KI-Ausgaben von Unternehmen erreichen 2026 177 Milliarden US-Dollar: 5 Anzeichen dafür, dass KI-Agenten den Markt für API-Nutzung verändern

Anmerkung der Redaktion: Der Enterprise-AI-Bericht 2026 von Menlo Ventures zeigt, wie Agenten die Modellnutzung von „Menschen stellen Fragen“ zu „Maschinen führen kontinuierlich Aufgaben aus“ verändern – und welche Folgen das für API-Aufrufe, Parallelität und Beschaffung hat.

Menlo Ventures veröffentlichte am 3. November 2026 den Bericht „The State of Enterprise AI“. Darin werden die Ausgaben von Unternehmen für KI im Jahr 2026 auf rund 177 Milliarden US-Dollar geschätzt (der genaue Wert im Bericht beträgt 176,8 Milliarden US-Dollar). Das ist etwa das 5,4-Fache der 33 Milliarden US-Dollar von 2025. Noch bemerkenswerter: Unternehmen gaben im Durchschnitt rund 2,5-mal so viel aus wie ursprünglich geplant.

Das ist keine weitere allgemeine Aussage darüber, wie groß der KI-Markt ist. Der Bericht basiert auf einer Umfrage unter knapp 400 Entscheidungsträgern in US-Unternehmen und verweist auf Token-Daten von OpenRouter. Die Ergebnisse deuten auf denselben Wandel hin: Der wichtigste Treiber der steigenden Ausgaben ist nicht mehr, dass „mehr Menschen KI Fragen stellen“, sondern dass „Agenten kontinuierlich Aufgaben für Menschen erledigen“.

Darum geht es: Dieser Artikel fasst die wichtigsten Zahlen zu KI-Ausgaben in Unternehmen und zu Agenten zusammen. Er erklärt, warum Agenten den Token-Verbrauch und die Art der API-Aufrufe verändern, und zeigt, worauf sich API-Entwickler und Verantwortliche für die Beschaffung vorbereiten sollten.

Die wichtigsten Zahlen zu den KI-Ausgaben von Unternehmen 2026

Zunächst ein Blick auf die Daten: Alle Zahlen in der folgenden Tabelle stammen aus Marktschätzungen von Menlo Ventures. Sie sind weder geprüfte Gesamtausgaben von Unternehmen noch die Umsätze eines einzelnen Modellanbieters.

Dass die Ausgaben für die KI-Nutzung höher sind als die für die Modellentwicklung, markiert einen Wendepunkt. Bisher standen bei Diskussionen über die KI-Wertschöpfungskette vor allem Training und Rechenleistung im Mittelpunkt. Inzwischen machen die Dienste, für die Unternehmen bezahlen, damit Modelle konkrete Aufgaben erledigen, den grösseren Anteil aus. Wichtig dabei: Die „Nutzungsausgaben“ umfassen unter anderem Infrastruktur, Anwendungsabonnements und APIs. Sie lassen sich nicht unmittelbar mit den Umsätzen des API-Marktes gleichsetzen.

Im selben Zeitraum erklärte OpenAI-Präsident Greg Brockman am 4. November auf der WSJ-Technologiekonferenz, dass OpenAI bereits mehr als die Hälfte seines Umsatzes mit dem Unternehmensgeschäft erzielt. Diese Zahl beschreibt die Umsatzstruktur von OpenAI selbst. Die Menlo-Zahl von „31 % Anteil an den API-Ausgaben von Unternehmen“ misst etwas anderes; die beiden Werte lassen sich nicht direkt miteinander vergleichen.

Warum die KI-Ausgaben von Unternehmen das Budget weit übersteigen: Nutzungsintensität ist wichtiger als die Nutzerzahl

KI-Ausgaben von Unternehmen weichen stark vom Budget ab

Die überraschendsten Zahlen im Bericht betreffen die Budgetabweichung. Unternehmen haben zu Jahresbeginn meist unterschätzt, wie schnell ihre KI-Ausgaben steigen würden:

Der Durchschnitt liegt mehr als doppelt so hoch wie der Median. Das zeigt, dass einige wenige Unternehmen mit besonders intensiver KI-Nutzung die Gesamtausgaben nach oben treiben. Der Anteil der Unternehmen, die KI nutzen, stieg nur um 10 Prozentpunkte, während sich die durchschnittlichen Ausgaben pro Unternehmen fast verfünffachten. Das Wachstum ist also vor allem darauf zurückzuführen, dass bestehende Nutzer KI immer intensiver einsetzen – und nicht darauf, dass mehr Unternehmen damit anfangen.

