Wie wirken sich KI-Funktionen auf die Bruttomarge eines digitalen Produkts aus?

KI-Funktionen erhöhen die Bruttomarge eines digitalen Produkts, wenn die Nutzungskosten langsamer steigen als die Einnahmen, und verringern sie, wenn dies nicht der Fall ist. Das Kernproblem besteht darin, dass KI-Inferenz, API-Aufrufe und die Modellinfrastruktur variable Kosten verursachen, die sich eher wie Wareneinsatzkosten verhalten als wie herkömmliche Software-Gemeinkosten. Dieser Artikel beleuchtet alle Aspekte dieser Herausforderung, von Preismodellen und Kostenklassifizierung bis hin zu den Funktionen, die die Margen am stärksten belasten, und den Möglichkeiten, wie Produktteams ihre Margen schützen können.

Welche Kosten führen dazu, dass KI-Funktionen teurer sind als herkömmliche Softwarefunktionen?

KI-Funktionen weisen eine grundlegend andere Kostenstruktur auf als herkömmliche Software, da sie Rechenressourcen nicht nur bei der Erstellung, sondern auch zur Laufzeit verbrauchen. Jede Benutzerinteraktion mit einer KI-Funktion löst eine Inferenz aus, was bedeutet, dass bei jeder Ausführung der Funktion Rechenleistung, Speicherplatz und oft auch API-Guthaben von Drittanbietern verbraucht werden. Herkömmliche Software bedient die Nutzer nach der Bereitstellung zu Grenzkosten pro Anfrage, die nahezu bei Null liegen.

Zu den wichtigsten Kostenkategorien, die KI-Funktionen verteuern, gehören:

• Kosten für die LLM-API: Die Zahlung pro Token an Anbieter wie OpenAI, Anthropic oder Google summiert sich schnell, wenn die Funktionen lange Eingabeaufforderungen, mehrstufige Gespräche oder ein hohes Aufkommen an Anfragen beinhalten.
• Kosten für KI-Infrastruktur: Der Betrieb von GPU-Instanzen oder dedizierten Modell-Endpunkten auf AWS, Azure oder GCP ist deutlich teurer als Standard-Rechenleistung. Reservierte Kapazitäten für latenzempfindliche Funktionen verursachen selbst in Zeiten geringer Auslastung feste Zusatzkosten.
• Datenverarbeitung und -abruf: Pipelines für die „Retrieval-Augmented Generation“ (RAG), Abfragen in Vektordatenbanken und die Erzeugung von Embeddings verursachen jeweils eigene Kosten pro Aufruf.
• Feinabstimmung und Nachtraining des Modells: Maßgeschneiderte Modelle müssen aufgrund von Datendriften regelmäßig neu trainiert werden, was zu gelegentlichen, aber erheblichen Rechenkosten führt.
• Überwachung und Beobachtbarkeit: KI-Ergebnisse erfordern eine Qualitätsüberwachung, die Erkennung von Halluzinationen und Rückkopplungsschleifen, die bei herkömmlicher Software in diesem Umfang nicht erforderlich sind.

Insgesamt bedeuten diese Kosten, dass die Einführung einer KI-Funktion keine einmalige technische Investition ist. Sie verursacht laufende Betriebskosten, die direkt mit der Akzeptanz durch die Nutzer steigen.

Wie wirkt sich eine nutzungsabhängige KI-Preisgestaltung in großem Maßstab auf die Bruttomarge aus?

Eine nutzungsabhängige Preisgestaltung bei KI-Lösungen schmälert die Bruttomarge bei großem Umfang, sofern der Umsatz pro Nutzer nicht proportional zum Verbrauch steigt. Wenn eine KI-Funktion als Pauschalabonnement angeboten wird, die Kosten jedoch mit der Nutzung steigen, schmälert jeder Power-User die Marge, die Nutzer mit geringerem Verbrauch generieren. Dies ist der zentrale Widerspruch in der Wirtschaftlichkeit von KI-Produkten: Die Kunden, die den größten Nutzen daraus ziehen, verursachen auch die höchsten Kosten für die Bereitstellung.

Bei geringen Nutzerzahlen sind die Auswirkungen auf die Kosten oft nicht erkennbar. Ein Produktteam könnte in frühen Nutzergruppen akzeptable Margen erzielen, da die durchschnittliche Nutzung noch gering ist. Mit zunehmender Verbreitung des Produkts bilden sich jedoch Gruppen von Intensivnutzern, und die durchschnittlichen Kosten pro Nutzer steigen. Wurde die Preisgestaltung festgelegt, bevor die Nutzungsmuster genau bekannt waren, treffen die im Geschäftsmodell zugrunde gelegten Margenannahmen möglicherweise nicht mehr zu.

