Wenn vier Anwendungen mit demselben Gehirn denken
Unternehmen bauen seit Jahren Technologieportfolios auf, die nach außen hin diversifiziert wirken. Unterschiedliche Werkzeuge für Vertrieb, Betrieb, regulatorische Compliance, Softwareentwicklung, Lieferkette. Verschiedene Anbieter. Getrennte Verträge. Eigene Teams. Die sichtbare Architektur vermittelt Unabhängigkeit.
Doch es gibt eine Schicht, die die meisten unternehmensinternen Technologieinventare nicht erfassen: das Künstliche-Intelligenz-Modell, das jede einzelne dieser Anwendungen antreibt. Und wenn vier dieser zehn Werkzeuge auf demselben Basismodell laufen – oder auf derselben Modellfamilie oder demselben API-Anbieter –, dann existiert die Diversifizierung, die im Organigramm sichtbar ist, nicht dort, wo Entscheidungen getroffen werden. Sie existiert in der Hülle, nicht im Denken.
Genau dieses Phänomen bezeichnete ein kürzlich im Forbes Technology Council erschienener Beitrag als kognitive Konzentration: die Erscheinung, bei der Organisationen, die mit mehreren KI-Anwendungen arbeiten, letztlich von demselben zugrundeliegenden Wissenssystem abhängen – mit dem Risiko, dass eine Änderung oder ein Ausfall dieses Systems sich lautlos durch scheinbar unabhängige Geschäftsprozesse ausbreitet. Der Artikel, verfasst von einer leitenden Technologiemanagerin einer globalen Finanzinstitution, ist eher eine Warnung zum Risikomanagement als ein Krisenbericht. Doch das, was er als plausible Hypothese beschreibt, wird durch die aktuelle Marktstruktur hinreichend gestützt, um ernst genommen zu werden.
Das Problem, das im Betriebsdashboard nicht auftaucht
Klassische Technologiekonzentration hat einen unerwarteten Vorzug: Wenn etwas ausfällt, weiß man es. Bricht ein Cloud-Anbieter zusammen, stehen die Systeme still. Fällt ein Hauptserver aus, schlagen Alarme an. Der Ausfall ist sichtbar, messbar und hat eine Uhr.
Kognitive Konzentration funktioniert anders. Das System kann in technischer Hinsicht völlig normal weiterarbeiten, während sich die Urteile, die es produziert, verändert haben. Ein Update des Basismodells kann das Gewicht verändern, das ein System bestimmten Variablen in einem Kreditgenehmigungsprozess, bei der Klassifikation von Cybersicherheitswarnungen, bei der Prüfung von Verträgen oder bei der Erstellung von Geschäftsvorschlägen beimisst – und keiner dieser Veränderungen löst einen Alarm aus. Das Dashboard bleibt grün. Die Anwendungen antworten. Die Nutzer arbeiten. Und die Organisation trifft korrelierte Entscheidungen auf Grundlage eines Denkens, das sich soeben auf allen Ebenen gleichzeitig verändert hat.
Es gibt Marktbelege, die dieses Szenario jenseits von Spekulation verorten. Eine gemeinsame Umfrage der Bank of England und der britischen Financial Conduct Authority unter 118 Finanzunternehmen im Jahr 2024 ergab, dass die drei führenden externen Anbieter 73 % der gemeldeten Cloud-Dienste und 44 % der Modellanbieter auf sich vereinten. Gleichzeitig involvierten 55 % der KI-Anwendungsfälle in diesen Unternehmen ein gewisses Maß an automatisierter Entscheidungsfindung. Diese beiden Datenpunkte zusammen zeichnen den Umriss des Risikos: viele automatisierte Entscheidungen, wenige echte Modelle darunter.
Die Marktstruktur der Sprachmodelle verstärkt diese Einschätzung. Schätzungen von Menlo Ventures zum Unternehmensausgaben für generative Künstliche Intelligenz zeigen, dass drei Anbieter – Anthropic, OpenAI und Google – im Jahr 2025 rund 88 % der Unternehmensausgaben für Sprachmodelle auf sich konzentrierten. Das ist kein illegales Oligopol und kein wettbewerbswidriges Verhalten; es ist schlicht der Reifegrad des Marktes in diesem Moment. Kombiniert mit der Geschwindigkeit, mit der Unternehmen diese Fähigkeiten integrieren, ist das mathematische Ergebnis eine reale Konzentration von Intelligenz unterhalb einer Oberfläche vermeintlicher anwendungsseitiger Diversität.