Für KI entstehen eigene Budgets

Menlo schätzt, dass rund 55 % der zusätzlichen KI-Ausgaben aus neu geschaffenen Budgets stammen und etwa 22 % aus bestehenden Softwarebudgets. KI ersetzt also nicht nur herkömmliche SaaS-Lösungen, sondern schafft auch Beschaffungsposten, die es zuvor nicht gab. Für Einkaufsverantwortliche ist KI damit nicht mehr einfach Teil der „IT-Toolkosten“, sondern ein eigener Betriebskostenposten, der separat verwaltet werden muss.

Wie Agents den API-Verbrauch verändern: vom Fragen zum Ausführen

Wie sich die Modellaufrufe von Chatbots und Agents unterscheiden

Der unmittelbare Grund für ausufernde Budgets ist ein verändertes Aufrufmuster. Bei einem gewöhnlichen Chatbot gilt meist: eine Frage, eine Antwort. Der Nutzer sendet eine Nachricht, das Modell liefert ein Ergebnis. Der Token-Verbrauch steigt dabei ungefähr mit der Zahl der Fragen. Ein Agent arbeitet anders: Er erhält ein Ziel, zerlegt es in Aufgaben, ruft Tools auf, prüft die Ergebnisse und wiederholt den Ablauf bei Bedarf. Hinter einer einzelnen Aufgabe können Dutzende Modellaufrufe stecken.

📊 Zur Grafik: Im Multi-Modell-Agent-Ablauf rechts können für Planung, Ausführung und Prüfung jeweils unterschiedliche Modelle zum Einsatz kommen. Wer diese Aufrufstruktur selbst testen möchte, kann über APIYI apiyi.com mit einem einzigen API-Schlüssel zwischen Modellen verschiedener Anbieter wechseln und sie vergleichen.

Der Token-Verbrauch hängt vom Aufgabenvolumen ab

Menlo hat anhand von OpenRouter-Daten beobachtet: Agents sind bereits für rund 80 % des gesamten Token-Verbrauchs auf der Plattform verantwortlich – etwa 130,9 Billionen Token pro Woche. Nachdem der Agent-Traffic im Februar 2026 den menschengesteuerten Traffic überholt hatte, wuchs er um etwa das 37-Fache. Der menschengesteuerte Traffic stieg im selben Zeitraum nur um etwa das Fünffache.

OpenRouter wird vor allem von Entwicklern und Start-ups genutzt. Diese Daten sind daher nicht repräsentativ für die gesamte Branche, weisen aber in dieselbe Richtung wie andere Beobachtungen. Laut dem Unternehmensbericht von OpenAI für 2025 stieg der durchschnittliche Verbrauch von Inferenz-Token über die Unternehmens-API pro Organisation im Jahresvergleich um etwa das 320-Fache. Axios berichtet außerdem über Codex, dass mehr als 60 % der Nutzer irgendwann im Laufe eines Tages mehrere Aufgaben gleichzeitig ausführen. Die Zahlen zeigen: Der Token-Verbrauch richtet sich zunehmend nicht mehr nach den Menschen, sondern nach den Aufgaben.

Wohin die AI-Ausgaben von Unternehmen fließen: Warum Programmierung und Chatbots führen

Die Verteilung der Gelder im Markt für AI-Anwendungen

Im rund 77,3 Milliarden US-Dollar großen Markt für AI-Anwendungen konzentrieren sich die Ausgaben stark auf wenige Kategorien:

Im Programmierbereich ist die Konzentration noch höher. Menlo schätzt, dass Claude Code und Codex zusammen rund 24 Milliarden US-Dollar des Marktes für Programmieranwendungen ausmachen – fast 70 %. Dass sich Agenten zuerst beim Programmieren erfolgreich durchgesetzt haben, hängt unmittelbar mit drei Bedingungen zusammen.

