, bis er fertig ist. Eine Benutzeranfrage kann zehn oder zwanzig Modellaufrufe auslösen, von denen jeder den wachsenden Gesprächsverlauf und die Werkzeugausgaben als Eingabe-Token mit sich führt. Das vervielfacht die Kosten im Vergleich zu einer einfachen Eingabeaufforderung.
Agenten scheitern auch auf mehr Arten. Ein Werkzeug kann eine Zeitüberschreitung haben, das Modell kann eine falsche Aktion wählen und eine Schleife kann länger laufen als geplant. Jeder Fehler kostet Token und oft menschliche Zeit zur Behebung.
Was sollte ein Agentenbudget beinhalten?
- Modellnutzung: Eingabe- und Ausgabe-Token über alle Schritte hinweg, vom Anbieter pro Million Token berechnet.
- Plattform- oder Framework-Gebühren: Produkte wie Salesforce Agentforce, Microsoft Copilot Studio oder verwaltete Agentendienste berechnen pro Gespräch, Nachricht oder Kapazität.
- Werkzeugkosten: Such-APIs, Datenanbieter, Browser-Sandboxes und Vektordatenbanken.
- Aufbauzeit: Design, Integration, Prompt-Schreiben und Tests, meist die größte einmalige Ausgabe.
- Wartung: Prompt-Updates, Werkzeugänderungen, Modell-Upgrades und Überwachung.
- Menschliche Überprüfung: Die Zeit, die Personen damit verbringen, Ausgaben zu prüfen oder zu korrigieren.
- Risikoreserve: Zeit, um Fehler zu behandeln, die Kunden erreichen.
Teams budgetieren oft nur die erste Zeile. Die letzten drei entscheiden meist darüber, ob sich das Projekt auszahlt.
Wie schätzt man die Modellnutzung?
Führen Sie den Agenten bei zwanzig realistischen Aufgaben in einer Testumgebung aus und protokollieren Sie die Token pro Aufgabe. Die meisten Anbieter geben die Token-Anzahl in jeder API-Antwort zurück, und Agenten-Frameworks wie LangGraph, das OpenAI Agents SDK oder das Claude Agent SDK können sie pro Lauf aufzeichnen. Nehmen Sie den Median und das 90. Perzentil; letzteres ist wichtig, da einige wenige lange Läufe die Kosten dominieren können.
Vergessen Sie nicht die Kosten für fehlgeschlagene Läufe, die dennoch Token verbrauchen. Multiplizieren Sie dann mit dem erwarteten monatlichen Volumen und fügen Sie eine Marge für Wiederholungen hinzu. Prompt-Caching, das von mehreren Anbietern angeboten wird, senkt die Kosten für wiederholte lange Anweisungen; kleinere Modelle für einfache Schritte senken sie weiter. Designentscheidungen ändern die Rechnung mehr als Preisverhandlungen.
Legen Sie Limits im Code fest
Geben Sie jedem Agenten eine maximale Anzahl von Schritten und ein maximales Token-Budget pro Lauf. Wenn er das Limit erreicht, stoppt er und übergibt an eine Person. Ohne Limits kann ein verwirrter Agent in einer Schleife laufen und Geld für nichts ausgeben.
Wie misst man die Rendite eines Agenten?
ROI benötigt eine Basislinie. Messen Sie vor dem Start, wie die Aufgabe heute erledigt wird: Zeit pro Aufgabe, Fehlerrate, Volumen und alle damit verbundenen Einnahmen. Messen Sie nach dem Start dieselben Dinge für dieselbe Aufgabe.
Eingesparte Zeit
Eingesparte Zeit entspricht den vom Agenten erledigten Aufgaben multipliziert mit den eingesparten Minuten pro Aufgabe, abzüglich der Minuten für die Überprüfung. Bewerten Sie dies mit einem voll ausgelasteten Stundensatz. Seien Sie ehrlich darüber, ob die eingesparte Zeit für etwas Nützliches verwendet wird; eingesparte Stunden, die niemand neu einsetzt, tauchen in den Ergebnissen nicht auf.
Einnahmeneffekte
Einige Agenten beeinflussen den Umsatz direkt: schnellere Lead-Reaktion, mehr gesendete Follow-ups, mehr wiederhergestellte abgebrochene Warenkörbe. Verwenden Sie nach Möglichkeit eine Kontrollgruppe. Lassen Sie den Agenten einen zufälligen Anteil der Leads bearbeiten und vergleichen Sie die Konvertierung mit dem Anteil, der auf die alte Weise bearbeitet wurde.
