Die Investmentbank Goldman Sachs stellt den internen Zugang zu KI-Werkzeugen enger: Claude Code und GitHub sollen künftig Entwicklerteams vorbehalten bleiben. Laut einem Bericht steht dahinter der massive Anstieg der Kosten für KI-Tools. Mehr Details nennt die Meldung nicht – bemerkenswert ist der Schritt trotzdem, weil er eine Phase markiert, in der große Organisationen den breiten Rollout solcher Werkzeuge erstmals öffentlich zurückdrehen.

Für mittelständische Unternehmen ist das weniger eine Nachricht über die Wall Street als ein Hinweis auf ein Muster: Die Einführungsphase von KI-Assistenz war von Experimentierfreude geprägt, die laufende Nutzung wird nun betriebswirtschaftlich bewertet.

Warum KI-Werkzeuge anders kosten als klassische Software

Klassische Lizenzmodelle sind planbar: ein Preis pro Arbeitsplatz und Monat. Bei agentischen Coding-Werkzeugen – also Assistenten, die nicht nur Codevorschläge einblenden, sondern selbstständig Dateien lesen, ändern und Tests ausführen – verschiebt sich das. Ein relevanter Teil der Kosten entsteht nutzungsabhängig über Tokens, also die Texteinheiten, die ein Sprachmodell beim Lesen und Schreiben verarbeitet.

Daraus folgt eine unangenehme Eigenschaft für die Budgetplanung: Die Kosten steigen mit der Intensität der Nutzung, nicht mit der Zahl der Köpfe. Wer ein Werkzeug intensiv einsetzt, einen großen Codebestand analysieren lässt oder Agenten über längere Aufgabenketten laufen lässt, verursacht ein Vielfaches dessen, was gelegentliche Nutzung kostet. In der Pilotphase mit wenigen Personen fällt das kaum auf. Nach einem Rollout über mehrere Abteilungen schon.

Nicht jede Rolle profitiert gleich stark

Die Entscheidung, solche Werkzeuge auf Entwicklerteams zu konzentrieren, ist nachvollziehbar. Der Nutzen von Coding-Assistenz ist dort am direktesten messbar, wo tatsächlich Code entsteht, gelesen, migriert oder getestet wird. Typische Felder:

  • Refactoring und Migrationen in gewachsenen Codebasen, etwa beim Sprung auf eine neue Framework-Version
  • Testabdeckung erhöhen, Testdaten erzeugen, Randfälle durchdenken
  • Einarbeitung in fremden Code: Zusammenfassungen, Abhängigkeiten, Aufrufketten
  • Routinearbeit wie Boilerplate, Konfigurationsdateien, wiederkehrende Schnittstellenanbindungen

In anderen Rollen ist der Mehrwert oft vorhanden, aber geringer – oder er lässt sich mit günstigeren Werkzeugen erreichen. Wer vor allem Texte zusammenfasst, Recherchen strukturiert oder Entwürfe formuliert, braucht keinen Agenten mit Zugriff auf das Repository. Genau hier entsteht Einsparpotenzial, ohne dass Produktivität verloren geht.

Von der Flatrate-Logik zur Portfolio-Logik

Viele Unternehmen haben KI-Werkzeuge nach dem Prinzip „für alle, damit niemand abgehängt wird“ eingeführt. Das war in der Lernphase sinnvoll. Für den Dauerbetrieb trägt diese Logik nicht mehr. Sinnvoller ist ein abgestuftes Portfolio:

  1. Basisebene: allgemeine Assistenz für Text, Recherche und Zusammenfassungen, breit verfügbar, kostengünstig.
  2. Fachebene: spezialisierte Werkzeuge für definierte Rollen – Coding-Assistenz für Entwicklung, andere Werkzeuge etwa für Analyse oder Support.
  3. Projektebene: teure, nutzungsintensive Agenten gezielt für abgegrenzte Vorhaben mit klarem Ziel und definiertem Budget.

Diese Staffelung hat einen Nebeneffekt, der häufig unterschätzt wird: Sie zwingt zur Frage, welches Ergebnis ein Werkzeug liefern soll. Ohne diese Frage lässt sich weder Nutzen noch Überflüssigkeit feststellen.

Was Unternehmen jetzt konkret prüfen sollten

Der erste Schritt ist Transparenz. Viele Organisationen wissen nicht genau, welche KI-Werkzeuge in welchen Teams laufen, wer sie bezahlt und wie intensiv sie genutzt werden. Eine schlichte Bestandsaufnahme deckt regelmäßig Doppelungen auf.

Der zweite Schritt ist Messbarkeit. Hilfreich sind Kennzahlen, die ohnehin erhoben werden: Durchlaufzeit von Tickets, Fehlerquote nach Releases, Aufwand für wiederkehrende Aufgaben. Wo sich dort nach Einführung eines Werkzeugs nichts verändert, ist die Lizenz ein Kandidat für die Streichliste.

Der dritte Schritt betrifft die Kostendynamik. Verträge sollten erkennen lassen, was bei Nutzungsspitzen passiert: Gibt es Kontingente, Limits pro Nutzerin und Nutzer, Warnschwellen? Wer das nicht steuert, erfährt von einem Anstieg erst über die Rechnung.

Und schließlich die organisatorische Seite: Wenn Werkzeuge auf bestimmte Rollen beschränkt werden, braucht es eine nachvollziehbare Begründung und einen Weg, Ausnahmen zu beantragen. Sonst entsteht Schatten-IT – Mitarbeitende nutzen private Zugänge, und damit verlagert sich ein Kostenproblem in ein Datenschutzproblem.

Kein Rückzug, sondern Normalisierung

Die Beschränkung bei Goldman Sachs lässt sich als Signal gegen den KI-Einsatz lesen. Plausibler ist die andere Deutung: KI-Werkzeuge verlassen die Phase, in der Begeisterung die Beschaffung trägt, und treten in die Phase ein, in der sie sich wie jede andere Software gegen ihre Kosten rechtfertigen müssen. Das ist ein Zeichen von Reife, kein Rückschritt.

Für Web- und Softwareprojekte heißt das: KI-Assistenz gehört dorthin, wo sie nachweislich Durchlaufzeit oder Fehlerquote verbessert – in der Regel direkt in die Entwicklung, etwa bei Migrationen, Tests und der Arbeit an gewachsenen Codebasen. Plant man die Werkzeugkosten gleich mit dem Projektbudget, statt sie als dauerhafte Grundlast über alle Abteilungen zu verteilen, bleibt der Nutzen sichtbar und die Ausgabe begründbar. Entscheidend ist nicht, wie viele Lizenzen im Haus sind, sondern ob für jede davon jemand sagen kann, welches Ergebnis sie verbessert.

Quellen