Die KI-Ausgabenfalle: Warum Adoption schneller entsteht als belastbare Ergebnisse

In Kürze: Die Probleme bei der KI-Einführung kommen agilen Praktikern bekannt vor

Wer in den letzten zwanzig Jahren argumentiert hat, dass Velocity nicht gleich Wert ist, dass Adoption nicht Wirkung ist, dass eine agile Transformation keine Jira-Migration ist, der wird den Stanford AI Index 2026 wie ein Déjà-vu lesen: Die Technologie ist neu. Die Arten des Scheiterns, die KI-Ausgabenfalle, ist es nicht.

Die vielen Organisationen, die KI eingeführt haben, aber keine EBIT-Wirkung nachweisen können, sind dieselben Organisationen, die Scrum eingeführt haben, ohne Empirie zu lernen, DevOps eingeführt haben, ohne zu ändern, wie sie Teams finanzieren, und Produktmanagement eingeführt haben, ohne irgendjemandem Produktautorität zu geben.

Die wirtschaftlichen Daten sind die Beweise. Die Interpretation ist das, was Sie als agiler Praktiker bereits wissen.

---

🎓 🇬🇧 The Claude Cowork Online Course — Available June 1-8 for $129

You have been prompting AI for months. The results are inconsistent, every conversation starts from zero, and the model forgets who you are. That is the ceiling of prompting.

The Claude Cowork Online Course teaches you to break through it: build Skills that encode your expertise, connect them to your tools, and assemble Agents who handle recurring work the way you would handle it yourself. No coding required.

What You Will Get:

✅ 8+ hours of self-paced video modules: Skills, Agents, delegation frameworks — ✅ Tested with a live BootCamp cohort (April 2026) — ✅ The A3 Framework: decide what to delegate and what to keep — ✅ Starter kit with folder structure, CLAUDE.md, and Skill templates — ✅ All texts, slides, prompts, graphics; you name it — ✅ Designed for the $20/month Pro plan — ✅ Lifetime access to the version you purchase — ✅ Claude Cowork Foundational Certificate.

👉 Please note: The course will be available for $129 from June 1 to 8, 2026! (After that, $199.) 👈

🎓 Join the Waitlist of the Course Now: Claude Cowork: Stop Prompting. Start Delegating. No Coding Required!

---

🗞 Shall I notify you about articles like this one? Awesome! You can sign up here for the ‚Food for Agile Thought‘ newsletter and join 35,000-plus subscribers.

🎓 Jetzt an einer von Stefans kommenden KI und Professional Scrum Schulungen teilnehmen!

---

Bei der KI-Ausgabenfalle reimt sich die Geschichte erneut

Der Goldrausch der 1850er-Jahre hat einen Spruch hervorgebracht, der sein Jahrhundert überlebt hat: Verkauf im Goldrausch Schaufeln. Rund 300.000 Menschen strömten auf der Suche nach Gold nach Kalifornien; wenig überraschend verloren die meisten Geld. Sam Brannan, der erste Millionär San Franciscos, betrieb den klassischen Schaufelladen (sein größeres Vermögen kam später aus Immobiliengeschäften). Wells Fargo wurde 1852 gegründet, um das Gold zu transportieren. The Big Four (Stanford, Huntington, Crocker, Hopkins) waren Händler aus Sacramento, die zunächst Goldgräber belieferten und später die transkontinentale Eisenbahn mit staatlichen Landzuteilungen bauten. Das tatsächliche Muster der 1850er: Aus Bergbau-Lieferanten wurden Infrastrukturbarone. Die meisten Goldgräber wurden bis Mitte der 1850er-Jahre zu Lohnarbeitern hydraulischer Bergbaugesellschaften.

Ersetzen Sie Spitzhacken durch Compute, Goldsucher durch Frontier-Modell-Labore und Schaufelverkäufer durch Hyperscaler. Sie haben damit eine ziemlich genaue Karte des KI-Markts im April 2026.