Die Unternehmensausgaben für generative Künstliche Intelligenz stiegen laut denselben Menlo-Daten von 1,7 Milliarden US-Dollar im Jahr 2023 auf 11,5 Milliarden im Jahr 2024 und 37 Milliarden im Jahr 2025. Diese Adoptionsgeschwindigkeit bedeutet, dass viele Organisationen tiefe Abhängigkeiten aufgebaut haben, ohne die Zeit gehabt zu haben, diese mit Sorgfalt zu kartieren. Die Architekturen wurden schnell gebaut, weil der Druck bestand, Ergebnisse zu zeigen. Das Inventar kognitiver Abhängigkeiten blieb für später. In den meisten Fällen ist dieses Später noch nicht eingetreten.
Was sich verändert, wenn der Ausfall lautlos und korreliert ist
Es gibt eine operative Unterscheidung, die es wert ist, präzise zu formulieren, denn sie bestimmt, ob dieses Risiko Aufmerksamkeit auf Führungsebene verdient oder an das Architekturteam delegiert werden kann.
Traditionelle Anbieterkonzentration erzeugt Verfügbarkeitsausfälle. Kognitive Konzentration erzeugt Ausfälle der Entscheidungsqualität. Das sind unterschiedliche Risikokategorien mit völlig verschiedenen Erkennungsprofilen.
Ein Verfügbarkeitsausfall wird in Minuten erkannt. Ein Ausfall der Entscheidungsqualität kann wochenlang oder monatelang im Produktionsbetrieb bestehen, bevor ihn jemand identifiziert – und auch nur dann, wenn es einen vergleichenden Bewertungsmechanismus gibt, der Abweichungen erkennen kann. Die meisten Organisationen verfügen über robuste Protokolle für den ersten Typ. Für den zweiten ist die Abdeckung spärlich oder gar nicht vorhanden.
Der Artikel erwähnt ein Szenario, das besondere Aufmerksamkeit verdient: Modell-Updates. Wenn ein Anbieter eine neue Version seines Basismodells veröffentlicht, erben die Anwendungen, die auf dieser API laufen, die Änderung – manchmal transparent, manchmal ohne klare Benachrichtigung. Wenn vier kritische Anwendungen denselben Anbieter teilen, ändern sich vier Geschäftsprozesse gleichzeitig. Einige Änderungen werden neutral oder vorteilhaft sein. Doch wenn das neue Modell eine andere Kalibrierung in Bezug auf Risikokategorien, Transaktionstypen oder spezifische Kontexte aufweist, kann der Einfluss erheblich sein, bevor ihn jemand gemessen hat.
Das ist kein Szenario mit geringer Eintrittswahrscheinlichkeit. Es ist die übliche Mechanik, nach der Modelle als Dienst funktionieren. Anbieter aktualisieren ihre Modelle in bestimmten Abständen. Organisationen, die diese Modelle per API nutzen, erben diese Updates innerhalb der vertraglich vereinbarten Fristen – die in vielen Fällen minimal sind. Das Risiko liegt nicht im bösen Willen des Anbieters; es liegt in der Architektur der Abhängigkeit und im Fehlen kontinuierlicher Bewertungskontrollen, die Abweichungen erkennen könnten.
Das Financial Policy Committee der Bank of England veröffentlichte im April 2026 eine Analyse, in der es feststellte, dass fortgeschrittene Künstliche Intelligenz im Finanzsektor noch nicht in einer Weise eingesetzt worden sei, die systemische Risiken begründe – gleichzeitig aber warnte, dass diese Risiken rasch zunehmen könnten, wenn sich die Einführung ausweite. Die Abfolge ist entscheidend: Kontrollen lassen sich leichter aufbauen, bevor die Abhängigkeiten tief verwurzelt sind. Sobald acht Geschäftseinheiten für Entscheidungen mit hoher Auswirkung von demselben Modell abhängen, sind die Kosten für die nachträgliche Einrichtung unabhängiger Validierung erheblich höher, als wenn das während der Systemgestaltung geschieht.
Warum die meisten Technologieinventare das nicht erfassen
Eine Umfrage des IBM Institute for Business Value aus dem Jahr 2026 unter tausend leitenden Führungskräften in 16 Ländern ergab, dass 91 % zugaben, ihre KI-Abhängigkeiten zwischen Anbietern, Modellen und Infrastruktur nicht vollständig zu verstehen. 71 % gaben an, dass ein Wechsel ihres Haupt-KI-Anbieters oder -Modells schwierig wäre. Diese beiden Prozentzahlen zusammen beschreiben eine spezifische Situation: Organisationen, die Abhängigkeiten aufgebaut haben, die sie nicht vollständig verstehen und die kostspielig zu revidieren wären.
Ein Teil der Erklärung ist strukturell. Traditionelle Technologieinventare sind nach Anwendung oder Softwareanbieter geordnet. Sie erfassen die sichtbare Schicht gut: welche Plattform, von welchem Unternehmen, mit welchem Vertrag. Was sie nicht erfassen, ist die zugrundeliegende Intelligenzschicht: welches Basismodell, welcher Modellfamilie, mit welchem Rechenanbieter, mit welchen Trainingsdaten, mit welcher Aktualisierungsrichtlinie. Diese Schicht bestimmt, wie das System denkt – und sie kann konzentriert sein, auch wenn die sichtbaren Anwendungen diversifiziert erscheinen.
