Ausbau künstlicher Intelligenz: Die dringende Notwendigkeit einer neuen Wirtschaftsstrategie

Die vorherrschende Meinung über KI in Unternehmen wandelt sich rasant von der Begeisterung der Pilotphase hin zu den harten Realitäten des Produktionsalltags. Während Organisationen bestrebt sind, generative KI in ihre Arbeitsabläufe zu integrieren, stoßen sie auf eine Hürde, die weniger in den Fähigkeiten der Technologie selbst liegt, sondern vielmehr in der Implementierung dieser Modelle.

Unternehmen stellen zunehmend fest, dass das Problem nicht die künstliche Intelligenz an sich ist, sondern vielmehr die Annahme, dass jede Aufgabe das leistungsstärkste verfügbare Modell erfordert. Dies hat zu dem weit verbreiteten Phänomen des „Token-Maxxing“ geführt – der Tendenz, standardmäßig größere und teurere Modelle zu verwenden, selbst wenn ein kleineres und kostengünstigeres Modell die Aufgabe erfüllen könnte.

Anstatt das richtige Modell der richtigen Aufgabe zuzuordnen, gehen viele Organisationen davon aus, dass jeder Arbeitsablauf Schlussfolgerungsvermögen auf dem Niveau führender Modelle erfordert.

Diese übermäßige Automatisierung stellt eine strukturelle Belastung für die Rentabilität dar. Wenn Unternehmen jedes Problem so behandeln, als ob es ein bahnbrechendes Modell erfordern würde, übersteigen die Infrastrukturkosten zwangsläufig den Wert des Ergebnisses.

Der Markt wird Zeuge der Folgen dieses Ansatzes. Berichten zufolge verbrauchen große Unternehmen ihre KI-Budgets innerhalb weniger Monate vollständig und kündigen interne Lizenzen, da die Kosten immer weiter steigen.

Da Unternehmen mit den enormen Kosten von KI zu kämpfen haben, wird immer deutlicher, dass die Ausgaben für KI den tatsächlichen Nutzen oft übersteigen. Diese Herausforderung erfordert neue Strategien, wie bereits in einem früheren Artikel über den Rückgang der KI-Ausgaben erörtert wurde.

Die Falle der Pilotprojekte überwinden

Das grundlegende Problem besteht darin, dass der Erfolg isolierter, kontrollierter Pilotprojekte oft als Standard für aktuelle KI-Initiativen in Unternehmen gilt. In einem Pilotprojekt sind die Variablen begrenzt und die Kosten pro Vorgang erscheinen überschaubar. Sobald jedoch die unternehmensweite Nutzung erfolgt, treten die chaotische Realität des Produktivbetriebs, Grenzzustände, zahlreiche Wiederholungsversuche und starke Schwankungen im Umfang zutage.

Da probabilistische KI für jeden Vorgang unterschiedliche Kosten generiert, entstehen unvorhergesehene Ausgaben, die Finanzabteilungen nicht prognostizieren können. Bei herkömmlicher Software entspricht ein festes Budget den prognostizierten Kosten für jede Aufgabe. Diese Stabilität fehlt bei KI. Wenn derselbe Vorgang an einem Tag einen Dollar und am nächsten Tag hundert Dollar kostet, kann er nicht mehr sicher in das Betriebsbudget einbezogen werden.

Aus diesem Grund geben 80 % der Unternehmen zu, die Kosten von KI um mehr als 25 % falsch eingeschätzt zu haben, und über 95 % der Pilotprojekte für generative KI scheitern im Produktivbetrieb. Unternehmen arbeiten derzeit nicht daran, ihr Kosten-Nutzen-Verhältnis zu verbessern; stattdessen machen sie diese Erfahrung oft erst auf die harte Tour, nachdem der finanzielle Schaden bereits entstanden ist. Für viele Führungskräfte bleibt als einziges Mittel die Nutzungsreduzierung – also die Einschränkung des Einsatzes oder die Sperrung des Zugangs.

Diese Reaktion ist jedoch fehlerhaft. Der eigentliche Schock liegt nicht in der Höhe der Rechnung selbst, sondern in der Erkenntnis, dass die einzige verbleibende Steuerungsmöglichkeit darin besteht, den Verbrauch einzuschränken. Durch die Rationierung des Zugangs gibt das Unternehmen faktisch zu, dass die Implementierung von KI zu teuer für eine Skalierung ist, und verwandelt so einen potenziellen Wettbewerbsvorteil in eine defensive Schwäche.

Die Ökonomie der Automatisierung neu überdenken

Die meisten Organisationen konzentrieren sich heute auf die Verbesserung der Modellauswahl – also die Identifizierung des Modells, das eine bestimmte Aufgabe bewältigen soll. Das größte Potenzial liegt jedoch in der Optimierung der Arbeit selbst. Da die Kosten jedes Mal neu angepasst werden müssen, wenn eine Anfrage innerhalb eines großen Modells von Grund auf neu erstellt wird, erweist sich die Annahme, dass jede Aufgabe ein großes Sprachmodell (LLM) auf der obersten LLM-Ebene erfordert, schnell als kostspieliger Fehler.