Der Stanford AI Index Report 2026 ist vor zwei Wochen erschienen. Wer ihn aufmerksam liest, erkennt das Picks-and-Shovels-Muster deutlicher, als es die Pressemitteilungen vermuten lassen. Die Infrastrukturschicht gewinnt. Die Konsumenten gewinnen in einem Umfang, die die meisten Anwender nicht genau bemessen können. Unternehmen dazwischen stecken jedoch fest.

Zwei Schichten gewinnen, eine Schicht verliert. Das ist die Geschichte der KI-Ausgabenfalle.

Infrastrukturanbieter und Konsumenten gewinnen. Die Unternehmen in der Mitte nicht.

Beginnen wir mit der Infrastrukturschicht. NVIDIA hat im Geschäftsjahr 2026 einen Nettogewinn von 120 Milliarden US-Dollar erzielt (SEC-Filings, Geschäftsjahresende Ende Januar 2026). Das ist mehr als der gesamte jährliche Umsatz aller Frontier-Modell-Labore weltweit zusammen. OpenAI, Anthropic, xAI und der Rest kommen zusammen auf etwa 55 Milliarden US-Dollar Umsatz. Die Capex-Investitionen der Hyperscaler in KI-Infrastruktur werden für 2026 auf 600 bis 750 Milliarden US-Dollar geschätzt, verteilt auf Microsoft, Google, Amazon, Meta und Oracle. Allein Google hat für 2025 mehr als 150 Milliarden US-Dollar Capex gemeldet. Der Stanford-Bericht weist 285,9 Milliarden US-Dollar an privaten KI-Investitionen in den USA für 2025 aus, mehr als das 23-Fache der 12,4 Milliarden in China.

Bis hierhin entspricht das dem mentalen Modell der meisten Beobachter.

Schauen wir auf die zweite Schicht: den Konsumenten. Brynjolfsson und Kollegen (Stanford AI Index 2026, Kapitel 4) haben in zwei Wellen 2025 und Anfang 2026 Online-Choice-Experimente mit rund 3.400 US-Erwachsenen durchgeführt. Sie stellten eine Frage: Wie viel müsste man Ihnen zahlen, damit Sie für einen Monat auf den Zugang zu allen generativen KI-Tools verzichten? Die geschätzte Konsumentenrente in den USA aus generativer KI lag Anfang 2026 bei 172 Milliarden US-Dollar pro Jahr, gegenüber 112 Milliarden ein Jahr zuvor. Der Medianwert der KI-Nutzung pro Nutzer hat sich in zwölf Monaten verdreifacht. Die meisten dieser Tools sind weiterhin kostenlos.

Die Konsumenten erfassen echten Wert. Gemessen wird die Bereitschaft, eine Kompensation für den Verzicht zu akzeptieren, nicht Produktivität, und der größte Teil davon taucht in keinen Umsatzzahlen auf, weil die Frontier-Modell-Unternehmen das Produkt praktisch verschenken.

Schauen wir auf die dritte Schicht: das Unternehmen. Stanford 2026 berichtet, dass 88 Prozent der Organisationen KI inzwischen in mindestens einer Geschäftsfunktion einsetzen, gegenüber 78 Prozent im Jahr 2024 (auf Basis der McKinsey-Umfrage State of AI 2025 mit 1.993 Befragten). 79 Prozent setzen speziell generative KI ein, gegenüber 71 Prozent. Die Adoption ist nahezu universell. Die Absorptionsdecke ist es ebenfalls. Produktivitätsgewinne liegen zwischen 14 und 26 Prozent im Kundensupport und in der Softwareentwicklung, mit schwächeren oder negativen Effekten bei Aufgaben, die mehr Urteilsvermögen erfordern. Der Einsatz von KI-Agenten, das, was jeder Anbieter 2025 als Durchbruch verkauft hat, liegt in fast jeder Geschäftsfunktion im einstelligen Prozentbereich. Die McKinsey-Lesart zum Umsatz: 39 Prozent der Organisationen melden eine EBIT-Wirkung durch generative KI, und die meisten davon melden sie im Bereich unter 5 Prozent.

