Nichts stellt eine DevOps-Plattform so unter die Lupe wie Budgetdruck. Abonnementgebühren und Lizenzkosten erzählen dabei aber nur einen Teil der Geschichte. Die Gesamtbetriebskosten (TCO) einer DevOps-Plattform umfassen auch variable Kosten wie CI/CD-Compute und KI-Nutzung, dazu Infrastruktur, Tools und Arbeitszeit, die nötig sind, damit die Softwarelieferung in Bewegung bleibt.
Dieser weitere Blick zählt, wenn es darum geht, Plattformausgaben zu rechtfertigen oder Optionen gemeinsam mit der Finanzleitung zu vergleichen. Ein sinnvolles TCO-Modell kann:
- Diese Kosten für Stakeholder transparent machen
- Licht auf die Logik hinter jeder Kostenposition werfen – oder auf deren Fehlen
- Bereiche identifizieren, in denen sich Ausgaben senken lassen, ohne die Softwarelieferung zu beeinträchtigen
Was wirklich zu den Gesamtbetriebskosten zählt
Die zentrale Herausforderung bei der TCO-Berechnung: DevOps-Plattformen bündeln und bepreisen Funktionen unterschiedlich. Eine Plattform bündelt CI/CD- oder KI-Funktionen etwa in ein Pro-Sitz-Abonnement, eine andere bepreist die Nutzung separat. Eine dritte wirkt auf den ersten Blick günstiger, erfordert aber zusätzliche Tools und laufenden Integrationsaufwand.
Deshalb liefern Listenpreise oder Tarifstufen allein keinen aussagekräftigen Vergleich. Zuerst die tatsächlich benötigten Funktionen und Workloads der eigenen Organisation festlegen, dann berechnen, was es kostet, sie auf jeder Plattform zu unterstützen.
Für jede Option denselben Umfang und Zeitraum ansetzen (meist ein Jahr) und festlegen, welche Teams, Anwendungen, Umgebungen und Lieferphasen eingeschlossen sind. Laufende Kosten von einmaligen Ausgaben trennen und externe Ausgaben von interner Arbeitszeit, damit die Finanzabteilung die Annahmen prüfen und künftige Jahre planen kann.
Ein sinnvolles TCO-Modell beantwortet daher zwei Fragen:
- Was kostet es heute, die eigenen Anforderungen zu erfüllen?
- Welche Variablen lassen diese Kosten steigen oder sinken, wenn sich die Nutzung ändert?
Die Kostenkategorien hinter der Rechnung
Die meisten Kosten einer DevOps-Plattform lassen sich folgenden Kategorien zuordnen:
| Kostenkategorie | Was dazugehört | Wichtigster Kostentreiber |
|---|---|---|
| Plattformzugang | Bezahlte Sitzplätze, rollenbasierte Lizenzen, Enterprise-Funktionen und Mindestabnahmen | Mitarbeiterzahl |
| CI/CD-Verbrauch | Job-Laufzeit, gehostetes Compute, Parallelität, Storage, Artefakte, Cache und Datentransfer | Nutzung |
| KI- und agentische Funktionen | KI-Coding-Tools, Agenten, agentische Workflows und weitere nutzungsbasierte KI-Funktionen | Mitarbeiterzahl + Nutzung + Funktionsmix |
| Runner-Infrastruktur | Virtuelle Maschinen, Container, Orchestrierung, Netzwerk, Monitoring und Administration | Nutzung + Infrastrukturkomplexität |
| Sicherheit und Compliance | Scanning, Abhängigkeitsanalyse, Secrets Detection, Policy-Management, Audit-Nachweise und Reporting | Mitarbeiterzahl + Nutzung + Funktionsbedarf |
| Zusätzliche Tools | Planung, Quellcodeverwaltung, Registries, Observability, Release-Management und notwendige Compliance-Produkte außerhalb der Kernplattform | Toolchain-Komplexität |
| Support und Services | Support-Pläne, Professional Services, Schulungen und Enablement | Mitarbeiterzahl + Service-Level |
| Interner Betrieb | Administration, Upgrades, Incident Response, Zugriffsverwaltung, Integrationspflege und Vendor-Management | Toolchain-/Infrastrukturkomplexität |
| Migration und Umstellung | Datenmigration, Workflow-Neugestaltung, Tests, Schulung, temporärer Parallelbetrieb und Produktivitätsverluste während der Umstellung | Einmalig / umfangsabhängig |
Manche Kosten ändern sich mit der Mitarbeiterzahl, andere hängen stärker von Nutzung oder Betriebskomplexität ab. Diese Treiber getrennt modellieren, statt anzunehmen, dass Plattformkosten im Gleichschritt steigen. Pipeline-Häufigkeit oder Job-Dauer etwa können CI/CD-Compute-Kosten erhöhen, auch wenn die Teamgröße gleich bleibt.
