KI im großen Maßstab: Warum die eigentliche Herausforderung im Management von Wert liegt, nicht in der Kostensenkung

KI verändert die Ökonomie der Technologie

Traditionelle Unternehmenstechnologie wurde in der Regel über relativ vorhersehbare Vereinbarungen beschafft: Lizenzen, Abonnements, Infrastrukturverpflichtungen und Implementierungsprogramme. Die Kosten ließen sich meist anhand der Mitarbeiterzahl, der Systemkapazität oder eines vereinbarten Leistungsumfangs abschätzen.

KI passt nicht gut in dieses Modell.

Ihre Kosten werden vom tatsächlichen Verbrauch bestimmt. Sie können variieren – je nach verwendetem Modell, der Menge der verarbeiteten Informationen, der Länge der Antwort, dem Design des Workflows und der Häufigkeit, mit der ein automatisierter Agent andere Systeme oder Modelle aufruft.

Zwei scheinbar ähnliche Aufgaben können daher sehr unterschiedliche Kosten verursachen.

Besonders wichtig wird dies, wenn KI in Geschäftsprozesse eingebettet ist. Eine einzelne Interaktion kann eine Abfolge von Suchen, Modellaufrufen, Validierungen und Wiederholungsversuchen auslösen. Was wie eine einfache Nutzeranfrage aussieht, kann hinter den Kulissen zu einem überraschend ressourcenintensiven Workflow werden.

Gleichzeitig wird der Zugang zu KI nicht mehr ausschließlich von der Technologieabteilung gesteuert. Mitarbeitende können neue Tools abonnieren, eigene Assistenten erstellen und automatisierte Prozesse mit relativ geringen technischen Kenntnissen aufbauen. Diese Zugänglichkeit ist eine kraftvolle Quelle für Innovation, kann aber auch zu fragmentierter Beschaffung, doppelten Fähigkeiten und einem Verbrauch führen, den niemand vollständig überblickt.

Deshalb reicht die herkömmliche jährliche Budgetplanung nicht aus. KI erfordert ein aktives Nachfragemanagement.

Zunächst den Verbrauch sichtbar machen

Eine Organisation kann KI nicht wirksam steuern, wenn sie nicht weiß, wo sie eingesetzt wird.

Die erste Priorität sollte darin bestehen, eine konsolidierte Sicht auf den KI-Verbrauch über Abteilungen, Anwendungen, Lieferanten und Cloud-Plattformen hinweg zu schaffen. Diese Sicht muss über Rechnungen hinausgehen. Führungskräfte sollten erkennen können, welcher Geschäftsprozess KI nutzt, wer dafür verantwortlich ist, was er kostet und welches Ergebnis er liefert.

Technische Kennzahlen wie Modellaufrufe oder Verarbeitungsvolumen sind für Ingenieure nützlich, reichen aber für Geschäftsentscheidungen nicht aus. Aussagekräftiger sind voraussichtlich folgende Kennzahlen:

• Kosten pro gelöster Kundenanfrage
• Kosten pro geprüftem Dokument
• Kosten pro qualifizierter Verkaufschance
• Kosten pro Software-Release
• Kosten pro bearbeitetem Schadenfall, Vorgang oder bearbeiteter Transaktion
• Umsatz, Kapazität oder Risikoreduzierung, die durch einen KI-gestützten Workflow entstehen

Das verändert die Diskussion. Statt zu fragen, ob die Organisation zu viel KI nutzt, können Führungskräfte fragen, ob eine bestimmte KI-Anwendung genügend Wert schafft.

Sichtbarkeit schafft zudem Verantwortlichkeit. Wenn der Verbrauch einem identifizierbaren Produkt, Prozess oder Geschäftsbereich zugeordnet ist, erscheint KI nicht länger als unerklärte zentrale Technologieausgabe. Sie wird zu einer Geschäftsinvestition mit einem Verantwortlichen und einer erwarteten Rendite.

