KI ohne FinOps wird zur Kostenfalle

Pirmin Rehm (l.), Lead Cloud & Transformation Consultant, und Lukas Akermann, Principal Cloud Architect, Zühlke. (Source: zVg)

Pirmin Rehm (l.), Lead Cloud & Transformation Consultant, und Lukas Akermann, Principal Cloud Architect, Zühlke. (Source: zVg)

Dank der Cloud lassen sich neue Data- und KI-Use-Cases heute schneller umsetzen als je zuvor. Teams entwickeln eigene Machine-Learning-Modelle, testen KI-Anwendungen oder bauen Analyse-Pipelines. Doch diese Aktivitäten garantieren noch keinen Mehrwert. Mitte 2025 sorgte eine Publikation des MIT für Aufsehen: Nur 5 Prozent der untersuchten GenAI-Pilotprojekte erzielten einen messbaren finanziellen Beitrag in Form höherer Erträge oder geringerer Kosten.

Gleichzeitig wachsen mit jeder Applikation, jedem Datensatz und jedem Experiment die Kosten und Komplexität schneller als die Transparenz. Daten werden mehrfach gespeichert, Ressourcen laufen länger als nötig, neue Services entstehen ohne klare Verantwortung für die entstandenen Kosten. Doch Teams optimieren ihre Lösungen vor allem auf Geschwindigkeit und Flexibilität, nicht aber auf Kosten- und Werttransparenz. Laut dem Flexera "State of the Cloud Report" schätzen Unternehmen, dass rund 29 Prozent ihrer Cloud-Ausgaben verschwendet werden.

KI ändert die Kostenlogik

KI verstärkt diese Dynamik zusätzlich. Trainings- und Inferenz-Workloads brauchen mehr Rechenleistung, Nutzung und Kosten sind schwer vorhersagbar. Klassische Cloud-Dashboards erfassen zwar die Kosten für die Cloud an sich. Sie bieten aber keine Transparenz dazu, wo genau diese Kosten oder gegebenenfalls auch Mehrwert entstehen. Hinzu kommt: Bei generativer KI wird pro Token abgerechnet, nicht mehr pro Server-Stunde. Falsche Metriken sind hier tückisch. Einige Tech-Konzerne haben den Token-Verbrauch ihrer Teams als Erfolgsmetrik in Leaderboards erfasst. Die Folgen waren explodierende Kosten und ein rasches Zurückrudern.
Vor diesem Hintergrund ist klar: Im KI-Zeitalter reicht klassisches Kostenmanagement nicht mehr aus. 

FinOps als Frühwarnsystem und Werthebel

An dieser Stelle setzt FinOps an: Nicht, um Kosten zu senken, sondern mit dem Ziel, Transparenz über Nutzung, Kosten und Mehrwert zu schaffen. FinOps verbindet Engineering, Finance und Business und schafft so eine Grundlage für fundierte Entscheidungen über Technologieinvestitionen. Genau diese Transparenz fehlt vielen KI-Initiativen nach dem Proof of Concept. Laut S&P Global ist der Anteil der Unternehmen, die KI-Initiativen bereits vor dem Produktivbetrieb einstellen, innerhalb eines Jahres von 17 auf 42 Prozent gestiegen. Zu den häufigsten Ursachen zählen auch die Kosten. Drei wirkungsvolle Massnahmen, um das zu verhindern, sind: 
anfallende Kosten sollten pro Team, Produkt oder Use Case sichtbar gemacht werden, jeder relevante Workload braucht klare Verantwortlichkeiten. 

Investitionen sollten nicht anhand ihrer Kosten, sondern anhand ihres Business Value bewertet werden.

Wer FinOps nur als Kostenmanagement-Disziplin versteht, verpasst das Potenzial: die strategische Voraussetzung für die erfolgreiche Skalierung von Data- und AI-Plattformen. In einer Zeit, in der KI zum Wettbewerbsfaktor wird, reicht Innovationsfähigkeit allein nicht mehr aus. Erfolgreich werden jene Organisationen sein, die Innovation und Wirtschaftlichkeit gleichzeitig steuern. Genau dafür schafft FinOps die notwendige Transparenz zwischen Investition und Geschäftsnutzen.