Wissen Sie, wie abhängig Ihr Unternehmen von KI ist?

💡 Kurzfassung:

• KI beschleunigt Arbeit nicht immer nur, sondern macht zuvor unwirtschaftliche Arbeit überhaupt erst möglich. Das ist eine neue betriebliche Fähigkeit, kein bloßer Produktivitätsgewinn.
• Das zentrale Risiko besteht nicht darin, dass KI zwangsläufig teurer werden muss. Es entsteht, wenn kritische Qualität, Kapazität, Zugang und Stückkosten von Eingaben abhängen, die das Unternehmen nicht kontrolliert.
• Eine API auszutauschen ist nicht dasselbe wie ein Geschäftsergebnis zu bewahren. Modelle unterscheiden sich in Verhalten, Werkzeugnutzung, strukturierten Ausgaben und Randfällen; ein Ersatz muss bewertet werden.
• Die Antwort lautet nicht, die Einführung zu verlangsamen. Ein zeitweiser Kompromiss zugunsten der Geschwindigkeit kann bei einem MVP sinnvoll sein. Alternativen zu testen, einfache Arbeit auf günstigere Optionen zu verlagern und den Ausstiegspfad praktisch zu erproben muss Teil dieser Geschwindigkeit sein.

Mein Unternehmen durchläuft eine ernsthafte KI-Transformation. In Systemen, an deren Steuerung ich mitwirke, behandeln wir KI nicht als kleine Funktion, die nachträglich an vorhandene Software geschraubt wird. Wir bauen neue Systeme von Anfang an um KI herum – für Aufsichts- und Bewertungsarbeit, die einzelne Menschen nicht leisten können. Die Software bildet die Schicht, die diese Systeme integriert, lenkt und steuert.

Die dadurch entstehende Kapazität ist sehr konkret. Wir können KI-Agenten bauen, die rund um die Uhr verfügbar sind und Kunden in Sekunden antworten. In eng abgegrenzten Situationen können ihre Antworten konsistenter oder sogar genauer sein als die eines Menschen. Wir können außerdem Agenten bauen, die Verkaufsgespräche auf wiederkehrende Einwände, gemeinsame Gründe für verlorene Verkaufschancen und Muster erfolgreicher Gespräche untersuchen. Andere Agenten markieren Anomalien und wiederkehrende Probleme, die niemand realistisch einzeln prüfen würde.

Eine solche Arbeit kontinuierlich, vollständig und im menschlichen Maßstab auszuführen ist extrem schwierig. KI macht hier nicht nur dieselbe Arbeit schneller. Sie verschafft dem Unternehmen Beobachtungs-, Bewertungs- und Entscheidungskapazität, die zuvor nicht vorhanden war.

Die wichtigere Veränderung lautet: Kognitive Arbeit, die mit menschlicher Arbeitskraft in demselben Umfang unwirtschaftlich wäre, kann nun in einer Qualität erledigt werden, die nahe genug an menschlicher Qualität liegt, auch wenn sie diese nicht vollständig erreicht. Inhalte erstellen, sortieren, klassifizieren, verbessern, prüfen, bewerten und zusammenfassen; Informationen anreichern; Arbeit an die richtige Warteschlange leiten und priorisieren – all das kann heute schneller und in einem zuvor unmöglichen Maßstab laufen.

Nehmen Sie eine Führungskraft mit dreißig oder vierzig Mitarbeitenden. Stellen Sie sich vor, sie würde regelmäßig jede Arbeit des Teams lesen, klassifizieren, auf Qualität prüfen und priorisieren. Unter normalen Bedingungen wäre es äußerst schwierig, vielleicht unmöglich, das persönlich zu leisten. Im besten Fall arbeitet sie mit Stichproben, prüft gelegentlich, delegiert – oder tut gar nichts davon.

Ein KI-System kann einen viel größeren Teil dieser Kontrolle kontinuierlich und sehr schnell übernehmen. Sein Ergebnis muss kein perfektes menschliches Urteil sein. Auch zwei Menschen kommen beim Klassifizieren, Bewerten oder Interpretieren nicht zwingend zum selben Schluss. Entscheidend ist nicht, dass ein Modell in jedem Fall eine absolute Antwort liefert. Entscheidend ist, dass wir wissen, wo es konsistent und ausreichend arbeitet. Liefert es bei einem Volumen, das kein Mensch dauerhaft bewältigen könnte, Ergebnisse nahe genug an menschlicher Qualität, hebt es unsere Managementkapazität auf ein anderes Niveau.

