📈 economics

A Commodity-Indexed Pricing Framework for Autonomous AI Agents

Dieses Paper schlägt ein auf Rohstoffindizes basierendes, dreiteiliges Preisgestaltungsmodell vor, das aus langfristigen LNG-Verträgen adaptiert wurde, um die Umsatzherausforderungen zu bewältigen, die KI-Agenten für traditionelle SaaS-Modelle darstellen, indem es Infrastrukturkosten, Wertschöpfung und Plattformgebühren trennt und gleichzeitig die Inference Capture Ratio als eine zentrale Kennzahl zur Zustandsbestimmung einführt.

Ursprüngliche Autoren: Abha Dalmia

Veröffentlicht 2026-06-25

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Abha Dalmia

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Die „selbstsabotierende“ Software

Stellen Sie sich vor, Sie führen ein Taxiunternehmen. Sie berechnen den Kunden 10 $ pro Fahrt. Wenn Sie 100 Fahrer einstellen, verdienen Sie sehr gutes Geld.

Stellen Sie sich nun vor, Sie erfinden einen selbstfahrenden Roboter, der so gut ist, dass er die Arbeit von 100 menschlichen Fahrern erledigen kann. Ihre Kunden lieben ihn, weil er günstiger und schneller ist. Sie entlassen die 100 menschlichen Fahrer und kaufen stattdessen nur einen einzigen Roboter.

Hier liegt der Haken: Da Ihr Preismodell auf Basis „pro Fahrer“ basiert, bricht Ihr Umsatz von 1.000 $ auf 10 $ ein. Sie haben ein Produkt gebaut, das so gut ist, dass es Ihr eigenes Geschäft zerstört hat.

Genau das passiert heute bei Softwareunternehmen (SaaS). Sie verkaufen Software nach „Sitzen“ (pro Nutzer). Aber jetzt können KI-Agenten die Arbeit vieler Menschen erledigen. Je besser die KI wird, desto weniger Menschen müssen Sitze kaufen, und das Softwareunternehmen verliert Geld.

Die gescheiterten Lösungen

Die Arbeit besagt, dass Unternehmen zwei andere Wege versucht haben, um dies zu beheben, aber beide haben große Lücken:

Abrechnung nach „Token“ (Cost-Plus): Das ist so, als würde man dem Kunden jede einzelne Tropfen Benzin berechnen, den der Roboter verbraucht.
- Das Problem: Kunden bekommen Angst. Sie sehen die Rechnung in Echtzeit ansteigen und hören auf, den Roboter zu nutzen, um Geld zu sparen, selbst wenn der Roboter teure Probleme für sie löst. Sie enden dabei, „auf den Zähler zu schauen“, anstatt den Wert zu sehen.
Abrechnung nur nach Erfolg (Pure Outcome): Das ist so, als würde man sagen: „Ich bekomme nur bezahlt, wenn der Roboter das Problem löst.“
- Das Problem: Wenn der Roboter 100 Versuche macht und 25 Mal scheitert, zahlt das Unternehmen für alle 100 Versuche, erhält aber nur für die 75 Erfolge eine Bezahlung. Wenn der Roboter etwas fehlerhaft arbeitet, verliert das Unternehmen schnell Geld. Das Risiko für den Verkäufer ist zu hoch.

Die Lösung: Das „LNG“-Rezept

Der Autor fand eine Lösung an einem unerwarteten Ort: bei LNG-Verträgen (Verflüssigtes Erdgas).

Seit 40 Jahren werden Erdgasprodukte gekauft und verkauft. Die Preise für Öl und Gas schwanken täglich massiv. Wenn man einfach den aktuellen Marktpreis berechnen würde, würde eine Seite pleitegehen. Wenn man den Preis ewig festschreibt, würde die andere Seite Geld verlieren.

Deshalb wurde eine dreiteilige Formel erfunden, die das Risiko ausbalanciert:

Preis = (Kosten für Gas) + (Wert der Lieferung) + (Mindestgarantie)

Die Arbeit schlägt vor, dass KI-Unternehmen genau dieses Rezept anwenden sollten.

Die drei Teile des KI-Preisschilds

1. Der „Durchlauf“ (Die Kosten für Gas)

Was es ist: Das KI-Unternehmen gibt die tatsächlichen Kosten für die Computerchips und API-Gebühren direkt an den Kunden weiter.
Die Analogie: Stellen Sie sich vor, Sie engagieren einen Klempner. Sie bezahlen den Stundenlohn des Klempners direkt. Wenn die Gewerkschaft die Löhne erhöht, zahlen Sie etwas mehr. Wenn sie die Preise senken, zahlen Sie weniger.
Warum es funktioniert: Das KI-Unternehmen muss die Kosten nicht erraten. Es gibt sie einfach weiter. Der Kunde zahlt für den „Kraftstoff“, den die KI verbraucht.

