KI im Unternehmen: Die volle Kostenrechnung

Die KI hat die Theorie und die Neuheit überwunden. Für viele Organisationen ist sie jetzt Teil der Infrastruktur und sitzt neben den Kernsystemen. Viele Menschen denken immer noch, dass KI hauptsächlich in Form von öffentlichen LLMs und Chatbots existiert – etwas, das man in einem Browser aufrufen und wieder verwerfen kann, wenn man fertig ist. Wenn man KI durch diese Brille betrachtet, kann man die breitere Palette von Modellen und Techniken übersehen, die Ergebnisse effizienter und mit weniger Risiko verbessern können.

Die Wahrheit ist, dass KI wie jede andere große Infrastrukturinvestition bewertet werden sollte – mit einem klaren Blick auf Kosten, Nutzen und Betriebsrisiko von Anfang an. Sie in einen nutzbaren Zustand zu bringen, bedeutet, in qualitativ hochwertige Datenpipelines, Beobachtbarkeit, Governance und die Menschen, die sie mit den gewünschten Geschäftsergebnissen in Einklang halten, zu investieren. Wenn man hier Kürzungen vornimmt, wird die Rechnung einfach in die Zukunft mit Zinsen verschoben.

Wie KI-Kosten wirklich skaliert werden

Verständlicherweise können Teams annehmen, dass KI-Kosten linear ansteigen: doppelt so viel Arbeit, doppelt so viel Geld. In Wirklichkeit können Anstrengung, Kosten und Ergebnisse unabhängig voneinander auf überraschende Weise bewegt werden. Wenn man eine KI auffordert, ein langes Dokument auf einmal zu lesen, muss sie jedes Wort in Beziehung zu jedem anderen Wort betrachten. In den meisten populären LLMs bedeutet dies, dass die Arbeit und damit die Kosten nicht so ansteigen, wie Menschen es natürlicherweise erwarten – doppelter Input, doppelter Kosten – sondern eher mit dem Quadrat der Eingabelänge ansteigen. Ein Bewusstsein für grundlegende Aspekte wie diese kann einen realen Einfluss auf die Unterseite jeder KI-Implementierung haben. Wenn eine Organisation, die täglich große Mengen an Texten bearbeitet, beispielsweise eine Regulierungsbehörde, von Anfang an auf Graphsuche oder Abrufpipelines anstelle von kompletten Dokumenten an die KI setzt, bleibt die Benutzeroberfläche “Frage stellen, Antwort in Sekunden erhalten” bestehen, ähnlich wie bei einem öffentlichen Chatbot. Dies hält KI-begeisterte Führungskräfte mit sofortigen Interaktionen zufrieden, während unter der Oberfläche das System viel weniger unnötige Arbeit leistet und die Rechnung für die Rechenleistung viel niedriger ist.

Wie KI-Ausgaben im Unternehmen verteilt werden

Technologieentscheidungen sind nur ein Teil der Geschichte, der Rest ist, wie Organisationen KI von Anfang an angehen. In vielen Organisationen liegt die Datenbereitung bei der Ingenieurabteilung. Compliance-Überprüfungen liegen bei der Rechtsabteilung. Cloud-Ausgaben leben bei der Plattform- oder Infrastrukturabteilung. Modellauswahl, Konfiguration und Feinabstimmung liegen normalerweise bei einigen Spezialisten. Jede Gruppe sieht ihren eigenen Teil der Arbeit und ihre eigene Budgetlinie. Die Ausgaben erscheinen als Rechenleistung hier, als Auftragnehmerzeit dort und als Zeit, die in “Business as usual” über mehrere Teams verteilt ist. Mit Zahlen, die über Kostenstellen verstreut sind, kann die vollständige Landekosten einer einzelnen KI-Initiative möglicherweise nicht an einem Ort sichtbar sein und leicht unterschätzt werden. In dieser Umgebung können KI-Kosten still und leise spiralisieren, einfach weil niemand die gesamte Zahl an einem Ort verfolgt.

Praktischer Ansatz für KI-Kostenmanagement

KI zu vermeiden, ist nicht der richtige Schritt für Organisationen, aber auch KI nicht wie eine universelle Technologie zu behandeln. Eine gute Strategie ist immer, mit dem gewünschten Ergebnis zu beginnen und rückwärts zu arbeiten. Nicht jeder Fall erfordert ein hochentwickeltes, teures Modell. Viele Aufgaben können von gut verstandenen maschinellen Lernalgorithmen bewältigt werden, die unter dem KI-Dach fallen und auf bestehender Infrastruktur laufen.

Man beginnt klein mit Pilotprojekten, die die Gesamtkosten des Eigentums messen, nicht nur die Modellnutzung, was bedeutet, dass man auf Rechenleistung schaut, aber auch auf Integrationsarbeit, Ingenieurzeit, Change-Management und Compliance-Anstrengung. Das Ziel ist es, das kleinste und einfachste Modell auszuwählen, das ein akzeptables Ergebnis liefert, anstatt anzunehmen, dass “mehr Modell” “mehr Nutzen” bedeutet.

