Wie künstliche Intelligenz Produktivität bepreist

Das Modell für Microsoft-Lösungen war lange einfach: Lizenz kaufen, einer Person zuweisen, Funktion aktivieren, fertig. Dieses Modell verändert sich gerade. Statt fester Lizenzkosten rückt nutzungsbasierte Abrechnung in den Vordergrund und ähnelt damit zunehmend dem Verbrauchsmodell der Cloud.

Copilot Cowork, GitHub Copilot und die neue Copilot Studio-Erfahrung auf Basis des GitHub Copilot Harness zeigen alle in dieselbe Richtung: KI-Arbeit wird messbar und abrechenbar. Die Lizenz gewährt den Zugriff, die tatsächliche Nutzung erzeugt die Kosten. Das verändert vieles für Kunden, Partner, Maker, Entwickler und Finanzteams.

Die Lizenz ist nur der Einstieg

Copilot Cowork ist das beste Beispiel dafür. Zwar wird weiterhin Microsoft 365 Copilot benötigt, die eigentliche Arbeit von Cowork wird jedoch über Copilot Credits abgerechnet. Nutzt eine Aufgabe mehr Kontext, mehr Tools, läuft länger oder verwendet ein leistungsfähigeres Modell, steigen die Kosten.

Das ist technisch nachvollziehbar. Eine kurze Zusammenfassung verursacht schließlich nicht denselben Aufwand wie eine mehrstufige, agentenbasierte Aufgabe. Gleichzeitig reicht die Aussage „Wir haben Copilot bereits gekauft“ nicht mehr aus, um das Thema Kosten abzuschließen.

💡 Wussten Sie schon? Mit dem integrierten Skill „/cost“ können Sie den Verbrauch innerhalb der aktuellen Unterhaltung anzeigen lassen.

GitHub Copilot ist diesen Weg bereits gegangen. Angefangen hat es als Coding-Assistent im Editor. Inzwischen entwickelt es sich immer stärker zu einer agentenbasierten Plattform für Entwickler, inklusive Chat, Code-Reviews, Unterstützung in der Kommandozeile, Repository-Kontext, Cloud-Agents und Workflows, die deutlich länger laufen können als eine einfache Codeempfehlung.

Die Abrechnung über AI Credits ist nachvollziehbar. Gleichzeitig müssen technische Führungskräfte verstehen, welche Nutzungsmuster Kosten verursachen und welche tatsächlich wirtschaftlichen Mehrwert schaffen.

Mit Copilot Studio kommt die nächste Herausforderung hinzu. Durch den neu angekündigten GitHub Copilot Harness werden bereits der Aufbau und das Testen von Agents Teil des Verbrauchsmodells. Kosten entstehen damit nicht erst im produktiven Einsatz, sondern schon während Design, Tests, Evaluierung und Iteration.

Transparenz bei den Kosten bleibt eine Herausforderung

Natürlich verursacht KI Kosten. Modelle benötigen Rechenleistung, Retrieval-Dienste benötigen Infrastruktur, und Tool-Aufrufe sowie Automatisierungen verbrauchen Plattformressourcen. Das sollte niemanden überraschen. Die eigentliche Herausforderung besteht darin, dass diese Kosten nicht immer an einer zentralen Stelle sichtbar werden.

Die Kosten für Cowork und Work IQ werden im Microsoft 365 Admin Center erfasst, Copilot Studio gehört zur Power Platform. Und GitHub bildet wiederum seine eigene Welt. Hinzu kommen weitere Faktoren wie Dataverse-Speicher, APIs, Tools, benutzerdefinierte Modelle, feinabgestimmte Modelle, MCPs, Schulungen, Change Management, menschliche Prüfungen und technischer Schuldenabbau. All das gehört zur tatsächlichen Kostenstruktur von KI-Projekten.

In einer idealen Neuumgebung sollten alle diese Verbrauchsdienste mit Azure-Abonnements verknüpft werden. So entsteht eine zentrale Sicht auf die Gesamtkosten.