Der andere Teil der Erklärung betrifft die organisationale Geschwindigkeit. Der Druck, KI-Anwendungsfälle im Produktionsbetrieb vorweisen zu können, war in vielen Organisationen größer als der Druck, Abhängigkeiten zu dokumentieren. Teams deployte schnell. Governance-Kontrollen kamen danach – wenn überhaupt. Das Ergebnis ist, dass das Anwendungsinventar in den meisten mittelgroßen und großen Unternehmen recht vollständig ist, das Inventar kognitiver Abhängigkeiten – Modelle, Modellfamilien, API-Anbieter, Datenquellen, Abrufsysteme – jedoch nicht mit demselben Detailgrad existiert.
Das ist keine Kritik an den Teams, die diese Entscheidungen getroffen haben. Angesichts der Zeit-, Ressourcen- und Wettbewerbsdruckbeschränkungen, die zwischen 2023 und 2025 bestanden, war schnelles Handeln oftmals die richtige Wahl. Das Problem ist, dass schnelles Handeln ohne Erfassung der entstehenden Abhängigkeiten genau die Situation erzeugt, die 91 % der von IBM befragten Führungskräfte beschrieben: Abhängigkeiten, die man nicht vollständig versteht und die schwer zu verändern wären.
Die Frage, die Aufsichtsräte stellen sollten
Der Forbes-Artikel schlägt ein analytisches Instrument vor, das er als Kognitiven Konzentrationsindex bezeichnet – eine Kennzahl, die noch keinen Industriestandard hat, deren Logik aber direkt ist: kartieren, welche Modelle, welche API-Anbieter, welche Rechenquellen und welche Datenrepositorien die KI-Anwendungen der Organisation gemeinsam nutzen; diese Information mit der Kritikalität der Geschäftsprozesse verknüpfen, die von jeder Schicht abhängen; und bewerten, wie lange ein Wechsel in einem Ausfall- oder Degradationsszenario dauern würde.
Der Wert des Instruments liegt nicht in der Zahl, die es liefert, sondern in dem Prozess, den es erzwingt. Eine Organisation, die versucht, diese Karte zum ersten Mal zu erstellen, entdeckt schnell, was sie weiß und was sie zu wissen glaubte über ihre Abhängigkeiten. Genau diese Differenz – zwischen dem Dokumentierten und dem Angenommenen – ist es, wo das Risiko in der Regel lebt.
Es gibt drei Variablen, die bestimmen, wann kognitive Konzentration von einer architektonischen Unannehmlichkeit zu einem Governance-Problem auf Führungsebene wird. Die erste ist die Prozesskritikalität: Konzentration bei risikoarmen Marketinganwendungen mit verfügbaren Alternativen ist ein untergeordnetes Problem; Konzentration bei Zeichnungssystemen, Kreditgenehmigungen, Betrugserkennung oder Preisentscheidungen hat eine andere Priorität. Die zweite ist die Substitutionsgeschwindigkeit: wie lange es in einem realen Geschäftsprozess tatsächlich dauert, Modell oder Anbieter zu wechseln – nicht in der Theorie, sondern in einem Kontinuitätsübung erprobt. Die dritte ist die Fähigkeit zur Abweichungserkennung: ob die Organisation über Mechanismen verfügt, um zu erkennen, dass ein Modell sein Verhalten verändert hat, bevor diese Veränderung messbaren Schaden anrichtet.
McKinsey berichtete in seiner globalen Umfrage von 2026, dass 28 % der Organisationen mehr als 10 % ihres Technologie- und Informationsbudgets für Künstliche Intelligenz aufwendeten. Wenn die Investition dieses Niveau erreicht, ist die Abhängigkeit nicht mehr experimentell, sondern strukturell. Eine strukturelle Abhängigkeit, die nicht kartiert, bewertet und mit Kontinuitätsprotokollen versehen ist, ist genau die Art von Risiko, das Aufsichtsräte verpflichtet sind zu verstehen – auch wenn die meisten noch nicht über den konzeptuellen Rahmen verfügen, um es präzise zu formulieren.
Die Diversifizierung von Anwendungen war eine Kaufentscheidung. Kognitive Resilienz ist eine Architekturentscheidung. Das sind zwei verschiedene Entscheidungen, die viele Organisationen verwechselten, weil eine sichtbar war und die andere nicht. Diesen Irrtum rechtzeitig zu korrigieren – solange die Abhängigkeiten noch veränderbar sind – ist erheblich weniger kostspielig, als es nach einem Modellwechsel zu tun, der sich gleichzeitig durch acht Geschäftsprozesse ausbreitet und die Organisation zwingt, es im Krisenmodus zu tun.