Drei Voraussetzungen für den erfolgreichen Einsatz von Agenten

1. Eine Umgebung, in der Aktionen ausgeführt werden können: Agenten benötigen Zugriff auf GitHub, E-Mails, Kalender, Slack, Unternehmensdokumente und Datenbanken. Mit reinem Schlussfolgerungsvermögen, aber ohne Werkzeuge, können sie keine konkreten Aufgaben erledigen.
2. Vollständiger Aufgabenkontext: Neben der Frage des Nutzers brauchen sie Unternehmensrichtlinien, Geschäftsprozesse, die Projekthistorie, operative Einschränkungen und Erfolgskriterien.
3. Überprüfbare Ergebnisse: Der Compiler kann feststellen, ob sich Code kompilieren lässt; Tests zeigen, ob eine Funktion wie vorgesehen arbeitet. Das ist ein entscheidender Grund für den Vorsprung von Programmieragenten. Ergebnisse von Recherche- und Suchaufgaben lassen sich dagegen schwerer objektiv überprüfen.

Der dritte Punkt erklärt auch das Kostenrisiko von Agenten. In Bereichen, in denen Ergebnisse schwer zu überprüfen sind, können sie viele Token verbrauchen und dennoch zu falschen Schlussfolgerungen gelangen. Axios berichtete über den Fall des Stanford-Professors Andrew Hall, der Claude Code zur Aktualisierung einer älteren wissenschaftlichen Arbeit einsetzte. Eine anschließende manuelle Prüfung deckte Fehler sowohl bei der Datenerhebung als auch bei der Verarbeitung des Codes auf.

Wie Agenten den API-Markt beeinflussen

Auswirkungen auf API-Entwickler

• Kostenmodell neu berechnen: Das API-Budget lässt sich nicht mehr zuverlässig nach „Nutzerzahl × Einzelpreis“ schätzen. Sinnvoller ist „Anzahl der Aufgaben × durchschnittliche Aufrufrunden × Kontextlänge“.
• Budgetgrenzen festlegen: Für Agenten, die dauerhaft im Hintergrund laufen, braucht es ein Token-Limit pro Aufgabe, eine maximale Anzahl an Iterationen und einen automatischen Abbruch bei Fehlern. Sonst können die Kosten wie im Unternehmensbeispiel vom 1,9-Fachen auf das 4,7-Fache des Budgets steigen.
• Mehrere Modelle kombinieren: Ein leistungsfähiges Modell übernimmt die Planung, ein günstigeres die Ausführung in grossem Umfang und ein Modell eines anderen Anbieters die Gegenprüfung. Das kann die Kosten pro Aufgabe deutlich senken.

Auswirkungen auf API-Anbieter

Die veränderte Nachfrage durch Agenten lässt sich in fünf Kategorien einteilen. Jede davon stellt eigene Anforderungen an die Anbieter:

💡 Empfehlung: Wenn dein Agenten-Workflow Modelle mehrerer Anbieter kombiniert, kannst du einen Prototyp zunächst über die OpenAI-kompatible Schnittstelle von APIYI apiyi.com zum Laufen bringen. Die nutzungsabhängige Abrechnung erleichtert es, die tatsächlichen Kosten jedes Schritts zu erfassen.

Nüchtern betrachtet: KI-Ausgaben von Unternehmen sind nicht gleich API-Umsatz

Die Annahme „Je mehr Agenten es gibt, desto höher sind zwangsläufig die Umsätze der API-Anbieter“ trifft aus drei Gründen nicht zu:

• Ein grosser Teil der 176,8 Milliarden US-Dollar entfällt auf Infrastruktur und Anwendungsabonnements, nicht auf Gebühren für API-Aufrufe.
• Die Preise sinken kontinuierlich. Der Anteil von Open-Source-Modellen an der Token-Nutzung ist bereits auf 19 % gestiegen, ihr Anteil an den Ausgaben liegt aber nur bei etwa 4 %. Mehr Token führen also nicht zwangsläufig zu einem entsprechenden Umsatzwachstum.
• Caching, Stapelverarbeitung und Modell-Routing senken die Kosten pro Einheit. Im Wettbewerb zählen letztlich Stabilität und die Erfolgsquote bei Aufgaben – nicht nur die Zahl verkaufter Token.