Deshalb beschreibt „Produktivitätsgewinn“ die Veränderung nur unzureichend.

Nicht jede KI-Arbeit erzeugt dieselbe Abhängigkeit

Bei der ersten Art von Arbeit beschleunigt KI etwas, das Menschen bereits erledigten. Wenn eine Person einen Entwurf schreiben kann, kann KI ihn ebenfalls erstellen. Verschwindet der KI-Zugang, wird die Arbeit langsamer oder teurer oder kehrt zu Menschen zurück. Die Tätigkeit besteht aber weiter wie zuvor.

Bei der zweiten Art erzeugt KI eine Fähigkeit, die vorher nicht existierte: jede Ausgabe von vierzig Mitarbeitenden kontinuierlich bewerten, jede Kundeninteraktion anreichern oder jeden Fall sofort klassifizieren und an die richtige Warteschlange senden. Diese Tätigkeiten können nicht einfach in einen alten Prozess zurückkehren, weil sie zuvor gar nicht ausgeführt wurden.

Diese Unterscheidung verändert die Art der Abhängigkeit.

Anfangs ist die neue Kapazität vielleicht nur eine nützliche Ergänzung. Mit der Zeit arbeitet eine Führungskraft mit größerer Kontrollkapazität. Qualitätserwartungen, Service-Level-Vereinbarungen, Produktionsvolumen, Kundenversprechen und sogar Personalstärke werden auf die Annahme ausgerichtet, dass diese Kapazität verfügbar ist. Verschwindet die KI, ist das Unternehmen nicht nur zwanzig Prozent langsamer. Ein Teil seines Betriebsmodells ist verschwunden.

Dann ist KI nicht mehr bloß ein Werkzeug. Sie wird zu einer betrieblichen Eingabe, deren dauerhafte Verfügbarkeit das Unternehmen voraussetzt. Damit rückt die Frage ins Zentrum, wie viel Kontrolle wir tatsächlich über Preis, Grenzen, Verhalten und Kontinuität dieser Eingabe haben.

Vor Kurzem habe ich in Die KI-Produktivitätsbasis verschiebt sich schneller, als wir denken beschrieben, wie schnell KI die Zahl der Ideen vergrößert, die ein Unternehmen wirtschaftlich testen kann. Die dazugehörige Frage lautet: Wenn diese Kapazität erst in die Arbeitsweise des Unternehmens eingebaut ist, wie zuverlässig lässt sie sich durch einen Wechsel von Modell, Anbieter, Preis oder Zugang tragen?

Abonnementökonomie ist keine Produktionsökonomie

Eine konkrete Beobachtung brachte mich dazu, darüber nachzudenken: Manche Systeme nutzen Abonnementprodukte von KI-Unternehmen statt eines direkten API-Zugangs. Nicht jede solche Nutzung verstößt gegen Geschäftsbedingungen. Viele Fälle scheinen sich aber in einer Grauzone oder in möglicherweise gefährlicherem Gebiet zu bewegen. Verlässliche Daten darüber, wie verbreitet diese Praxis ist, konnte ich nicht finden.

Die Beobachtung legt trotzdem ein allgemeineres Risiko offen. Wenn die Wirtschaftlichkeit eines Arbeitsablaufs davon abhängt, Geschäftsbedingungen zu verletzen, wurden seine tatsächlichen Produktionskosten möglicherweise nie geprüft.

Anbieter behandeln Abonnement und API nicht als dieselbe Produktoberfläche. Anthropic erklärt, dass ein Claude-Abonnement keine API-Nutzung umfasst. Die Verbraucherbedingungen untersagen den Zugriff durch Bots, Skripte oder andere automatisierte Mittel, sofern er nicht über einen Anthropic-API-Schlüssel erfolgt. OpenAIs Nutzungsbedingungen für Einzelpersonen untersagen das automatische oder programmatische Extrahieren von Ausgaben. Das Business Agreement behandelt API-gestützte Kundenanwendungen als eigene Produktoberfläche. Googles Regeln unterscheiden sich im Geltungsbereich, doch auch die Preise der Gemini API beschreiben getrennte, nutzungsabhängige Stufen für Produktionsanwendungen.

Diese Quellen stützen nicht die pauschale Behauptung, dass jede Automatisierung mit einem Abonnement verboten sei. Die engere Schlussfolgerung genügt: Ein Zugang, der für eine Person in einer Chatoberfläche gedacht ist, ist keine sichere Grundlage für eine Produktionslinie mit planbarer Kapazität und planbaren Kosten.

