KI für 3.000 Tickets pro Monat einzusetzen kostete in unserem Test zwischen 1,29 US$ und 35,60 US$. Der fast 28-fache Unterschied kam nicht von der Qualität, sondern nur davon, welches Modell welche Aufgabe übernahm. Und trotzdem verwalten 98 % der FinOps-Teams bereits KI-Ausgaben, und die meisten können diese Ausgaben nicht vorhersagen. Das Problem ist selten der Preis pro Token. Es liegt darin, nicht zu wissen, was jedes Ticket kostet.
Dieser Artikel setzt Ticket-Triage ohne LLM: Wir haben Jev getestet und die Kosten pro tausend Tickets gemessen fort, wo wir drei Modelle bei der Triage von 200 Tickets verglichen haben.
FinOps: von der Cloud zur KI
FinOps ist die Praxis, Technologieausgaben sichtbar zu machen und ihnen einen Verantwortlichen zu geben: wer ausgibt, wie viel, wofür und ob es seinen Preis wert ist. Entstanden ist sie für die Cloud-Rechnung, jetzt ist sie bei der KI angekommen. Der Bericht State of FinOps 2026 der FinOps Foundation hat 1.192 Fachleute befragt: 98 % verwalten bereits KI-Ausgaben, gegenüber 31 % zwei Jahre zuvor. Auswertungen desselben Berichts zeigen, dass die meisten Unternehmen im letzten Jahr ihre Kostenprognose für KI überschritten haben.
Die Ursache ist fast immer dieselbe: KI wird nach Nutzung (Tokens) abgerechnet, aber geplant, als wäre sie eine Monatspauschale. Niemand kann sagen, was die Zusammenfassung eines Tickets kostet, und deshalb kann auch niemand sagen, was der Monat kosten wird.
Die Rechnung, die niemand aufstellt: was jede Aufgabe kostet
Wir haben gemessen. Wir haben 10 fiktive Tickets mit vollständigem Verlauf (Erstellung, Folgeaktionen und Lösung, je 4 bis 8 Nachrichten) genommen und drei Modelle über OpenRouter vier Aufgaben erledigen lassen, zu Listenpreisen vom 1. Oktober 2026:
| Aufgabe (Kosten pro 1.000 Nutzungen) | GPT-5.6 Luna | Gemini 3.5 Flash-Lite | Claude Sonnet 5.5 |
|---|---|---|---|
| Verlauf zusammenfassen | 0,15 US$ | 0,29 US$ | 3,22 US$ |
| Nächste Antwort vorschlagen | 0,11 US$ | 0,20 US$ | 2,95 US$ |
| Wissensdatenbank-Artikel erstellen | 0,34 US$ | 0,65 US$ | 8,54 US$ |
| Letzte Nachricht übersetzen | 0,10 US$ | 0,11 US$ | 1,30 US$ |
Dazu aus dem vorherigen Test die Triage (Kategorie, Typ und Dringlichkeit): 0,034 US$ pro tausend Tickets mit Jev, 0,12 US$ mit GPT-5.6 Luna und 1,83 US$ mit Claude Sonnet 5.5.
Zwei Details, die die Tabelle verbirgt:
- Ein Spitzenmodell schreibt mehr. Beim Artikel erzeugte Claude Sonnet 5.5 im Schnitt 789 Antwort-Tokens, gegenüber 255 bei GPT-5.6 Luna. Die Ausgabe ist der teure Teil eines Tokens; längerer Text kostet mehr, auch wenn er besser ist.
- Sie zahlen sogar für eine Antwort, die nicht kommt. Bei einem Ransomware-Ticket verbrauchte Sonnet die 300 Tokens, die wir freigegeben hatten, zum Nachdenken und lieferte eine leere Antwort. Der Aufruf wurde trotzdem berechnet.
Drei Szenarien für 3.000 Tickets pro Monat
Wir haben einen typischen Service Desk modelliert: Jedes Ticket wird triagiert, sein Verlauf wird einmal zusammengefasst, und es erhält zwei Antwortvorschläge; 10 % werden zu einem Wissensdatenbank-Artikel, und 5 % müssen übersetzt werden.
| Szenario | Kosten pro Ticket | Pro Monat (3.000 Tickets) | Pro Jahr |
|---|---|---|---|
| Alles mit dem Spitzenmodell (Claude Sonnet 5.5) | 0,0119 US$ | 35,60 US$ | 427 US$ |
| Das richtige Modell für jede Aufgabe (Jev für die Triage, GPT-5.6 Luna im Alltag, Sonnet nur für den Artikel) | 0,0013 US$ | 3,75 US$ | 45 US$ |
| Alles mit dem günstigsten Modell (Jev + GPT-5.6 Luna) | 0,0004 US$ | 1,29 US$ | 16 US$ |
Das mittlere Szenario empfehlen wir: Ein Spitzenmodell kommt nur dort zum Einsatz, wo die Schreibqualität zählt (beim Artikel für die Wissensdatenbank), der Rest geht an schnelle und günstige Modelle. Die Kosten sinken um den Faktor 9,5.
Beachten Sie die Größenordnung: Selbst im teuersten Szenario kostet ein Ticket nur Cents. Wenn die KI dem Analysten pro Ticket eine Minute spart, hat sie sich mehr als bezahlt gemacht.