Drei Faktoren verschärfen dieses Problem in großem Maßstab:

1. Zunehmende Länge der Eingabeaufforderungen: Die Nutzer lernen mit der Zeit, längere und detailliertere Eingabeaufforderungen zu verfassen, wodurch der Token-Verbrauch pro Sitzung steigt, ohne dass dadurch mehr Umsatz generiert wird.
2. Kurven zur Einführung von Funktionen: KI-Funktionen setzen sich nach einem langsamen Start oft immer schneller durch, was bedeutet, dass das Kostenwachstum in der mittleren Phase des Produktlebenszyklus das Umsatzwachstum übersteigen kann.
3. Preisschwankungen bei Anbietern: Die Kosten für LLM-APIs haben sich im Zuge der Marktentwicklung erheblich verändert. Ein Margenmodell, das auf den aktuellen API-Preisen basiert, kann durch Änderungen seitens der Anbieter innerhalb weniger Monate hinfällig werden.

Produktteams, die KI-Inferenz in ihren Margenmodellen als Fixkosten behandeln, stützen sich auf eine unzuverlässige Annahme. Die Bruttomarge für digitale Produkte mit KI-Funktionen muss dynamisch modelliert werden, wobei die Nutzungssegmentierung von Anfang an einbezogen werden muss.

Was ist der Unterschied zwischen den Kosten und dem Wert von KI-Funktionen?

Die Kosten für eine KI-Funktion umfassen die direkten und indirekten Ausgaben für die Bereitstellung der Funktion, einschließlich Rechenleistung, API-Aufrufe und Infrastruktur. Der Wert einer KI-Funktion ist der messbare Nutzen, den die Funktion für die Nutzer und das Unternehmen schafft, beispielsweise Zeitersparnis, Verbesserung der Konversionsrate, Verringerung der Abwanderungsrate oder Zahlungsbereitschaft. Die Differenz zwischen diesen beiden Werten entscheidet darüber, ob eine KI-Funktion die Bruttomarge steigert oder schmälert.

Diese Unterscheidung ist wichtig, da viele Produktteams ihre Funktionen optimieren, ohne dabei die Wertschöpfung zu messen. Eine Funktion kann technisch beeindruckend sein und dennoch die Marge schmälern, wenn sich der dadurch geschaffene Wert nicht in Preisgestaltungsmacht, Kundenbindung oder Umsatzwachstum niederschlägt. Die Frage ist nicht, ob die Nutzer die Funktion mögen, sondern ob das Unternehmen genug von dem durch die Funktion geschaffenen Wert für sich nutzt, um deren Kosten zu rechtfertigen.

Die Wertmessung für KI-Funktionen ist schwieriger als für herkömmliche Funktionen, da die Ergebnisse oft indirekter Natur sind. Ein KI-Schreibassistent in einem SaaS-Produkt könnte beispielsweise die Anzahl der Kundensupport-Anfragen reduzieren, die Zufriedenheitswerte der Nutzer verbessern oder die Sitzungsdauer verlängern – Faktoren, die sich alle nicht direkt in der Position „Kosten der verkauften Produkte“ niederschlagen. Der Aufbau der Messinstrumente, um die Nutzung von KI-Funktionen mit den Geschäftsergebnissen zu verknüpfen, ist an sich schon eine Investition, aber nur so lassen sich rationale Entscheidungen darüber treffen, welche Funktionen entwickelt, erweitert oder eingestellt werden sollen.

Welche KI-Funktionen wirken sich in der Regel am negativsten auf die Bruttomarge aus?

KI-Funktionen, die sich am stärksten auf die Bruttomarge auswirken, sind solche, die zeitlich unbegrenzt sind, viele Sitzungen erfordern oder von allen Nutzern unabhängig von ihrer Monetarisierungsstufe häufig ausgelöst werden. Konversationsschnittstellen, KI-generierte Inhalte in großem Umfang und ständig aktive KI-Agenten weisen durchweg das höchste Kosten-Nutzen-Verhältnis auf, wenn ihr Anwendungsbereich nicht sorgfältig abgegrenzt wird.

