Jede industrielle Epoche bringt ihre eigenen Formen der Standardisierung hervor. Mit der Dampfmaschine wurde die Pferdestärke zum Maß der mechanischen Leistung. Die Elektrifizierung schuf mit der Kilowattstunde eine universelle Einheit zur Messung des Energieverbrauchs. Der Container standardisierte den Gütertransport und legte damit eine organisatorische Grundlage des globalen Welthandels. Die Digitalisierung entwickelte ihrerseits technische Standards für die Darstellung, die Speicherung und die Übertragung von Informationen.

Mit der künstlichen Intelligenz tritt nun eine weitere Einheit hinzu: der Token. Was zunächst wie eine technische Rechengröße erscheint, ist längst zu einer wirtschaftlichen Maßeinheit geworden. Nahezu alle führenden Anbieter generativer KI – von OpenAI und Anthropic über Google und Microsoft bis hin zu Alibaba, Tencent und DeepSeek – rechnen ihre Modelle auf der Grundlage der verarbeiteten Token ab. Unternehmen erwerben damit keine Software mehr im klassischen Sinne, sondern beziehen eine Leistung, deren Umfang kontinuierlich gemessen, bepreist und abgerechnet wird.

Diese Entwicklung verweist auf einen grundlegenden Wandel. Neue Produktionsweisen setzen sich wirtschaftlich erst dann in der Breite durch, wenn ihre Leistungen kalkulierbar und ihre Kosten zurechenbar werden. Der Token erfüllt genau diese Funktion. Er ermöglicht es, die Nutzung künstlicher Intelligenz zu erfassen, die entstehenden Kosten einzelnen Anwendungen oder Arbeitsprozessen zuzuordnen und den Einsatz der Modelle in betriebliche Entscheidungen einzubeziehen.  

Die eigentliche Frage lautet deshalb nicht, ob der Token eine technische Einheit ist. Entscheidend ist vielmehr, welche wirtschaftliche Bedeutung diese Einheit gewinnt. Der Token wird sich vermutlich als diejenige Maßeinheit erweisen, durch welche die industrielle Nutzung künstlicher Intelligenz organisiert wird.

Technisch bezeichnet ein Token eine Verarbeitungseinheit eines Sprachmodells. Jeder eingegebene Prompt und jede erzeugte Antwort werden in Token zerlegt, die das Modell verarbeitet. Diese technische Funktion erklärt jedoch noch nicht, weshalb der Token innerhalb weniger Jahre zu einer ökonomischen Schlüsselgröße geworden ist.

Seine wirtschaftliche Bedeutung entsteht mit der kommerziellen Nutzung generativer KI. Während die klassische Software durch Lizenzen, Wartungsverträge oder Abonnements vermarktet wurde, beruht ein wachsender Teil der KI-Dienste auf einer nutzungsabhängigen Abrechnung. Bezahlt wird nicht allein der Zugang zu einer Anwendung, sondern der Umfang ihrer tatsächlichen Inanspruchnahme. Der Token bildet hierfür die gemeinsame Bezugsgröße.

Darin unterscheidet er sich von den technischen Einheiten der Digitalisierung. Das Bit beschreibt einen binären Informationszustand, das Byte eine Speichermenge. Der Token besitzt dagegen eine doppelte Funktion. Er bleibt Teil des technischen Verarbeitungsprozesses und wird zugleich zur Grundlage der Preisbildung und der betrieblichen Kalkulation. Über ihn lassen sich die Nutzungskosten bestimmen, die Preise festlegen und die Aufwendungen einzelnen Anwendungen zurechnen.

Der Token misst dabei weder die Leistungsfähigkeit eines Modells noch unmittelbar den Energieverbrauch oder den tatsächlichen Rechenaufwand. Die Kosten eines Tokens unterscheiden sich je nach Modell, Architektur, Kontextlänge und Anbieter. Seine Bedeutung liegt deshalb nicht in einer universellen physikalischen Vergleichbarkeit, sondern in seiner Funktion als wirtschaftliche Bezugsgröße für eine konkret erbrachte KI-Leistung.  

Damit verändert sich die betriebswirtschaftliche Logik. Unternehmen kalkulieren seit Langem die Arbeitsstunden, die Maschinenlaufzeiten, den Energieverbrauch oder die Speicherkapazitäten. Mit der generativen KI tritt eine weitere Größe hinzu: der Umfang der modellgestützten Verarbeitung. Der Token macht diesen Umfang sichtbar und eröffnet damit die Möglichkeit seiner Budgetierung und Kontrolle.