KI ist nicht eine Sache. Es ist eine Kombination von Techniken und Werkzeugen, die auf verschiedene Weise eingesetzt werden können. Wenn man es so sieht, zerfällt der Mythos um beeindruckende Ergebnisse, und Unternehmen können ihre Macht mit mehr Verantwortung und größerer Wirkung nutzen.

Menschen, Zeit und KI

Jede KI-Implementierung ist in der Praxis eine Zusammenarbeit zwischen Menschen und Software. Ob dies formal anerkannt wird oder nicht, ist es so, wie die Arbeit erledigt wird. Der aktuelle Trend hin zu mehr agenter KI – Werkzeuge, die Schritte verketten, andere Systeme aufrufen und mit weniger Anweisung handeln können – ändert dies nicht, tatsächlich erhöht es die Einsätze für die richtige Ausrichtung der menschlichen Seite des Workflows.

Diese Werkzeuge können leicht übermäßig vertraut werden. Wenn ein System Antworten flüssig und mit Zuversicht präsentiert, ist es natürlich, dass Menschen annehmen, es sei normalerweise richtig. Wenn ein solches Werkzeug in einen Workflow ohne angemessene Schulung, klare Grenzen und sinnvolle Kontrollen eingeführt wird, kann es still und leise eine Reihe von kleinen Fehlern erzeugen. Jeder muss von einer Person entdeckt, verstanden und korrigiert werden. Auf dem Papier sieht die KI effizient aus, in der Praxis gibt es jedoch eine versteckte Kosten in extra menschlicher Zeit, die für die Korrektur der Fehler aufgewendet wird. In kundenorientierten oder regulierten Umgebungen können diese kleinen Fehler auch einen Rufschaden verursachen. Unabhängig davon, wie die Werkzeuge geliefert oder verwendet werden, liegt die Verantwortung für ihre Ausgaben immer noch bei der Organisation und im Alltag bei den menschlichen Bedienern, die sie verwenden. Dies muss ausdrücklich verstanden werden, damit diese Werkzeuge wirklich nützlich sein können.

Ein besserer Ansatz ist eine bewusste Partnerschaft: geschulte Menschen bleiben klar in der Verantwortung für die Ergebnisse, und KI wird verwendet, um die Teile der Arbeit zu beschleunigen, die sich dafür eignen, wie z. B. Zusammenfassung, Entwurf, Sortierung, Suche. Selbst wenn noch einige Überprüfungen und Korrekturen erforderlich sind, kann die Gesamtwirkung von gut eingeführter und gut gemanagter KI in Workflows mehr Geschwindigkeit, mehr Konsistenz und mehr Kapazität sein, als ein Team alleine erreichen könnte.

Governance als Teil des KI-Budgets

Selbst wenn technische Entscheidungen solide sind und die Nutzung effizient ist, wird ein zunehmender Anteil der KI-Ausgaben für Governance und nicht für reine Rechenleistung aufgewendet. Für Organisationen, die in der EU tätig sind, macht das KI-Gesetz dies sehr deutlich. Es verfolgt einen risikobasierten Ansatz für KI und wichtig ist, dass dies nicht nur für öffentlich zugängliche Produkte gilt. Interne Systeme, die in Bereichen wie Einstellung und Beförderung, Mitarbeitermanagement und -überwachung sowie bestimmten sicherheitsrelevanten Entscheidungen eingesetzt werden, fallen in den Anwendungsbereich und bringen Erwartungen an Risikomanagement, Dokumentation, Protokollierung und menschliche Aufsicht mit sich. Andere Regionen bewegen sich in eine ähnliche Richtung, auch wenn die Regeln ein wenig anders aussehen, der allgemeine Trend ist jedoch der gleiche: größere Organisationen werden erwartet, zu wissen, wo KI eingesetzt wird, was sie tut und wie sie kontrolliert wird.

Die praktische Auswirkung davon ist, dass interne KI-Projekte jetzt mit einer eigenen Governance-Arbeitslast einhergehen, die nicht optional ist. Jeder neue Anwendungsfall kann eine neue Risiko- oder Auswirkungsanalyse, mehr Überwachung und mehr Fragen von Compliance-, Audit- oder Risikoteams bedeuten. None davon wird in Modellnutzungsmetriken erscheinen, aber es ist reale Anstrengung, die bezahlt werden muss.

Wiederum ist none davon ein Grund, KI zu vermeiden. Es ist eine Erinnerung daran, dass die laufenden Kosten eines internen KI-gesteuerten Prozesses nicht nur der Preis für die Aufrufung eines Modells sind. Governance und regulatorische Erwartungen sind jetzt Teil der Gesamtkosten des Eigentums

Wo KI-Einführungen schiefgehen

Ein bekanntes Muster bei KI-Projekten ist die Lücke zwischen dem, wie ein System in einer Demo aussieht, und wie es sich im großen Maßstab in der realen Welt verhält. In einer kontrollierten Umgebung, mit einer engen Palette von Fragen und freundlichen Daten, können die Ergebnisse makellos aussehen. Es ist leicht in diesem Moment anzunehmen, dass das System bereit ist, eine ganze Kategorie von Arbeit zu übernehmen.