KI bringt eine weitere Variable ins Spiel. Je nach Plattform wird KI pro Sitzplatz, nach Verbrauch oder in einer Kombination aus beidem bepreist. Das macht den KI-Verbrauch von Natur aus schwer vorhersehbar und die Preisgestaltung schwer durchschaubar. Mit wachsender Nutzung sollte KI-Verbrauch getrennt von der Mitarbeiterzahl modelliert werden, und es zählt, welche KI-Funktionen Teams tatsächlich nutzen, da beides die Gesamtsumme beeinflusst.
Kostentreiber sind zudem nur ein Teil des Vergleichs. DevOps-Plattformen bündeln Funktionen unterschiedlich, deshalb zählt der Vergleich der Kosten für dieselben Anforderungen, nicht der Abgleich von Tarifnamen. Enthält eine Option Security-Testing und eine andere erfordert dafür separate Produkte, gehören diese Produkte in den Vergleich – einschließlich des Aufwands für Integration und Betrieb.
Wie die Runner-Strategie die CI/CD-Compute-Kosten beeinflusst
Sitzplatzlizenzen sind recht gut vorhersehbar, CI/CD-Compute dagegen nicht. Mit wachsender Pipeline-Aktivität können längere Jobs oder höhere Parallelität die Kosten steigen lassen, selbst wenn die Teamgröße gleich bleibt.
Runner sind der Ort, an dem dieses Compute verbraucht wird. Sie übernehmen CI/CD-Jobs, führen sie auf einer Maschine oder in einem Container aus und liefern die Ergebnisse an die Plattform zurück.
Eine zentrale Kostenentscheidung ist, wer dieses Compute verwaltet:
- Vendor-gehostete Runner verschieben mehr der Kosten in nutzungsabhängige Abrechnung. Sie verringern die selbst zu betreibende Infrastruktur. Die Kosten können bei wachsender Nutzung aber schnell steigen.
- Self-Managed-Runner bieten mehr Kontrolle über Ausführungsumgebung und Infrastruktur. Sie können bei großen, planbaren Workloads oder vorhandener Kapazität wirtschaftlicher sein. Der Kompromiss: Die eigene Organisation trägt die Runner-Flotte und ihren Betriebsaufwand.
Bei der Wahl der Runner-Strategie zählen die Gesamtkosten (einschließlich Storage, Netzwerk, Sicherheit, Monitoring und Wartung), nicht allein der Infrastrukturpreis. Ein belastbarer Ansatz balanciert Compute-Ausgaben mit Betriebsaufwand und Entwicklererfahrung, wenn sich Workloads verändern.
Die versteckten Kosten von Tool-Wildwuchs
Tool-Wildwuchs entsteht nicht über Nacht. Er wächst schrittweise, wenn Teams ein Tool für Planung, eines für CI/CD, eines für Security hinzufügen und so weiter. KI kann dieses Muster beschleunigen, sobald Teams Coding-Assistenten, Agenten und weitere KI-Tools zusätzlich zum bestehenden Stack einführen.
Auch die Summe der Rechnungen zeigt noch nicht die vollen Kosten, denn jedes Tool bringt zusätzliche Arbeit mit sich:
- Integrationspflege. Verbindungen zwischen Systemen müssen aufgebaut und bei API-Änderungen aktualisiert werden.
- Administration. Teams müssen Zugriff, Berechtigungen, Upgrades und Vendor-Verträge verwalten.
- Fehlersuche. Bricht ein Workflow über mehrere Tools hinweg ab, muss jemand herausfinden, wo das Problem begann.
- Entwicklerzeit. Der Wechsel zwischen Systemen und das Zusammensetzen von Kontext kann die tägliche Arbeit verlangsamen.
Das kann sich schnell summieren. GitLab-Forschung zeigt, dass DevSecOps-Fachkräfte im Schnitt 7 Stunden pro Woche (fast einen vollen Arbeitstag) durch ineffiziente Prozesse verlieren.
Die gute Nachricht: Konsolidierung kann einen Teil dieses Aufwands senken. Ersetzt eine Plattform mehrere Tools, ohne auf benötigte Funktionen zu verzichten, lassen sich Lizenzkosten senken und gleichzeitig die Zahl der zu pflegenden Integrationen und Systeme verringern.
Ein Arbeitsblatt zur Schätzung der jährlichen Kosten
Das folgende Arbeitsblatt überführt die betrachteten Kostenkategorien in eine funktionierende jährliche TCO-Schätzung. Die Annahmen für jede geprüfte Plattform konsistent halten und die Eingaben hinter jeder Zahl festhalten, damit sich das Modell bei veränderter Nutzung oder Preisgestaltung überarbeiten lässt.