Das richtige Maß an Intelligenz für die Aufgabe einsetzen

Organisationen setzen ihre am höchsten qualifizierten Mitarbeitenden nicht für jede Tätigkeit ein. Ebenso sollten sie nicht für jede Anfrage ihr leistungsstärkstes – und meist teuerstes – KI-Modell verwenden.

Viele Routineaufgaben, darunter Klassifizierung, Extraktion, einfache Zusammenfassungen und strukturierte Entwürfe, lassen sich oft wirksam mit kleineren oder günstigeren Modellen erledigen. Leistungsfähigere Modelle können dann für Arbeiten reserviert werden, die tatsächlich tieferes Schlussfolgern, höhere Genauigkeit oder spezialisierte Leistung erfordern.

Ziel ist nicht, in jeder Situation das günstigste Modell zu wählen. Ziel ist, die wirtschaftlichste Option zu wählen, die den geforderten Standard zuverlässig erfüllt.

Diese Entscheidung sollte mehr als nur den Preis berücksichtigen. Qualität, Geschwindigkeit, Datenschutz, Ausfallsicherheit und Risiko spielen alle eine Rolle. In manchen Fällen ist ein Premium-Modell vollkommen gerechtfertigt. In anderen kann ein kleineres gehostetes Modell, ein intern betriebenes Modell oder sogar ein lokal auf einem Gerät laufendes Modell besser geeignet sein.

Entscheidend ist die Flexibilität: die Fähigkeit, unterschiedliche Workloads an unterschiedliche Modelle zu leiten und diese Entscheidungen anzupassen, wenn sich Technologie, Preise und Anforderungen weiterentwickeln.

Den Workflow verbessern, bevor das Modell optimiert wird

Die Modellwahl erhält viel Aufmerksamkeit, doch ein ineffizientes Workflow-Design kann eine größere Quelle der Verschwendung sein.

KI-Systeme verarbeiten möglicherweise wiederholt Informationen, die sie nicht benötigen, behalten unnötig lange Gesprächsverläufe bei oder erzeugen Antworten, die weit detaillierter sind, als die Aufgabe erfordert. Automatisierte Agenten können in unproduktive Schleifen geraten, fehlgeschlagene Aktionen wiederholen oder teure Dienste aufrufen, obwohl eine einfachere Regel genügt hätte.

Diese Probleme lassen sich selten allein durch die Beschaffung lösen. Sie erfordern durchdachtes Engineering und Prozessdesign.

Organisationen sollten prüfen, ob sie Folgendes umsetzen können:

• Nur die für die Aufgabe relevanten Informationen senden
• Bereits generierte Ergebnisse wiederverwenden
• Klare Antwortformate und angemessene Längenbegrenzungen festlegen
• Automatisierte Wiederholungsversuche und die Tool-Nutzung begrenzen
• Einfache Anfragen über einfachere Modelle leiten
• Nur wirklich komplexe Fälle eskalieren
• Einen schlechten Prozess neu gestalten, bevor KI hinzugefügt wird

Dieser letzte Punkt ist wichtig. Einen ineffizienten Prozess zu automatisieren, macht ihn nicht zwangsläufig effizient. Es kann lediglich dazu führen, dass die Ineffizienz schneller und in größerem Umfang abläuft.

Governance in die Nutzererfahrung integrieren

Richtlinien und Schulungen bleiben wichtig, können aber nicht die gesamte Last der Steuerung von Unternehmens-KI tragen.

Von den meisten Mitarbeitenden kann man vernünftigerweise nicht erwarten, dass sie die Ökonomie jedes Modells, jedes Prompts oder jedes automatisierten Workflows verstehen. Sie sollten auch nicht jedes Mal ein Richtliniendokument konsultieren müssen, wenn sie einen KI-Dienst nutzen.

Gute Governance sollte daher in die Technologie selbst eingebaut sein.

