Uber sieht bisher keinen klaren Zusammenhang zwischen mehr KI-Token und besseren Funktionen. Das ist weniger eine Absage an KI als ein Hinweis auf ein altes Problem: Aktivität ist nicht automatisch Fortschritt.
Tokenmaxxing – was hinter dem Begriff steckt
“Tokenmaxxing” klingt erst einmal wie ein Internetwitz. Gemeint ist damit grob: möglichst viel KI nutzen, möglichst viele Tokens verbrauchen, möglichst viele Modellaufrufe erzeugen. In Unternehmen kann daraus schnell eine scheinbar moderne Kennzahl werden.
Tokens sind die Bausteine, aus denen Sprachmodelle Eingaben und Ausgaben verarbeiten. Wer lange Prompts schreibt, große Codebasen analysieren lässt oder Agenten viele Zwischenschritte ausführen lässt, verbraucht entsprechend mehr davon. Das ist technisch normal. Problematisch wird es erst, wenn dieser Verbrauch selbst zur Erfolgsmessung wird.
Dann zählt nicht mehr, ob eine Funktion besser wird. Es zählt, ob ein Team viel KI verwendet. Das fühlt sich nach Transformation an, kann aber eine sehr teure Form von Beschäftigung sein.
Warum Ubers Aussage interessant ist
Ausgangspunkt ist ein Bericht von Tom’s Hardware. Darin geht es um Aussagen von Andrew Macdonald, President und COO von Uber. Laut Bericht sieht Uber bisher keinen klaren Zusammenhang zwischen höherem KI-Verbrauch und nützlicheren Funktionen für Kundinnen und Kunden.
Wichtig ist die Einordnung: Uber stellt KI nicht grundsätzlich infrage. Das Unternehmen arbeitet laut Bericht weiterhin mit großen Modellanbietern. Die Frage ist eine andere. Lässt sich der steigende Verbrauch von KI-Diensten mit besseren Produkten, schnellerer Entwicklung oder weniger Reibung für Nutzerinnen und Nutzer begründen?
Die falsche Kennzahl fühlt sich gut an
In technischen Organisationen gibt es eine alte Versuchung: Man misst, was leicht messbar ist. Lines of Code. Tickets. Deployments. Meetings. Pull Requests. Und jetzt eben auch Tokens.
Das Problem dabei ist nicht die Messung selbst. Das Problem entsteht, wenn eine Aktivitätsmetrik wie eine Wertmetrik behandelt wird. Ein hoher Tokenverbrauch kann bedeuten, dass ein Team komplexe Aufgaben effizienter bearbeitet. Er kann aber auch bedeuten, dass ein Agent viele Schleifen dreht, falsche Annahmen wiederholt oder Arbeit erzeugt, die später manuell geprüft und korrigiert werden muss.
Ein KI-Werkzeug kann Code erzeugen, Tests vorschlagen, Dokumentation schreiben oder Refactorings vorbereiten. Trotzdem bleibt die entscheidende Frage: Wird dadurch wirklich zuverlässiger, schneller oder wartbarer ausgeliefert?
Wenn diese Verbindung fehlt, wird KI-Nutzung zur internen Showmetrik. Sie sieht auf Dashboards gut aus, sagt aber wenig über Produktqualität aus.
Was das für Teams bedeutet
Für Teams ist die Lehre aus Ubers Beispiel relativ nüchtern: KI braucht Produktlogik. Es reicht nicht, neue Werkzeuge auszurollen und danach hohe Nutzung zu feiern. Wer KI ernsthaft einsetzt, muss klären, woran der Erfolg gemessen wird.
Sinnvolle Fragen wären etwa:
- Welche Aufgaben werden durch KI nachweislich schneller erledigt?
- Wo sinkt die Fehlerquote?
- Wo entstehen weniger manuelle Nacharbeiten?
- Welche Funktionen wurden wirklich früher ausgeliefert?
- Wo verbessert sich die Erfahrung für Nutzerinnen und Nutzer?
- Welche Kosten entstehen pro sinnvoll abgeschlossenem Vorgang?
Gerade im Umfeld von vibecoding ist diese Unterscheidung wichtig. Es ist leicht, mit KI schnell sichtbare Ergebnisse zu erzeugen. Es ist schwerer, daraus robuste, wartbare und wirtschaftlich sinnvolle Software zu machen.
Die bessere Frage lautet nicht: Wie viel KI nutzen wir?
Die spannendere Frage lautet: Wofür lohnt sich KI?
Nicht jede Aufgabe braucht ein großes Modell. Nicht jeder Workflow braucht einen Agenten. Nicht jede interne Nutzung erzeugt Produktwert. Manchmal reicht eine einfache Automatisierung. Manchmal ist ein klassisches Skript besser. Manchmal ist menschliche Entscheidungskraft billiger, schneller und genauer.
Das klingt weniger spektakulär als eine große KI-Offensive. Es ist aber wahrscheinlich die reifere Haltung. Unternehmen müssen nicht beweisen, dass sie möglichst viel KI nutzen. Sie müssen beweisen, dass KI an den richtigen Stellen hilft.
