.jpg?w=1024)
KI-Agenten nutzen das Internet nicht so wie Menschen – und ihr Bedarf an Rechenressourcen macht sich allmählich bemerkbar.
Autonome KI-Workloads verbrauchen ungefähr fünfmal so viele LLM-Token wie von Menschen gesteuerte Nutzung. Das geht aus einer aktuellen Analyse von Andreessen Horowitz auf Grundlage von OpenRouter-Daten hervor. Ein großer Teil dieses Verbrauchs entfällt auf zwischengespeicherte Eingaben, die deutlich weniger kosten können, als denselben Kontext wiederholt von Grund auf zu verarbeiten.
Die Zahlen geben einen Einblick in ein Internet, das zunehmend nicht nur von Menschen, sondern auch von Software genutzt wird, die fortlaufend Modelle aufrufen, auf Dienste zugreifen und eigenständig Aufgaben erledigen kann.
Dieser Wandel beginnt auch zu beeinflussen, wie die Internetinfrastruktur aufgebaut wird. Im Mai 2025 stellte Coinbase x402 vor, ein Zahlungsprotokoll, das auf dem lange ungenutzten HTTP-Statuscode 402 „Payment Required“ basiert und unter anderem dafür konzipiert wurde, KI-Agenten die automatische Bezahlung digitaler Dienste zu ermöglichen.
Was die Daten aussagen
Andreessen Horowitz stützte seine Analyse auf Daten von OpenRouter, einem Dienst, der LLM-Anfragen über Hunderte von Modellen weiterleitet.
Die Zahlen zeigen, dass von Agenten gesteuerte Workloads ungefähr fünfmal so viele Token verbrauchen wie von Menschen gesteuerte Nutzung. Dieser Unterschied ist angesichts der Funktionsweise von Agenten nachvollziehbar: Statt eine einzelne Eingabe zu senden und auf eine Antwort zu warten, können autonome Systeme wiederholt Modelle aufrufen, während sie planen, Tools verwenden, Ergebnisse bewerten und weiter auf ein Ziel hinarbeiten.
Das reine Token-Volumen führt jedoch nicht direkt zu einem entsprechenden Kostenanstieg. Den von a16z angeführten Daten zufolge entfallen etwa 85 % der Nutzung auf zwischengespeicherte Eingaben.
Zum Vergleich: Das neueste Frontier-Modell von OpenAI, GPT-5.6 Sol, kostet derzeit 4,00 US-Dollar pro Million Eingabetoken für ein Standard-Kontextfenster und nur 0,40 US-Dollar für zwischengespeicherte Eingaben. Diese Kostenreduzierung um 90 % macht die häufige Nutzung durch Agenten besser skalierbar.
Der Trend bei der Nutzung von Agenten zeichnet sich parallel zu einem umfassenderen Wandel bei Technologieinvestitionen ab. Die Analyse von A16z verweist ebenfalls auf ein wachsendes Investoreninteresse an KI, Kernenergie, Raumfahrt, Verteidigung und Infrastruktur, wobei KI einen großen Anteil der aktuellen thematischen Investitionen ausmacht.
Diese Kapitalströme spiegeln wider, wie eng der KI-Boom inzwischen mit der physischen Infrastruktur verbunden ist, die zur Deckung des wachsenden Rechenbedarfs erforderlich ist.
Darüber hinaus macht KI ungefähr 50 % der aktuellen thematischen Investitionen aus. Diese massiven Investitionen in KI können den massiven Ausbau von Rechenzentren und das daraus resultierende Wachstum der LLM-Nutzung erklären.
Ein weiteres interessantes Detail ist, dass OpenRouter – das Unternehmen, dessen Daten von a16z verwendet werden – kürzlich übernommen wurde – und zwar vom Zahlungsriesen Stripe für angeblich 7,5 Milliarden US-Dollar.
Der wachsende strategische Wert von OpenRouter verdeutlicht auch den Ausbau der Infrastrukturebene rund um KI-Agenten. Stripe soll das Unternehmen für Modell-Routing für 7,5 Milliarden US-Dollar übernommen haben und damit ein Geschäft hinzugefügt haben, das direkt zwischen Anwendungen, Agenten und den von ihnen aufgerufenen Modellen angesiedelt ist.
Die Erkenntnisse für Unternehmen
Die Daten von a16z legen nahe, dass Unternehmen ihre Messmethoden für den KI-Verbrauch überdenken müssen, da autonome Agenten immer häufiger eingesetzt werden.
Ein menschlicher Mitarbeiter sendet während einer Aufgabe möglicherweise eine Handvoll Eingaben. Ein KI-Agent kann beim Planen, Abrufen von Informationen, Aufrufen von Tools und Bewerten des eigenen Fortschritts wiederholt Modelle aufrufen. Das bedeutet, dass der Token-Verbrauch schnell steigen kann, selbst wenn die Zahl der KI nutzenden Mitarbeiter unverändert bleibt.
Caching kann diese Kosten senken, doch Organisationen, die agentenbasierte Systeme betreiben, benötigen weiterhin Einblick in die Token-Nutzung, Modellaufrufe und lang laufenden Workflows. Budgetkontrollen, die auf einzelnen Chatbot-Sitzungen basieren, lassen sich möglicherweise nicht ohne Weiteres auf autonome Software übertragen, die kontinuierlich arbeiten kann.
Der größere Wandel besteht darin, dass Unternehmen zunehmend für zwei Arten von Nutzern entwickeln: Menschen, die direkt mit Software interagieren, und KI-Agenten, die in ihrem Auftrag mit Diensten interagieren.
Weitere Nachrichten: Google erwägt Berichten zufolge einen Deal im Wert von mehr als 1,5 Milliarden US-Dollar für Technologie und Fachkräfte von Mechanize, während das Unternehmen seine Bemühungen im Bereich des autonomen KI-Codings verstärkt.