KPMG hat am 24. Juni 2026 den Global AI Pulse für das 2. Quartal 2026 veröffentlicht. Darin gaben 49% der befragten Führungskräfte an, den Einsatz von KI-Agenten zurückgefahren zu haben, weil die Betriebskosten den Nutzen überstiegen. Befragt wurden 2.145 Führungskräfte in 20 Ländern, in Unternehmen mit mehr als $50 Millionen Umsatz.
Die Ergebnisse von KPMG
Für die US-Auswertung befragte KPMG 204 Führungskräfte in Milliarden-Unternehmen. Nur 26% von ihnen sehen in Echtzeit vollständig, was der Betrieb von KI im großen Maßstab kostet. Weitere 35% nennen das Kostenmanagement für KI und fehlendes ökonomisches Grundverständnis, also Token- und Inference-Preise, als Hürde. 54% haben Kostenprüfungen in ihre Freigabeprozesse für KI eingebaut. KPMG meldete außerdem, dass der Widerstand der Beschäftigten von 5% im Vorquartal auf 20% gestiegen ist. Forbes berichtete am 9. August 2026 über die Ergebnisse.
Warum Agentenkosten ein Engineering-Thema sind
Ein Agent im Produktivbetrieb ruft das Modell immer wieder auf, und jeder Aufruf wird in Tokens abgerechnet. Ohne Evals kann Ihr Team nicht erkennen, ob ein günstigeres Modell oder ein kürzerer Prompt noch ausreichende Ergebnisse liefert. Die Ausgaben wachsen dann, ohne dass sich eine Abwägung belegen lässt. Token-Budgets pro Workflow und das Caching wiederholter Aufrufe sind Entscheidungen, die Entwickler im Code treffen. Das Gleiche gilt für das Auslagern einfacher Schritte in deterministischen Code. Manche Schritte brauchen gar kein Modell. Eine Regel-Engine oder eine einfache Abfrage ist günstiger im Betrieb und leichter zu testen.
Was das für Engineering-Teams bedeutet
Die Zahl von 26% bei KPMG legt nahe, dass die meisten großen Unternehmen nicht sehen, was jeder Workflow kostet. Damit lässt sich ein Agent in einer Freigabeprüfung schwer verteidigen. Da inzwischen 54% Kostenprüfungen in ihre Freigaben aufnehmen, wird man von Ihrem Team wahrscheinlich Kosten pro abgeschlossener Aufgabe, Fehlerquote und deren Veränderung bei einem Wechsel von Modell oder Prompt verlangen. Diese Zahlen entstehen, wenn Sie den Token-Verbrauch pro Durchlauf protokollieren, Aufrufe nach Workflow taggen und Eval-Suites pflegen, die Qualität und Ausgaben gemeinsam verfolgen. Teams, die diese Daten vorlegen können, lassen Agenten dort weiterlaufen, wo sie sich rechnen, und schalten sie dort ab, wo das nicht der Fall ist.
Was das für die Einstellung von Entwicklern bedeutet
Wenn Sie Entwickler einstellen, die Agenten bauen oder betreuen, sollten Sie fragen, wie sie die Kosten pro Workflow messen, wann sie Ergebnisse cachen und wann sie ein Modell aus einem Schritt ganz herausnehmen. Prompting allein schließt die Lücke bei Token- und Inferenzpreisen nicht, die KPMG beschreibt. Engineers, die über Miyagami in Kundenteams kommen, durchlaufen zwei Assessments von je 60 Minuten in einer echten Codebase. Im ersten sind die KI-Tools ausgeschaltet, im zweiten arbeitet der Kandidat mit seinen eigenen Agenten. Beide Scorecards erhalten Sie. So sehen Sie schon vor dem Start, wie ein Engineer mit und ohne Agenten arbeitet.
Mehr dazu, wie wir Engineers prüfen und was jede Session abdeckt, lesen Sie hier.
Quellen
