Der Return on Investment unternehmerischer KI ist ein Architekturproblem, kein Intelligenzproblem
Es gibt eine Zahl, die sich CIOs mit wachsendem Unbehagen einprägen: 72 % der Organisationen geben zu, dass ihre KI-Investitionen bestenfalls die Gewinnschwelle erreichen. Im schlechtesten Fall verlieren sie Geld. Gartner hat diese Zahl veröffentlicht, und sie hat keine Panik ausgelöst, aber etwas Hartnäckigeres: eine stille Unsicherheit darüber, wie lange eine Wette noch aufrechterhalten werden kann, ohne zu beweisen, dass sie funktioniert.
Die übliche Antwort zeigt auf die Modelle. Man müsse den Anbieter besser auswählen, die Prompts verfeinern, darauf warten, dass die Inferenzpreise sinken. Diese Antwort ist bequem und fast immer falsch. Was versagt, ist nicht die Intelligenz der Maschine. Was versagt, ist die Unternehmensarchitektur, die sie umgibt.
Das Problem hat eine sehr konkrete Mechanik: Jedes Mal, wenn ein Unternehmen einen neuen KI-Agenten einführt, beginnt dieser Agent bei null. Er verbindet Daten neu, rekonstruiert den Unternehmenskontext, verhandelt Berechtigungen neu, entwirft Kontrollen neu und legt eigene Validierungskriterien fest. Wenn sechs Agenten im Produktivbetrieb laufen, gibt es sechs parallele, voneinander unabhängige Versionen dieser Infrastruktur. Jede mit ihren eigenen Kosten, ihrer eigenen technischen Schuld, ihrer eigenen Undurchsichtigkeit. Das Ergebnis ist keine künstliche Intelligenz im großen Maßstab. Es ist digitale Bürokratie im großen Maßstab.
Warum die tatsächlichen KI-Kosten nicht in der Inferenzzeile auftauchen
Die buchhalterische Falle ist raffiniert. Wenn ein Team bewertet, ob ein KI-Projekt wirtschaftlich sinnvoll ist, betrachtet es normalerweise die Modellkosten: Was kostet ein API-Aufruf, wie viele Tokens verbraucht jede Anfrage, welcher Anbieter bietet das beste Preis-Leistungs-Verhältnis? Diese Analyse ist nicht falsch, erfasst aber nur einen Bruchteil der Gesamtkosten.
Was in dieser Zeile nicht erscheint, sind die Kosten der wiederholten Integration. Jeder Agent, der ohne eine gemeinsame Unternehmenskontextschicht eingesetzt wird, erfordert, dass jemand von Grund auf dessen Verbindungen zu den Kernsystemen des Unternehmens, seine Autorisierungsmechanismen, seine Geschäftsregeln, seine Eskalationslogik aufbaut. Das sind keine Modellkosten. Es sind Kosten für Engineering, Governance und Betrieb. Und sie entstehen vollständig neu bei jedem neuen Anwendungsfall.
Ein Team im Bereich Finanzdienstleistungen, das von Forschern der Universität Hongkong und Stellaris AI untersucht wurde, stellte fest, dass mehr als 70 % seiner Anfragen routinemäßig genug waren, um mit kleineren und günstigeren Modellen bearbeitet zu werden. Dennoch lief alles auf derselben kostenintensiven Infrastruktur, weil niemand einen Mechanismus entworfen hatte, der nach Komplexität unterscheidet. Die Inferenzausgaben überstiegen 200.000 US-Dollar pro Monat, nicht weil das Geschäft anspruchsvoll war, sondern weil die Architektur keine Erinnerung daran hatte, wann sie es sein musste.
Das Problem der Kostenverteilung hat eine weitere, weniger sichtbare Dimension: Wenn die Kosten auf Integrationen, Teams und Werkzeuge verteilt sind, wird es mathematisch unmöglich, den generierten Wert zuzuordnen. Nicht der ROI ist niedrig. Sondern es gibt schlicht keine Möglichkeit, ihn zu messen, weil kein einheitliches Protokoll darüber existiert, welche Daten jeder Agent genutzt hat, welche Entscheidungen er getroffen hat, was jeder Schritt gekostet hat und welches Ergebnis erzielt wurde. Die Fragmentierung verteuert nicht nur den Einsatz. Sie zerstört die Rückverfolgbarkeit, die es ermöglichen würde, die Investition zu rechtfertigen.