So erstellen Sie einen Multi-Modell-Agent-Workflow per API

Minimalbeispiel

Der folgende Code zeigt die zwei grundlegenden Agent-Aufrufe „Planen → Ausführen“. Ersetzen Sie die Modellnamen durch Modelle, die in der Plattformkonsole verfügbar sind:

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

plan = client.chat.completions.create(
    model="YOUR_PLANNER_MODEL",
    messages=[{"role": "user", "content": "把“整理本周销售周报”拆成 3 个步骤"}]
).choices[0].message.content

result = client.chat.completions.create(
    model="YOUR_EXECUTOR_MODEL",
    messages=[{"role": "user", "content": f"按以下步骤执行并输出结果：\n{plan}"}]
)
print(result.choices[0].message.content, result.usage.total_tokens)

import time
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",
)

MODELS = {
    "planner": "YOUR_PLANNER_MODEL",    # Starkes Reasoning-Modell, zerlegt die Aufgabe
    "executor": "YOUR_EXECUTOR_MODEL",  # Günstiges Modell, führt Aufgaben in großer Zahl aus
    "checker": "YOUR_CHECKER_MODEL",    # Modell eines anderen Anbieters für die Gegenprüfung
}
TOKEN_BUDGET = 50_000   # Token-Obergrenze pro Aufgabe
MAX_ROUNDS = 3          # Maximale Anzahl an Iterationsrunden

used_tokens = 0

def call(role: str, prompt: str, retries: int = 3) -> str:
    global used_tokens
    if used_tokens >= TOKEN_BUDGET:
        raise RuntimeError("超出单任务 Token 预算，熔断")
    for i in range(retries):
        try:
            resp = client.chat.completions.create(
                model=MODELS[role],
                messages=[{"role": "user", "content": prompt}],
            )
            used_tokens += resp.usage.total_tokens
            return resp.choices[0].message.content
        except Exception as e:
            time.sleep(2 ** i)  # Exponentielle Wartezeit
            last_err = e
    raise last_err

def run_agent(goal: str) -> str:
    plan = call("planner", f"将目标拆成可执行步骤：{goal}")
    output = call("executor", f"按步骤执行：\n{plan}")
    for _ in range(MAX_ROUNDS):
        verdict = call("checker", f"检查结果是否满足目标“{goal}”，"
                                  f"合格只回复 PASS，否则指出问题：\n{output}")
        if verdict.strip().startswith("PASS"):
            break
        output = call("executor", f"根据反馈修正：\n{verdict}\n原结果：\n{output}")
    print(f"本任务共消耗 Token：{used_tokens}")
    return output

print(run_agent("整理本周销售数据并写一份 300 字摘要"))

Der Code veranschaulicht einige der zuvor genannten Punkte: Eine Aufgabe erfordert mindestens drei Aufrufe, die drei Rollen nutzen unterschiedliche Modelle, und ein Token-Budget sowie eine Iterationsgrenze verhindern, dass die Kosten außer Kontrolle geraten.

🚀 Schnellstart: Holen Sie sich zunächst kostenloses Testguthaben bei APIYI auf apiyi.com. Testen Sie für jede der drei Rollen verschiedene Modelle und erfassen Sie die usage-Daten, bevor Sie die Modellkombination für die Produktionsumgebung auswählen.