Die neue Maßeinheit entstand zunächst bei den Anbietern großer Sprachmodelle. OpenAI führte eine tokenbasierte Preisstruktur ein; Anthropic, Google, Microsoft und Amazon etablierten vergleichbare Abrechnungsmodelle. Die Kosten einer KI-Anwendung wurden damit unmittelbar vom Umfang ihrer Nutzung abhängig. Aus einem technischen Parameter entwickelte sich ein Marktstandard.

Die Vereinigten Staaten bilden den Ausgangspunkt dieser Entwicklung. Dort entstanden die grundlegenden Modelle, die Cloud-Infrastrukturen und die kommerziellen Plattformen, auf denen sich die Tokenökonomie herausbildete. Unabhängig davon, ob die Modelle über Programmierschnittstellen, Cloud-Dienste oder Unternehmenslösungen genutzt werden, bleibt der Token die zentrale Abrechnungsgröße.

Die neue Maßeinheit entstand zunächst bei den Anbietern großer Sprachmodelle. OpenAI führte eine tokenbasierte Preisstruktur ein; Anthropic, Google, Microsoft und Amazon etablierten vergleichbare Abrechnungsmodelle. Die Kosten einer KI-Anwendung wurden damit unmittelbar vom Umfang ihrer Nutzung abhängig. Aus einem technischen Parameter entwickelte sich ein Marktstandard.

Die Vereinigten Staaten bilden den Ausgangspunkt dieser Entwicklung. Dort entstanden die grundlegenden Modelle, die Cloud-Infrastrukturen und die kommerziellen Plattformen, auf denen sich die Tokenökonomie herausbildete. Unabhängig davon, ob die Modelle über Programmierschnittstellen, Cloud-Dienste oder Unternehmenslösungen genutzt werden, bleibt der Token die zentrale Abrechnungsgröße.

China übernimmt diese Logik und führt sie in die industrielle Skalierung. Unternehmen wie Alibaba, Tencent, ByteDance und DeepSeek integrieren die generative KI in ihre Plattformen, Anwendungen und betrieblichen Prozesse. Der intensive Preiswettbewerb senkt die Kosten der Modellnutzung und beschleunigt ihre Verbreitung. Der Token verlässt damit die enge Sphäre der Modellanbieter und gewinnt als Kalkulationsgröße für konkrete Anwendungen an Bedeutung. Programmentwurf erzeugen einen messbaren Verbrauch, dessen Kosten von der Eingabe, der Ausgabe und dem gewählten Modell abhängen.

Die internationale Entwicklung lässt sich dennoch nicht auf eine einfache Arbeitsteilung reduzieren. Die amerikanischen Anbieter skalieren ihre Modelle ebenfalls industriell, während die chinesischen Unternehmen eigene Modelle, Cloud-Dienste und Plattformarchitekturen entwickeln. Erkennbar ist jedoch eine gemeinsame wirtschaftliche Logik: Die Nutzung der generativen KI wird über eine technisch definierte Einheit erfasst und in ein marktfähiges Leistungsangebot überführt. 

Damit verändert sich zugleich die Softwareökonomie. Die tokenbasierte Abrechnung erfindet nicht das verbrauchsabhängige Softwaregeschäft. Die Cloudanbieter berechnen die Rechenzeit, den Speicher und den Datenverkehr seit Langem nach dem tatsächlichen Verbrauch. Die generative KI verschiebt dieses Prinzip jedoch bis in den einzelnen Arbeitsvorgang. Jede Zusammenfassung, jede Analyse, jede Übersetzung und jeder Programmentwurf erzeugen einen messbaren Verbrauch, dessen Kosten von der Eingabe, der Ausgabe und dem gewählten Modell abhängen.

Die neue Maßeinheit entstand zunächst bei den Anbietern großer Sprachmodelle. OpenAI führte eine tokenbasierte Preisstruktur ein; Anthropic, Google, Microsoft und Amazon etablierten vergleichbare Abrechnungsmodelle. Die Kosten einer KI-Anwendung wurden damit unmittelbar vom Umfang ihrer Nutzung abhängig. Aus einem technischen Parameter entwickelte sich ein Marktstandard.

Die Vereinigten Staaten bilden den Ausgangspunkt dieser Entwicklung. Dort entstanden die grundlegenden Modelle, die Cloud-Infrastrukturen und die kommerziellen Plattformen, auf denen sich die Tokenökonomie herausbildete. Unabhängig davon, ob die Modelle über Programmierschnittstellen, Cloud-Dienste oder Unternehmenslösungen genutzt werden, bleibt der Token die zentrale Abrechnungsgröße.

