AI-Token-Kosten sind sichtbar, AI-Output-Wert ist es nicht — Long Governance-Tooling, Short Hyperscaler

Am 4. März 2026 änderte ein mittelständisches Unternehmen stillschweigend seinen AI-Beschaffungsvertrag. Die Änderung fügte eine Klausel hinzu, die eine vierteljährliche ROI-Attribution für alle LLM-Token-Ausgaben verlangt. Die Klausel wird den Anbieter — einen Hyperscaler, dessen Namen das Unternehmen nicht nennen will — zwingen, jeden Prompt zu instrumentieren, jede Antwort zu tracken und Token-Verbrauch an messbare Geschäftsergebnisse zu binden. Der Hyperscaler kann das nicht. Seine Plattform rechnet verarbeitete Token ab, nicht gelieferten Wert. Das Unternehmen evaluiert jetzt Observability-Tooling von Drittanbietern, um die Arbeit zu erledigen, die der Hyperscaler nicht leisten will. Das ist kein Randfall. Es ist die Spitze einer strukturellen Verschiebung, die der Markt noch nicht eingepreist hat.

Enterprise-AI-Ausgaben sprangen von 11,5 Milliarden Dollar 2024 auf 37 Milliarden Dollar 2025 — ein 3,2-facher Anstieg in einem einzigen Jahr. Umfragen zeigen, dass 72 % der Organisationen erwarten, dass LLM-Ausgaben 2025 weiter steigen, wobei einige Firmen berichten, dass AI bis zur Hälfte der IT-Budgets verschlingt. Dennoch verfehlen 80–85 % der Enterprises ihre AI-Infrastruktur-Prognosen um über 25 % aufgrund schwacher Cost-Governance, und die meisten können Ausgaben nicht an spezifische, messbare Geschäftsergebnisse binden. Das Problem ist strukturell: AIs Kosten — Token, Compute, Watt — sind sofort sichtbar und prüfbar. Der ökonomische Wert von AI-Output bleibt opak. SemiAnalysis nennt das „Dark Output