Welche Kosten verursacht KI?

Selbst in wirtschaftlichen Krisenzeiten scheuen sich Unternehmen nicht, intensiv in künstliche Intelligenz (KI) zu investieren. Entscheiderinnen und Entscheider sind sich bewusst, dass ihre Zukunftsfähigkeit davon abhängt, ob sie das Potenzial von KI ausschöpfen können. Doch erfordern gerade wirtschaftlich turbulente Zeiten ein kosteneffizientes Vorgehen. Umso mehr stellt sich die Frage: Mit welchen Kosten müssen Unternehmen rechnen, wenn sie KI-Prozesse implementieren? Und wovon hängen diese ab?

Gleich vorweg: Die eine Faustformel wird es für KI nie geben. Die einzelnen Anwendungsfälle erfordern spezifische Anpassungen, welche die Kosten massiv beeinflussen. Setzen Unternehmen auf Open Source oder bezahlen sie für proprietäre lizenzierte Software? Wie wichtig ist das Finetuning? Wie gross sind die Modelle? Wie gross die Datenmenge, mit der die KI trainiert? Über welche Talente verfügt das Unternehmen bereits? Wie komplex sind die Anforderungen an KI? Abhängig von den Antworten auf diese Fragen können die Kosten für die Daten- und Infrastruktur, Rechen- und Speicherkapazitäten, für Personal und für die Technologie variieren.

Die grössten Kostenfaktoren von KI lassen sich in Kosten für Daten- und Datenbanksysteme, Rechenkosten für die Entwicklung von Modellen und Personalkosten unterteilen. Ausserhalb der grossen KI-Forschungs- und Entwicklungszentren sind die Kosten für die eigentliche Entwicklung der Technologie wahrscheinlich am niedrigsten, es sei denn, die Projekte und Teams werden schlecht verwaltet. Dies ist auch ein weit verbreiteter Irrtum: Es sind nicht so sehr die Kosten für die Implementierung, die Entscheiderinnen und Entscheider in ihrer Kalkulation berücksichtigen sollten. Die laufenden Kosten machen im Normalfall den Grossteil aus. Nicht zu vergessen sind zudem die Kosten für das Changemanagement und das Training der Mitarbeitenden, wenn Organisationen versuchen, diese Prozesse selbst durchzuführen.

Die Entwicklung und das Betreiben von KI-Modellen erfordert leistungsstarke Hardwareressourcen wie Server, Grafikprozessoren oder spezialisierte KI-Beschleuniger. Die Anschaffung dieser Hardware kann mit erheblichen Kosten verbunden sein, vor allem dann, wenn hohe Anforderungen an Rechenleistung und Speicherplatz bestehen. Gerade bei On-Premise-KI-Systemen, die direkt auf den internen Servern des Unternehmens ausgeführt werden, kann es jedoch zu zusätzlichen Kosten kommen. Cloudbasierte KI-Dienste können eine Alternative sein, aber auch hier können sich die Kosten mit zunehmender Nutzung erhöhen. 

KI-Modelle benötigen in der Regel grosse Mengen an qualitativ hochwertigen Daten, um trainiert zu werden. Die Beschaffung und Verwaltung von Daten kann kostspielig sein, abhängig davon, über welche Daten Unternehmen in welcher Qualität bereits verfügen. Im Zweifelsfall müssen Unternehmen externe Datenquellen nutzen oder eigene Daten neu generieren und aufbereiten, was zusätzliche Kosten verursachen kann. Und auch wenn die Preise für die Datenspeicherung inzwischen deutlich gesunken sind, hat dies auch dazu geführt, dass Unternehmen im Zweifel einfach «mehr» Daten speichern, was letztlich zu höheren Gesamtkosten führen kann. Zusätzlich erfordert die Wartung und Aktualisierung von KI-Modellen ein Expertenteam mit Datenwissenschaftlern und IT-Experten. Zumindest wenn Unternehmen versuchen, KI ohne eine bereits existierende Plattform zu implementieren. Die Personalkosten steigen von allen Kosten am schnellsten, gerade weil die Gehälter für KI-/ML-Expertinnen und -Experten in den letzten drei bis vier Jahren deutlich zugelegt haben. Ein Trend, der angesichts des grossen Wettbewerbs um diese Talente eher zunehmen, denn abnehmen wird.

Stellt sich die Frage: Wie lassen sich die Kosten für KI-Projekte reduzieren? Zunächst einmal verursacht jede KI-Initiative Kosten. Selbst wenn Organisationen bereits im Vorfeld wissen, wofür sie KI einführen wollen, müssen sie immer noch Systeme implementieren und diese betreiben. Auf unterschiedlichem Wege kann es Unternehmen dabei gelingen, Kosten zu reduzieren und den Mehrwert zu steigern. 

