Viele Unternehmen geben gerade viel zu viel Geld für KI aus — ohne es zu merken. Ich sehe es bei Kunden, die zu uns kommen, nachdem sie ein anderes IT-Haus oder eine Unternehmensberatung beauftragt haben:
Die Software funktioniert. Aber sie ist komplett ineffizient gebaut. Jede Nutzeranfrage feuert riesige Prompts ab, ganze Dokumente werden bei jedem Call mitgeschickt, und am Monatsende stehen Token-Kosten, bei denen man sich ernsthaft fragen muss, ob der ROI das noch rechtfertigt. Das Problem ist fast nie die KI selbst. Das Problem ist die Orchestrierung. Wer KI-Software baut, ohne auf Token-Effizienz zu achten, baut im Grunde einen Ferrari, der im ersten Gang über die Autobahn fährt. Er kommt an — aber zu welchem Preis?
Was wir bei SLS Strategy anders machen: Wir denken Token Spreading von Anfang an mit. Das heißt konkret — wie zerlege ich eine Aufgabe so, dass das LLM möglichst wenig Kontext braucht, um ein präzises Ergebnis zu liefern? Wo reicht ein kleines Modell? Wo brauche ich ein großes? Welche Vorarbeit kann ein Agent leisten, bevor überhaupt ein Token verbraucht wird?
Das Ergebnis: Wir bauen KI-Tools, die pro Mitarbeiter wenige Euro im Monat an Tokenkosten verursachen. Nicht hunderte. Nicht tausende. Wenige Euro. Und das ist kein Kompromiss bei der Qualität — es ist besseres Engineering. Wer eine KI-Strategie plant, sollte nicht nur fragen: Was kann KI für uns tun? Sondern auch: Was darf es kosten — und wer baut es so, dass es auch in zwei Jahren noch wirtschaftlich ist?
Token-Effizienz ist kein Technik-Detail. Es ist eine strategische Entscheidung.