Vereinfacht gilt: jährliche TCO = Plattformkosten + CI/CD-Compute und -Infrastruktur + KI-Nutzung + angrenzende Tools + Betriebsaufwand + anteilige Migrations- und Umstellungskosten.
| Jährlicher Kostenposten | Menge / Nutzung | Stückkosten / Satz | Jahresschätzung |
|---|---|---|---|
| Plattformlizenzen | Anzahl bezahlter Sitzplätze | Jahrespreis pro Sitzplatz | Sitzplätze × Jahrespreis |
| Nutzungsbasierte Plattformgebühren | Prognostizierte verbrauchte Einheiten | Preis pro Einheit | Nutzung × Satz |
| KI- und agentische Funktionen | Prognostizierte Sitzplätze, Credits, Anfragen oder andere Nutzungseinheiten | Anwendbarer Sitzplatz- oder Verbrauchssatz | Nutzung × Satz |
| Gehostetes CI/CD-Compute | Prognostizierte Compute-Einheiten oder Minuten | Anwendbarer Compute-Satz | Nutzung × Satz |
| Infrastruktur für Self-Managed-Runner | Benötigtes Compute, Storage, Netzwerk und Monitoring | Infrastruktursätze | Jährliche Infrastrukturausgaben |
| Security- und Compliance-Tools | Benötigte Produkte und Nutzung | Lizenz- und Nutzungssätze | Jährliche Ausgaben |
| Weitere Toolchain-Produkte | Benötigte angrenzende Produkte | Lizenz- und Nutzungssätze | Jährliche Ausgaben |
| Support, Schulung und Services | Erwartete Services | Vertrags- oder Servicesätze | Jährliche Ausgaben |
| Arbeitszeit für Plattformbetrieb | Geschätzte Jahresstunden | Vollkosten je Arbeitsstunde | Stunden × Stundensatz |
| Arbeitszeit für Integrationspflege | Geschätzte Jahresstunden | Vollkosten je Arbeitsstunde | Stunden × Stundensatz |
| Migration und Umstellung | Einmaliger Migrationsaufwand | Gesamtkosten und Verteilungszeitraum | Für dieses Jahr angesetzter Betrag |
| Puffer | Unsichere Nutzung oder Umfang | Festgelegte Annahme | Geschätzter Spielraum |
| JÄHRLICHE TCO GESAMT | Summe der Jahresschätzungen |
Die eigene TCO-Schätzung gehört in einen Kontext. Teilt man sie durch eine aussagekräftige Einheit (etwa aktive Entwickler(innen) oder unterstützte Anwendungen), zeigt sich, wie sich die Kosten mit wachsender Nutzung verändern.
Als Nächstes das Modell auf Belastbarkeit prüfen. Ein paar Szenarien rund um Veränderungen bei Mitarbeiterzahl, Pipeline-Aktivität, KI-Nutzung oder Parallelität durchspielen, um zu sehen, welche Kosten sich am stärksten verändern. Nicht jede Kategorie skaliert im gleichen Tempo – genau deshalb zählt die Dokumentation der eigenen Annahmen.
Derselbe Ansatz funktioniert auch für engere Produktvergleiche. Wer CI/CD-Tools isoliert bewertet, sollte mehr als Plattform- und Compute-Gebühren einbeziehen. Runner-Infrastruktur, angrenzende Tools und die Arbeitszeit für ihren Betrieb gehören weiterhin ins Modell.
Bereit für die Zahlen? GitLabs ROI-Rechner ausprobieren, um die eigene Toolchain zu modellieren und mögliches Kosten- oder Zeiteinsparpotenzial zu erkennen.
So lässt sich die eigene Plattform-TCO senken
Die ideale Sparstrategie hängt von den eigenen Workloads und Prioritäten ab, doch einige bewährte Praktiken helfen in der Regel dabei, unnötige Ausgaben zu senken.
Lizenzen vor der Vertragsverlängerung richtig dimensionieren
Zuerst bei den bereits bezahlten Leistungen ansetzen. Bereitgestellte Lizenzen mit der tatsächlichen Nutzung vergleichen und dann inaktive Sitzplätze oder Nutzer(innen) auf Tarifen identifizieren, die mehr bieten, als benötigt wird.
Auch Vertragsverlängerungen eignen sich, um auf überlappende Produkte zu prüfen. Wird für eine Funktion separat bezahlt, die die eigene Plattform bereits enthält, lohnt es sich, den Wert des Spezialtools mit seinen Gesamtkosten zu vergleichen (nicht nur der Lizenzgebühr).
