Bei Google I/O 2026 zeigte Sundar Pichai eine Grafik zur Token-Nutzung.
Sie nennt 9,7 Billionen Tokens pro Monat für Mai 2024, 480 Milliarden für Mai 2025 und 3,2 Billiarden für Mai 2026 sowie ein siebenfaches Jahreswachstum. Diese Zahlen stammen aus dem Originalartikel. Die Werte für 2024 und 2025 ergeben keine durchgehend steigende Reihe und sollten auch nicht so gelesen werden.
Mein erster Gedanke bei der steilen Kurve: Das können Menschen nicht alles selbst eingetippt haben.
Selbst Hunderte Millionen Nutzer von ChatGPT, Gemini und Claude stoßen bei manuellen Eingaben an Grenzen. Ich deute das Wachstum als Zeichen der Automatisierung: Systeme kommunizieren miteinander, Pipelines versorgen andere Pipelines, und Agenten verarbeiten fortlaufend Tokens. Das ist eine Interpretation der Grafik, keine gemessene Aufteilung ihres Datenverkehrs.
Tokens als Einheit für Rechenarbeit
In den 2010er-Jahren beschrieben GPU-Stunden und TPU-Kapazität die Möglichkeiten von Cloud-Plattformen. Tokens bieten eine weitere Einheit, um über Arbeit mit Sprachmodellen zu sprechen.
Eingabetokens liefern Kontext, Ausgabetokens stehen für erzeugte Inhalte. Der Originalartikel behandelt den Verbrauch als Näherung für die eingesetzte intellektuelle Arbeit der KI. Für die Planung von Arbeitslasten kann das helfen; allein die Menge belegt aber keine Antwortqualität.
Das illustrative Beispiel im Artikel vergleicht eine zweistündige menschliche Vertragsprüfung mit 50.000 Tokens und 30 Sekunden in einem KI-Ablauf. Bei 10.000 Verträgen pro Jahr wären das 20.000 Arbeitsstunden oder 500 Millionen Tokens. Der Originaltext schätzt einige Hundert Dollar API-Kosten. Das sind Szenarioannahmen, kein aktuelles Preisangebot und kein geprüfter Benchmark einer vollständigen Vertragsprüfung.
Praktisch stellt sich die Frage, ob ein geeigneter Ablauf tatsächlich läuft.
Manuelle Nutzung hat eine Obergrenze
Ein Chatfenster öffnen, eine Frage stellen, die Antwort lesen und das Fenster schließen benötigt menschliche Zeit. Ein Achtstundentag lässt sich nicht beliebig ausdehnen. Der Artikel stellt diese Grenze Googles angegebener Rate von 19 Milliarden Tokens pro Minute gegenüber.
Eine automatisierte Pipeline braucht keine dauernden Tastatureingaben. Abhängig von ihrer Arbeitslast könnte ein Agent in drei Monaten mehr Tokens verarbeiten als ein Mitarbeiter bei manueller Nutzung in einem Jahr.
Die Token-Maxi-Idee lautet deshalb: Systeme bauen, die KI für uns einsetzen, statt sich nur auf mehr persönliche Chat-Sitzungen zu verlassen.
Drei Ebenen der Automatisierung
Die erste Ebene ist eine Prompt-Pipeline. Wiederkehrende Prompts werden in Code verpackt, zeitgesteuert ausgelöst und ihre Ergebnisse gespeichert oder als Nachricht weitergegeben. Beispiele sind morgendliche Nachrichtenübersichten, Begrüßungsmails für neue Kunden und Erläuterungen von Monatsberichten. Ein kleiner Python-Ablauf kann dafür ein Einstieg sein.
Die nächste Ebene gibt Agenten Werkzeuge für Suche, Datenbankabfragen, API-Aufrufe und Codeausführung. Sie können handeln und antworten. Zuverlässigkeit wird zur zentralen Aufgabe: Werkzeuge fallen aus, Agenten irren sich, und der Kontext wird zu groß. Harness, Fehlerbehandlung und Wiederholungslogik sind entscheidend.
Auf der dritten Ebene arbeiten mehrere Agenten an Recherche, Text, Prüfung und Formatierung. Ihre Ergebnisse werden zusammengeführt. Meiner Einschätzung nach könnten viele parallel betriebene Unternehmenspipelines einen erheblichen Teil des Wachstums erklären. Die Grafik selbst belegt diese Verteilung nicht.
Den Token-ROI an Ergebnissen messen
Statt zuerst nach geringeren Tokenkosten zu fragen, sollte man prüfen, welches Ergebnis die Tokens geliefert haben.
Der Originaltext vergleicht 100.000 Tokens für eine Kreditdokumentenprüfung mit drei Stunden juristischer Arbeit, 10.000 Tokens für Werbetext, der einen Kunden gewinnt, und 5.000 Tokens für eine Wetterfrage. Der Wert hängt vom tatsächlichen Ergebnis und der ersetzten Arbeit ab. Die im Artikel erwähnte mögliche Rendite im Hundertfachen ist ein Rechenbeispiel.
Tokenverbrauch ist ein Mittel. Wiederkehrende kognitive Arbeit soll automatisiert werden, während Menschen Urteilsvermögen, Beziehungen, Kreativität und ethische Entscheidungen übernehmen.
Betriebserfahrung kann sich aufbauen
Wer früh automatisiert, sammelt Eingaben, Ausgaben, Fehler und Erfolge. Diese Aufzeichnungen können nach drei Monaten oder einem Jahr Verbesserungen ermöglichen. Dafür müssen die Daten ausgewertet werden; Verbrauch allein trainiert oder korrigiert ein System nicht automatisch.
Der Originalartikel vergleicht diesen Aufbau mit Googles gemeldetem Tokenwachstum über zwei Jahre. Der belastbare betriebliche Gedanke ist, dass ein laufendes System eine Historie besitzt, die einem neu gebauten fehlt.
Wiederholt sich eine kognitive Aufgabe mehr als dreimal pro Woche und hat sie stabile Ein- und Ausgaben, lohnt sich eine Prüfung der Automatisierung. Beginne mit einem begrenzten Ablauf und miss die Ergebnisse. Der Nutzen entsteht durch wiederholt brauchbare Arbeit, nicht durch den Tokenverbrauch an sich.