Die KI-Umgebung der Organisation sollte in der Lage sein, genehmigte Zugriffsregeln anzuwenden, ungewöhnlichen Verbrauch zu erkennen, sinnvolle Limits durchzusetzen und Anfragen an den am besten geeigneten Dienst weiterzuleiten. Wo zusätzliche Kosten oder Risiken gerechtfertigt sind, sollte es einen klaren Weg für Genehmigung oder Eskalation geben.

Dadurch wird verantwortungsvoller Verbrauch für den Nutzer zum natürlichen Weg. Zudem kann Governance dort stattfinden, wo die Aktivität entsteht und das Ergebnis beeinflusst werden kann – und nicht erst Wochen später, wenn die Rechnung eintrifft.

Dasselbe Prinzip gilt für Anleitung. Kontextbezogene Hinweise, die gegeben werden, während jemand einen KI-Workflow erstellt, sind wahrscheinlich nützlicher als ein einmaliger Schulungskurs, der Monate zuvor absolviert wurde.

KI-Ökonomie als dauerhafte Fähigkeit begreifen

Das Management der KI-Nachfrage sollte nicht zu einer vorübergehenden Kostensenkungsmaßnahme werden, die allein vom Technologieteam geleitet wird.

Es erfordert eine fortlaufende Zusammenarbeit zwischen Technologie, Finanzen, Beschaffung, Risikomanagement und Geschäftsleitung. Gemeinsam müssen diese Funktionen die Nachfrage prognostizieren, den Verbrauch überwachen, Lieferanten bewerten und Ausgaben mit messbaren Ergebnissen verknüpfen.

Diese Fähigkeit muss auch berücksichtigen, dass sich der Markt weiter verändern wird. Das leistungsstärkste Modell von heute bietet morgen möglicherweise nicht mehr das beste Preis-Leistungs-Verhältnis. Neue Anbieter, Vertragsstrukturen und Bereitstellungsoptionen werden weiterhin entstehen.

Eine langfristige Abhängigkeit von einem einzelnen Modell oder Anbieter kann daher sowohl finanzielle als auch operative Risiken mit sich bringen. Organisationen sollten sich die Möglichkeit bewahren, Workloads zu verlagern, Beschaffungsentscheidungen neu zu bewerten und zugekaufte, intern entwickelte und gehostete Fähigkeiten zu kombinieren.

Die alte Frage, ob man kaufen oder selbst bauen soll, wird zu eng. Die bessere Frage lautet, wie sich für jeden Workload die richtige Mischung aus Diensten, Modellen und Betriebsansätzen zusammenstellen – und kontinuierlich anpassen – lässt.

Kostenkontrolle sollte Ambition unterstützen

Es besteht die Gefahr, dass steigende KI-Ausgaben Organisationen übermäßig vorsichtig werden lassen, gerade wenn die Technologie beginnt, bedeutsame Ergebnisse zu liefern.

Das wäre ein Fehler.

Ein solides Finanzmanagement ist nicht der Feind der Innovation. Es ist das, was nachhaltige Innovation erst möglich macht. Wenn eine Organisation Verschwendung erkennen kann, kann sie Ressourcen auf die Workflows mit dem größten Potenzial umlenken. Wenn sie die Kosten eines Ergebnisses versteht, kann sie fundierte Entscheidungen darüber treffen, wo skaliert werden soll. Wenn Governance in die Umgebung eingebettet ist, können Mitarbeitende innerhalb klarer und praktikabler Grenzen innovieren.

Die Organisationen, die mit KI erfolgreich sein werden, sind nicht zwangsläufig diejenigen, die am meisten ausgeben – oder diejenigen, die am härtesten kürzen. Es werden diejenigen sein, die verstehen, wo KI einen besonderen Wert schafft, und ihren Verbrauch entsprechend steuern können.

Die nächste Phase der Unternehmens-KI wird daher weniger durch den Zugang zu Modellen und mehr durch Managementdisziplin geprägt sein.

Die Frage lautet nicht mehr einfach: „Wie viel KI nutzen wir?“ Sie lautet: „Was erreichen wir damit – und rechtfertigt dieses Ergebnis die Investition?“