Was eine gemeinsame Schicht an der Deployment-Ökonomie verändert
Die Lösung, die sich unter Architekten von Unternehmenssystemen herauskristallisiert, besteht nicht darin, weniger KI einzusetzen oder bessere Modelle zu beschaffen. Es geht darum, eine gemeinsame Kontextschicht aufzubauen, die als Rückgrat aller Agenten und Arbeitsabläufe der Organisation fungiert.
Der Gedanke folgt einer präzisen wirtschaftlichen Logik. Wenn Unternehmenswissen, Berechtigungen, Geschäftsregeln und Governance-Logik einmalig aufgebaut und als wiederverwendbare Infrastruktur bereitgestellt werden, sinken die Grenzkosten für den Einsatz des zweiten, fünften und zehnten Anwendungsfalls erheblich. Nicht weil die Modelle günstiger sind, sondern weil das Unternehmen nicht mehr dafür bezahlt, das eigene Geschäft jedes Mal neu zu verbinden, wenn eine neue Anwendung hinzukommt.
Ein multinationales Unternehmen aus der Kosmetikbranche durchlief genau das. Seine ersten Agenten funktionierten in Demos gut, brachen aber im Produktivbetrieb zusammen, weil jede der sechs integrierten Lösungen ein eigenes Wissensrepository und eigene Governance-Regeln in voneinander getrennten Silos unterhielt. Jeder Agent startete kalt. Jedes neue Projekt erforderte eine vollständige Neuverbindung von Grund auf. Die Kosten lagen nicht im Modell. Sie lagen in der Wiederholung.
Die Zentralisierung des Kontexts verändert auch die Logik des Routings. Wenn die Infrastruktur weiß, welche Art von Aufgabe sie verarbeitet, kann sie diese an das geeignete Modell weiterleiten: ein leistungsstärkeres und teureres für komplexes Schlussfolgern, ein kleineres und schnelleres für Routineanfragen. Die Inferenzausgaben hören auf, ein Fixkostenblock zu sein, und werden zu einer Variablen, die auf die Komplexität der Arbeit reagiert. Das ist keine marginale Optimierung. Es ist eine Neukonfiguration des Kostenmodells.
Ergänzend dazu erzielt die Architektur von Schwärmen spezialisierter Agenten ähnliche Ergebnisse auf der Seite der Recheneffizienz. Anstelle eines Superagenten, der bei jedem Schritt den vollständigen Kontext eines Problems verarbeiten muss, operieren mehrere Agenten mit begrenzten Domänen parallel. Jeder arbeitet mit einem kleineren, präziseren und günstigeren Kontextfenster. Die Koordination zwischen den Agenten erfordert eine gemeinsame Governance, um zu funktionieren, ohne neue operationelle Risiken zu schaffen, aber wenn diese Governance vorhanden ist, können die Einsparungen bei den Tokens pro Aufgabe erheblich sein.
Governance ist nicht die Bremse. Sie ist die Voraussetzung für Skalierung.
McKinsey hat etwas dokumentiert, das viele Technologieteams auf die harte Tour gelernt haben: Governance nachträglich einzuführen, nachdem die KI bereits im Produktivbetrieb läuft, erzeugt Reengineering-Kosten, die den Wert übersteigen können, den das System generierte. Gartner schätzt, dass gut integrierte Governance-Technologien die Regulierungskosten um bis zu 20 % senken können. Das sind keine Compliance-Zahlen. Das sind Architekturzahlen.
Das Problem mit Governance als nachträglich hinzugefügter Schicht ist dasselbe wie mit Kontext als wiederholter Arbeit: Sie wird für jede Anwendung vollständig neu aufgebaut. Ein Arbeitsablauf für Schadensmeldungen im Versicherungsbereich benötigt kontrollierten Zugriff auf Versicherungsdaten, Entscheidungsnachverfolgung, Grenzen für die Autonomie des Agenten und Eskalationsregeln für die menschliche Überprüfung. Wenn das nur für diesen Ablauf konzipiert wird, muss es für den nächsten erneut konzipiert werden. Zehn unabhängige Agenten bedeuten zehn Versionen derselben Kontrollarchitektur, zehnfache Genehmigungskosten, zehnfaches Inkonsistenzrisiko.