Ironischerweise ist ein Instrument, Kosten zu senken, zu investieren – und zwar in Change-Management, Programme zur Förderung der Datenkompetenz, Schulungen und Tools. Dadurch können Fachleute und Datenexperten, die möglicherweise nicht über tiefgreifende Programmier- oder technische Fähigkeiten verfügen, dennoch auf bewährte KI-Analyse-Tools zugreifen. Wodurch sich diese gut bezahlten Experten komplexeren Themen widmen und neue Projekte mit hohem unternehmerischem Mehrwert anstossen können. Unternehmen sollten zudem KI-Anwendungsfälle auswählen, die Effizienz und Produktivität steigern. Es gilt, abzuwägen, wie KI am besten kollaborativ in den Workflow integriert wird, um maximalen Nutzen zu erzielen – eine Frage, die eher für Fachkräfte ohne spezifische IT-Expertise von Bedeutung ist.

Wartungs- und Infrastrukturkosten mittels ML-Modelle optimieren

Ein möglicher Ansatz besteht darin, Machine-Learning-Modelle (ML) einzusetzen, um den Personaleinsatz effizienter zu gestalten. Durch automatisierte Prozesse und KI-gestützte Entscheidungsfindung können Arbeitsabläufe optimiert und Mitarbeitende effektiver eingesetzt werden. Ein weiterer vielversprechender Anwendungsfall liegt in der vorausschauenden Wartung. Durch den Einsatz von ML-Modellen können Ausfallzeiten und ungeplante Wartungskosten reduziert werden, da potenzielle Probleme frühzeitig erkannt und präventive Massnahmen ergriffen werden können. In der Folge verbessert sich die Instandhaltung und die Kosten für die Wartung sinken. Dies sind unter unzähligen Beispielen nur zwei, die illustrieren, wie Unternehmen durch KI effizienter und produktiver agieren.

Darüber hinaus sollten sich die Anwendungsfälle auf zentrale Bereiche eines Unternehmens fokussieren. Ein Beispiel: KI kann prognostizieren, welche Kunden potenziell abwandern werden, auch bekannt als Uplift-Modellierung. Durch den Einsatz von ML-Modellen zur Identifizierung potenzieller Kundenabwanderung kann der Umsatz oft erheblich gesteigert werden, denn meist ist es teurer, Kunden zu gewinnen, als bestehende zu binden. 

Letztlich werden Unternehmen aber im Vorfeld gründlich abwägen müssen, welche Anwendungsfälle sie priorisieren und in welcher Relation Kosten und Mehrwert zueinander stehen.

Fokus auf relevante Geschäftsziele und Kosteneffizienz

Die gute Nachricht: Berücksichtigen Unternehmen einige der geschilderten Herausforderungen, können sie KI kosteneffizient implementieren.
Komplexere KI-Modell und grössere Datenmengen bedeuten zwar inhaltlich fundiertere Ergebnisse, gehen aber zulasten der Geschwindigkeit und steigern laufende Kosten für Rechen- und Speicherkapazitäten teils immens. Reicht für einfache Anwendungen gegebenenfalls sogar die Integration von ChatGPT ohne Zugriff und Training anhand eigener Datenquellen? Das wäre die günstigste Variante.

Soll KI dagegen Fachkräften im Falle inhaltlich anspruchsvoller Aufgaben helfen, ist das Training und das Finetuning des spezifischen Modells anhand eigener Datensätze oft unerlässlich. Stellt sich die Frage: Sparen die Fachkräfte so viel Zeit und arbeiten sie durch die KI deutlich besser und effizienter, dass sich dieses fortlaufende Investment rentiert?

Welche Geschäftsmodelle erzielen anfangs rasch gute Ergebnisse? Ein oft unterschätzter Kostenfaktor: Die KI-Modelle kommen operativ gar nicht erst zum Einsatz, weil sie nicht den Bedürfnissen der Fachkräfte entsprechen. Vorteilhaft ist, sich zunächst auf die Anwendungsfälle zu fokussieren, deren Mehrwert rasch spürbar ist. Dies motiviert Teams, KI auch in anderen Bereichen einzusetzen.

KI-Modelle erfordern oft eine immense Menge an Daten. Damit die Kosten nicht ausufern, sollte die Sinnhaftigkeit der Daten auf den Prüfstand gestellt werden. 

Es ist ersichtlich, dass die Kosten von KI nicht durch eine universelle Faustformel bestimmt werden können. Die Implementierung von KI-Projekten bringt vielfältige Kostenfaktoren mit sich, abhängig von spezifischen Anforderungen wie Datenqualität, Modellkomplexität und verfügbarem Fachwissen im Unternehmen. Insgesamt zeigt sich, dass eine kosteneffiziente Implementierung von KI von einer klaren Fokussierung auf relevante Geschäftsziele abhängt. Unternehmen sollten sorgfältig abwägen, ob sie sich für komplexe KI-Modelle entscheiden oder für einfachere, auf bestimmte Aufgaben zugeschnittene Modelle, die eventuell weniger Ressourcen erfordern.