Das KI-Budget, über das kaum jemand spricht
Ein teamweites KI-Budget ist nicht einfach 20 Dollar pro Arbeitsplatz mal Kopfzahl. Die tatsächlichen monatlichen Kosten hängen von Rollen, Workflow-Nutzung, Coding-Agenten und der Bewusstheit der Stack-Zuteilung ab.
KI-Adoption ist ein monatlicher Betriebskostenposten
Es gibt eine bequeme Fiktion: KI kostet 20 Dollar pro Arbeitsplatz, und damit ist es getan.
Diese Zahl ist real. Sie ist auch unvollständig. Sie beschreibt ein Chat-Abonnement für eine Person — nicht was passiert, wenn ein Unternehmen KI gleichzeitig in Produkt, Engineering, Design, Marketing, QA und Betrieb einsetzt, jeden Tag, auf echter Arbeit.
Sobald KI in echte Workflows einzieht, verhält sie sich nicht mehr wie ein einfaches Tool-Abonnement, sondern wie Betriebskosten. Nicht weil sie besonders teuer wäre, sondern weil sie alles berührt. Ein Product Manager, der Jira-Tickets mit KI überarbeitet, ein Engineer, der stundenlang Coding-Agenten einsetzt, ein Designer, der Bildvarianten generiert, ein Marketer, der Kampagnentexte entwirft, und ein QA-Lead, der Testmatrizen erstellt — alle haben ein anderes Kostenprofil.
Die sinnvolle Frage ist nicht, ob KI Geld kostet. Das tut sie. Die sinnvolle Frage ist, wie man diesen Einsatz so verteilt, dass er dem Wert entspricht, den jede Person tatsächlich daraus zieht.
Die drei echten Kostenebenen
Wenn ein Team über erste Experimente hinausgeht, verteilen sich die Ausgaben typischerweise gleichzeitig auf drei Ebenen.
- Arbeitsplatzbasierte Chat-Tools. Das sind die sichtbaren Kosten, die alle zuerst bemerken: ChatGPT Business, Claude Team, Gemini Advanced und ähnliche Pläne. Sie decken Entwürfe, Zusammenfassungen, Brainstorming, schnelle Analysen und alltägliche Prompts ab. Sie sind für fast alle nützlich. Und sie sind nur der Anfang.
- Workflow- und API-Nutzung. Hier wird KI nicht mehr conversational, sondern operational. Statt dass eine Person mit einem Modell chattet, laufen strukturierte Planungs-, Recherche-, Bildgenerations-, Jira-Anreicherungs- und Dokumenten-Workflows. Tools wie der Just-Preisrechner leben hier, und die Kosten skalieren mit dem, was tatsächlich ausgeführt wird.
- Coding-Agenten. Das ist die Zeile, die Teams kalt erwischt. Claude Code, Codex und ähnliche Tools verbrennen weit mehr Rechenleistung als eine normale Chat-Session, weil sie Dateien lesen, über Architektur nachdenken, Code schreiben, Tests ausführen und iterieren.
Diese drei Ebenen — Arbeitsplätze, Workflows und Coding-Agenten — sind die eigentliche Anatomie eines Team-KI-Budgets. Der Planungsfehler ist, sie als eine ordentliche Zahl zu behandeln.
Warum verschiedene Rollen unterschiedlich viel kosten
Dieser Abschnitt sollte ändern, wie man budgetiert.
Ein Unternehmen, das jedem Mitarbeiter dasselbe KI-Abonnement gibt, verteilt Geld fast sicher falsch. Ein Engineer, der Claude Code sechs Stunden lang nutzt, sieht kostenstrukturell ganz anders aus als ein Recruiter, der gelegentlich Interviewfragen entwirft. Ein PM, der wöchentlich dreißig Tickets mit KI bearbeitet, hat ein fundamental anderes Kostenprofil als ein Support-Mitarbeiter, der Chat nur für gelegentliche Antworten nutzt.
Die Unterschiede sind nicht klein. Zwischen Rollen können sie leicht 5–10x betragen.
| Rolle | Leichte Nutzung | Reguläre Nutzung | Intensive Nutzung |
|---|---|---|---|
| Engineers | $20–40 | $50–120 | $100–250+ |
| Product Manager / Leads | $20–40 | $40–120 | $100–200 |
| Designer | $20–50 | $50–150 | — |
| Marketing / Content | $20–40 | $40–100 | — |
| QA / Testing | $15–40 | $30–80 | — |
| Recruiting / People Ops / Support | $10–30 | $20–60 | — |
Das sind keine Produktpreise. Es sind rollenbasierte Budgetbänder: was der gesamte KI-Aufwand einer Person typischerweise ergibt, wenn man Arbeitsplätze, Workflow-Nutzung und etwaige Coding-Agenten-Kosten zusammenzählt. Ein Strich bedeutet nicht unmöglich — er bedeutet selten genug, um als Ausnahme zu gelten, nicht als Standardplanungsannahme.
