KI im Mittelstand und die Kostenfalle
Viele Unternehmen sammeln KI-Tools, aber nur wenige produktive Anwendungen. Die größten Kosten entstehen häufig erst nach der ersten Demo. Warum Integration, Betrieb und Wartung zur Kostenfalle werden können und wie der Mittelstand KI-Investitionen wirtschaftlicher bewert
Die größte Kostenfalle bei KI ist nicht das Sprachmodell. Es ist das Chaos drumherum.
Warum der Mittelstand bei KI-Projekten weniger auf Lizenzpreise und mehr auf produktive Ergebnisse achten sollte.
Deutschland investiert fleißig in KI. Hier eine Copilot-Lizenz, dort ein Chatbot, anschließend ein paar Automatisierungen mit n8n und vielleicht noch eine spezielle Lösung für die Verarbeitung von Dokumenten.
Auf den ersten Blick wirkt das nach Fortschritt. Zumindest wächst die Anzahl der KI-Tools im Unternehmen zuverlässig.
Nur leider nicht zwangsläufig die Produktivität.
Ich habe zunehmend den Eindruck, dass viele Unternehmen gerade denselben Fehler machen, den wir aus der frühen Digitalisierung kennen. Sie kaufen Software ein, bevor sie verstanden haben, welche Architektur sie langfristig benötigen.
Das Ergebnis ist ein wachsender Werkzeugkasten. Und eine IT-Abteilung, die sich anschließend darum kümmern darf, dass die Werkzeuge miteinander funktionieren.
Eine funktionierende Demo ist noch kein produktiver Anwendungsfall
Wer schon einmal an größeren Softwareprojekten beteiligt war, kennt den Unterschied.
Die erste Demo funktioniert hervorragend. Ein paar Beispieldokumente werden eingelesen, das Sprachmodell beantwortet Fragen und alle Beteiligten sind begeistert.
Dann kommen die tatsächlichen Unternehmensdaten.
Plötzlich gibt es unterschiedliche Dateiformate, widersprüchliche Informationen und Berechtigungen, die niemand während der Demo berücksichtigt hat. Dazu kommen Schnittstellen zu den bestehenden Systemen.
Aus einer vermeintlich einfachen KI-Anwendung wird ein Integrationsprojekt.
In Gesprächen über komplexere KI-Projekte höre ich immer wieder von drei bis neun Monaten Implementierungszeit. Das ist keine repräsentative Marktstatistik, sondern meine persönliche Beobachtung.
Aber die Größenordnung begegnet mir auffallend häufig.
Und nach der Produktivnahme beginnt die eigentliche Arbeit. Denn eine KI-Anwendung muss auch dann zuverlässig funktionieren, wenn Modelle aktualisiert werden, Datenstrukturen sich verändern oder neue Mitarbeiter hinzukommen.
Fünf Tools sind noch keine Plattform
Natürlich kann man mit spezialisierten Werkzeugen hervorragende Anwendungen entwickeln.
Eine Workflow-Engine, eine Vektordatenbank und ein Sprachmodell lassen sich miteinander verbinden. Das Problem entsteht häufig erst, wenn diese Kombination dauerhaft betrieben und weiterentwickelt werden muss.
Jede zusätzliche Komponente besitzt ihre eigene technische Logik. Häufig kommen unterschiedliche Anbieter und Lizenzmodelle hinzu.
Wenn sich mehrere Komponenten verändern, muss überprüft werden, ob die gesamte Anwendung weiterhin funktioniert.
Genau hier beginnt die eigentliche Kostenrechnung.
Denn die Total Cost of Ownership, kurz TCO, besteht nicht nur aus monatlichen Softwaregebühren.
Architektur, Schnittstellenentwicklung und Datenaufbereitung kosten Geld. Der laufende Betrieb ebenso. Auch Security, Qualitätssicherung und externe Beratung verschwinden nicht einfach, weil irgendwo ein günstiges Sprachmodell verfügbar ist.
