Jedes KI-Budget verbirgt eine Wette darauf, wie dein Unternehmen funktioniert
Das Geld wurde bereits bewilligt. Die Pilotprojekte liefen. Manche funktionierten; die meisten kamen zum Stillstand, bevor sie messbaren Wert generierten. Laut S&P Global hat 2025 bereits 42 % der Unternehmen den Großteil ihrer KI-Initiativen aufgegeben – gegenüber 17 % im Vorjahr. Diese Zahl beschreibt kein technologisches Problem. Sie beschreibt ein Problem der Entscheidungsarchitektur: Unternehmen haben Kapazitäten eingekauft, ohne das Betriebsmodell zu entwerfen, das diese tragen sollte.
Das ist es, worum es hinter jeder Position im Budget für künstliche Intelligenz geht. Es ist keine Wette darauf, welches Sprachmodell den Markt gewinnen wird, oder darauf, welcher Cloud-Anbieter die bessere Latenz bietet. Es ist eine Wette darauf, wie Arbeit fließen wird, wer welche Entscheidungen trifft, wo das proprietäre Urteilsvermögen angesiedelt ist und wie viel es kosten wird, das alles in der Skalierung zu betreiben. Die Sache so zu formulieren verändert vollständig die Finanzanalyse, die ein CFO oder ein Vorstand anstellen sollte, bevor er unterschreibt.
Die meisten tun das nicht. Und diese Lücke zwischen dem eingesetzten Kapital und der Klarheit über das Modell, das es tragen soll, ist der Ort, an dem sich das relevanteste strukturelle Risiko dieses KI-Investitionszyklus ansammelt.
Was SaaS-Anbieter dir nicht gesagt haben, als du ihnen pro Platz bezahlt hast
Ein Jahrzehnt lang hat das platzbasierte Abonnementmodell Führungskräfte darin trainiert, Kapazität als etwas zu betrachten, das man mietet. Der Anbieter verwaltet die technische Komplexität; das Unternehmen kauft das Ergebnis. Diese Vereinbarung funktionierte, solange die Technologie ein Aufzeichnungssystem oder ein unterstützendes Werkzeug war. Sie hört auf zu funktionieren, sobald die Technologie anfängt, geschäftliches Urteilsvermögen auszuführen.
Wenn ein KI-Agent eine Rückerstattungsrichtlinie anwendet, eine Kreditentscheidung trifft oder einen Support-Fall eskaliert, führt er keine Software aus. Er bringt in der Produktion die Logik deines Betriebsmodells zum Laufen. Du kannst den Server auslagern, auf dem das geschieht. Du kannst nicht die Regeln auslagern, die bestimmen, was entschieden wird. Diese Regeln sind das Unternehmen.
Die Veränderungen, die sich gerade im SaaS-Markt vollziehen, bestätigen das. Unternehmen kürzen Sitzplätze, verlagern Arbeit auf interne Agenten und verhandeln Verträge unter anderen Bedingungen neu. Die Anbieter selbst migrieren zu ergebnisbasierten Preismodellen, weil sie wissen, dass sich die Grenze zwischen dem, was gemietet wird, und dem, was aufgebaut wird, verschiebt. Das implizite Eingeständnis dieser Verschiebung lautet: Der Wert liegt nicht mehr im Zugang zum Werkzeug, sondern in der Logik, die darüber läuft.
Das hat eine direkte finanzielle Konsequenz, die nur wenige Renditeanalysen erfassen. Wenn ein Unternehmen einen SaaS-Vertrag über zwei Millionen Dollar kürzt, weil es Kapazitäten mit eigenen Agenten internalisieren will, verschwindet dieses Geld nicht. Es wird umverteilt: ungefähr 30 % bis 45 % in Modell-Inferenz, 20 % bis 30 % in Daten-Engineering und Werkzeuge, und zwei bis vier Stellen zur Steuerung dessen, was die Agenten entscheiden. Im ersten Jahr ist das Ergebnis eine Neuverteilung der Ausgaben, keine Einsparung. Ein Geschäftsmodell, das diesen Übergang als Kostensenkung darstellt, ohne aufzuzeigen, wohin das Geld geflossen ist, hat einen strukturellen Buchführungsfehler in seinem Investitionsfall.
Das Gespenst des vorherigen Automatisierungsmodells
Es gibt einen Präzedenzfall, der das aktuelle Risiko lesbarer macht: die Welle der robotischen Prozessautomatisierung zwischen 2017 und 2022. Unternehmen setzten Tausende von Bots ohne Deployment-Standards ein, ohne kontrollierte Versionierung, ohne definierte Lebenszyklen. Bis 2023 war das Muster konsistent: Bots in der Produktion, niemand mit Gewissheit darüber, was sie genau tun, Ingenieure mit der Angst, sie anzufassen, weil jeder Eingriff etwas brechen könnte, das niemand vollständig versteht.
KI-Agenten sind dieselbe Architektur des Scheiterns mit integriertem Urteilsvermögen und einem Schadensradius, der um Größenordnungen größer ist. Ein Bot, der Formulare falsch verarbeitet, kann kostspielige Fehler erzeugen. Ein Agent, der Richtlinien interpretiert, kontextbezogene Entscheidungen trifft und gleichzeitig in mehreren Systemen operiert, kann Fehler mit einer Geschwindigkeit und in einem Ausmaß verbreiten, die kein nachgelagertes menschliches Überprüfungssystem eindämmen kann.
Die Governance-Frage, die jede Führungskraft beantworten können sollte, bevor sie den Einsatz von Agenten ausweitet, ist nicht philosophischer Natur. Sie ist operativer Natur: Welche Agenten hat das Unternehmen im Produktionsbetrieb, wem gehört jeder einzelne, und wie wird ein Rollback durchgeführt, wenn etwas schiefgeht? Wenn es auf diese Frage keine Antwort gibt, ist das Problem bereits vorhanden. Was fehlt, ist, dass es sichtbar wird.
