Eine gemeinsame Studie von Stanford, MIT und anderen Institutionen hat den hohen Token-Verbrauch von KI-Agenten bei Programmieraufgaben aufgedeckt und gezeigt, dass diese Agenten Millionen von Tokens verbrauchen können, während sie versuchen, Codefehler zu beheben. Die im April 2026 veröffentlichte Forschung hebt hervor, dass die Kosten für das Schreiben von Code durch einen KI-Agenten etwa 1.000-mal höher sind als bei Standard-KI-Konversationen, da das umfangreiche "Lesen" von Code erforderlich ist. Dies beinhaltet das Einspeisen des Modells mit Projektkontext, Betriebsprotokollen und Fehlermeldungen, was zu einem exponentiellen Wachstum der Eingabetokens führt. Die Studie stellte auch eine erhebliche Kostenvariabilität fest, wobei dieselbe Aufgabe bei verschiedenen Durchläufen potenziell doppelt so viel kosten kann. Darüber hinaus identifizierte die Forschung, dass einige Modelle, wie GPT-5, token-effizienter sind als andere, was finanzielle Auswirkungen auf Unternehmensanwendungen hat. Die Ergebnisse deuten darauf hin, dass aktuelle KI-Modelle keine "Stop-Loss-Bewusstheit" besitzen und oft mehr Tokens bei unlösbaren Aufgaben verbrauchen. Die Studie fordert die Entwicklung von budgetbewussten Richtlinien zur effektiven Verwaltung des Token-Verbrauchs, da unvorhersehbare Kosten die Nachhaltigkeit von Abonnementpreismodellen in Szenarien mit KI-Agenten herausfordern.