Häufig gestellte Fragen (FAQ)

Unternehmensausgaben für KI und Agents: Die wichtigsten Erkenntnisse

• Größenordnung: Menlo schätzt die Ausgaben von Unternehmen für die KI-Nutzung im Jahr 2026 auf rund 176,8 Milliarden US-Dollar – etwa das 5,4-Fache des Vorjahres.
• Budgetabweichung: Die tatsächlichen Ausgaben der Unternehmen lagen im Durchschnitt beim 4,7-Fachen des Vorjahres; geplant war nur das 1,9-Fache.
• Wachstumstreiber: Das Wachstum entsteht vor allem durch eine intensivere Nutzung in Unternehmen, die KI bereits einsetzen, und nicht durch eine steigende Verbreitung.
• Mechanismus hinter den Modellaufrufen: Agents koppeln den Token-Verbrauch an das Aufgabenvolumen, die Parallelität und die Laufzeit.
• Voraussetzungen für den Einsatz: Nötig sind eine Ausführungsumgebung, vollständiger Kontext und überprüfbare Ergebnisse. Deshalb liegt die Programmierung beim Einsatz vorn.
• Sachliche Einordnung: Unternehmensausgaben für KI sind nicht gleich API-Umsatz, und ein steigender Token-Verbrauch bedeutet nicht automatisch ein entsprechendes Umsatzwachstum gegenüber dem Vorjahr.
• Einstieg: Über APIYI apiyi.com lassen sich mit einem Schlüssel Modelle verschiedener Anbieter kombinieren und die Kosten realer Aufgaben berechnen.

Zusammenfassung

Die Ausgaben von Unternehmen für KI verändern sich 2026 vor allem in drei Punkten:

1. Vom Menschen zur Aufgabe als Treiber: Der Modellverbrauch verlagert sich von „Menschen stellen Fragen“ hin zu „Agents führen Aufgaben kontinuierlich aus“.
2. Von Tool-Gebühren zu eigenständigen Budgets: Mehr als die Hälfte der zusätzlichen Ausgaben stammt aus neu bereitgestellten Budgets. KI wird damit zu einem separat verwalteten Betriebskostenposten.
3. Vom Token-Verkauf zur Zuverlässigkeit: Im Wettbewerb der API-Dienste rücken Stabilität, parallele Verarbeitung, der Wechsel zwischen Modellen und die Nutzungsüberwachung in den Vordergrund.

Für Entwickler und Einkäufer lohnt es sich jetzt vor allem, die „Kosten pro Aufgabe“ anhand realer Aufgaben zu berechnen, statt das Budget nach Nutzerzahl zu schätzen. Über APIYI apiyi.com lassen sich schnell Agent-Prototypen mit mehreren Modellen erstellen. Die tatsächlichen usage-Daten können dann als Grundlage für das KI-Budget des nächsten Jahres dienen.

📚 Quellen

1. Menlo Ventures – 2026 The State of Enterprise AI: Hauptquelle für die Daten dieses Artikels
2. Link: menlovc.com/perspective/2026-the-state-of-enterprise-ai

3. Inhalt: Ausgaben von Unternehmen für KI, API-Anteile, OpenRouter-Daten zu Agenten und Untersuchungsmethodik

4. Reuters – Brockman über OpenAIs Unternehmensumsatz: Mehr als die Hälfte von OpenAIs Umsatz stammt von Unternehmenskunden

5. Link: reuters.com/legal/transactional

6. Hinweis: Bericht vom 5. November 2026; diese Kennzahl ist nicht direkt mit dem API-Anteil aus der Menlo-Studie vergleichbar

7. OpenAI – The State of Enterprise AI 2025: Basisdaten zur Nutzung in Unternehmen

8. Link: openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report

9. Inhalt: Historische Daten, darunter ein Anstieg des Verbrauchs von Inferenz-Token pro Organisation auf etwa das 320-Fache gegenüber dem Vorjahr

10. Axios – Office workers drive OpenAI’s Codex growth: Parallele Aufgabenbearbeitung und Überwachung von Agenten

11. Link: axios.com/2026/06/02/openai-codex-knowledge-workers
12. Hinweis: Daten vom Juni 2026, die Einblicke in die Nutzung von Agenten durch Wissensarbeiter geben

Autor: APIYI-Technikteam
Technischer Austausch: Bei praktischen Fragen zu Agenten-Workflows und Modellaufrufen mit mehreren Modellen kontaktieren Sie uns gerne über die APIYI-Startseite apiyi.com