Und dann gibt es die Studie, die der Wahrnehmungsdebatte ein Ende hätte setzen sollen. METR (das Model Evaluation and Threat Research Lab) hat Anfang 2025 ein randomisiert kontrolliertes Experiment mit 16 erfahrenen Open-Source-Entwicklern durchgeführt, die zu großen, ausgereiften Codebasen beitragen (im Durchschnitt 22.000 GitHub Stars und mehr als 1 Million Codezeilen). Das Experiment umfasste 246 reale Issues, nutzte randomisierte Zuweisung mit oder ohne KI und vergütete die Teilnehmer mit 150 US-Dollar pro Stunde. Das Ergebnis: Die Entwickler waren mit KI-Tooling 19 Prozent langsamer als ohne.

Dieselben Entwickler hatten zuvor eine Beschleunigung von 24 Prozent erwartet. Nach der Studie glaubten sie immer noch, etwa 20 Prozent schneller gewesen zu sein. Die Wahrnehmungslücke ist eine belastbare Erkenntnis. Programmierer fühlen sich mit KI schneller, auch wenn die Messungen zeigen, dass sie langsamer sind. Ihre Manager auch.

Drei Schichten, drei verschiedene Profile bei der Wertabschöpfung. Den Infrastrukturanbietern und den Konsumenten geht es gut. Den Unternehmen in der Mitte, die das Geld für die Spitzhacken ausgegeben haben, geht es nicht gut. Wäre die Geduld der Konzerne unbegrenzt, wäre diese momentane Lage nicht problematisch. Die Finanzbranche hat allerdings andere Pläne, und damit betreten wir die KI-Ausgabenfalle.

Der agile Praktiker, der dies liest, macht eine bestimmte Erfahrung. Die Lücke zwischen 88 Prozent Adoption und 39 Prozent EBIT-Wirkung ist dieselbe Lücke, die die State-of-Agile-Reports Jahr für Jahr aufzeigen: Die meisten Organisationen behaupten, sich agil transformiert zu haben, wenige melden messbare Geschäftsergebnisse daraus. Die CHAOS-Daten der Standish Group dokumentieren seit zwei Jahrzehnten ein ähnlich hartnäckiges Muster: Erfolgsraten von Softwareprojekten haben sich über die Berichtsperioden hinweg um 29 Prozent bewegt, wobei agile Ansätze Wasserfallansätze etwa drei zu eins schlagen, aber die meisten Projekte trotzdem im Bereich „herausgefordert“ oder „gescheitert“ landen. Gleiche Form, anderes Jahrzehnt. Die Technologie ist installiert. Die Arbeit wird nicht neu gestaltet. Die Ergebnisse kommen nicht. KI ist das dritte oder vierte Mal, dass wir dieses Experiment durchführen.

Sehen Sie das Formular nicht? Bitte klicken Sie hier.

Die rekursive Margenschleife

NVIDIAs 71 Prozent Bruttomarge und OpenAIs 33 bis 40 Prozent sind nicht das Ergebnis von Wettbewerbsstärke auf der einen und Schwäche auf der anderen Seite. Sie sind das Ergebnis der Position des jeweiligen Unternehmens in der Wertschöpfungshierarchie.

Verfolgen wir den Kundendollar. Der Kunde zahlt OpenAI für einen API-Aufruf. OpenAI zahlt Microsoft für die Azure-Compute, die den Aufruf bedient. Microsoft zahlt NVIDIA für die GPUs, auf denen die Last läuft, und behält dabei seine eigene Marge oben drauf. NVIDIA zahlt TSMC für das Silizium. Jede Schicht weiter oben im Stack erfasst weniger vom Dollar als die Schicht darunter. Die Modellschicht nimmt die Einzelhändlerposition ein, und Einzelhändler arbeiten mit dünnen Margen auf Volumen.