Dafür müssen wir nicht behaupten, Abonnements würden zwangsläufig subventioniert; Anbieter legen ihre Grenzkosten nicht offen. Das Problem liegt darin, dass ein pauschaler Preis pro Sitz und ein token- oder nutzungsabhängiger Preis nicht dasselbe messen. Werden Richtlinien, Nutzungslimits oder die Durchsetzung der Bedingungen strenger, können KI-Arbeitsabläufe, die heute fast kostenlos wirken, deutlich teurer werden.

Zugangsrisiko ist nicht nur Preisrisiko

Auch Länder, Modelle und Bedingungen, unter denen ein kritischer KI-Dienst verfügbar bleibt, sind Architekturannahmen. Zu fragen, was wir tun würden, wenn ein Dienst morgen den Zugang in der Türkei beschränkt, ist keine Vorhersage, dass dies geschehen wird. Es ist eine Bewertung der Folgen für einen kritischen Betrieb – selbst wenn die Wahrscheinlichkeit gering ist.

Ein jüngeres Beispiel war die kurze Unterbrechung des Zugangs zu Claude Fable 5 und Mythos 5. Anthropic erklärte, US-Exportkontrollen hätten eine Beschränkung dieser Modelle erfordert. Weil sich die Nationalität nicht zuverlässig in Echtzeit prüfen ließ, setzte das Unternehmen den Zugang für alle Nutzer aus. Nach Aufhebung der Kontrollen wurde er wiederhergestellt. Anthropics Zeitlinie zeigt, dass ein Anbieter aus rechtlichen oder geopolitischen Gründen außerhalb seiner direkten Kontrolle plötzlich den Zugang zu einem kritischen Modell verlieren kann.

Das ist keine Behauptung, dass dasselbe in der Türkei geschehen wird. Wird ein extern bereitgestellter Dienst aber zu einer unverzichtbaren betrieblichen Eingabe, gehören veränderte Zugangsbedingungen neben Preis, Produktentscheidungen und technischen Ausfällen in den Kontinuitätsplan.

Sinkende Inferenzpreise beseitigen die Abhängigkeit nicht

Ein ernstzunehmender Einwand verdient volles Gewicht: Die Kosten für Inferenz können weiter fallen. Fortschritte bei Hardware, Modelleffizienz und Wettbewerb können die heutigen Stückkosten zu einer schlechten langfristigen Referenz machen. Dieser Beitrag behauptet nicht, dass KI zwangsläufig teuer werden muss.

Auch braucht nicht jeder Arbeitsablauf ein Frontier-Modell. Kleinere Modelle können für Klassifikation, Extraktion, Erstentwürfe, strukturierte Umwandlungen oder ausgewählte Qualitätsprüfungen genügen. Caching, Batching, engerer Kontext, Model Routing, niedrigere Qualitätsschwellen bei weniger riskanter Arbeit, Fine-Tuning und Open-Weight-Modelle können die Kosten weiter senken. In manchen Fällen wird lokale Inferenz zu einer echten zweiten Option.

„Wir können bei Bedarf das Modell wechseln“ ist trotzdem keine vollständige Antwort. Ein System, das mit einem stärkeren Modell 95 Prozent Genauigkeit erreicht, auf ein günstigeres Modell umzustellen kann neue Prompts, Arbeitsabläufe, Datenquellen und Kontrollmechanismen verlangen. In manchen Fällen ist dieselbe Qualität nicht erreichbar. Mit besseren Modellen verschiebt sich außerdem unsere Definition von „gut genug“: Ergebnisse, die heute eindrucksvoll wirken, können in einigen Jahren unter dem betrieblichen Standard liegen, den ein Unternehmen dann erwartet.

Das Risiko lautet deshalb nicht: „Ein Anbieter verfünffacht den Preis und die Transformation bricht zusammen.“ Die bessere Frage ist:

Wie viel des kritischen Betriebs hängt von einer Eingabe ab, deren Preis, Rate Limits, Modellverhalten, Produktverpackung und Verfügbarkeit das Unternehmen nicht bestimmt?

Eine gemeinsame API schafft noch keine Portabilität

Mehrere Anbieter hinter einer gemeinsamen Abstraktion zu bündeln ist nützlich. Das kann die Reaktion auf einen Ausfall oder eine Kostenänderung beschleunigen. Nur das Modell hinter einem Aufruf wie generate(prompt) auszutauschen beweist jedoch nicht, dass der Arbeitsablauf dasselbe Geschäftsergebnis erzeugt.