China übernimmt diese Logik und führt sie in die industrielle Skalierung. Unternehmen wie Alibaba, Tencent, ByteDance und DeepSeek integrieren die generative KI in ihre Plattformen, Anwendungen und betrieblichen Prozesse. Der intensive Preiswettbewerb senkt die Kosten der Modellnutzung und beschleunigt ihre Verbreitung. Der Token verlässt damit die enge Sphäre der Modellanbieter und gewinnt als Kalkulationsgröße für konkrete Anwendungen an Bedeutung.

Die internationale Entwicklung lässt sich dennoch nicht auf eine einfache Arbeitsteilung reduzieren. Die amerikanischen Anbieter skalieren ihre Modelle ebenfalls industriell, während die chinesischen Unternehmen eigene Modelle, Cloud-Dienste und Plattformarchitekturen entwickeln. Erkennbar ist jedoch eine gemeinsame wirtschaftliche Logik: Die Nutzung der generativen KI wird über eine technisch definierte Einheit erfasst und in ein marktfähiges Leistungsangebot überführt. 

Damit verändert sich zugleich die Softwareökonomie. Die tokenbasierte Abrechnung erfindet nicht das verbrauchsabhängige Softwaregeschäft. Die Cloudanbieter berechnen die Rechenzeit, den Speicher und den Datenverkehr seit Langem nach dem tatsächlichen Verbrauch. Die generative KI verschiebt dieses Prinzip jedoch bis in den einzelnen Arbeitsvorgang. Jede Zusammenfassung, jede Analyse, jede Übersetzung und jeder Programmentwurf erzeugen einen messbaren Verbrauch, dessen Kosten von der Eingabe, der Ausgabe und dem gewählten Modell abhängen.

Die wirtschaftliche Bedeutung des Tokens erschöpft sich nicht in der Preisbildung der Modellanbieter. Wo der Verbrauch gemessen wird, kann er budgetiert, verteilt und kontrolliert werden. Unternehmen können die Nutzungskosten einzelnen Abteilungen, Produkten oder Prozessschritten zuordnen und prüfen, welche Anwendung einen hinreichenden wirtschaftlichen Nutzen erzeugt.

Damit entsteht eine neue Ebene der Kostenrechnung. Ein Unternehmen wird künftig nicht allein fragen, wie viele Arbeitsstunden ein Vorgang beansprucht oder welche Lizenzkosten eine Anwendung verursacht. Es wird ebenso prüfen, wie viele Token ein Prozess verbraucht, welches Modell dafür eingesetzt wird und ob die erzielte Zeitersparnis oder Qualitätsverbesserung die entstehenden Kosten rechtfertigt.

Der Token wird dadurch nicht selbst zum Produktionsfaktor. Er ist weder ein Rechenzentrum noch ein Modell, weder ein Datenbestand noch eine menschliche Kompetenz. Er bildet jedoch die Kalkulationsgröße, über welche ein Teil dieses Produktionsmitteleinsatzes wirtschaftlich erfasst wird. Gerade diese begriffliche Grenze ist wichtig: Der Token misst den Umfang der Nutzung, nicht ihren Ertrag. 

Ein hoher Tokenverbrauch kann deshalb unterschiedliche Ursachen haben. Er kann auf eine wachsende Nachfrage, auf komplexere Anwendungen oder auf eine ineffiziente Modellnutzung verweisen. Erst das Verhältnis zwischen dem Verbrauch, den Kosten und dem wirtschaftlichen Ergebnis erlaubt eine betriebswirtschaftliche Bewertung. Der Token macht die Nutzung sichtbar; ob sie produktiv ist, bleibt eine eigenständige Frage.

Mit der zunehmenden Integration der generativen KI dürfte der Token auch für die Unternehmenssteuerung an Bedeutung gewinnen. Projekte lassen sich nicht mehr allein nach den Personal- und Investitionskosten unterscheiden. Hinzu kommen die laufenden Kosten der Modellnutzung, die je nach Aufgabenstellung, Anbieter und Qualitätsanforderung erheblich variieren können.

Die Unternehmen müssen deshalb entscheiden, wo ein leistungsfähigeres und teureres Modell erforderlich ist und wo ein kleineres Modell ausreicht. Sie können die Länge der Eingaben begrenzen, wiederkehrende Inhalte zwischenspeichern, die Ausgaben verdichten oder einzelne Aufgaben lokal bearbeiten. Die Optimierung des Tokenverbrauchs wird damit zu einem Bestandteil der Prozessgestaltung.

Diese Entwicklung verändert auch die Beschaffung. Bislang stand bei der Auswahl einer Software häufig der Funktionsumfang im Vordergrund. Bei einer KI-Anwendung treten die laufenden Nutzungskosten stärker hervor. Der wirtschaftliche Vergleich muss daher die Modellqualität, die Geschwindigkeit, die Datenschutzanforderungen und die Kosten je nutzbarer Anfrage zusammenführen. 