Das Bild wird schärfer, wenn man die zeitliche Dimension hinzunimmt. Frontier-Modell-Labore sind noch keine Cashflow-Geschäfte. Sie betreiben große, kapitalintensive Phasen der Kundengewinnung, finanziert durch Venture Capital und Equity-for-Credits-Deals der Hyperscaler (Microsofts 13 Milliarden in OpenAI, Amazons 8 Milliarden in Anthropic, das Joint Venture Stargate). Diese Dollar bleiben nicht im Labor. Sie wandeln sich in Compute-Verpflichtungen und werden im selben Geschäftsjahr an NVIDIA und TSMC weitergereicht. Das Labor ist ein Leitkanal, nicht der Begünstigte. Der Vermögenstransfer geht von Venture Capital zu Chipherstellern, mit Frontier-Laboren als regulierter Versorger dazwischen, der die Intelligenzexperimente der Welt mit Verlust subventioniert, bis entweder die Preissetzungsmacht im Stack nach oben wandert oder die Finanzierung versiegt.

Zwei Einschränkungen verhindern, dass dies ein dauerhaftes Urteil wird. Anthropic ist zwischen Januar 2025 und April 2026 von 1 Milliarde auf 30 Milliarden Run-Rate-Umsatz gewachsen, was darauf hindeutet, dass Frontier-Labore schneller skalieren können, sobald ihr Kostenstack enger wird. Die Preise pro Token sind in den letzten 18 Monaten um etwa 90 Prozent gefallen, was darauf hindeutet, dass die Preissetzungsmacht im Stack nach oben wandert. Beide Signale sind real.

Vorerst, im April und Mai 2026, begünstigt die Konfiguration die Schicht, die einen sicheren Input verkauft (Silizium und Watt), gegenüber der Schicht, die einen unsicheren Output verkauft (Intelligenz). Das ist der Picks-and-Shovels-Punkt mit dem Mechanismus offengelegt.

Die Form der GPT-Adoption ist eine J-Kurve

Erik Brynjolfsson, Daniel Rock und Chad Syverson haben 2021 The Productivity J-Curve: How Intangibles Complement General Purpose Technologies veröffentlicht (American Economic Journal: Macroeconomics, Jg. 13 Nr. 1). Die These: General Purpose Technologies (GPTs) wie Elektrizität, die Dampfmaschine und der Personal Computer lassen sich nicht einfach installieren und produzieren dann unmittelbar Output. Sie erfordern massive Investitionen in immaterielles Kapital: Prozessneugestaltung, Umschulung, organisatorische Umstrukturierung und neue Geschäftsmodelle. Diese Investitionen werden als Aufwand gebucht, nicht aktiviert. Daher fällt die gemessene Produktivität zunächst, während Ressourcen in Immaterielles fließen, dessen Output noch nicht sichtbar ist, und steigt anschließend, wenn dieses Immaterielle in messbaren Output umgewandelt wird.

(Ich weiß, das „General Purpose Technology“ wie die Marketingbroschüre eines Tech-Anbieters klingt. Der Begriff ist jedoch älter. Er wird in der Wirtschaftsgeschichte seit dreißig Jahren verwendet, um Dampf, Elektrizität und IT zu beschreiben.)

Die Form, und wo die wichtigsten GPTs der letzten 150 Jahre auf ihr verortet sind:

Die historische Fallstudie steht in Paul Davids Aufsatz The Dynamo and the Computer aus dem Jahr 1990 (American Economic Review Papers and Proceedings). Elektromotoren waren in Fabriken seit den 1890er-Jahren weit verbreitet. Die Produktivitätsgewinne kamen in den 1920er-Jahren. Die Verzögerung betrug etwa vierzig Jahre, und sie hatte einen konkreten Grund: Fabriken behielten ihre Layouts mit Dampftransmissionswellen, nachdem sie Elektromotoren installiert hatten. Die Produktivität setzte sich erst frei, als Fabriken um die Annahme billiger, dezentral verteilter Energie herum neu gestaltet wurden.

Brynjolfsson hat 1993 den Begriff Productivity Paradox für IT geprägt. Der IT-Produktivitätsschub kam 1995, 25 Jahre nach der Erfindung.

