Claude-Einsatz belastet die Salesforce-Marge
Salesforce hat seine Margenprognose für das Gesamtjahr nicht angehoben. Als wesentlichen Grund nennt Vize-Finanzchef Mike Spencer die hohen Token-Kosten für Claude von Anthropic im Bereich Forschung und Entwicklung.
Tokens sind die Text- und Dateneinheiten, nach denen viele KI-Anbieter ihre API-Nutzung abrechnen. Werden leistungsfähige Modelle breit in Entwicklungsprozesse eingebaut, können dadurch erhebliche laufende Kosten entstehen.
| Kennzahl | Wert |
|---|---|
| Operative Marge im 2. Quartal | 20,5 % |
| Prognose für das Gesamtjahr | 20,1 % |
| Erwartete Anthropic-Ausgaben 2026 | 300 Millionen US-Dollar |
| Breiter Claude-Einsatz in der F&E | Seit rund sechs Monaten |
Die Schätzung von 300 Millionen US-Dollar stammt von Salesforce-CEO Marc Benioff und bezieht sich auf die erwarteten Ausgaben bei Anthropic im Jahr 2026. Wie hoch die Claude-Kosten allein im zweiten Quartal waren, hat Salesforce nicht offengelegt.
Sinngemäß übersetzt erklärte Spencer: Vor rund sechs Monaten habe Salesforce Claude im F&E-Zyklus breit eingesetzt. Die damit verbundenen Token-Ausgaben seien ein Grund dafür, dass der Konzern seine Margenprognose nicht angehoben habe.
Der Einsatz war bewusst als Belastungstest angelegt. Salesforce wollte prüfen, wie stark Claude die Produktentwicklung beschleunigen kann und wo die technischen sowie wirtschaftlichen Grenzen liegen. Als Rückfalloption war vorgesehen, die Nutzung wieder einzuschränken.
Salesforce wechselt zur gezielten Modellwahl
Nun folgt die Optimierungsphase. Salesforce will nicht länger automatisch das jeweils neueste und leistungsfähigste Modell für jede Aufgabe verwenden. Stattdessen soll die Modellwahl von der Komplexität und dem wirtschaftlichen Wert einer Aufgabe abhängen.
Sinngemäß übersetzt sagte Spencer: Für die große Mehrheit der Aufgaben in der Softwareentwicklung und im technischen Stack reichten Modelle der zweiten oder dritten Generation vollkommen aus.
Intern nutzt Salesforce mehrere Anbieter und Werkzeuge. Genannt wurden OpenAI, Cursor, Claude und erste Experimente mit Grok von X. Die unterschiedlichen Kostenstrukturen sollen künftig stärker in die Auswahl einfließen.
Dieses Vorgehen entspricht dem Prinzip des Modell-Routings. Dabei verteilt eine Steuerung KI-Anfragen je nach Preis, Geschwindigkeit, Datenschutzanforderung und Aufgabenkomplexität auf unterschiedliche Modelle. Ein vergleichbarer Ansatz steckt hinter dem Ramp Router für KI-Modelle.
Spitzenmodelle sind nicht für jede Aufgabe nötig
Bei komplexen Architekturentscheidungen, umfangreichen Codeänderungen oder schwer zu analysierenden Fehlern kann ein leistungsfähiges Spitzenmodell sinnvoll sein. Für Zusammenfassungen, Standardtests, Dokumentation oder einfache Codeanpassungen genügt häufig ein älteres oder kleineres Modell.
Damit wird die Modellwahl zu einer betriebswirtschaftlichen Entscheidung. Selbst sinkende Listenpreise lösen das Problem nicht vollständig, wenn Agenten immer mehr Arbeitsschritte und damit mehr Tokens verbrauchen. Der mögliche Anstieg der Inferenzkosten bei KI-Agenten verschärft diese Entwicklung.
Auch Gartner warnt, dass die Kosten von KI-Coding-Agenten in einzelnen Regionen künftig das Gehalt menschlicher Entwickler übersteigen könnten. Entscheidend ist deshalb nicht nur der Preis pro Token, sondern der gesamte Verbrauch pro abgeschlossenem Arbeitsschritt.
Was Unternehmen im DACH-Raum daraus ableiten können
Das Salesforce-Beispiel zeigt, dass ein unkontrollierter Rollout kommerzieller Spitzenmodelle selbst bei einem großen Softwarekonzern die Marge belastet. Für Unternehmen im DACH-Raum kommen zu den Kosten noch Anforderungen an Datenschutz, Datenstandort und Nachvollziehbarkeit hinzu.
Eine belastbare KI-Strategie braucht daher Nutzungsbudgets, Kostenlimits pro Team und eine technische Zuordnung von Modellen zu Aufgabenklassen. Ebenso wichtig ist eine Messung der Kosten pro Ergebnis, etwa pro bearbeitetem Ticket, erzeugtem Test oder abgeschlossener Codeänderung.
Open-Source-Modelle und Self-Hosting können bei wiederkehrenden Standardaufgaben eine Alternative sein. Cockroach Labs setzt nach Angaben seines CEO intern verstärkt auf Open-Source-KI-Modelle, um die Ausgaben zu reduzieren. Das beseitigt Kosten nicht, verschiebt sie aber von variablen API-Gebühren zu besser kontrollierbarer Infrastruktur und internem Betriebsaufwand.
Welche Open-Source-Modelle Salesforce selbst prüft oder einsetzt, ist nicht bekannt. Genannt wurden ausschließlich kommerzielle Anbieter und Werkzeuge. Ebenfalls offen bleibt, ob Salesforce die zusätzlichen KI-Ausgaben über Preise oder nutzungsabhängige Modelle an Kunden weitergibt.
KI-Automatisierung ist kein automatischer Margengewinn
Der Vorgang legt eine Schwäche vieler KI-Angebote offen. Die Einführung ist einfach, die laufende Nutzung bleibt jedoch abhängig vom Preismodell eines externen Anbieters. Werden Modelle tief in Entwicklungsprozesse integriert, entsteht neben dem technischen auch ein finanzieller Vendor-Lock-in.
Preisnachlässe können kurzfristig helfen, wie der Preiskampf zwischen OpenAI und Anthropic zeigt. Eine dauerhafte Lösung ist das allein nicht. Unternehmen brauchen die Möglichkeit, Modelle auszutauschen, Anfragen zu routen und geeignete Aufgaben bei Bedarf auf eigener Infrastruktur auszuführen.
Salesforce bestätigt damit ausgerechnet im eigenen Entwicklungsbetrieb, dass KI nicht automatisch zu niedrigeren Softwarekosten führt. Ohne Verbrauchskontrolle und flexible Modellwahl kann die versprochene Produktivitätssteigerung direkt von den Token-Rechnungen aufgezehrt werden.