2. Der „Wertanteil“ (Der Lieferungsbonus)

Was es ist: Das Unternehmen nimmt einen kleinen Prozentsatz des Werts, den die KI schafft.
Die Analogie: Der Klempner berechnet nicht nur das Benzin; er verlangt einen Bonus, weil er Ihr überflutetes Kellergeschoss gerettet und Sie so vor 5.000 $ Wasserschaden bewahrt hat. Wenn er 5.000 $ einspart, könnte er um 1.000 $ dieser Ersparnis bitten.
Warum es funktioniert: Wenn die KI eine großartige Arbeit leistet, verdient das Unternehmen Geld. Wenn die KI nichts bewirkt, erhält das Unternehmen keinen Bonus. Dies bringt die Ziele aller Beteiligten in Einklang.

3. Die „Untergrenze“ (Die Mindestgarantie)

Was es ist: Eine kleine monatliche Gebühr, die der Kunde zahlt, egal was passiert.
Die Analogie: Dies ist wie eine „Take-or-Pay“-Klausel. Selbst wenn Sie diesen Monat kein Gas verbrauchen, zahlen Sie trotzdem eine kleine Gebühr, um die Pipeline offen zu halten und das Licht in der Fabrik brennen zu lassen.
Warum es funktioniert: Es deckt die Fixkosten des KI-Unternehmens ab (Server, Ingenieure, Miete), damit es nicht bankrottgeht, wenn der Verbrauch sinkt.

Die Kennzahl zur „Gesundheitsprüfung“: ICR

Die Arbeit führt eine neue Methode ein, um zu messen, ob dieses Geschäft gesund ist, genannt Inference Capture Ratio (ICR).

Die Analogie: Denken Sie an die Gewinnspanne eines Limonadenstandes.
- Wenn Sie einen Becher für 1 $ verkaufen und die Herstellung 1 $ kostet (Zitronen + Zucker), ist Ihr Verhältnis 1,0. Sie erreichen gerade so die Gewinnschwelle.
- Wenn Sie ihn für 2,50 $ verkaufen und er 1 $ kostet, ist Ihr Verhältnis 2,5. Sie sind gesund und können wachsen.
Das Ziel: Die Arbeit besagt, dass KI-Unternehmen ein Verhältnis von 2,5 oder höher anstreben sollten. Das bedeutet, dass sie für jeden 1 $, den sie an KI-Kosten ausgeben, 2,50 $ an Umsatz generieren. Wenn das Verhältnis unter 1,0 fällt, macht das Unternehmen Verlust.

Beweis aus der Praxis

Die Arbeit betrachtet große Unternehmen wie Salesforce, Microsoft und Zendesk.

Sie haben versucht, nur nach „Konversationen“ abzurechnen (nur Wertanteil), wurden aber von Finanzabteilungen abgelehnt, weil die Rechnungen unvorhersehbar waren.
Sie haben versucht, nur nach „Aktionen“ abzurechnen (nur Kosten-Durchlauf), woraufhin die Kunden das Tool weniger nutzten.
Das Ergebnis: Alle bewegen sich langsam auf das Dreiteil-Modell (Kosten + Wert + Untergrenze) zu, weil dies der einzige Weg ist, der für alle funktioniert.

Das Sicherheitsnetz: Der „Leistungsschutzschalter“

Die Arbeit warnt auch vor „durchdrehenden Robotern“ (KI, die in einer Endlosschleife stecken bleibt und tausende Anrufe tätigt).

Die Lösung: Genau wie ein Sicherungskasten im Haus den Strom abschaltet, wenn eine Spannungsspitze auftritt, benötigt das KI-Abrechnungssystem einen Leistungsschutzschalter (Circuit Breaker). Wenn die Kosten unerwartet in die Höhe schnellen, stoppt das System automatisch die KI und alarmiert die Menschen, bevor die Rechnung zum Desaster wird.

Zusammenfassung

Die Arbeit argumentt, dass die alte Art, Software zu verkaufen (pro Person), kaputt ist, weil KI Menschen ersetzt. Der neue Weg ist es, die Erdgasindustrie zu kopieren:

Geben Sie die rohen Computer-Kosten an den Kunden weiter.
Teilen Sie sich am Wert, den die KI schafft.
Behalten Sie eine kleine Mindestgebühr, um im Geschäft zu bleiben.