Qualität und Risiko
Verfolgen Sie die Fehlerrate und die Eskalationsrate. Ein Agent, der Zeit spart, aber falsche Antworten an Kunden sendet, kann durch Abwanderung oder Support mehr kosten, als er einspart. Beziehen Sie diese Effekte ein, auch wenn sie nur grob geschätzt werden.
Ein praktisches Beispiel
Nehmen wir ein B2B-Softwareunternehmen, dessen Sales-Development-Team jeden eingehenden Lead vor dem ersten Anruf recherchiert, was etwa fünfzehn Minuten pro Lead dauert. Ein Agent liest das Formular, durchsucht die Unternehmenswebsite, prüft das CRM und schreibt ein einseitiges Briefing.
- Volumen: 400 Leads pro Monat.
- Alte Zeit: 15 Minuten pro Stück oder 100 Stunden pro Monat.
- Neue Zeit: 4 Minuten für die Überprüfung jedes Briefings oder etwa 27 Stunden.
- Eingesparte Zeit: etwa 73 Stunden pro Monat.
- Agentenkosten: Modell- und Suchnutzung pro Briefing, plus ein Anteil an Aufbau und Wartung, verteilt auf ein Jahr.
Dies sind Beispielzahlen zur Veranschaulichung. Setzen Sie Ihre eigenen Zahlen in dieselbe Struktur ein, und die Entscheidung wird zu einer Rechenaufgabe statt zu einer Meinung.
Wann zahlt sich ein Agent nicht aus?
Geringes Volumen ist der übliche Grund. Wenn eine Aufgabe zehnmal im Monat anfällt, amortisieren sich die Aufbaukosten selten. Der zweite Grund ist eine Aufgabe, die jedes Mal Urteilsvermögen erfordert, sodass die Überprüfung genauso lange dauert wie die Ausführung. Der dritte ist ein Prozess, der sich häufig ändert, sodass die Wartung nie endet. In diesen Fällen ist eine einfachere Prompt-Vorlage oder eine feste Automatisierung meist wertvoller. Ein nützlicher Test ist die Frage, ob die Aufgabe als Checkliste geschrieben werden könnte, die ein neuer Mitarbeiter am ersten Tag befolgt. Wenn ja, kann eine feste Automatisierung oder Vorlage die Arbeit für weit weniger erledigen; wenn sie Lesen, Suchen und Entscheiden über mehrere Quellen hinweg erfordert, ist ein Agent die bessere Wahl.
Wie Alien Road AI-Agenten einsetzt und ihren ROI misst
Bei einem typischen Engagement beginnt unser AI-Marketing-Team damit, die Zielaufgabe mit den Personen, die sie heute ausführen, zeitlich zu erfassen und Volumen sowie Fehlerrate aufzuzeichnen. Diese Zahlen bilden die Basislinie in einem gemeinsamen ROI-Blatt mit den oben aufgeführten Kostenzeilen.
Wir bauen den Agenten mit Schritt- und Token-Limits, Protokollierung pro Lauf und einem Überprüfungsbildschirm für Ausgaben. Ein Pilot läuft mit einem Teil des realen Volumens, oft mit einer Kontrollgruppe zum Vergleich.
Monatliche Berichte zeigen die Kosten pro erledigter Aufgabe, die eingesparte Zeit nach der Überprüfung, Eskalations- und Fehlerraten sowie jeden Einnahmeneffekt im Vergleich zur Kontrollgruppe. Wenn die Kosten pro Aufgabe steigen oder die Qualität sinkt, weist der Bericht darauf hin und empfiehlt Änderungen oder einen Stopp.
Wo man diese Woche anfangen sollte
Wählen Sie eine Aufgabe, die Ihr Team mindestens hundertmal im Monat wiederholt. Stoppen Sie fünf Personen bei der Ausführung, notieren Sie die Fehlerrate und schreiben Sie diese Zahlen in ein Blatt mit leeren Spalten für Agentenkosten. Führen Sie einen kleinen Agenten-Prototyp bei zwanzig Aufgaben aus, protokollieren Sie Token und Überprüfungszeit und füllen Sie das Blatt aus, bevor Sie entscheiden, weiterzubauen.
Weiterlesen: AI-Marketing-Agentur · AI-Marketing