Ein paar Muster sind wichtiger als die Tabelle selbst. Engineers sind fast immer die teuersten KI-Nutzer, weil Coding-Agenten ihr Kostenprofil dominieren. PMs können überraschend intensive Nutzer werden, sobald KI in Ticket-Gestaltung, Planung und Recherche eingebunden ist. Designer steigen steil an, wenn Bildgenerierung häufig wird. Support, Recruiting und Operations bleiben meistens leicht.
Die Schlussfolgerung ist klar: gleiches Pro-Kopf-KI-Budget ist fast immer falsch.
Was ein Workflow in Just kostet
Abstrakte Kostenebenen helfen beim Einordnen. Konkrete Workflow-Zahlen machen Planung möglich. Hier ist, wie es innerhalb von Just aussieht, wo strukturierte KI-Workflows gegen echte Jira-Issues laufen.
Ein Standard-Insight — die normale KI-gestützte Analyse eines Jira-Issues — kostet ~$0,60. Ein schwereres Insight mit Suche und fünf generierten Bildern landet typischerweise im Bereich $0,60–$1,00 von Anfang bis Ende.
Auf Schrittebene sieht die grobe Größenordnung so aus. Die Bildkosten beziehen sich unten auf Nano Banana 2, Googles aktuelles Standard-Bildmodell in Just.
| Schritttyp | Geschätzte Kosten |
|---|---|
| Ein Opus-schwerer Text-/Strukturierungsschritt | ~$0,10 |
| Ein Google-Websuchaufruf | ~$0,035 |
| Ein Nano-Banana-2-Bild bei 1K (16:9) | ~$0,10 |
Das Wichtige ist nicht der genaue Centbetrag. Es ist, dass der Workflow aufhört, abstrakt zu sein. Ein Team kann den Unterschied zwischen einem leichten Planungslauf und einem recherche-intensiven sehen und dann entscheiden, welche Workflows breit genutzt werden sollten und welche selektiv bleiben.
Für einen schnellen Ausgangswert für das eigene Team nutze den Just-Preisrechner unten:
Schnell-Presets
Monatliche Szenarien nach Teamgröße
Hier wird das Budget greifbar. Die Zahlen unten sind Richtungsschätzungen — nützlich für die Planung, keine pseudogenauen Angebote. Welches Szenario zum Team passt, hängt davon ab, wie KI primär eingesetzt wird: workflow-first, breites Seat-Rollout oder engineering-heavy.
Just-geführtes Workflow-Budget
Diese Zahlen gehen davon aus, dass strukturierte Jira-Workflows im Zentrum des KI-Stacks stehen.
| Teamgröße | Monatliche Richtungsspanne |
|---|---|
| Solo | ~$25 |
| 5 Personen | ~$60 |
| 15 Personen | ~$200–300 |
| 50 Personen | ~$700–1.000 |
| 100 Personen | ~$1.500–2.000 |
Nur Arbeitsplatz-Rollout
Das ist das einfachste Modell: allen einen Chat-Plan geben und es dabei belassen.
| Teamgröße | ChatGPT Business | Claude Team Standard |
|---|---|---|
| 5 Personen | ~$125 | ~$100 |
| 15 Personen | ~$375 | ~$300 |
| 50 Personen | ~$1.250 | ~$1.000 |
| 100 Personen | ~$2.500 | ~$2.000 |
Dieses Modell ist leicht zu budgetieren und leicht auszurollen. Es ist auch unvollständig. Es sagt fast nichts über Workflow-Sichtbarkeit, Ausgabequalität oder intensive Engineering-Nutzung.
Gemischtes Seat + Coding-Agenten-Rollout
Das ist näher daran, wie ernsthafte Teams letztlich arbeiten.
| Teamgröße | Monatliche Richtungsspanne |
|---|---|
| 5 Personen | ~$250–450 |
| 15 Personen | ~$600–1.000 |
| 50 Personen | ~$1.800–2.800 |
Das Muster ist wichtiger als die genaue Zahl. Coding-Agenten werden schnell zur eigenen Budgetzeile, und eine kleine Gruppe intensiver Nutzer kann mehr Budget verbrauchen als alle anderen zusammen.