Eine KI-Anwendung für 200 Euro monatliche Lizenzgebühren kann ziemlich teuer werden, wenn ein externer Dienstleister regelmäßig mehrere Tage benötigt, um sie funktionsfähig zu halten.
Umgekehrt kann eine Plattform mit höherer Grundgebühr wirtschaftlich sinnvoller sein, wenn sie viele produktive Anwendungen auf einer gemeinsamen Infrastruktur ermöglicht.
Die entscheidende Kennzahl heißt Time-to-Production
Ich würde KI-Projekte deshalb anders bewerten.
Interessant ist zunächst, wie schnell eine Anwendung mit echten Unternehmensdaten produktiv eingesetzt werden kann. Dazu gehört auch, ob Fachabteilungen tatsächlich damit arbeiten können und ob die Ergebnisse zuverlässig genug für den vorgesehenen Prozess sind.
Die nächste Frage betrifft die Gesamtkosten.
Was kostet die Anwendung bis zur Produktivnahme? Welche laufenden Aufwendungen entstehen? Und was kostet es, wenn im nächsten Quartal fünf weitere Anwendungen hinzukommen?
Genau dann wird der Unterschied zwischen einzelnen Tools und einer integrierten KI-Plattform relevant.
Wenn Datenverwaltung, Modellbereitstellung und Governance bereits als gemeinsame Grundlage vorhanden sind, muss diese Infrastruktur nicht für jeden neuen Anwendungsfall neu entwickelt werden.
Noch interessanter wird es, wenn auch das Unternehmenswissen wiederverwendet werden kann.
Die erste Anwendung verarbeitet beispielsweise Lieferanteninformationen. Eine zweite nutzt dieselben Informationen für Angebotsvergleiche. Eine dritte analysiert Beschaffungsrisiken.
Drei unterschiedliche Anwendungen, aber eine gemeinsame Wissensbasis.
So entsteht ein wirtschaftlicher Vorteil, der weit über das Einsparen einzelner Softwarelizenzen hinausgeht.
Was bedeutet das konkret für den Mittelstand?
Ein Unternehmen mit 100 oder 300 Mitarbeitern hat normalerweise andere Prioritäten, als eine eigene Abteilung für KI-Infrastruktur aufzubauen.
Die Mitarbeiter sollen Kunden betreuen, Aufträge bearbeiten und Produkte herstellen. Dafür brauchen sie Software, die funktioniert.
Gerade im Mittelstand sind lange IT-Projekte häufig besonders problematisch. Die erforderlichen Spezialisten sind intern nicht verfügbar, externe Berater kosten Geld und während der Implementierung verändert sich die Technologie bereits wieder.
Deshalb halte ich professionell betriebene KI-Plattformen für besonders interessant.
Sie können wesentliche technische Grundlagen bereitstellen, während sich das Unternehmen auf seine Geschäftsprozesse konzentriert.
Natürlich ist auch eine solche Plattform nicht automatisch günstiger. Der Vorteil muss sich an realen Anwendungen nachweisen lassen.
Entscheidend ist, ob die gemeinsame Architektur mit zunehmender Nutzung wirtschaftlicher wird.
Weniger Software einkaufen. Mehr Arbeit erledigen.
Bei PRUVAGE verfolgen wir genau diesen Plattformgedanken. Einzelne Use Case Apps sollen konkrete Aufgaben lösen und dabei auf eine gemeinsame Unternehmensintelligenz zurückgreifen können.
Der wirtschaftliche Nutzen entsteht durch produktive Anwendungen, deren Ergebnisse sich messen lassen.
Ich würde deshalb jedem Unternehmen empfehlen, bei der nächsten KI-Investition eine einfache Frage zu stellen.
Wie viel produktive Arbeit bekommen wir am Ende tatsächlich für unser Geld?
Wer nur die Kosten des Sprachmodells betrachtet, übersieht möglicherweise den teuersten Teil des gesamten Projekts.
Und wer nach einem Jahr zehn KI-Tools besitzt, aber immer noch auf seinen ersten wirklich produktiven Anwendungsfall wartet, hat vermutlich an der falschen Stelle optimiert.