Das betrifft auch Partnerunternehmen. Wenn KI die Leistungserbringung beschleunigt, wird dieser Effizienzgewinn an den Kunden weitergegeben? Müssen Projekte anders kalkuliert werden, weil die eigene KI-Nutzung direkte Verbrauchskosten verursacht? Was passiert, wenn sich die Marge bei abrechenbaren Stunden verbessert, gleichzeitig jedoch durch Credits, Speicher, APIs und Plattformnutzung wieder sinkt?

Drei Bereiche, in denen das besonders sichtbar wird

Copilot Cowork

Delegierte Arbeit bekommt einen Preis. Mandanten-, Gruppen- und Benutzerlimits sind damit nicht mehr nur Administrationsdetails, sondern Teil der finanziellen Steuerung. Wenn Aufgaben länger laufen und mehr Tools nutzen können, muss entschieden werden, wer diese Funktionen verwendet und aus welchem Budget sie bezahlt werden.

GitHub Copilot

Die Frage lautet nicht mehr nur: „Macht es Entwickler produktiver?“ Wichtiger ist: Welche Nutzung von Copilot schafft tatsächlich Mehrwert? Modellauswahl, Cloud-Agents, Code-Reviews, Repository-Kontext und langlaufende Workflows können die Wirtschaftlichkeit erheblich beeinflussen.

Copilot Studio

Beim Aufbau von Agents ist Kostendisziplin früher erforderlich, als viele Teams erwarten. Experimente sind sinnvoll. Endlose Experimente ohne Budgetverantwortung hingegen nicht. Wenn bereits Entwicklung, Tests und Evaluierung Credits verbrauchen, sind klare Leitplanken notwendig, bevor aus einem erfolgreichen Pilotprojekt eine dauerhaft teure Gewohnheit wird.

Wie sich mehr Klarheit schaffen lässt

• Die erste Entscheidung betrifft die Verantwortung. KI-Verbrauchskosten dürfen nicht gleichzeitig jeder und niemandem gehören. Wenn das Unternehmen agentenbasierte Arbeit nutzen möchte, muss es auch Verantwortung für die entstehenden Kosten übernehmen.
• Die zweite Entscheidung betrifft die Steuerung. Wer darf Cowork verwenden? Wer darf Agents erstellen? Wer kann leistungsstarke und damit teurere Modelle auswählen? Wer darf Datenquellen anbinden? Wer erhält Warnungen, bevor Budgets überschritten werden? Diese Fragen wirken oft nebensächlich, bis sie plötzlich dringend werden.
• Die dritte Entscheidung betrifft die Messung. Eingesparte Arbeitsstunden allein reichen nicht aus. Berücksichtigt werden sollten auch Einführungsaufwand, Sicherheitsprüfungen, Datenqualität, Support, Prozessanpassungen, Lizenzen, Credits, Speicher und Azure-Verbrauch. Erst dann lässt sich sinnvoll über den ROI sprechen.
• Die vierte Entscheidung betrifft die Kommunikation mit Kunden. Es braucht Transparenz darüber, wo KI Aufwand reduziert und wo neue Kosten entstehen. Kunden benötigen keine Schlagworte, sondern eine nachvollziehbare wirtschaftliche Argumentation.

Ist Microsoft Licensing mal wieder der Bösewicht?

Aus meiner Sicht ist nutzungsbasierte KI-Abrechnung nicht falsch. Für agentenbasierte Systeme ist sie vermutlich sogar das einzige realistische Modell.

Allerdings verlangt sie ein Maß an Kosten- und Governance-Disziplin, das viele Unternehmen bisher noch nicht aufgebaut haben. Die Schwachstelle liegt nicht in der Technologie selbst. Sie liegt darin, wie Unternehmen diese Arbeit steuern, erklären und bepreisen.

KI wird zweifellos Produktivitätsgewinne schaffen. Doch Produktivität ohne Transparenz bei den Kosten bleibt am Ende Optimismus mit einer Rechnung dahinter. Erfolgreich werden nicht zwangsläufig die Unternehmen sein, die jede neue KI-Funktion sofort aktivieren. Erfolgreich werden diejenigen sein, die genau verstehen, wo KI Wert schafft, wo sie Verschwendung erzeugt und wer am Ende für beides bezahlt.

Quellen: 1; 2; 3; 4; 5; 6; 7