Der Agile Coach, der dies liest, hat dieselbe Kurve im kleineren Maßstab durchgearbeitet. Jede ehrliche agile Transformation läuft durch ein messbares Tal. Teams, die Scrum lernen, sind zwei Quartale lang langsamer, weil sie Command-and-Control-Reflexe verlernen und neu lernen, empirisch zu planen. Teams, die Continuous Delivery einführen, machen Dinge kaputt, während sie die Deployment-Pipeline aufbauen. Der CFO sieht einen Produktivitätseinbruch, gerät in Panik, zieht die Finanzierung zurück, und die Transformation stirbt im Tal der J-Kurve. Die Teams, die überleben, sind die Teams, deren Führung die Kurve verstanden hat, bevor sie angefangen haben. Die Teams, die sterben, sind die, deren Führung die Tools finanziert und das Immaterielle übersprungen hat. Die Stanford-Unternehmensdaten 2026 zeigen dasselbe Muster in einem anderen Maßstab.

Was im Tal sitzt, ist nicht nichts. Es sind Investitionen in immaterielles Kapital, die das Rechnungswesen nicht sehen kann: Prozessneugestaltung (Workflows um die Annahme billiger Inferenz herum neu aufbauen), Umschulung (Praktiker zum guten Einsatz des Tools ausbilden, nicht zum flüssigen Bedienen), organisatorische Umstrukturierung (Review-Ketten verkürzen, Urteilsarbeit neu zuweisen), Datenleitungen und Governance (die unglamouröse Infrastruktur, die entscheidet, ob das Tool Signal oder Rauschen produziert) und Change Management (die Arbeit, Menschen dazu zu bringen, den neuen Flow anzunehmen, statt ihn zu umgehen). Fünf Kategorien, alle als Aufwand statt aktiviert verbucht, alle im Tal bezahlt:

ChatGPT ist am 30. November 2022 gestartet. Wir sind dreieinhalb Jahre in den GenAI-Zyklus hinein. Nach jedem historischen Maßstab stehen wir am Anfang.

Das Tal ist die Geometrie der GPT-Adoption, kein Zeichen des Scheiterns.

Ein Unternehmen, das 2024 40 Millionen US-Dollar für KI ausgegeben hat und keine EBIT-Wirkung zeigt, scheitert nicht zwangsläufig. Die Implementierung könnte sich in einer normal geformten Phase der Investitionen in Immaterielles befinden, genau dort, wo Paul Davids Fabriken im Jahr 1900 standen. Das Risiko liegt nicht darin, im Tal zu sein. Das Risiko liegt darin, im Tal zu sein, ohne die Investitionen in immaterielles Kapital zu tätigen, die den späteren Anstieg der J-Kurve erzeugen, den Ertrag der Investition. Unternehmen, die Personal in der Operation abbauen, institutionelles Wissen entlassen und das KI-Strategie nennen, sind nicht auf der Kurve. Sie haben diese verlassen.

Es gibt einen ehrlichen Dissens über die Größe des späteren Gewinns. Daron Acemoglu vom MIT hat 2025 in Economic Policy eine Gegenthese veröffentlicht und schätzt, dass KI über zehn Jahre nicht mehr als 0,66 Prozent zur totalen Faktorproduktivität (TFP, das volkswirtschaftliche Maß dafür, wie viel zusätzlichen Output eine Volkswirtschaft aus derselben Menge Arbeit und Kapital erzielt, üblicherweise besserer Technologie und Organisation zugeschrieben) beitragen wird, etwa ein Zwanzigstel bis ein Fünfzigstel der Prognosen von Goldman Sachs und McKinsey. Acemoglu nennt KI eine so-so technology: Sie bringt erhebliche Arbeitsverdrängung, aber nur moderate Produktivitätsgewinne. Brynjolfsson widerspricht um eine Größenordnung. Beide stimmen über den Mechanismus überein: Der Gewinn erfordert Immaterielles, das bezahlt werden muss, und es gibt keinen fertigen Erfolgspfad von der Stange.

