KI-Kostenkrise trifft Tech-Giganten: Mitarbeiter-Strategie „Tokenmaxxing" führt zu Rückzug bei Microsoft, Meta und Amazon, da agentische KI deutlich mehr Tokens verbraucht als Standard-Modelle.
Kopieren Sie den Link Kopieren Sie den Link Facebook X WhatsApp Reddit Pinterest Flipboard E-Mail Diesen Artikel 14 Nehmen Sie an der Diskussion teil Sie uns Fügen Sie uns als bevorzugte Quelle bei Google hinzu Newsletter Abonnieren Sie unseren Newsletter Viele Tech-Unternehmen drängen ihre Mitarbeiter dazu, KI-Tools einzusetzen und ihre Produktivität zu steigern, doch scheint diese Initiative nun ins Gegenteil umzuschlagen.
Kurzfassung
Warum das wichtig ist
- Kopieren Sie den Link Kopieren Sie den Link Facebook X WhatsApp Reddit Pinterest Flipboard E-Mail Diesen Artikel 14 Nehmen Sie an der Diskussion teil Sie uns Fügen Sie uns als bevorzugte Quelle bei Google hinzu Newsletter Abonnieren Sie unseren Newsletter Viele Tech-Unternehmen drängen ihre Mitarbeiter dazu, KI-Tools einzusetzen und ihre Produktivität zu steigern, doch scheint diese Initiative nun ins Gegenteil umzuschlagen.
- Nach Angaben ihre Mitarbeiter dazu bewegen, auf das eigene Copilot CLI zu wechseln, anstatt Claude Code zu verwenden, da das Unternehmen einen internen Tool vor einem Drittanbieter-Produkt bevorzugt.
- Quellen zufolge liegt der Hauptgrund jedoch darin, dass die Kosten für die Nutzung Nutzungszahl der KI-Tools kontinuierlich zunehmen.
SvyTech-Check
Redaktionelle Einordnung
Kernpunkt
Microsoft ist nicht allein in dieser Entwicklung: Fortune berichtet, dass auch andere Unternehmen ihre KI-Nutzung zurückfahren.
Warum relevant
Zwar ist es richtig, dass die Kosten für das Training dadurch erschwinglicher werden, doch setzen die Menschen in ihren täglichen Aufgaben mehr Token ein.
Einordnung
SvyTech ordnet die Meldung aus Tom's Hardware als Teil des Themenfelds Technologie ein und verweist auf den Originalartikel, damit Leser Fakten, Quelle und Kontext nachvollziehen koennen.
Microsoft ist nicht allein in dieser Entwicklung: Fortune berichtet, dass auch andere Unternehmen ihre KI-Nutzung zurückfahren. Zwar ist es richtig, dass die Kosten für das Training dadurch erschwinglicher werden, doch setzen die Menschen in ihren täglichen Aufgaben mehr Token ein.
Dies gilt insbesondere für agentische KI-Systeme, die je nach Anzahl der erforderlichen Schritte zur Erfüllung Ihrer Anweisungen bis zu tausendmal mehr Tokens verbrauchen können als bei einer einfachen Abfrage eines LLM.
So behauptete beispielsweise Peter Steinberger, Gründer, dass sein Team allein in einem Monat über 1,3 Millionen Dollar für Token-Kosten ausgegeben habe. Aufgrund dieser Entwicklung ist nun deutlich geworden, dass der Einsatz als die Einstellung, insbesondere da die Produktivitätssteigerungen bisher begrenzt bleiben.
Quellenprofil
Quelle und redaktionelle Angaben
- Quelle
- Tom's Hardware
- Canonical
- https://www.tomshardware.com/tech-industry/artificial-intelligence/ai-cost-crisis-hits-tech-giants-as-employee-tokenmaxxing-backfires-agentic-ai-eats-up-to-1000x-more-tokens-than-standard-ai-sparks-corporate-pullback-at-microsoft-meta-and-amazon
- Quell-URL
- https://www.tomshardware.com/tech-industry/artificial-intelligence/ai-cost-crisis-hits-tech-giants-as-employee-tokenmaxxing-backfires-agentic-ai-eats-up-to-1000x-more-tokens-than-standard-ai-sparks-corporate-pullback-at-microsoft-meta-and-amazon
Aehnliche Inhalte
Verwandte Themen und interne Verlinkung
Weitere Artikel aus aehnlichen Themenfeldern, damit Leser direkt im selben Kontext weiterlesen koennen.
Alibaba veröffentlicht das Open-Source-KI-Modell Qwen 3.8 mit 27 Milliarden Parametern
Alibaba Cloud hat das kommerziell nutzbare Open-Source-Modell Qwen 3.8 27B mit 27 Milliarden Parametern unter der Apache 2.0-Lizenz auf Hugging Face veröffentlicht, das dank einer hybriden Architektur und eines erweiterbaren Kontextfensters Tokens sowohl für lokale Installationen als auch für API-Anfragen verfügbar ist. Während der Hersteller behauptet, dass das Modell in Programmieraufgaben und der Analyse visueller Dokumente Leistungen übertrifft, weisen unabhängige Beobachter darauf hin, dass die veröffentlichten Benchmarks noch keiner externen Validierung unterzogen wurden und die standardmäßige höchste Denkebene bei einfachen Aufgaben zu unnötig langen Verarbeitungszeiten führt.
