Tokenomics: Volle Transparenz über Nutzung, Ausgaben und Einführung von Coding-Agenten

KI-Programmieragenten sind teuer und treiben die Kosten in die Höhe. Agentenbasierte Workloads können mehrere Agenten auslösen, was zu unvorhersehbaren Nutzungsmustern führt, die sich erheblich von menschenorientierten Interaktionen im Stil Frage - Antwort unterscheiden. Dadurch sind die Kosten und ihre Zuordnung auch dann schwer nachvollziehbar, wenn man die Rechnung in Händen hält. Jetzt, da Unternehmen dies zu erkennen beginnen, zeichnet sich bereits eine neue Erkenntnis ab: KI-Ausgaben sind nicht immer gleichbedeutend mit ROI.

Seit den Anfängen der Cloud waren IT-Teams nicht mehr mit derart unvorhersehbaren Kosten für einen so wichtigen Dienst konfrontiert. Dies hat schon zu einigen spektakulären Budgetüberschreitungen geführt.

Bei Initiativen mit dem Ziel, die Akzeptanz und Produktivität von Agenten zu steigern, haben einige Führungskräfte zu „Tokenmaxxing“ aufgefordert, bei dem hohe KI-Aktivitäten fälschlicherweise mit hoher geschäftlicher Auswirkung und hohem ROI gleichgesetzt werden. Viele Verantwortliche haben dagegen den allgemeinen Verbrauch auf Werte deutlich unterhalb produktiver Schwellenwerte begrenzt, um die Kosten einzudämmen.

Ohne Transparenz lässt sich nicht klar sagen, welche Agenten, Workflows, Modelle oder Benutzer für diese Kosten verantwortlich sind. Das heißt, Teams können nur schwer feststellen, ob dieser Verbrauch tatsächlich geschäftlichen Mehrwert und Wirkung hat. Dies zwingt Unternehmen mit dem Wunsch nach finanzieller Sicherheit ihren Teams und Einzelmitarbeitern mit der größten KI-Nutzung willkürliche Ausgabenobergrenzen aufzuerlegen. Diese Obergrenzen spiegeln oft weder die tatsächliche Nutzung noch den geschäftlichen Mehrwert noch den ROI wider.

Aus diesem Grund führen wir Tokenomics in Splunk Agent Observability ein, um Teams zu helfen, ihre KI-Ausgaben in großem Maßstab in darstellbaren ROI umzuwandeln. Tokenomics bietet Verantwortlichen aus den Bereichen Finanzen und Engineering vollständige Transparenz hinsichtlich der Nutzung und Kosten von Programmieragenten sowie der Produktivitätsmetriken. Dieser zentrale Überblick gibt Führungskräften die notwendigen Einblicke, um das Budget korrekt an die Stellen zu verteilen, an denen es benötigt wird, und ausufernde Kosten einzudämmen, bevor die Rechnung eintrifft.

Genaue Prognosen senken zudem die Notwendigkeit von Nutzungsbeschränkungen und tragen dazu bei, überraschende Rechnungen zu vermeiden. Mit all diesen Informationen zu Ausgaben in Splunk Agent Observability können Teams Kosten und Daten zu Qualität und Auswirkung korrelieren, um den ROI auf jeder Ebene zu ermitteln.

So wissen Unternehmen nicht nur, wohin KI-Ausgaben fließen, sondern verstehen, wer und was diese Ausgaben verursacht und ob die Nutzung effizient ist. Mit einer solchen Transparenz können Teams den Verbrauch optimieren, bevor Verschwendung mitskaliert wird, und erkennen, ob KI-Investitionen genügend Mehrwert liefern, um die damit verbundenen Kosten zu rechtfertigen.

Diese Funktion ist Ende dieses Monats On-Premise, in Observability Cloud und in Cisco Cloud Control verfügbar. Zu den wichtigsten Integrationen gehören Claude Code, Codex, Cursor, Windsurf und GitHub Copilot.

Navattic-Demo ansehen

Zentraler Überblick über Agentennutzung und -kosten

Die KI-Nutzung erfolgt selten mit einem einzigen Tool, über nur einen Anbieter oder durch ein einziges Team. Wenn Unternehmen den Einsatz von Programmieragenten skalieren, kann es aufgrund fragmentierter Anbieter-Konsolen und verspäteter Rechnungen schwierig sein, den Überblick darüber zu behalten, wer was nutzt – und wer für die Kosten verantwortlich ist.

Tokenomics führt Informationen über den Verbrauch, die Kosten und die Nutzung von Agenten zusammen, sodass Teams den Verbrauch über aktive Benutzer, Teams, Modelle, Anbieter und Tools hinweg nachverfolgen können. Spezielle Ansichten für das Finanzwesen und Führungskräfte helfen unterschiedlichen Beteiligten, dieselben zugrunde liegenden Daten aus der für sie relevantesten Perspektive zu betrachten, während die Organisationshierarchie die Darstellung nach Team ermöglicht.

Anstatt Daten aus einer ständig wachsenden Zahl von API-Portalen, LLM-Gateways, ERP- und HRM-Systemen mit selbst „gebastelten“ Datenpipelines und Kalkulationstabellen zusammenzuführen, profitieren Führungskräfte von einem gemeinsamen Überblick und einer klareren Zuordnung. Dies trägt dazu bei, die fragmentierte individuelle Nutzung in eine unternehmensweite Zuordnung umzuwandeln, wodurch sich unerwartete Änderungen bei den Ausgaben leichter untersuchen lassen, bevor sie zu größeren Problemen werden.

Verbrauch optimieren, bevor die Rechnung kommt

Transparenz zeigt Teams, was passiert ist. Für ein effektives KI-Kostenmanagement muss man zudem verstehen, was wahrscheinlich als Nächstes passieren wird.