Dieser Dissens ist keine akademische Kuriosität. Er ist ein falsifizierbarer Test, den Sie morgen auf Ihre eigenen Pilotprojekte anwenden können. Führen Sie eine Red-Team-Übung durch: Nehmen Sie an, Acemoglu hat recht. KI ist eine So-la-la-Technologie. Der spätere TFP-Gewinn über ein Jahrzehnt liegt bei 0,66 Prozent, nicht bei 15 Prozent. Welche Ihrer aktuellen Pilotprojekte überleben diese Annahme? Pilotprojekte mit einer verteidigbaren Theorie des Werts (ein konkreter Prozess zur Neugestaltung, ein messbares Ergebnis, eine falsifizierbare Hypothese über Kosten oder Umsatz) überleben. Pilotprojekte im J-Kurven-Gewand ohne diese Theorie überleben nicht. Sie sind Output-Theater, das auf eine Annahme wettet, bei der Sie sich nicht irren dürfen.

Sieben Failure Modes, die Praktiker benennen sollten

Die Stanford-Daten 2026 zeigen, wo Produktivitätsgewinne existieren (in eng abgegrenzten, gut messbaren Aufgaben wie Kundensupport und Softwareentwicklung) und wo nicht (in allem, was anhaltendes Urteilsvermögen erfordert). Die meisten KI-Implementierungen in Unternehmen fallen in die zweite Gruppe. Die folgenden Failure Modes beschreiben, wie das geschieht, Modus für Modus. Der agile Praktiker erkennt das Muster unter jedem einzelnen wieder. Die Technologie ist neu, das Anti-Pattern ist es nicht.

1. Output-Theater: Das Zählen ausgelieferter KI-Features anstelle der Messung von Outcome-Wirkung. Ein Team, das ein KI-Feature ohne Baseline-Metrik, Zielwert und Messfenster ausliefert, hat nicht KI integriert. Es hat KI-Theater aufgeführt. Die 88-Prozent-Adoptionsrate von Organisationen aus Stanford 2026 ist überwiegend genau das. Adoption ist keine Wirkung. (Die Scrum-Variante dieses Anti-Patterns war Velocity Worship: das Zählen abgeschlossener Story Points und das Verkaufen als Produktivität. Gleicher Mechanismus, schnelleres Tooling.)

2. Fehlallokation nach Sichtbarkeit: Vertrieb und Marketing bekommen das Budget, weil sie für die C-Ebene sichtbar sind. Backoffice-Automatisierung liefert besseren ROI, taucht aber im Off-Site-Foliendeck des Unternehmens nicht auf. Die Fehlallokation ist aus Sicht der Karriereanreize rational. Aus Sicht der Wertschöpfung ist sie katastrophal. (HiPPO-getriebenes Backlog mit einem neuen Akronym.)

3. Die Klarna-Falle: Klarna hat 2023 etwa 700 Kundenservice-Mitarbeiter durch einen mit OpenAI gebauten Chatbot ersetzt, 40 Millionen US-Dollar an jährlichen Einsparungen behauptet und im Mai 2025 die Kehrtwende gemacht. CEO Sebastian Siemiatkowski hat die Umkehr verkündet und eingeräumt, dass das Unternehmen sich zu stark auf Effizienz und Kosten konzentriert habe und der daraus resultierende Qualitätsabfall im Service nicht tragfähig sei. Großflächiger menschlicher Ersatz unterschätzt die Kosten für Verifikation, Governance und Qualitätswiederherstellung. Die Geschichte wiederholt sich bei McDonald’s (IBM-Drive-Through im Juli 2024 abgesagt), Air Canada (Chatbot-Haftungsurteil Moffatt v. Air Canada, Februar 2024) und Builder.ai (Insolvenz Mai 2025). (In Agile-Manifesto-Sprache gewinnen Vertragsverhandlung über Kundenkollaboration. 24 Jahre später praktizieren Unternehmen dies mit Chatbots.)