Die Probleme treten normalerweise später auf, wenn das System der vollen Vielfalt und des Volumens der realen Nutzung ausgesetzt ist: ungewöhnliche Anfragen, gestresste Benutzer, unvollständige Aufzeichnungen, schmutzige Randfälle. Risse, die in der Demo unsichtbar waren, beginnen sich als fehlgeleitete Antworten, verpasste Nuancen, Support-Schleifen, längere Bearbeitungszeiten und stille Schäden am Vertrauen zu zeigen. Interne Metriken wie “Anfragen bearbeitet” und “Zeit gespart” können auf dem Papier gut aussehen, aber die gelebte Erfahrung für Endbenutzer kann eine andere Geschichte erzählen.

Wenn man direkt von einer polierten Demo oder einem kleinen Pilotprojekt springt, in dem der Erfolg unter kontrollierten Bedingungen als Beweis dafür gilt, dass das System für eine breitere Einführung bereit ist, kann dies ein teurer Fehler sein. In der realen Welt bringen Benutzer schmutzige Anfragen, unvollständige Daten und ihre eigenen Annahmen über das, was das Tool kann, mit. Wenn Erwartungen nicht gemanagt werden und der Workflow um das System herum nicht mit Ausweichmöglichkeiten und Eskalationsmöglichkeiten entworfen wird, zahlt die Organisation doppelt: einmal für den Aufbau und noch einmal für die zusätzliche Unterstützung, Nachbearbeitung, Beschwerden und verlorenes Vertrauen. Die Technologie mag auf dem Papier beeindruckend aussehen, aber ohne einen pragmatischen Ansatz dafür, wie sie realen Menschen und realen Prozessen begegnet, verliert die Rendite auf diese Investition schnell.

Die Kehrseite ist, dass gut entworfene Systeme mit klaren Grenzen und menschlicher Verantwortung, die von Anfang an eingebaut sind, Dinge tun können, die kein menschliches Team alleine bewältigen kann: das Scannen großer Informationsmengen in Sekunden, das Erkennen von Mustern über Jahre von Daten und das Bewältigen von Routineentscheidungen in einem Umfang, der sonst außer Reichweite liegen würde. Der Punkt ist, dass Organisationen, um diese Vorteile zu erzielen, ihre Ambitionen mit einem realistischen Blick auf die Technologie verbinden müssen, sobald sie in der Welt ist.

Abschließende Gedanken

None davon ist ein Argument gegen KI. Es ist ein Argument dafür, KI mit der gleichen Ernsthaftigkeit zu behandeln wie jedes andere System, das den Betrieb eines Unternehmens wesentlich ändern kann.

Wenn KI gut eingesetzt wird, hilft sie kleinen Teams, auf einer größeren Skala zu agieren, Muster zu entdecken, die manuell schwer zu erkennen wären, und Expertenurteile weiter zu verbreiten. Aber um dorthin zu gelangen, ist ein klarer Blick auf die Stellen erforderlich, an denen KI eingesetzt wird, was sie insgesamt kostet und wie sie geregelt wird. Das bedeutet, bewusste Entscheidungen über Modelle und Architekturen zu treffen, in Daten und Beobachtbarkeit zu investieren und Prozesse zu entwerfen, in denen Menschen im Spiel bleiben.

„Schnell vorankommen und Dinge brechen“ war ein Slogan, der für menschliche Teams, die an menschlichem Maßstab arbeiteten, geschrieben wurde: wenn etwas kaputt ging, rollte man es zurück, patchte es und ging weiter. Wenn KI jedoch in Entscheidungen über Kunden, Mitarbeiter oder Bürger eingebettet ist, kann die gleiche Einstellung Probleme erzeugen, die sich schneller ausbreiten, härter treffen und viel schwieriger zu entwirren sind. Geschwindigkeit ist immer noch wichtig, und KI kann hierbei helfen, aber sie muss von einem klaren Blick auf Risiko, Kosten und Verantwortung begleitet werden.

Es gibt keinen Weg, Kosten oder Risiken vollständig zu entfernen. Aber es gibt einen klaren Unterschied zwischen Organisationen, die auf ad-hoc-Experimente setzen, und denen, die KI in ihre Betriebe auf eine gemessene Weise integrieren, mit Sicht auf die Ausgaben bis zum Erfolg. Über die Vielfalt von Problemen und Ergebnissen, mit denen Organisationen konfrontiert sind, gibt es keine einzelne KI-Lösung, die alle lösen kann. Der effektive Einsatz von KI im Unternehmen sollte immer spezialisiert, überwacht und sorgfältig abgegrenzt sein.