AI Coding könnte zur Gehaltsfrage für IT-Budgets werden
Eine neue Analyse vom Beratungsunternehmen Gartner erwartet, dass die Kosten für AI Coding bis 2028 über dem durchschnittlichen Entwicklergehalt liegen könnten. Grund sei der steigende Tokenverbrauch durch KI-Agenten und der Wechsel zu nutzungsbasierten Preismodellen.
KI-gestützte Coding-Werkzeuge versprechen Effizienzgewinne in der Softwareentwicklung. Laut Gartner könnten die damit verbundenen Kosten bis 2028 jedoch über dem durchschnittlichen Entwicklergehalt liegen.
BMW / Diogo Pereira
Die Kosten für AI Coding könnten sich in den kommenden Jahren deutlich erhöhen. Nach einer Prognose von Gartner sollen sie bis 2028 das durchschnittliche Gehalt eines Softwareentwicklers übersteigen. Als Grund nennt das Marktforschungsunternehmen vor allem den wachsenden Verbrauch von Tokens in großen Sprachmodellen sowie den zunehmenden Wechsel zu nutzungsbasierten Lizenzmodellen.
Tokens sind die Dateneinheiten, die von generativen KI-Modellen verarbeitet werden. Ihr Verbrauch wirkt sich unmittelbar auf die Kosten von AI-Coding-Werkzeugen aus. Das gilt besonders dann, wenn Anbieter ihre Lösungen nicht mehr überwiegend pro Nutzer lizenzieren, sondern nach tatsächlicher Nutzung abrechnen.
Viele Unternehmen bewegen sich laut des Beratungsunternehmens derzeit von ersten Pilotprojekten hin zu einem breiteren Einsatz von KI-gestützten Coding-Agenten. Dabei werde der finanzielle Effekt des steigenden Tokenverbrauchs häufig unterschätzt. Nitish Tyagi, Senior Principal Analyst bei Gartner, warnt, dass sich eine Kostendisziplin nicht allein durch die Entscheidung einzelner Entwickler einstellen werde. Entwickler würden in der Regel eher Geschwindigkeit und Komfort priorisieren als Kosteneffizienz.
Nutzungsbasierte Modelle erschweren die Planung
Ohne ein gesteuertes Betriebsmodell für die Softwareentwicklung könnten die Ausgaben schneller steigen als die Produktivitätsgewinne, die durch entsprechende Werkzeuge erreicht werden sollen. Damit rückt AI Coding für Unternehmen zunehmend von einer reinen Produktivitätsfrage zu einem Thema der Steuerung und Wirtschaftlichkeit.
Der Wechsel von der klassischen nutzerbasierten Lizenzierung zu verbrauchsabhängigen Preismodellen verändert die Kostenstruktur in der Softwareentwicklung. Gartner zufolge entstehen dadurch stärker schwankende Ausgaben für Entwicklungsaufgaben. Hinzu komme, dass viele Anbieter bislang nur begrenzt transparent machten, wie der Tokenverbrauch berechnet und abgerechnet werde.
Für Unternehmen erschwert das die Planung. Ohne eine klare Sicht auf den Tokenverbrauch einzelner Entwicklungsschritte drohten Budgetüberschreitungen. Zugleich werde es schwieriger, Kosten und geschäftlichen Nutzen miteinander abzugleichen. Tyagi zufolge fehle vielen Organisationen noch die Reife, um Ausgaben für KI-Werkzeuge systematisch mit ihrem Beitrag zum Geschäftsergebnis zu vergleichen.
Nutzungsmuster treiben den Kostendruck
Neben den Preismodellen sieht Gartner auch die Nutzungspraxis als Kostentreiber. Hohe Tokenausgaben entstünden häufig dort, wo KI-Agenten mit zu viel Autonomie eingesetzt würden oder wo Eingabekontexte unnötig aufgebläht seien. Auch fehlende Feedbackmechanismen könnten dazu beitragen, dass ineffiziente Arbeitsweisen bestehen blieben.
Der britische Analyst sieht zudem Defizite auf Anbieterseite. Viele Hersteller von AI-Coding-Lösungen hätten noch keine ausgereiften Funktionen zur Kostenoptimierung in ihre Produkte integriert. Gleichzeitig könnten Investitionen in KI-Infrastruktur und Profitabilitätsdruck dazu führen, dass Modellpreise weiter steigen. Mit wachsender Erfahrung dürften zudem immer mehr Entwickler von gelegentlichen Nutzern zu regelmäßigen Anwendern werden.
Governance wird zum entscheidenden Faktor
Gartner empfiehlt Unternehmen, ein diszipliniertes Betriebsmodell für den Einsatz von KI in der Softwareentwicklung aufzubauen. Dazu gehöre zunächst ein klarer Entscheidungsrahmen für geeignete Anwendungsfälle. Entwicklungsaufgaben sollten danach unterschieden werden, ob sie von Entwicklern selbst, gemeinsam mit einem Agenten oder weitgehend agentengestützt bearbeitet werden.
Darüber hinaus sollten Unternehmen die Auswahl der Modelle stärker an der Komplexität der Aufgabe ausrichten. Einfachere und häufig wiederkehrende Aufgaben könnten von kleineren Modellen übernommen werden. Leistungsstärkere Frontier-Modelle sollten dagegen komplexeren und besonders wertschöpfenden Aufgaben vorbehalten bleiben.
Kontext wird zur Kostenfrage
Eine weitere Stellschraube sieht Gartner im sogenannten Context Engineering. Entwickler sollten lernen, Eingaben für KI-Systeme gezielter zu strukturieren. Dazu zählt, nur relevante Informationen bereitzustellen, Inhalte bei Bedarf zusammenzufassen und unnötige Daten zu vermeiden. Auf diese Weise könne der Tokenverbrauch sinken, ohne die Qualität der Ergebnisse zwangsläufig zu verschlechtern.
Zusätzlich empfiehlt das Marktforschungsunternehmen feste Kontrollmechanismen. Dazu zählen Schwellenwerte für Tokenverbrauch, Eskalationsregeln und ein automatisiertes Monitoring. Solche Vorgaben sollten direkt in Entwicklungsprozesse eingebettet werden, damit sie nicht als nachgelagerte Kostenkontrolle wirken.
Regelmäßige Überprüfung im Entwicklungszyklus
Gartner rät außerdem dazu, besonders tokenintensive Abläufe regelmäßig zu überprüfen. Solche Reviews könnten etwa in Sprint-Retrospektiven stattfinden. Ziel sei es, ineffiziente Muster zu erkennen, Arbeitsweisen anzupassen und Erfahrungen über Teams hinweg zu teilen.
Für Unternehmen gewinnt damit eine neue Steuerungsdimension an Bedeutung. AI Coding verspricht weiterhin Effizienzgewinne in der Softwareentwicklung. Der wirtschaftliche Nutzen hängt jedoch zunehmend davon ab, wie konsequent Nutzung, Kosten und technische Architektur miteinander verbunden werden.
