Die Kosten der Agenten-Intelligenz misst man in Luft und Code

Die Infrastruktur, die autonome Agenten ermöglicht, produziert inzwischen Rechnungen, die auf keiner Cloud-Abrechnung auftauchen. Eine Rechnung kommt als Feinstaub. Eine andere kommt als kritische Schwachstelle in Code, den Millionen von Websites gemeinsam nutzen. Beides war im ursprünglichen Pitch für agentische KI nicht eingepreist, und beides lastet jetzt auf den Leuten, die mit diesen Systemen bauen.

Der Strombedarf von Rechenzentren könnte innerhalb von fünf Jahren jahrzehntelange Fortschritte bei der Luftqualität zunichtemachen [1]. Das ist kein fernes regulatorisches Problem. Es ist eine Randbedingung, die sich auf Modellauswahl, Inferenz-Routing und die Entscheidung auswirken wird, ob eine Aufgabe überhaupt einen Agenten rechtfertigt. Die Annahme, dass mehr Rechenleistung immer die Antwort ist, bröckelte bereits unter dem Kostendruck. Die Luftqualitätsdaten machen ein Designprinzip daraus: Die billigste Inferenz ist die, die man nicht ausführt.

Das zweiseitige Entdeckungsproblem

Agentische Systeme sind jetzt gut genug, um Schwachstellen zu finden, die jahrelang der menschlichen Überprüfung entgangen sind. Eine kritische PHP-Schwachstelle, die Millionen von Websites betrifft, wurde von OpenAI's GPT-5.6 Sol im Rahmen der Patch the Planet-Initiative entdeckt, und unabhängig davon vom Sicherheitsunternehmen Wiz mit Google's Gemini 4 Argon [3]. Das ist ein echter Fähigkeitsgewinn. Es ist auch eine Warnung. OpenAI's eigene Stellungnahme merkt an, dass dieselben Fähigkeiten, die Schwachstellen finden, Angreifern helfen können, diese auszunutzen [3].

Für Entwickler kollabiert damit die Distanz zwischen Angriff und Verteidigung. Ein Agent, der deine Abhängigkeiten auditiert, ist auch ein Agent, der deine Angriffsfläche kartieren kann. Die Werkzeuge sind symmetrisch. Die einzige Asymmetrie liegt darin, wer zuerst handelt. Teams, die KI-gestützte Sicherheitsüberprüfung als kontinuierlichen Prozess behandeln, patchen vor der Ausnutzung. Teams, die sie als periodisches Audit behandeln, liefern sich ein Rennen mit denselben Modellen, die sie nutzen.

Der Cashflow-Check

Teslas Quartal bietet einen nützlichen Kontrapunkt zur Untergangsstimmung. Das Unternehmen wies 1,53 Milliarden Dollar an freiem Cashflow aus, gegenüber einem negativen Wert im Vorquartal, und nannte dabei ausdrücklich KI- und Robotik-Investitionen als Teil seiner Positionierung in diesen Sektoren [2]. Die Lektion ist nicht, dass KI-Investitionen sicher sind. Sie ist, dass Cashflow-Disziplin und KI-Ausgaben sich nicht gegenseitig ausschließen, selbst für ein Unternehmen, das Geld in Modelle und Hardware pumpt.

Für Agentenentwickler ist die praktische Erkenntnis enger gefasst. Man kann in agentische Fähigkeiten investieren, ohne Rechenleistung als kostenlos zu behandeln. Man kann sicherheitsorientierte Agenten einsetzen, ohne anzunehmen, dass sie nur vom eigenen Team genutzt werden. Und man kann die Kosten einer Aufgabe in mehr als Tokens und Latenz messen. Die Luftqualitätsdaten und die PHP-Schwachstelle sind dieselbe Geschichte aus zwei Richtungen: Die externen Effekte der Agentenintelligenz werden sichtbar, und sie werden zu deinem Problem.

Was praktikabel bleibt, ist dies: Auditiere dein Inferenzvolumen wie deine Abhängigkeiten. Behandle jeden Agenten-Einsatz als Sicherheitsoberfläche, nicht nur als Produktivitätswerkzeug. Und wenn ein Modell eine Schwachstelle in deinem Stack findet, geh davon aus, dass das Modell von jemand anderem bereits danach sucht.