Die fehlende Sichtbarkeit ist kein Zufall. Sie entsteht dadurch, dass KI-Governance als nachgelagerte Schicht behandelt wurde – als etwas, das hinzugefügt wird, nachdem das System bereits in Betrieb ist. Die Erkenntnisse aus anderen technologischen Zyklen legen nahe, dass diese Reihenfolge genau die Art von Abhängigkeit erzeugt, die danach niemand mehr anfassen will: technische Schulden mit integriertem Urteilsvermögen.
Wo KI-Ausgaben zur unkontrollierten Verbrennung werden
Es gibt eine Kostendynamik, die die meisten internen Geschäftsfälle ignorieren. Die Stückpreise für Inferenz sinken. Gleichzeitig skaliert der Verbrauch schneller als dieser Preisrückgang. Das Nettoergebnis ist, dass die aggregierten Ausgaben für den KI-Betrieb steigen, auch wenn jedes einzelne Token weniger kostet.
Unternehmen, die KI-Werkzeuge in breitem Umfang eingesetzt haben, rationieren den Zugang: genug, damit Teams experimentieren können, zu wenig, damit sie vom System abhängig werden. Diese Lücke zwischen Experimentieren und operativer Abhängigkeit ist der Ort, an dem sich der nächste Investitionszyklus ansammelt. Sie zu schließen hat reale Kosten, und diese Kosten existieren bereits innerhalb der aktuellen Technologieportfolios. Sie sind verteilt auf SaaS-Verträge, die konsolidiert werden, und auf Infrastruktur, die ersetzt wird. Das Problem ist nicht der Mangel an Kapital; es ist der Mangel an Transparenz darüber, welcher Teil dieses Kapitals produktive Kapazität generiert und welcher Teil eine Operation ohne messbare Rendite finanziert.
Das ist es, was Governance zu einem finanziellen Thema macht, nicht nur zu einem technischen. Ohne die Fähigkeit nachzuvollziehen, welche Agenten operieren, welche Entscheidungen sie treffen und welche Ergebnisse sie produzieren, wird das KI-Budget zu einer Ausgabe auf Treu und Glauben. Und Vorstände, die das zu verstehen beginnen, ändern die Fragen, die sie bei Investitionsüberprüfungen stellen. Sie fragen nicht mehr nach der Anzahl der eingesetzten Modelle. Sie fragen nach Workflow-Metriken, Fehlerquoten, eingesparter Zeit und Benutzerzufriedenheit. Der Unterschied zwischen diesen beiden Metrikensets beschreibt den Abstand zwischen einem Unternehmen, das auf eine Technologie wettet, und einem Unternehmen, das ein Betriebsmodell aufbaut.
Das hybride Modell ist kein Zugeständnis, sondern die wirtschaftlich richtige Struktur für den Moment
Der Fall, der am besten illustriert, wohin eine ungeordnete Wette auf das Betriebsmodell führt, stammt von Klarna. Die Einnahmen des Unternehmens verdoppelten sich in etwa zwischen 2022 und 2025, während die Belegschaft fast auf die Hälfte schrumpfte. Das schien eine extreme These zu bestätigen: KI ersetzt menschliche Arbeit in großem Maßstab. Aber dasselbe Unternehmen musste seinen menschlichen Kundendienst wiederaufbauen, nachdem die Kundenzufriedenheit bei automatisierten Interaktionen einbrach.
Was übrig blieb, ist weder eine reine Erfolgsgeschichte noch ein Misserfolg. Es ist ein Betriebsmodell mit einer spezifischen Logik: KI für Volumen, Menschen für Komplexität. Automatisierung für das Vorhersehbare, Skalierbare und Standardisierbare. Menschliches Urteilsvermögen für das, was Kontext, Ausnahmen oder hohe relationale Konsequenzen erfordert. Diese Unterscheidung ist nicht philosophischer Natur. Sie ist die Variable, die bestimmt, ob die Betriebskosten nachhaltig sinken oder ob sie sich lediglich in Qualitätsprobleme verlagern, die schließlich mit zusätzlichem Aufwand gelöst werden müssen.
Der häufigste Fehler in den Finanzmodellen der KI-Adoption ist, diese Unterscheidung als einen vorübergehenden Übergang zu einem zukünftigen Zustand zu behandeln, in dem alles automatisierbar ist. Die aktuellen Erkenntnisse stützen dieses Szenario für die meisten Sektoren nicht. Was sie stützen, ist folgendes: Die Grenze zwischen dem, was KI gut ausführt, und dem, was menschliches Urteilsvermögen erfordert, verschiebt sich, aber sie verschwindet nicht. Unternehmen, die diese Grenze präzise steuern – die genau wissen, wo sie liegt, und sie anpassen können, wenn sich die Bedingungen ändern –, haben einen messbaren operativen Vorteil gegenüber jenen, die sie unbestimmt gelassen haben.
Die Investition in KI ist also keine Wette auf die Zukunft der Technologie. Sie ist eine Wette auf die Fähigkeit einer Organisation, ein hybrides Modell unter Bedingungen kontinuierlichen Wandels zu entwerfen, zu betreiben und zu korrigieren. Unternehmen, die diese Fähigkeit heute installiert haben, werden informierte Käufer sein, wenn der nächste Konsolidierungszyklus der Werkzeuge kommt. Jene, die sie nicht haben, bauen Abhängigkeiten auf, die niemand inventarisieren kann, wenn der Moment der Migration kommt.