Tokenomics hilft Teams, historische und aktuelle Verbrauchsmuster zu untersuchen, Budgets festzulegen, ungewöhnliche Nutzung zu erkennen und künftig auch den Verbrauch zu prognostizieren. Diese Feedback-Schleife unterstützt Unternehmen dabei, nicht nur im Nachhinein auf KI-Rechnungen zu reagieren, sondern den Verbrauch proaktiv zu steuern, solange noch Zeit zum Handeln ist.

Budgetierung: Tokenomics macht in Kürze mehr Kontrolle über die KI-Ausgaben möglich, indem es Teams dabei unterstützt, Budgets und Schwellenwerte für bestimmte Zeiträume und Teams festzulegen. Anomaliebenachrichtigungen machen auf unerwartete oder nicht prognostizierte Nutzung aufmerksam, die diese Budgets gefährden könnte, sodass Teams vor einer Kosteneskalation handeln können. Diese Erkenntnisse verbessern die Zuordnung der Verantwortung, reduzieren überraschende Ausgaben und machen KI-Kosten bei der Skalierung der Agentennutzung besser planbar.

Prognosen: Tokenomics in Splunk Agent Observability nutzt demnächst das Cisco Deep Time Series Model (CDTSM). Dieses Basismodell wurde entwickelt, um Verbrauchsmuster vorherzusagen und sofort einsatzbereite Zero-Shot-Prognosemöglichkeiten bereitzustellen. So können Kunden den Verbrauch ihrer Teams, Projekte und Anbieter bereits vor Ablauf des Abrechnungszeitraums prognostizieren. Das CDTSM erstellt eine genaue Prognose für ein bestimmtes Team oder Projekt, ohne dass dafür historische Trainingsdaten aus mehreren Wochen erforderlich sind. Bei internen Benchmark-Bewertungen hat das CDTSM die Genauigkeit der branchenführenden Zeitreihen-Prognosemodelle übertroffen. Jede Prognose beinhaltet ein Konfidenzintervall, sodass Teams die Zuverlässigkeit der Prognose kennen.

Das Ergebnis: Man stellt nicht erst am Monatsende fest, dass die KI-Rechnung unerwartet hoch ausfällt. Teams können den Verbrauch vorausschauend einschätzen, potenzielle Kontingentüberschreitungen früher erkennen und informiert Anpassungen vornehmen, bevor Kosten entstehen.

KI-Mehrwert statt reines Kostenmanagement

Das Kostenmanagement ist nur die halbe Miete. Das günstigste KI-Tool ist nicht unbedingt das sinnvollste – und ein hoher Verbrauch kann durchaus gerechtfertigt sein, wenn er zu aussagekräftigen Ergebnissen führt.

Die Token-Zahl allein sagt Führungskräften nichts darüber, ob sich eine KI-Investition auszahlt. Unternehmen müssen neben den Kosten auch die Nutzung, Produktivität, Qualität und letztendlich die Ergebnisse bewerten, zu denen KI beiträgt.

Tokenomics wurde dafür entwickelt, Teams das Herstellen dieses Zusammenhangs zu erleichtern. Wenn Signale zu Akzeptanz, Nutzung, Kosten und Produktivität zusammengeführt werden, können Unternehmen erkennen, wo KI effektiv eingesetzt wird, wo der Verbrauch möglicherweise ineffizient ist und welche Investitionen eine Skalierung wert sind. Das Ziel ist es, dass es in Gesprächen nicht mehr um die Frage „Wie senken wir die Ausgaben?“ geht, sondern um die Frage „Wie erhöhen wir die Wertschöpfung bei jedem Euro, den wir für KI ausgeben?“.

Diese Verlagerung ergänzt die weiter gefassten Funktionen von Splunk Agent Observability, mit denen Teams die KI-Qualität zusammen mit dem Token-Verbrauch, den Kosten, dem Agentenverhalten und der Infrastruktur für die Unterstützung von KI-Workloads bewerten können. Zusammen können diese Signale Teams dabei helfen, evidenzbasiert.

Kompromisse zwischen Kosten, Qualität und Leistung einzugehen, anstatt eine einzelne Kennzahl isoliert zu optimieren.

Finanzielle Verantwortung für agentenbasierte KI

Die Ausgaben für KI sind sehr granular und variabel und verteilen sich auf verschiedene Anbieter, Teams, Tools und Benutzer. Herkömmliche monatliche Kostenüberprüfungen sind auf dieses Betriebsmodell nicht ausgelegt. In Unternehmen wächst daher der Bedarf an denselben Disziplinen, die mit FinOps für die Cloud entstanden – Zuordnung, Prognose, Optimierung, Verantwortlichkeit und Governance – nur eben angepasst an die KI.

Mit Tokenomics stehen diese Disziplinen in Splunk Agent Observability zur Verfügung. Durch die Vereinheitlichung von Transparenz und Kostenzuordnung über den gesamten KI-Stack hinweg können Teams smartere, datengestützte Entscheidungen darüber treffen, wo investiert, wo optimiert und wo skaliert werden soll.

Denn letztendlich geht es nicht bloß darum, weniger Token zu verbrauchen. Es geht darum, jedes Token – und jeden in KI investierten Euro – stärker für den Nutzen des Unternehmens einzusetzen.

Erste Schritte mit Tokenomics

Auf unserer Website und in der Dokumentation findet Ihr weitere Informationen dazu, wie Splunk Agent Observability euch hilft, Nutzung und Kosten eurer Programmieragenten zu verstehen, den Verbrauch zu optimieren und KI-Investitionen mit messbarem Nutzen zu verknüpfen. Am besten holt ihr euch die Splunk Observability Cloud Free Edition gleich heute.