Unnötige CI/CD-Arbeit eliminieren
Bevor CI/CD-Compute günstiger gemacht wird, zuerst die verbrauchte Compute-Menge selbst reduzieren.
Nach Pipelines suchen, die unnötig laufen, nach Jobs, die weiterlaufen, obwohl neuere Pipelines sie überflüssig gemacht haben, oder nach Schritten, die durchgängig länger dauern als erwartet. Auch Aufbewahrungsfristen für Artefakte und Caching-Richtlinien lohnen einen Blick, da beide Storage und Pipeline-Effizienz beeinflussen.
Ist die unnötige Arbeit beseitigt, das verbleibende Compute richtig dimensionieren. Die Empfehlungen der FinOps Foundation zur Nutzungsoptimierung folgen derselben Reihenfolge: zuerst Verschwendung beseitigen, dann Ressourcen laufend an die Nachfrage anpassen.
Flexibilität in die KI-Ausgaben einbauen
KI-Ausgaben brauchen dieselbe Aufmerksamkeit. Verändert sich Akzeptanz und Nutzung, ist eine genaue Beobachtung sinnvoller, als anzunehmen, dass KI-Kosten direkt mit der Mitarbeiterzahl mitwachsen. Ist die Nutzung schwer vorhersehbar, senkt flexible Preisgestaltung das Risiko, für ungenutzte Kapazität zu zahlen oder bei jedem Nachfragewachstum die Beschaffung neu aufzurollen.
GitLab Flex ist ein Beispiel für diesen Ansatz. Es bündelt Plattform-Sitzplätze, KI-Nutzung und weitere qualifizierte nutzungsbasierte Funktionen unter einer einzigen Jahresverpflichtung, die sich monatlich an veränderte Bedürfnisse anpassen lässt.
Runner-Kapazität an die Nachfrage anpassen
Wie bereits erwähnt, kann die Runner-Strategie die CI/CD-Kosten erheblich beeinflussen. Self-Managed-Kapazität für Spitzenlasten vorzuhalten kann die Infrastruktur in ruhigeren Phasen brachliegen lassen, während vollständig nutzungsabhängiges Compute bei hohem Volumen teuer werden kann.
Runner-Kapazität und Preismodell nach der Form des Workloads wählen. Autoscaling hilft Flotten von Self-Managed-Runnern, mit der Nachfrage mitzuwachsen und zu schrumpfen. Bei gleichmäßigen, planbaren Workloads können feste Infrastruktur- oder Preismodelle wirtschaftlicher sein.
Sinnvoll konsolidieren
Die besten Gelegenheiten zur Konsolidierung liegen oft dort, wo Arbeit ohnehin zwischen Tools wechseln muss. Mehr vom Software-Lebenszyklus in eine Plattform zu bringen kann Übergaben reduzieren und Teams einen einheitlicheren Blick auf die Arbeit geben – besonders nützlich, wenn eine Änderung nachvollzogen oder ein Fehler gesucht werden muss. Wie sich DevOps-Kosten gezielt senken lassen, zeigt ein eigener Überblick.
Das heißt nicht, dass jede Einzellösung verschwinden muss. Spezialisierte Tools bleiben sinnvoll, wenn sie ein eigenständiges Problem gut genug lösen, um die zusätzliche Komplexität zu rechtfertigen. Andernfalls vereinfacht Konsolidierung die Toolchain und die Art, wie Teams damit arbeiten.
Kostenoptimierung fortlaufend gestalten
Die TCO verändert sich mit dem Unternehmen. Ein Modell, das vor einer Vertragsverlängerung entsteht, kann sechs Monate später ganz anders aussehen, wenn das Pipeline-Volumen wächst, Teams neue Funktionen einführen oder sich die Infrastruktur ändert.
Den wichtigsten Kostentreibern klare Verantwortliche zuweisen und sie regelmäßig überprüfen. Platform Engineering trägt zum Beispiel die Verantwortung für CI/CD-Verbrauch, während der Einkauf Verträge verfolgt und die Finanzabteilung Arbeitszeitannahmen prüft.
Wichtig ist auch, Optimierungsarbeit nach dem wahrscheinlichen Ertrag zu priorisieren. Eine kleine Einsparung rechtfertigt nicht immer ein großes Engineering-Projekt oder zusätzliches Betriebsrisiko. Eine wiederkehrende Compute-Ausgabe mit einer einfachen Pipeline-Änderung zu senken, lohnt sich zum Beispiel oft. Einen stabilen Workflow neu zu architektieren, um einen geringfügigen Betrag im Monat zu sparen, meist nicht.
Wer GitLab durchs eigene Modell laufen lassen möchte, findet unter GitLab-Pläne und -Preise die veröffentlichten Sätze für Sitzplätze, Compute-Minuten und KI-Nutzung.




