Gartner-Prognose: 2028 wird KI-Coding teurer als Entwicklergehälter

Dieser Beitrag basiert auf dem Artikel „Prognose: 2028 wird KI-Coding teurer als Entwicklergehälter” von Axel Kannenberg auf heise online. Den Originalartikel findest du unter heise.de.

Die Gartner-Prognose trifft einen Nerv, der in der Branche bisher zu wenig diskutiert wird. Während alle über Produktivitätsgewinne durch KI-Coding reden, wachsen im Hintergrund die Token-Rechnungen schneller als jeder ROI. Der Zeitpunkt, an dem KI-Coding mehr kostet als der Entwickler selbst, rückt laut den Marktforschern in greifbare Nähe.

Die Prognose: 2028 als Kipppunkt

Gartner-Analyst Nitish Tyagi prognostiziert, dass die Tokenkosten pro Entwickler bis 2028 den globalen Durchschnittslohn eines Softwareentwicklers übersteigen werden. Die Berechnung basiert auf einem weltweiten Mittelwert von rund 2.000 US-Dollar pro Monat. Das liegt deutlich unter dem, was Entwickler in Deutschland oder den USA verdienen.

Wichtig ist die Einordnung: Es geht um den globalen Durchschnitt, nicht um jedes individuelle Gehalt. In den USA oder Deutschland liegen Entwicklergehälter um ein Vielfaches darüber. Aber sechs Prozent der Unternehmen erreichen laut Gartnerdaten bereits heute Token-Kosten von über 2.000 US-Dollar pro Entwickler pro Monat. Das übersteigt schon jetzt das typische Gehalt indischer Entwickler mittlerer und höherer Erfahrungsstufen.

Zwei Faktoren treiben diese Entwicklung. Erstens steigt der Tokenverbrauch mit der Komplexität der Aufgaben und dem Einsatz agentischer Workflows. Zweitens stellen die Anbieter zunehmend auf verbrauchsbasierte Abrechnungsmodelle um. Beides zusammen ergibt eine Kostendynamik, die viele Unternehmen unterschätzen.

Die Realität: Budgets aufgebraucht, Nutzen unklar

Die Prognose bestätigt sich bereits in der Praxis. Im April hatte Uber-CTO Praveen Neppalli Naga öffentlich erklärt, dass das jährliche Token-Budget der Firma bereits aufgebraucht sei. Im Mai legte Uber-Präsident Andrew Macdonald nach: Der Nutzen des KI-Einsatzes sei ebenfalls nicht klar. Ein Zuwachs an nützlichen Funktionen für Verbraucher habe sich nicht abgezeichnet.

Das ist bemerkenswert. Uber ist kein kleines Startup, das naiv in KI investiert hat. Es ist ein Technologiekonzern mit tiefem Engineering-Know-how. Wenn selbst dort das Token-Budget vor Jahresende aufgebraucht ist und der Nutzen nicht belegt werden kann, sagt das viel über den aktuellen Stand der KI-Ökonomie aus.

In Deutschland zeigt sich ein ähnliches Bild. Laut einer Bitkom-Umfrage ist rund ein Drittel der befragten Unternehmen von den Kosten ihres KI-Einsatzes überrascht worden. Überraschung bei Kosten ist ein anderes Wort für fehlende Planung. Und genau darin liegt das strukturelle Problem.

Warum die Kosten außer Kontrolle geraten

Gartner identifiziert drei konkrete Ursachen für die Kostenexplosion.

Fehlende Transparenz der Anbieter. Die Berechnung und Abrechnung des Token-Verbrauchs ist intransparent. Integrierte Funktionen zur Kostenoptimierung in KI-Codierungsagenten fehlen. Unternehmen können ihre Kosten weder exakt prognostizieren noch gezielt kontrollieren.

Unkontrollierte Autonomie in agentischen Workflows. KI-Agenten, die eigenständig iterieren, verbrauchen exponentiell mehr Tokens als eine einzelne Prompt-Antwort. Jeder Loop, jeder Retry, jeder erweiterte Kontextabruf kostet. Ohne Governance-Mechanismen wie Token-Limits oder Abbruchbedingungen wachsen die Kosten mit jeder agentengesteuerten Iteration.