Dies hält das Softwareunternehmen sicher vor Verlusten, schützt den Kunden vor „Rechnungsschock“ und stellt sicher, dass alle gewinnen, wenn die KI gute Arbeit leistet.

Technisches Resümee: Ein rohstoffindexiertes Preisgestaltungsmodell für autonome KI-Agenten

Problemstellung
Das Paper identifiziert ein strukturelles Versagen des traditionellen Software-as-a-Service (SaaS)-Geschäftsmodells im Zuge der Reifung autonomer KI-Agenten. Das Kernproblem ist die Entkopplung des Softwarewerts von der menschlichen Mitarbeiterzahl (Headcount). Im traditionellen Pro-Seat-Modell skaliert der Umsatz mit der Anzahl der Nutzer. Da jedoch ein einzelner KI-Agent mehrere menschliche Nutzer ersetzen kann (z. B. ein Agent, der 80 % der Support-Tickets löst), sinkt die Seat-Anzahl des Kunden, während der gelieferte Wert steigt. Dies schafft einen paradoxen Anreiz, bei dem die technische Exzellenz eines Anbieters dessen Umsatz direkt zerstört.

Bestehende Preisalternativen werden als unzureichend eingestuft:

Pro-Seat-Pricing: Versagt, da der Wert nicht mehr proportional zur Nutzerzahl ist.
Cost-Plus-Pricing (Aufschlagskalkulation): Löst das Problem der Solvenz des Anbieters, schafft aber ein „Meter-Watching“-Problem, bei dem Kunden die Nutzung einschränken, um Kosten-Schocks zu vermeiden, wodurch der volle Wert des Ergebnisses nicht ausgeschöpft wird.
Reines Outcome-Pricing (Ergebnisorientierte Preisgestaltung): Überträgt das gesamte Risiko der Inferenzkosten (z. B. fehlgeschlagene Versuche, Modellinstabilität, Endlosschleifen) auf den Anbieter. Bei Skalierung stellt dies ein Insolvenzrisiko dar, da eine sinkende Erfolgsquote oder ein Anstieg der Token-Kosten die Margen sofort vernichten kann.

Methodik und Framework
Die Autoren schlagen ein Preisgestaltungsmodell vor, das aus langfristigen LNG-Verträgen (verflüssigtes Erdgas) adaptiert wurde, welche seit Jahrzehnten erfolgreich volatile Rohstoffpreise und hohe Fixkapitalkosten bewältigen. Die vorgeschlagene Formel für einen Abrechnungszyklus $T$ lautet:

$P = \sum_{i=1}^{n}(\alpha_i \cdot C_i) + \beta \cdot V + \gamma$

Wobei:

Infrastruktur-Term ( $\sum \alpha_i \cdot C_i$ ): Eine Multi-Provider-Kostenweitergabe. Im Gegensatz zu einem einzelnen gemittelten Koeffizienten zerlegt dieser Term die Kosten nach dem Inferenz-Provider ( $i$ ). $\alpha_i$ repräsentiert den Infrastruktur-Koeffizienten (festgesetzt auf die aktuellen API-Kosten des Providers) und $C_i$ ist der Verbrauch (Tokens, Aufrufe, Minuten). Dies stellt sicher, dass der Anbieter nicht der Volatilität des Upstream-Rohstoffs (LLM-Tokens) ausgesetzt ist.
Value Capture Term ( $\beta \cdot V$ ): Ein Anteil am Wert des Ergebnisses. $\beta$ ist ein vertikalspezifischer Wertmultiplikator und $V$ ist der quantifizierte generierte Wert (z. B. gelöste Tickets, qualifizierte Leads). Dies erfasst das Aufwärtspotenzial der KI-Effizienz.
Plattform-Basis ( $\gamma$ ): Ein garantierter Mindestumsatz (analog zu einer „Take-or-Pay“-Klausel in LNG-Verträgen). Dieser deckt die fixen Infrastrukturkosten (F&E, Orchestrierung, SLA-Support) unabhängig vom Nutzungsvolumen ab und sichert so die grundlegende Solvenz.