Standardmäßige Routing-Tools arbeiten auf Anfrageebene: Sie analysieren die eingehende Aufgabe und leiten sie an das am besten geeignete Modell weiter. Dieses Modell führt die gesamte Aufgabe jedoch weiterhin als einen einzigen, intransparenten Durchlauf aus. Optimiert wird lediglich das Modell, das das Ergebnis liefert; die Ergebnisse führen nicht zu einer effizienteren Ausführung des nächsten Durchlaufs. Echte Skalierbarkeit erfordert einen weiterführenden Ansatz.

Dieser Wandel erfordert eine Struktur, die den Geschäftsprozess selbst steuert, anstatt sich ausschließlich auf das zugrunde liegende Modell zu stützen. Anstatt die Arbeit lediglich an einen Endpunkt weiterzuleiten, verwaltet dieser Architekturansatz den Prozess selbst. Er geht über einzelne Modelle hinaus und zerlegt den Workflow in diskrete, codebasierte Schritte, um in jeder Phase einen Prüfpfad zu generieren.

Diese einzelne architektonische Entscheidung unterscheidet die strukturelle Optimierung von oberflächlichem Kostenmanagement und ermöglicht eine Effizienzsteigerung, die mit herkömmlichen Steuerungsinstrumenten nicht zu erreichen ist. Dieser Wandel führt zu einer effizienteren Kostenstruktur. Anstatt für jede Aufgabe ein einziges Modell zu verwenden, werden die Berechnungen auf spezialisierte, codebasierte Schritte verteilt, wodurch die Ressourcennutzung verbessert und die Workflow-Ausführung transformiert wird.

Im Workflow für die Bearbeitung von Großkrediten beispielsweise verbessert dieser Ansatz die Wirtschaftlichkeit, indem er die Abhängigkeit von aufwändigen Modellberechnungen reduziert, wo diese nicht erforderlich sind. Die Umstellung auf diese standardisierte, prozessorientierte Architektur bietet einen nachhaltigen Weg zur Kostenkontrolle bei Großkreditvorgängen.

Da der Prozess von einem bestimmten Anbieter entkoppelt ist, behalten Unternehmen volle Flexibilität. Sie können Optimierungsstrategien frei implementieren und je nach Bedarf zwischen führenden LLM-Modellen, Open-Source-Gewichtungen und kleineren, spezialisierten Modellen wechseln, ohne ihre zugrunde liegende Infrastruktur neu aufbauen zu müssen. Weitere Informationen zum Management von KI-Kosten finden Sie in unserem Artikel über sinkende KI-Ausgaben.

Da jeder Ausführungsprozess einen spezifischen und nachvollziehbaren Pfad von Denkschritten, Werkzeugaufrufen und Ergebnissen erzeugt, werden diese Aufzeichnungen zu wertvollen Datenbeständen, die spezialisierte Alternativen verbessern, die bereits wissen, wie sie erwartete Aufgaben bewältigen können, ohne auf allgemeine Aufrufe zurückgreifen zu müssen.

Verbesserung der menschlichen Fähigkeiten durch Präzision

Ziel dieses neuen Ansatzes ist es, künstliche Intelligenz von einem begrenzten Experiment zu einer standardisierten Arbeitsmethode zu entwickeln. Wenn automatisierte digitale Arbeit repetitive kognitive Aufgaben wie die Datenverifizierung oder die Bestätigung von Offenlegungen übernimmt, wandelt sich die Rolle des Menschen grundlegend. Analysten müssen nicht länger den ganzen Tag Dateien manuell öffnen und Daten eingeben; ihr Fokus verlagert sich auf Ausnahmefälle, die ein hohes Maß an Urteilsvermögen, komplexe Strategien und kreative Problemlösungen erfordern.

Das ist das Versprechen einer nachhaltigen KI-Einführung. Indem unvorhergesehene Ausgaben in eine planbare Kostenbasis umgewandelt und der Fokus auf die Optimierung von Arbeitsabläufen anstatt auf den bloßen Modellwechsel gelegt wird, können Unternehmen endlich ihr volles Potenzial ausschöpfen. Dies ermöglicht es Organisationen, mit zunehmender Verbreitung von KI einen nachhaltigen und messbaren Return on Investment zu erzielen und ihren Mitarbeitern zu erlauben, sich auf wertschöpfende, analytische Tätigkeiten zu konzentrieren, die Technologie nicht ersetzen kann.

Die Zukunft von KI in Unternehmen hängt nicht allein von den Fähigkeiten des Modells ab, sondern von der Fähigkeit, integrierte KI-Systeme so einzusetzen, dass die Technologie in großem Umfang wirtschaftlich rentabel ist. Es ist an der Zeit, nicht nachhaltige Experimente hinter sich zu lassen und einen strukturierten, architektonischen Ansatz für die KI-Einführung zu verfolgen. Für Organisationen, die bereit sind, die experimentelle Phase zu überwinden, besteht die Herausforderung nicht mehr darin, die Funktionsfähigkeit von KI nachzuweisen, sondern sie wirtschaftlich so rentabel zu gestalten, dass sie skalierbar ist.