Wo das KI-Budget wirklich aus dem Ruder läuft
Wenn die Kosten pro Ticket so niedrig sind, warum überschreiten so viele Unternehmen ihr Budget? Weil das Leck selten beim Ticket liegt:
- Lizenzen pro Benutzer, die niemand nutzt. Pro Arbeitsplatz verkaufte KI-Assistenten werden jeden Monat berechnet, ob genutzt oder nicht. Es ist dasselbe Problem ungenutzter Lizenzen, welches FinOps bereits aus der Cloud kennt.
- Spitzenmodell für alles. In unserem Test hat dies die Kosten um den Faktor 9,5 erhöht, ohne Gewinn bei der Triage.
- Zu viel Kontext. Wenn bei jedem Klick der gesamte Verlauf, Anhänge und E-Mail-Signaturen an die KI gehen, wachsen die Kosten mit der Größe des Tickets, nicht mit dem Wert der Aufgabe.
- Nachdenken ohne Limit. Modelle, die vor der Antwort "denken", berechnen dieses Denken. Ohne Token-Limit kann eine einfache Aufgabe so viel kosten wie eine komplexe oder gar nichts liefern.
- Agenten in einer Schleife. Ein Agent, der versucht, scheitert und es erneut versucht, kann Hunderte von Aufrufen machen, ohne dass es jemand bemerkt.
- Subventionierte Nutzung, die enden wird. KI-Abonnements liefern heute weit mehr, als sie kosten. Bei NexTool waren es in 30 Tagen Entwicklung rund 3,9 Milliarden Tokens: etwa 15.000 R$ zu Listenpreisen, abgedeckt durch ein Abonnement von rund 200 US$. Wer die Zukunft auf Basis subventionierter Preise plant, wird eine böse Überraschung erleben, wenn sie sich ändern.
Messen, ohne es kompliziert zu machen
Für den Anfang reichen vier Kennzahlen:
- KI-Kosten pro gelöstem Ticket, getrennt nach Aufgabe (Triage, Zusammenfassung, Antwort, Artikel).
- Tokens pro Aufgabe, um die Aufgabe zu finden, die zu viel Kontext sendet.
- Anteil der Tickets mit KI-Unterstützung, um zu sehen, ob die Ausgaben der Nutzung folgen.
- Eingesparte Analystenzeit, auch geschätzt, um sie mit den Kosten zu vergleichen.
Und drei einfache Sperren:
- Ausgabenlimit pro API-Schlüssel. In unserem Test nutzten wir einen Schlüssel mit einer Obergrenze von 10 US$; falls etwas schiefgeht, ist der Schaden begrenzt.
- Token-Limit pro Aufgabe, mit genug Spielraum für die Antwort des Modells (der Ransomware-Fall zeigt, was passiert, wenn er fehlt).
- Modell pro Aufgabe, konfiguriert und überprüft, statt "das beste Modell für alles".
KI-Ausgaben direkt in GLPI steuern
GLPI bringt bereits alles mit, um KI wie jeden anderen IT-Kostenfaktor zu behandeln, ohne neues Werkzeug:
- Verträge: Erfassen Sie den Vertrag mit jedem KI-Anbieter, mit Betrag, Laufzeit, Verlängerung und Ablaufwarnung.
- Lizenzen: Erfassen Sie die Plätze von KI-Assistenten als Lizenzen, mit Anzahl und Zuordnung. Eine Lizenz ohne Benutzer fällt sofort auf.
- Budgets: Legen Sie ein KI-Budget pro Einheit oder Bereich an und verknüpfen Sie die Verträge damit.
- Lieferanten: Bündeln Sie Anbieter, Wiederverkäufer und Kontakte an einem Ort.
- Benachrichtigungen: GLPI warnt vor bald ablaufenden Verträgen und Lizenzen, noch vor der automatischen Verlängerung.
So liegen die Fixkosten (Abonnements und Plätze) in GLPI, und die variablen Kosten (Tokens) verfolgen Sie im Dashboard des Anbieters oder der Plattform, die Sie nutzen. Zusammen ergeben sie die Kosten pro Ticket.
Laden Sie den Rechner herunter
Wir haben eine Tabelle mit den gemessenen Preisen erstellt. Sie geben an, wie viele Tickets Sie pro Monat haben, wie oft jede Aufgabe vorkommt und welches Modell sie übernimmt, und die Tabelle berechnet die Kosten pro Ticket, pro Monat und pro Jahr:
Rechner für KI-Kosten pro Ticket herunterladen (Excel)
Fazit
Die KI-Kosten pro Ticket sind gering; was nicht ins Budget passt, ist fehlende Messung. Trennen Sie die Kosten nach Aufgabe, nutzen Sie für jede Aufgabe das richtige Modell, setzen Sie ein Ausgabenlimit und behandeln Sie KI-Abonnements in GLPI als Vertrag und Lizenz. Mit diesen vier Schritten ist KI keine unvorhersehbare Zeile mehr auf der Rechnung, sondern ein Kostenfaktor pro Ticket, den Sie jedem Geschäftsführer erklären können.
Möchten Sie Unterstützung dabei, KI in Ihr GLPI zu bringen, ohne die Kontrolle über die Kosten zu verlieren? Sprechen Sie mit unserem Team.
Test durchgeführt vom Team von NexTool Solutions am 1. Oktober 2026, mit fiktiven Tickets und den an diesem Tag gültigen Listenpreisen von OpenRouter. Modelle: openai/gpt-5.6-luna, google/gemini-3.5-flash-lite, anthropic/claude-sonnet-5.5 und typesafe/jev-1.13. Daten aus dem State of FinOps 2026, veröffentlicht von der FinOps Foundation.