Die tokenbasierte Steuerung besitzt allerdings klare Grenzen. Unterschiedliche Modelle zerlegen denselben Text nicht zwingend in dieselbe Zahl von Token. Auch die Qualität der Ergebnisse lässt sich aus dem Verbrauch nicht ableiten. Ein preisgünstiges Modell kann für eine einfache Aufgabe ausreichen, bei einer anspruchsvollen Analyse jedoch höhere Folgekosten verursachen, wenn sein Ergebnis überprüft oder korrigiert werden muss. Die betriebliche Kalkulation darf den Token deshalb nicht isoliert betrachten.

Die tokenbasierte Kostenstruktur verändert nicht nur die Unternehmenssteuerung, sondern zunehmend auch die Bewertung der KI-Unternehmen am Kapitalmarkt. Bislang richtet sich die Aufmerksamkeit der Investoren vor allem auf die Modellqualität, die Nutzerzahlen, die Investitionsausgaben und die verfügbaren Rechenzentrumskapazitäten. Mit der Verbreitung tokenbasierter Geschäftsmodelle gewinnt jedoch eine weitere Frage an Bedeutung: Wie effizient lässt sich der steigende Verbrauch künstlicher Intelligenz in nachhaltige Erträge überführen?

Die Zahl der verarbeiteten Token besitzt für sich genommen keinen Bewertungsgehalt. Ein wachsendes Volumen kann sowohl auf eine steigende Nachfrage als auch auf sinkende Preise oder eine geringe Ertragsqualität hinweisen. Aussagekräftig wird die Kennzahl erst im Zusammenhang mit dem erzielten Umsatz, den Inferenzkosten und der Auslastung der Infrastruktur. Entscheidend ist, welchen Umsatz ein Anbieter je verarbeitetem Token erzielt, wie schnell die Kosten der Modellinferenz sinken und ob sich die zunehmende Nutzung in steigende Margen und einen höheren freien Cashflow übersetzen lässt.

Damit rücken neue operative Kennzahlen in den Mittelpunkt der Analyse. Neben den Investitionen in die Rechenzentren, die Chips und die Netzinfrastruktur wird künftig stärker zu prüfen sein, wie hoch die Auslastung dieser Kapazitäten ist und welche Erträge daraus erwachsen. Hohe Investitionsausgaben allein begründen noch keinen Unternehmenswert. Erst wenn die Infrastruktur dauerhaft ausgelastet wird und die zusätzliche Nutzung steigende Gewinne erzeugt, entsteht ein tragfähiges Geschäftsmodell. 

Der Token wird dadurch zu einer vermittelnden Größe zwischen der Technologie und der Unternehmensbewertung. Er ersetzt weder den Umsatz noch den Gewinn oder den freien Cashflow. Er schafft jedoch die wirtschaftliche Verbindung zwischen der technischen Nutzung künstlicher Intelligenz und ihrer finanziellen Monetarisierung. Für Investoren dürfte deshalb künftig weniger die absolute Zahl der verarbeiteten Token als der Ertrag maßgeblich sein, der sich aus diesem Verarbeitungsvolumen erwirtschaften lässt.

Der Token entstand als technische Verarbeitungseinheit großer Sprachmodelle. Mit der kommerziellen Nutzung generativer KI hat er jedoch eine zweite Funktion übernommen: Er dient der Messung, der Bepreisung und der Kalkulation ihres Einsatzes. Damit verbindet er die technische Verarbeitung mit ihrer ökonomischen Erfassung.

Ob daraus eine dauerhafte Maßeinheit entsteht, lässt sich gegenwärtig noch nicht abschließend beurteilen. Die Wirtschaftsgeschichte zeigt jedoch, dass sich neue Produktionsweisen erst dann etablieren, wenn ihr Ressourceneinsatz vergleichbar, ihre Leistungen bewertbar und ihre Kosten zurechenbar werden.

Je stärker generative KI in die betrieblichen Prozesse eingeht, desto häufiger müssen die Unternehmen ihre Nutzung planen, budgetieren und bewerten. Der Token könnte hierfür eine gemeinsame Kalkulationsgrundlage bilden. Er bemisst dabei weder die Qualität eines Ergebnisses noch dessen Wert, sondern den Umfang der dafür beanspruchten technischen Leistung. 

Seine historische Reichweite entscheidet sich daher in der Unternehmenspraxis. Wird der Token dort ebenso selbstverständlich verwendet wie die Arbeitsstunde, der Energieverbrauch oder der Materialeinsatz, könnte er sich rückblickend als jene Maßeinheit erweisen, durch welche die künstliche Intelligenz kalkulierbar und damit zu einem regulären Bestandteil der betrieblichen Wertschöpfung geworden ist.