Coding-Agenten sind ein eigenes Budget
Das ist die Kostenlinie, die Teams am häufigsten unterschätzen.
Coding-Agenten sind keine Chat-Tools. Sie verhalten sich nicht wie Chat und sie kosten nicht wie Chat. Eine normale Unterhaltung umfasst vielleicht ein paar tausend Token. Eine Coding-Agenten-Session kann Hunderttausende verbrennen, während sie die Codebasis liest, über Architektur nachdenkt, Code schreibt, Tests ausführt und iteriert.
Deshalb trägt ein $20-Plan oft nicht einmal einen fokussierten Engineering-Tag.
| Tarif | Monatliche Kosten | Was er tatsächlich unterstützt |
|---|---|---|
| Claude Pro | $20 | Zugang vorhanden, aber fokussierte Coding-Sessions stoßen schnell an Limits |
| Claude Max 5x | $100 | Nachhaltige tägliche Coding-Agenten-Arbeit |
| Claude Max 20x | $200 | Schwere autonome oder Power-User-Schleifen |
| ChatGPT Pro | $200 | Vorrangige Rechenleistung und intensivere Codex-Nutzung |
Der praktische Rat ist einfach: Coding-Agenten separat von allgemeinen Chat-Seats budgetieren. Identifizieren, wer sie wirklich täglich nutzt, diese Leute auf den richtigen Tarif setzen und diese Kosten nicht auf das gesamte Unternehmen verteilen.
Das klügere Budget-Modell
Die meisten Teams beginnen mit einem von zwei schlechten Ansätzen: allen denselben Plan geben, oder jedem erlauben zu kaufen, was er will. Der erste ist einfach, aber verschwenderisch. Der zweite ist flexibel, aber intransparent.
Ein besseres Modell ist rollenbasierte Zuteilung mit explizitem Monitoring:
- Schwerere KI-Budgets gehen an die Menschen, die damit wirklich Wert multiplizieren — meist starke Engineers, hochnutzende PMs und alle, deren Output durch KI-Unterstützung skaliert.
- Breitere Teams bekommen leichtere Seats, wo das für Entwürfe, Analysen und gelegentliche Recherche ausreicht.
- Workflow-intensive Teams bekommen Tooling, bei dem Outputs wiederverwendbar und nachvollziehbar bleiben, statt im privaten Chat-Verlauf zu verschwinden.
Genau hier hilft Just: KI-Assistent für Jira als mehr als nur ein weiteres KI-Tool. Es macht Workflow-Kosten sichtbar, ermöglicht das Routing verschiedener Schritte zu verschiedenen Anbietern und verknüpft Ausgaben mit tatsächlicher Issue-Arbeit statt mit vagem Chat-Volumen. Die Begründung für diesen Provider-Split findest du in Nicht jedes Modell verdient jede Rolle.
Das Ziel ist nicht, Ausgaben um jeden Preis zu minimieren. Es geht darum, Ausgaben dem Wert anzupassen, Leerlauf-Tooling zu eliminieren und mehr dort zu investieren, wo KI täglich nützliche Arbeit multipliziert. Bei begrenztem Budget: zuerst bei Workflow-Tooling beginnen, wo Outputs wiederverwendbar sind — dort zeigt sich der Return typischerweise zuerst.
Der Return steckt in der Zuteilung
KI ist es wert, dafür zu zahlen. Der eigentliche Fehler ist faule Kostenzuteilung: KI wie einen pauschalen Betriebskostenposten behandeln, obwohl es variable Betriebskosten sind, die von Rolle, Intensität und Tool-Typ abhängen.
Die Teams, die am meisten aus KI herausholen, sind weder die, die am wenigsten ausgeben, noch die, die am meisten ausgeben. Es sind die, die Ausgaben und Wert in Einklang bringen: mehr investieren, wo KI täglich Output multipliziert, moderate Workflow-Ausgaben wo Outputs wiederverwendbar bleiben, leichte Seats für alle anderen, und explizite Budgets für Coding-Agenten.
KI ist kein einzelner Budgetposten. Es sind mehrere Kostenebenen, mehrere Rollenprofile und ein Spektrum, das von nahezu null Nutzung bis zu ein paar hundert Dollar pro Person und Monat reicht. Die Unternehmen, die für diese Realität planen, sind diejenigen, die tatsächlich den Return erzielen.
Schätz die Workflow-Kosten für dein Team mit dem Just-Preisrechner, oder erkunde Jira-Workflows auf der Just Marketplace-Seite.