Zu den spezifischen Funktionstypen, die die Rentabilität digitaler Produkte tendenziell beeinträchtigen, gehören:

• Unbegrenzte Anzahl an Chat-Schnittstellen: Da es keine Begrenzung hinsichtlich der Gesprächslänge oder der Tiefe der Sitzung gibt, werden die Kosten vollständig vom Nutzer gesteuert, und es gibt keine natürliche Obergrenze.
• Massenverarbeitung von Dokumenten: Funktionen, die es Nutzern ermöglichen, große Dateien nach Belieben hochzuladen und zu verarbeiten, führen zu unvorhersehbaren Kostensprüngen, die eher von der Dateigröße als vom Nutzwert abhängen.
• KI-Vorschläge in Echtzeit: Funktionen, die bei jedem Tastendruck oder jedem Laden einer Seite ein LLM aufrufen, verursachen ein enormes Aufrufvolumen, selbst wenn die meisten Vorschläge ignoriert werden.
• KI-Funktionen in kostenlosen Tarifen: Die Bereitstellung von KI-Funktionen für nicht zahlende Nutzer als Mittel zur Neukundengewinnung kann zwar effektiv sein, doch die Kosten für diese Nutzer werden oft unterschätzt und selten wieder hereingeholt.
• Multimodell-Pipelines: Die Verkettung mehrerer KI-Aufrufe zur Erzeugung einer einzigen Ausgabe vervielfacht die Kosten pro Interaktion und erschwert die Kostenkontrolle erheblich.

Der gemeinsame Nenner ist, dass diesen Funktionen ein natürlicher Mechanismus fehlt, der die Kosten an den erzielten Nutzen oder an die Umsatzstufe des Nutzers, der sie in Anspruch nimmt, koppelt.

Wie können Produktteams die Bruttomarge sichern, wenn sie KI-Funktionen einführen?

Produktteams sichern die Bruttomarge bei KI-Funktionen ab, indem sie Kostenkontrollen bereits vor der Markteinführung – und nicht erst danach – in die Funktionsarchitektur integrieren. Der effektivste Ansatz kombiniert Nutzungsbeschränkungen, gestaffelten Zugriff, die Nachverfolgung der Kosten pro Funktion sowie die kontinuierliche Optimierung der Modellauswahl und der Effizienz der Eingabeaufforderungen.

Zu den konkreten Maßnahmen, die die Wirtschaftlichkeit von KI-Produkten sichern, gehören:

• Nutzungsquoten nach Preisstufe festlegen: Die Kostenobergrenze jeder Stufe sollte an die Einnahmen angepasst werden, die diese Stufe generiert. Kostenlose Nutzer erhalten eine begrenzte Anzahl an KI-Aufrufen; Unternehmensnutzer erhalten mehr, jedoch zu einem Preis, der die Kosten deckt.
• Erfassen Sie die Kosten pro Funktion und nicht nur die Gesamtkosten der Infrastruktur: Die Gesamtkosten für Cloud-Dienste sagen wenig aus. Erst wenn man die Kosten den einzelnen KI-Funktionen zuordnet, wird deutlich, welche davon rentabel sind und welche durch den Rest des Produkts subventioniert werden.
• Wählen Sie die Modelle entsprechend den Anforderungen der jeweiligen Aufgabe aus: Nicht jede KI-Aufgabe erfordert das leistungsstärkste und teuerste Modell. Wenn einfachere Aufgaben an kleinere, kostengünstigere Modelle weitergeleitet werden, während große Modelle für komplexe Abfragen reserviert bleiben, lassen sich die Kosten für die Inferenz erheblich senken.
• Prompts systematisch optimieren: Kürzere, besser strukturierte Prompts senken den Token-Verbrauch, ohne die Qualität der Ausgabe zu beeinträchtigen. Die Optimierung von Prompts ist ein fortlaufender technischer Prozess und keine einmalige Aufgabe.
• Cache-Ausgaben, wo dies sinnvoll ist: Bei KI-Funktionen, die bei ähnlichen Eingaben ähnliche Ergebnisse liefern, verhindert das Zwischenspeichern von Antworten redundante API-Aufrufe und senkt die Kosten bei großem Umfang.
• Kosten pro Nutzergruppe überwachen: Intensive Nutzer verhalten sich anders als durchschnittliche Nutzer. Die Ermittlung und Steuerung des Kostenprofils Ihrer 10%-Top-Nutzer nach Verbrauch führt oft zu der größten Margenverbesserung.

Der Schutz der Bruttomarge bei KI-Funktionen ist im Grunde genommen ebenso sehr ein Problem der Finanzdisziplin wie ein technisches Problem. Teams, die von Anfang an Kostentransparenz in ihren Entwicklungsworkflow integrieren, sind besser in der Lage, Kompromisse einzugehen, bevor diese zu Margenkrisen führen.

Sollten die Kosten für KI-Funktionen in der Finanzberichterstattung als Herstellungskosten oder als Forschungs- und Entwicklungskosten ausgewiesen werden?