4. Die Velocity-Illusion: Ingenieure und Manager fühlen sich mit KI schneller, auch wenn die Messungen zeigen, dass sie langsamer sind. METR ist ein Signal dafür. Die strukturelle Konsequenz wiegt schwerer. Wenn Entwickler sich schneller fühlen, während sie objektiv langsamer sind, produzieren dieselben Stunden mehr Code mit weniger Reflexion. Das ist technische Schuld, die sich pro Stunde ansammelt statt pro Sprint. Der Code-Review-Aufwand, die Defekt-Dichte und die Halbwertszeit von Designentscheidungen bewegen sich gleichzeitig in die falsche Richtung. Das Gegenmittel ist dasselbe, das DORA seit über einem Jahrzehnt predigt: Vertrauen Sie den Metriken, nicht den Vibes. Wer keine Daten zu Throughput, Lead Time, Change Failure Rate und Time-to-Restore hat, hat keine KI-Produktivitätsgeschichte. Der hat ein Gefühl, und die Rechnung für die technische Schuld kommt mit Verzögerung. (Selbstberichtete Produktivität ist seit vierzig Jahren die zuverlässig falscheste Metrik in Software. KI hat das nicht geheilt.)

5. Das 22-bis-25-Paradox: Stanford 2026 berichtet, dass die Beschäftigung US-amerikanischer Softwareentwickler im Alter von 22 bis 25 Jahren gegenüber 2024 um knapp 20 Prozent gefallen ist, in genau dem Feld, in dem die gemessenen Produktivitätsgewinne der KI am deutlichsten sind (14 bis 26 Prozent Verbesserung). Der Produktivitätsgewinn pro Entwickler ist real. Die Substitution gegen Junior-Talente ist ebenfalls real. Unternehmen lassen beide Effekte gleichzeitig laufen und nennen das einen Produktivitätsgewinn. Die Pipeline-Kosten zeigen sich in drei bis fünf Jahren, wenn die fehlende Junior-Kohorte die nächste Generation von Senior-Engineers gewesen wäre. (Die Optimierung des aktuellen Sprints zulasten des nächsten Jahres. Jeder Agile Coach hat einen CFO diesen Tausch machen sehen. Er kostet immer mehr, als die Tabelle vorhergesagt hat.)

6. Haftungsblindheit: Das Urteil Moffatt v. Air Canada am British Columbia Civil Resolution Tribunal im Februar 2024 hat festgestellt, dass Unternehmen rechtlich für das verantwortlich sind, was ihre Chatbots Kunden mitteilen. Unternehmen modellieren rechtliche Risiken zum Zeitpunkt der Beschaffung selten. Sie sollten es tun. (Governance Debt oder die juristisch belastbare Definition of Done.)

7. Token-Verheizen ohne Transparenz: Deloittes Umfrage AI Token Economics for CFOs vom Januar 2026 (n=550) berichtet von einem Healthcare-Unternehmen, dessen Token-Verbrauch um 8 bis 10 Prozent pro Monat gewachsen ist und mehr als 6 Millionen US-Dollar an ungeplanten jährlichen Kostensteigerungen erzeugt hat, bevor die Finanzabteilung Sichtbarkeit auf den Treiber hatte. Per-Seat-Lizenzierung für KI-Agenten ist strukturell kaputt. Agentische Workflows verbrauchen 5- bis 30-mal mehr Tokens pro Aufgabe als Chatbots. Reasoning-Modelle können mehr als das 100-Fache der Compute pro Anfrage eines einzelnen Inferenzaufrufs verbrauchen. Nutzungsbasierte Abrechnung mit Outcome-Zuordnung ist der strukturelle Ersatz. (Unbeobachtete Work in Progress, mit einer abgerechneten API auf der Rückseite. Jeder Kanban-Praktiker weiß, was unbegrenzte WIP mit einem System macht.)

Die KI-Ausgabenfalle ist bekanntes Gebiet für agile Praktiker

Reduzieren wir die Analyse der KI-Ausgabenfalle auf das Wesentliche: Infrastrukturanbieter machen Gewinn, weil sie sichere Inputs verkaufen (Compute, Tokens, Strom), unabhängig davon, ob die KI-Projekte ihrer Kunden Erfolg haben. Konsumenten erhalten echten Wert, weil das Produkt verschenkt wird. Unternehmen verlieren, weil sie sichere Inputs einkaufen und hoffen, dass Outcomes folgen.