Zentrale Beiträge

Die Drei-Term-Preisstruktur: Das Paper führt ein hybrides Modell ein, das gleichzeitig die Kosten des Anbieters schützt (über $\alpha$ und $\gamma$ ), den Wert des Ergebnisses erfasst (über $\beta$ ) und den Enterprise-Kunden berechenbare Umsatzbaselines bietet.
Multi-Provider-Dekomposition: Das Framework adresset explizit die Realität, dass agentische Systeme Aufgaben über mehrere LLM-Provider routen (z. B. unterschiedliche Modelle für Reasoning, Vision oder Voice). Es argumentiert für separate Durchreichungs-Koeffizienten ( $\alpha_i$ ) statt eines einzigen gemittelten Satzes, um die Margenintegrität bei Schwankungen der Einzelanbieterpreise zu wahren.
Der Inference Capture Ratio (ICR): Die Autoren führen eine neue Gesundheitsmetrik ein:
$ICR = \frac{\beta \cdot V}{\sum(\alpha_i \cdot C_i) + \gamma}$
Der ICR misst das Verhältnis zwischen ergebnisorientiertem Umsatz und den gesamten Infrastruktur- und Plattformkosten. Das Paper postuliert einen Zielwert von ICR $\ge$ 2,5x für eine gesunde Monetarisierung, analog zu den Bruttomargenanforderungen im traditionellen SaaS. Im Gegensatz zur Net Revenue Retention (NRR) ist der ICR ein vorausschauendes Planungstool, das aus den Eingangsgrößen ( $\alpha, \beta, \gamma, V, C$ ) berechenbar ist.
Operative Infrastrukturanforderungen: Das Paper beschreibt den notwendigen technischen Stack zur Unterstützung dieses Modells, einschließlich:
- Echtzeit-Multi-Provider-Metering: Asynchrone Ereigniserfassung mit Sub-Cent-Präzision zur Berechnung von $\sum \alpha_i C_i$ ohne Latenz.
- Financial Pane of Glass: Ein Dashboard, das Engineering-Metriken (Tokens, Latenz) in Finanzbegriffe (OPEX, Marge, ROI) übersetzt, konzipiert für CFOs.
- Computational Circuit Breakers (Rechentechnische Schutzschalter): Automatisierte Mechanismen, die Agenten stoppen, falls die stündlichen Kosten statistisch signifikant abweichen (z. B. >3 Standardabweichungen vom Mittelwert), um unkontrollierte Abrechnungsszenarien zu verhindern.

Ergebnisse und Marktbelege
Das Paper präsentiert keine neuen experimentellen Daten, sondern analysiert die Preisentwicklung führender SaaS-Anbieter als empirischen Beleg für eine Konvergenz des Marktes hin zu dieser Struktur:

Salesforce Agentforce: Verfolgt einen Pfad von reinem Outcome-Pricing ($2/Konversation, abgelehnt von CFOs wegen Volatilität) über reines Usage-Pricing ($0,10/Aktion, verursacht „Meter-Watching“) hin zu einem „Flex Agreement“ für 2026, das eine garantierte Basis ( $\gamma$ ), Nutzungskredite ( $\alpha$ ) und den Wert des Ergebnisses ( $\beta$ ) kombiniert.
Microsoft, Intercom und Zendesk: Es wird aufgezeigt, dass diese Unternehmen sich in verschiedenen Stadien befinden, indem sie fehlende Komponenten ihrer Preismodelle hinzufügen (z. B. Ergänzung von Konsumtionsabrechnung zu Seat-Lizenzen oder Einführung von lösungsorientierten Gebühren) und sich damit unbeabsichtigt dem vorgeschlagenen Drei-Term-Framework annähern.

Bedeutung und Thesen
Das Paper behauptet, dass das Preisgestaltungsproblem der KI-Inferenz dieselben strukturellen Zwängen unterliegt wie die LNG-Industrie: volatile Upstream-Rohstoffkosten, hohe Fixkapitalbindung und die Notwendigkeit langfristiger Vertragstabilität. Die Bedeutung des Frameworks liegt in seiner Fähigkeit:

Den Umsatz von der Mitarbeiterzahl zu entkoppeln: Dies ermöglicht es Anbietern, ihren Umsatz stabil zu halten oder zu steigern, selbst wenn KI-Agenten den Bedarf an menschlichen Nutzern reduzieren.
Das Solvenzrisiko zu mindern: Indem sichergestellt wird, dass der Anbieter nicht für die vollen Kosten von Inferenzfehlern oder Token-Preissprüngen haftet.
CFO-lesbare Prognosefähigkeit zu ermöglichen: Durch die Bereitstellung berechenbarer Baselines ( $\gamma$ ) bei gleichzeitiger Partizipation am Aufwärtspotenzial ( $\beta$ ) wird die KI-Adoption für Großunternehmen finanziell tragfähig gemacht.

Die Autoren kommen zu dem Schluss, dass der Markt unabhängig auf diese Struktur zusteuert. Anbieter, die das Framework proaktiv implementieren, können diese Konvergenz schneller erreichen, mit weniger Umsatzvolatilität und mit der notwendigen Metering-Infrastruktur ab dem ersten Tag, anstatt erst nach einer Margenkompression darauf reagieren zu müssen.