Überladene Kontextfenster. Entwickler neigen dazu, möglichst viel Kontext in den Prompt zu laden. Mehr Kontext bedeutet bessere Ergebnisse, so die Intuition. In der Praxis bedeutet es vor allem mehr Tokens pro Anfrage, und die Qualitätsverbesserung jenseits eines bestimmten Kontextumfangs ist fraglich.

Tyagis Einschätzung ist dabei ungeschönt: Mehr Disziplin beim Tokenverbrauch werde nicht allein aus den Entscheidungen der Entwickler erwachsen. Die neigten eher zu Komfort und Schnelligkeit als zu Kosteneffizienz. Das deckt sich mit einer Beobachtung, die sich durch mehrere unserer Analysen zieht. Wer die Geschwindigkeit einmal erlebt hat, optimiert ungern auf Sparsamkeit. Das ist menschlich, aber betriebswirtschaftlich gefährlich.

Der Widerspruch zur Produktivitätsrevolution

Diese Prognose steht in einem interessanten Spannungsverhältnis zu dem, was wir bei der Enterprise-KI-Entwicklung mit Faktor 93 gesehen haben. Dort lagen die gesamten KI-Kosten bei 1.620 Euro für neun Monate. Das Ergebnis waren 420.000 Zeilen Code mit 0 Prozent strukturellen Schulden.

Der Unterschied liegt im Ansatz. Das Experiment nutzte Flatrate-Abonnements und einen penibel optimierten Harness, der unnötigen Tokenverbrauch durch klare Richtlinien minimierte. Die Gartner-Prognose beschreibt das Gegenteil: Unternehmen, die ohne Governance-Strukturen und ohne Kostenoptimierung KI-Agenten auf ihre Codebases loslassen.

Beide Szenarien sind real. Und genau darin liegt die Kernaussage. KI-Coding kann extrem kosteneffizient sein, wenn der Einsatz kontrolliert und strukturiert erfolgt. Ohne diese Kontrolle ist es ein offener Kostenkanal, der schneller wächst als der Nutzen.

Was das für die Branche bedeutet

Die Gartner-Prognose ist kein Argument gegen KI-Coding. Sie ist ein Argument gegen unkontrolliertes KI-Coding. Die Unterscheidung ist entscheidend.

Unternehmen, die ihre Entwickler entlassen und auf KI gesetzt haben, stehen jetzt vor einer doppelten Belastung: steigende Token-Kosten und fehlende menschliche Expertise zur Kontrolle. Wer die Entwickler abgebaut hat, die den Output der KI bewerten können, zahlt jetzt für beide Fehler gleichzeitig.

Gartner empfiehlt als Gegenmaßnahmen: Tokenschwellenwerte mit automatisierter Überwachung. Aufgaben segmentieren, damit kleinere Modelle für einfache Aufgaben eingesetzt werden und Spitzenmodelle nur bei komplexen Aufgaben mit hoher Wertschöpfung zum Einsatz kommen. Entwickler schulen, ihre Prompts auf Sparsamkeit zu optimieren, indem sie nur relevante Informationen einbeziehen und Inhalte zusammenfassen.

Das sind sinnvolle Empfehlungen. Aber sie greifen zu kurz, wenn die grundlegende Architektur des KI-Einsatzes nicht stimmt. Token-Limits helfen nichts, wenn die Aufgabenstellung selbst ineffizient ist. Prompt-Optimierung hilft nichts, wenn die Fundamente fehlen, um zu wissen, welcher Kontext tatsächlich relevant ist.

Die eigentliche Frage

Die Kosteneskalation bei KI-Coding ist kein technisches Problem. Sie ist ein Governance-Problem. Unternehmen, die KI-Tools ohne klare Betriebsmodelle, ohne Token-Budgets und ohne Kompetenz zur Bewertung des Outputs einsetzen, werden genau die Kosten erleben, die Gartner prognostiziert.

Die Preisspirale dreht sich laut Tyagi weiter: „Die Kosten für KI-Coding werden weiter steigen, da Infrastrukturinvestitionen und Herausforderungen bei der Rentabilität die Modellpreise in die Höhe treiben.” Das ist keine Überraschung. Es ist die logische Konsequenz eines Marktes, in dem die Anbieter Milliarden in Infrastruktur investieren und diese Kosten irgendwann weitergeben müssen.

Die Frage ist nicht, ob KI-Coding seinen Preis hat. Die Frage ist, ob die Unternehmen den Preis kontrollieren oder ob der Preis sie kontrolliert.