Veröffentlicht am

KI-Modelle sind selten das Rendite-Problem

Image by un-perfekt from Pixabay

In der aktuellen Situation um KI-Modelle und KI-Agenten wird häufig argumentiert, dass die Abrechnung in Token ein großes Problem darstellt. Dabei ist es am Anfang oft unklar, welche Kosten bei der Nutzung von KI-Systemen wirklich entstehen. Siehe dazu auch Wirtschaftlichkeit von KI-Agenten: Warum kommt es bei den Token-Kosten oft zu regelrechten Abrechnungsschocks?

Solche technologischen Aspekte überlagern dabei die Kosten, die in der Organisation und bei den Mitarbeitern entstehen. In einem Gesamtsystem Mensch, Organisation und Technologie (MOT-Modell) ist es wichtig, einzelne Elemente sinnvoll auf das eigene Geschäftsmodell und die dazu erforderlichen Geschäftsprozesse abzustimmen.

Gerade Kleine und Mittelständische Unternehmen (KMU) mit ihren begrenzten Ressourcen sollten darauf achten, das gesamte KI-System auf ihre Organisation abzustimmen und nicht immer nur dem nächsten technologischen Hype hinterherzujagen. In einem lesenswerten Artikel stellt M. Kramer ausführlich dar, dass dieser rein Tech-getriebene Ansatz nicht wirtschaftlich ist.

„None of this lessens the technology. Models will keep improving, and that progress matters. But the next wave of AI value will come less from models becoming more capable and more from organisations becoming more capable of using them. Capability sets what is possible. The operating model decides how much of that possibility the business ever sees“ Kramer, M. (2026) Analyst Insights: The AI ROI Problem Is Rarely the Model.

Wie man in einem mittelständischen Unternehmen vorgehen kann, habe ich in dem Blogbeitrag KI-System im Mittelstand: Von der Wissensbilanz lernen grob dargestellt.

Veröffentlicht am

Künstliche Intelligenz: Hohe Investitionen und keine Rendite?

Conceptual technology illustration of artificial intelligence. Abstract futuristic background

Es ist schon erstaunlich: Tag für Tag lesen wir von Milliardeninvestitionen der Unternehmen in GenAI. Es gibt in der Zwischenzeit auch genügend Beispiele aus allen Branchen die zeigen, wie mit Künstlicher Intelligenz (GenAI) produktiver als vorher gearbeitet werden kann. Somit sollten diese Effekte auch betriebswirtschaftlich nachgewiesen werden können.

Die Frage st also: Gibt es auch eine gewisse Rendite auf die Investitionen, die in solche Projekte gesteckt werden?

Eine Studie vom Juli 2025 zeigt ein überraschendes Ergebnis: Der Erfolg, in Form einer messbaren Rendite (Return on Investment). kann bei 95% der Organisationen nicht nachgewiesen werden. Hier der Originalabsatz aus der Studie:

„Despite $30–40 billion in enterprise investment into GenAI, this report uncovers a surprising result in that 95% of organizations are getting zero return. The outcomes are so starkly divided across both buyers (enterprises, mid-market, SMBs) and builders (startups, vendors, consultancies) that we call it the GenAI Divide. Just 5% of integrated AI pilots are extracting millions in value, while the vast majority remain stuck with no measurable P&L impact. This divide does not seem to be driven by model quality or regulation, but seems to be determined by approach“ (NANDA 2025).

Interessant ist, dass der jeweils gewählte Ansatz (determined by approach) wohl das Grundübel ist. Möglicherweise ist es gar nicht so gut, sich nur auf die sehr großen, proprietären KI-Anbieter zu konzentrieren – ja, sich von diesen abhängig zu machen. Siehe dazu beispielsweise auch KI-Modelle: Monitoring einer Entwicklungsumgebung.

Anmerkung vom 28.01.2026: In der Zwischenzeit gibt es von Toby Stuart, UC Berkeley, den Hinweis, dass die Ergebnisse kritisch zu sehen sind und mit der Verbindung zum weltbekannten Massachusetts Institut o Technology (MIT) wohl anointed, also „gesalbt“ worden sind. Das bedeutet, dass viele etwas zu unkritisch waren, und diese Informationen weitergegeben haben. In einer PDF-Datei von Toby Stuart hat er seine Sicht noch einmal auf zwei Seiten zusammengefasst.

Veröffentlicht am

Ein Wust von Indikatoren führt zu einer nicht mehr beherrschbaren Kompliziertheit

Image by Gerd Altmann from Pixabay

In meinem Blogbeitrag Kennzahlen als risikoreiche Reduzierung der Komplexität? ging es schon einmal darum, dass in vielen Bereichen komplexe Sachverhalte in Zahlen ausgedrückt werden. Dazu zählen das Bruttoinlandsprodukt (BIP), der Intelligenz-Quotient (IQ), der Return on Investment (ROI) usw. Und was nicht so recht messbar ist, wird eben messbar gemacht.

Möglicherweise benötigen Menschen Zahlen, um einen gewissen Anker in komplexen Zeiten zu haben (Taleb 2007). Das führt allerdings zu einer paradoxen Situation:

„Hier soll nur in Bezug auf die Vereinfachungsproblematik nachgefragt werden. Denn diesbezüglich landen wir in einer geradezu paradoxen Situation: Die scheinbare Vereinfachung durch Reduktion eines komplexen Messzusammenhangs auf immer elementarere Indikatoren führt zu einem unübersehbaren Wust solcher Indikatoren und damit zu einer nicht mehr beherrschbaren Kompliziertheit. Umgekehrt kommt man, wenn man sich auf die „Indikatorenverschmelzung“ des menschlichen Erkenntnisvermögens verlässt, auf eine sehr einfache Form der Erfassung solcher komplexen Zusammenhänge. Durch komplexe Erfassung zu einem vereinfachten Verständnis, so könnte man die dahinter liegende Strategie kennzeichnen“ (Erpenbeck 2010).

Die Indikatoren führen also nicht zu einem besseren Verständnis von Komplexität – im Gegenteil. Komplexere Erfassungen werden der Komplexität eher gerechtet und führen zu einem besseren Verständnis.