Modelle unterscheiden sich bei Befolgung von Anweisungen, Schlussfolgern, Halluzinationsneigung, Kontextverarbeitung, strukturierten Ausgaben, Werkzeugaufrufen, Latenz, Durchsatz und Randfällen. Dieselbe Anweisung kann bei einem Modell zuverlässiges JSON ergeben und bei einem anderen einen erklärenden Absatz – oder in einem Fall die richtige Routingentscheidung und im anderen eine unauffällig falsche Priorität.

API-Portabilität und Verhaltensportabilität sind nicht dasselbe. Das wird besonders wichtig, wenn KI die zweite Art von Kapazität geschaffen hat. Fehlt eine glaubwürdige manuelle Alternative, bedeutet Migrationszeit einen unmittelbaren Verlust betrieblicher Kapazität.

Ein Geschwindigkeitskompromiss darf nicht zur dauerhaften Annahme werden

Ich argumentiere nicht dafür, Verstöße gegen Geschäftsbedingungen zu akzeptieren. Eine autorisierte Übergangslösung kann aber ein vernünftiger Kompromiss sein, wenn Sie einen Arbeitsablauf als MVP testen, KI schneller in die Arbeit bringen oder in zwei statt zwölf Monaten zu einer KI-zentrierten Arbeitsweise gelangen wollen. Frühe Geschwindigkeit hat echten Wert.

Diese Wahl darf nicht zur Annahme werden, dass das System dauerhaft so betrieben werden kann. Bevor Abonnementgrenzen enger werden, sich die Zugangsart ändert oder die tatsächlichen Stückkosten sichtbar werden, sollten einfache Aufgaben auf einfachere Modelle, Open-Weight-Alternativen oder günstigere Optionen wandern. Caching, Batching, engerer Kontext und Model Routing sind keine Optimierungen für „irgendwann“.

Der Fehler wäre, den Namen eines zweiten Anbieters in ein Dokument zu schreiben und dies für Resilienz zu halten. Eine Alternative ist nur dann ein Fallback, wenn sie regelmäßig anhand echter Arbeit und bekannter Akzeptanzkriterien erprobt wird.

Testen Sie Alternativen, bevor Sie sie brauchen

Das verlangt mehr als einen theoretischen Notfallplan. Wir können messen, wie sich ein kritischer Arbeitsablauf auf einem kleineren Modell verhält, ob ein anderer Anbieter dasselbe Geschäftsergebnis erzeugt und welche Aufgaben ein lokales oder Open-Weight-Modell ausreichend gut erledigen kann. Wir können den Qualitätsverlust eines Modellwechsels bestimmen und prüfen, ob Caching, Batching oder Model Routing die Kosten tatsächlich senken, bevor Produktionsdruck entsteht.

Das Ziel ist nicht, für jede Aufgabe einen Ersatz mit identischer Qualität zu schaffen. Wir müssen wissen, welche Arbeit nachgeben darf, welche Kapazität Menschen vorübergehend abdecken können und welche Arbeitsabläufe tatsächlich von einem einzigen Modell abhängen. Dieses Wissen während eines Ausfalls zu nutzen ist etwas anderes, als unter Druck zum ersten Mal nach einer Antwort zu suchen.

Nutzen Sie nicht weniger KI. Binden Sie sie bewusster an den Betrieb.

Dies ist kein Argument dafür, die Einführung von KI zu verlangsamen. Im Gegenteil: Weil ich gesehen habe, dass KI nicht nur Kosten senkt, sondern die Grenze dessen verschiebt, was ein Unternehmen leisten kann, kann es das größere Wettbewerbsrisiko sein, nicht entschlossen zu experimentieren.

KI kann Code günstiger machen, aber Prüfung und Verantwortung bleiben teuer. Sie kann eine Organisation außerdem durch die Stellen verändern, deren Entstehung sie verhindert – nicht nur durch Stellen, die sie ersetzt.

Für jedes kritische KI-System sollten wir deshalb fragen: Welche Prozesse können ohne KI weiterlaufen? Welche hängen von einem einzigen Modell oder Anbieter ab? Wie viel Qualität verlieren wir bei einem Modellwechsel? Wie lange kann der Betrieb fortgesetzt werden, wenn der Zugang zu einem Dienst verschwindet? Und welche angeblich vorübergehenden Lösungen sind unbemerkt zu dauerhaften Annahmen geworden?

Es geht nicht darum, Risiko zu vermeiden. Es geht darum, Dauer, Grenze und Ausstiegspfad des Risikos zu kennen, das Sie für Geschwindigkeit eingehen. Sonst kann das Unternehmen, das bei KI früh voranging, plötzlich das Unternehmen sein, das ohne sie dasteht.