Kosten für KI-Funktionen, die bei der Bereitstellung des Produkts für zahlende Kunden anfallen, sollten als Umsatzkosten (COGS) ausgewiesen werden. KI-Ausgaben für die Entwicklung, Erprobung oder Verbesserung von Funktionen, die noch nicht in Produktion sind, gehören in den Bereich Forschung und Entwicklung (F&E). Die Einstufung hängt davon ab, ob die Ausgaben mit der Betreuung bestehender Nutzer oder mit der Entwicklung zukünftiger Funktionen zusammenhängen.

In der Praxis ist die Grenze oft verschwommen. Die Kosten für die LLM-API einer von Kunden genutzten Funktion sind eindeutig als Herstellungskosten (COGS) zu verbuchen. Die Kosten für ein Team, das Experimente zur Verbesserung der Genauigkeit dieser Funktion durchführt, fallen eindeutig unter Forschung und Entwicklung (F&E). Kosten wie das Feinabstimmen von Modellen, die Infrastruktur für Staging-Umgebungen oder Prompt-Engineering-Arbeiten, die sowohl die Produktion als auch die Entwicklung betreffen, erfordern jedoch eine Ermessensentscheidung auf der Grundlage des Hauptzwecks der jeweiligen Aktivität.

Die Einstufung ist aus mehreren Gründen von Bedeutung:

• Ausweis der Bruttomarge: Die falsche Einstufung der Herstellungskosten als Forschungs- und Entwicklungskosten führt zu einer künstlichen Aufblähung der ausgewiesenen Bruttomarge, was Investoren und interne Entscheidungsträger hinsichtlich der tatsächlichen Rentabilität des Produkts in die Irre führt.
• Stückkosten: Eine genaue Klassifizierung der Herstellungskosten ist erforderlich, um aussagekräftige Kennzahlen zum Kundenlebenszeitwert und zu den Kosten pro Nutzer zu berechnen.
• Steuerliche Behandlung: In einigen Rechtsordnungen kommen F&E-Ausgaben für Steuergutschriften oder -abzüge in Betracht, was bei den Herstellungskosten nicht der Fall ist, weshalb eine korrekte Zuordnung finanziell von Bedeutung ist.

Da KI-Funktionen einen immer größeren Anteil an der Produktfunktionalität ausmachen, benötigen Finanz- und Entwicklungsteams eine gemeinsame Taxonomie für die Zuordnung der Kosten der KI-Infrastruktur. Ohne eine solche Taxonomie wird die Bruttomarge für digitale Produkte mit KI-Funktionen zu einer unzuverlässigen Kennzahl, die den Zustand des Unternehmens eher verschleiert als aufzeigt.

Wie wir Ihnen helfen, die Auswirkungen von KI- und Cloud-Kosten auf die Bruttomarge zu steuern

Um die Kosten für KI-Funktionen in den Griff zu bekommen, ist dieselbe finanzielle Disziplin erforderlich, die für jedes cloudbasierte Produkt gilt – und genau dabei unterstützen wir Unternehmen dabei, Fortschritte zu erzielen. Unser FinOps-Dienstleistungen den Produkt- und Finanzteams die nötige Transparenz und Steuerung zu geben, um die Ausgaben für die KI-Infrastruktur mit den Funktionen und Nutzersegmenten zu verknüpfen, die diese Ausgaben bedingen.

Konkret helfen wir Ihnen dabei:

• Kosten für die KI-Infrastruktur zuweisen auf Funktions- und Produktebene, sodass die Bruttomargeberechnungen die tatsächlichen Lieferkosten und nicht die gesamten Cloud-Ausgaben widerspiegeln.
• Möglichkeiten zur Optimierung der Personalstärke ermitteln über alle für die KI-Inferenz genutzten GPU- und Rechenressourcen hinweg, wodurch die Kostenbasis gesenkt wird, ohne die Benutzererfahrung zu beeinträchtigen.
• Einen regelmäßigen Entscheidungsrhythmus etablieren im Bereich Cloud und KI, sodass die Optimierung kontinuierlich erfolgt und nicht erst reaktiv, wenn die Margen sinken.
• Finanz-, Technik- und Produktteams aufeinander abstimmen auf der Grundlage gemeinsamer Kosten- und Wertkennzahlen, wobei die isolierte Berichterstattung durch eine einzige verlässliche Informationsquelle ersetzt wird.
• Bewerten Sie Ihren aktuellen Reifegrad im Bereich FinOps und einen praktischen Fahrplan zur Verbesserung der Kostenkontrolle bei KI- und Cloud-Workloads festlegen.

Wenn die Kosten für KI-Funktionen Ihre Bruttomarge belasten und Sie sich einen klaren Überblick darüber verschaffen möchten, wohin die Ausgaben fließen und wie Sie diese in den Griff bekommen können, Nehmen Sie Kontakt mit uns auf um zu besprechen, wo wir anfangen sollen.