Wenn Governance als Plattform aufgebaut wird, werden die Kontrollen einmal als Code definiert und quer durch alle Anwendungen angewendet. Die Kosten skalieren nicht linear mit der Anzahl der Agenten, weil die Kontrollen existieren, bevor die Agenten hinzukommen. Genau dieser Unterschied trennt Organisationen, die KI skalieren können, von jenen, die technische und operative Schulden anhäufen, während sie glauben, zu skalieren.
Die Rückverfolgbarkeit, die eine Governance-Plattform erzeugt, hat einen zusätzlichen Vorteil, der in den meisten ROI-Gesprächen kaum explizit erwähnt wird: Sie verwandelt KI von einer Black Box in ein auditierbares System. Jeder Arbeitsablauf hinterlässt ein Protokoll darüber, welche Daten er genutzt hat, welche Maßnahmen er ergriffen hat, welche menschliche Intervention er erforderte, was er gekostet hat und welches Ergebnis er erzielt hat. Das ist nicht nur Risikokontrolle. Es ist die Infrastruktur, die es ermöglicht, den wirtschaftlichen Wert mit der Granularität zu messen, die Verwaltungsräte und Investoren mit zunehmender Dringlichkeit einfordern werden.
Architektur als Entscheidung über die Wertverteilung
Es gibt eine Dimension, die technische Analysen dazu neigen auszublenden, die aber direkte wirtschaftliche Konsequenzen hat: Die KI-Architektur bestimmt nicht nur, wie effizient ein Unternehmen arbeitet. Sie bestimmt, wer den von der KI generierten Wert erfasst.
Eine Organisation, die eine gemeinsame Kontextschicht, einen intelligenten Routing-Mechanismus und eine einheitliche Governance-Plattform aufbaut, schafft interne Vermögenswerte, die ihre Abhängigkeit von externen Anbietern verringern. Sie kann das zugrunde liegende Sprachmodell wechseln, ohne die Geschäftslogik neu aufbauen zu müssen. Sie kann neue Anwendungen hinzufügen, ohne erneut die vollen Integrationskosten zu zahlen. Sie kann den Wert jedes Arbeitsablaufs prüfen, weil sie die dafür notwendige Infrastruktur besitzt.
Eine Organisation, die das nicht aufbaut, lagert stattdessen dauerhaft die Skaleneffekte der KI aus. Jeder neue Anbieter, jedes neue Modell, jedes neue Werkzeug erfasst einen Teil des Werts, weil das Unternehmen nicht über die Architektur verfügt, die ihm erlauben würde, diese Erfassung zu internalisieren. Die Wechselkosten steigen. Die Verhandlungsmacht sinkt. Der durch KI generierte Wert sickert nach außen, anstatt sich im Inneren anzusammeln.
Das hat Konsequenzen für die Bewertung von KI-Ausgaben. Die Frage, die CIOs beantworten sollten, ist nicht, was das Modell kostet, sondern welcher Teil dieser Ausgaben wiederverwendbare Kapazität aufbaut und welcher Teil erneut für Kapazitäten bezahlt, die bereits vorhanden sein sollten. Die Antwort auf diese Frage ist der Unterschied zwischen einer Investition in Architektur und Ausgaben, die sich wiederholen, ohne sich anzusammeln.
Die 72 % der Organisationen, die sich an der Gewinnschwelle befinden oder Verluste machen, haben nicht zwingend schlechte Modelle. Sie haben eine Architektur, die dafür sorgt, dass die Kosten für jeden neuen Anwendungsfall fast genauso hoch sind wie für den ersten. Das ist kein Intelligenzproblem. Es ist ein Designproblem. Und Designprobleme haben spezifischere, dauerhaftere und messbarere Lösungen, als darauf zu warten, dass die Inferenzpreise weit genug sinken, damit die Zahlen von allein aufgehen.