Die Picks-and-Shovels-Erkenntnis ist älter als Goldräusche. Die Teams, die in jedem Technologie-Adoptionszyklus reich werden, sind die Teams, die schon vor dem Rausch eine klare Theorie des Werts hatten. Das agile Prinzip ist dasselbe: Bauen Sie das kleinste Ding, das ein messbares Ergebnis produziert, messen Sie es, und entscheiden Sie, ob Sie weitermachen. KI hat das nicht verändert. Sie hat nur den falschen Weg schneller gemacht.

Agile Praktiker argumentieren so seit zwei Jahrzehnten. Meistens haben wir das Argument innerhalb unserer Organisationen verloren. Die Stanford-Unternehmensdaten 2026 sind in dieser Lesart überhaupt kein KI-Problem. Sie sind eine Generation von Führungskräften, die Technologie mit Output-Denken einkauft und sich dann wundert, dass Outcomes nicht folgen.

Ein Fazit zur KI-Ausgabenfalle

Ein Narr mit einem LLM ist immer noch ein Narr. KI verstärkt das, was Sie bereits sind: Kompetente Praktiker werden wirksamer; inkompetente Praktiker produzieren Müll selbstbewusster und schneller. Das Tool ist neutral. Ihre Expertise ist es nicht.

Hier ist also der Test für Montagmorgen. Öffnen Sie Ihr letztes Quartals-Slidedeck. Suchen Sie die Folie zur KI-Strategie. Zählen Sie die Verben. Wie viele beschreiben Outputs (deployed, gelaunched, integriert, ausgeliefert) gegenüber Outcomes (Zykluszeit um X reduziert, Y Dollar an ungeplanten Kosten zurückgewonnen, Kunden-NPS um Z Punkte erhöht)?

Sind die Verben überwiegend Outputs, sind Sie nicht im Tal der J-Kurve. Sie sind komplett von der Kurve runter. Die Arbeit am Immateriellen hat nicht begonnen. Aber die Rechnung Ihres Token-Anbieters schon.

Weiterführende Artikel zur KI-Ausgabenfalle

Schluss mit billigem Claude: Vier Grundprinzipien der Token-Ökonomie im Jahr 2026

Stop Telling Professionals How to Do Their Job — Commander’s Intent at Work

Drei Claude Skills für Ihr Urteilsvermögen

Warum Agile Praktiker für 2026 optimistisch sein sollten (Teil 1): Sie haben dies bereits früher überstanden

KI für agile Praktiker: Warum Sie für 2026 optimistisch sein sollten (Teil 2)

Das A3-Rahmenwerk: Ein Entscheidungssystem für KI-Delegation

👆 Stefan Wolpers: The Scrum Anti-Patterns Guide (Amazon advertisement.)

📅 Professional Scrum-Schulungen nach Scrum.org, Workshops und Events

Sie können sich Ihren Platz für KI- und Scrum-Schulungen, Workshops und Meetups direkt sichern, indem Sie dem entsprechenden Link in der Tabelle unten folgen:

Alle kommenden Professional-Scrum-Klassen finden Sie hier.

Sie können Ihren Platz für die Schulung direkt buchen, indem Sie dem entsprechenden Link zum Ticketshop folgen. Sollte der Beschaffungsprozess Ihrer Organisation einen anderen Einkaufsprozess erfordern, wenden Sie sich bitte direkt an die Berlin Product People GmbH.

✋ Nicht versäumen: Einen Erfahrungsaustausch über das Thema KI-Ausgabenfalle gibt es im 20.000-köpfigen „Hands-on Agile“ Slack-Team

Ich lade Sie ein, sich dem „Hands-on Agile“ Slack-Team anzuschließen und die Vorteile einer schnell wachsenden, lebendigen Gemeinschaft agiler Praktikern aus der ganzen Welt zu genießen.

Wenn Sie jetzt beitreten möchten, müssen Sie nur noch Ihre Anmeldeinformationen über dieses Google-Formular angeben, und ich werde Sie anmelden. Die Mitgliedschaft ist kostenlos.

Reflektieren Sie über die KI-Ausgabenfalle, indem Sie den kostenlosen Scrum Anti-Patterns Guide lesen:

Tags: Agile transformation