NEAs Tiffany Luck: Unternehmen stehen noch am Anfang der AI-ROI-Bestimmung

Hintergrund

Anfang dieses Jahres dominierte in den Reihen der Technologiebranche ein Trend, der sowohl humorvoll als auch aufschlussreich für die aktuelle Marktsituation war: das sogenannte "Tokenmaxxing". Dieser Begriff beschreibt die Praxis, den Verbrauch von KI-Token unabhängig von den damit verbundenen Kosten zu maximieren, getrieben von dem Wunsch, den maximalen Wert aus generativen Modellen herauszuholen. In dieser Phase ermutigten Chief Executive Officers (CEOs) führender Technologieunternehmen ihre Mitarbeiter aktiv, künstliche Intelligenz-Tools so aggressiv wie möglich in ihre Arbeitsabläufe zu integrieren. Die vorherrschende Logik war, dass ein reines Volumen an der Nutzung letztendlich technologische Dividenden bringen würde, was zu einem Anstieg der Adoptionsraten führte, der die finanzielle Planung weit übertraf. Diese Ära war geprägt von einem Gefühl der Dringlichkeit und der Angst, die transformativen Potenziale großer Sprachmodelle zu verpassen, wobei Führungsteams die Breite der Implementierung vor der Tiefe der Optimierung priorisierten.

Doch die anfängliche Begeisterung hat sich rasch abgekühlt, während die finanziellen Realitäten der KI-Integration scharf in den Fokus rückten. Berichte von Medienunternehmen wie TechCrunch heben einen bedeutenden Wendepunkt in den KI-Ausgaben von Unternehmen hervor. Uber, der globale Marktführer im Bereich Ride-Hailing, hat reportedly sein gesamtes jährliches KI-Budget in nur wenigen Monaten aufgebraucht. Dieser Fall dient als drastische Illustration dafür, wie schnell Kosten außer Kontrolle geraten können, wenn die Nutzung nicht streng überwacht oder gedeckelt wird. Der Vorfall wurde zu einem Symbol für die breitere Herausforderung der Branche, bei der sich die Annahme als falsch erwiesen hat, dass KI-Kosten handhabbar oder vorhersehbar bleiben würden, insbesondere in Anwendungsfällen mit hohem Volumen. Die Lücke zwischen projiziertem und tatsächlichem Ausgabenstand hat eine Neubewertung dessen erzwungen, wie diese Technologien auf Unternehmensebene budgetiert werden.

Als Reaktion auf diese steigenden Kosten beginnen Unternehmen, Kontraktionsstrategien zu implementieren. Einige Organisationen haben damit begonnen, Lizenzen für fortschrittliche Modelle wie Claude in bestimmten Geschäftseinheiten zu reduzieren, was eine Abkehr vom universellen Zugang hin zu einer selektiveren Nutzung signalisiert. Einkaufsteams unterzeichnen nicht mehr einfach nur langfristige Verträge für unbegrenzte Rechenleistung; stattdessen bewerten sie jeden Dollar, der für KI-Infrastruktur ausgegeben wird, aktiv neu. Dieser Wandel markiert einen Abschied von der früheren Phase unbeschränkter Experimente. Die Branche bewegt sich von einer Periode aggressiver Expansion zu einer der fiskalischen Disziplin, wobei der Fokus von der Frage, wie viel KI genutzt werden kann, auf die Frage, wie effizient sie genutzt werden kann, verschoben wird. Diese Korrektur ist für die langfristige Nachhaltigkeit unerlässlich, da das vorherige Ausgabenmodell für die meisten Organisationen offensichtlich nicht tragbar war.

Tiefenanalyse

Das Phänomen des "Tokenmaxxing" lässt sich als eine Form defensiver Angst und explorativer Probiererei angesichts technologischer Unsicherheit verstehen. In den frühen Phasen des Booms bei generativer KI litten viele Unternehmen unter der Angst, etwas zu verpassen (FOMO), mit der Sorge, dass ein nicht umfassender KI-Einsatz sie in einen Wettbewerbsnachteil bringen würde. Folglich griffen Managementteams zu einer Strategie, die eine hochfrequente Nutzung in der gesamten Organisation förderte, um schnell Daten zu sammeln, Arbeitsabläufe zu verfeinern und die Grenzen der Technologie zu testen. Dieser Ansatz basierte auf der Überzeugung, dass eine weit verbreitete Adoption eine Voraussetzung für Innovation sei. Dieser Strategie fehlte jedoch das Verständnis für die komplexe Kostenstruktur großer Sprachmodelle, die signifikante Skaleneffekte und nicht-lineare Merkmale aufweist. Während das Volumen gleichzeitiger Anfragen stieg, stiegen die Inferenzkosten nicht linear, sondern oft exponentiell, insbesondere beim Übergang von einfachen Abfrage-Antwort-Aufgaben zu komplexeren Operationen.

Die Kostenexplosion ist besonders akut, wenn Unternehmen von grundlegenden Anwendungen zu anspruchsvolleren Aufgaben wie Code-Generierung, Analyse langer Dokumente oder mehrstufigem Reasoning übergehen. Diese komplexen Aufgaben erfordern deutlich mehr Token pro Interaktion, was zu Verbrauchswerten führt, die die anfänglichen Schätzungen weit übertreffen. Darüber hinaus fehlten vielen Organisationen während der Implementierungsphase granulare Kostenüberwachungsmechanismen. Ohne die Fähigkeit, zwischen hochwertigen Interaktionen und ineffizienter oder redundanter Nutzung zu unterscheiden, fanden sich Unternehmen wieder, die das Ausbluten ihrer Budgets nicht kontrollieren konnten. KI, die ursprünglich als Werkzeug zur Steigerung der Effizienz gedacht war, verwandelte sich in ein Budget verschlingendes Schwarzes Loch. Das Fehlen von Transparenz darüber, welche spezifischen Prompts oder Arbeitsabläufe Wert generierten versus diejenigen, die lediglich Ressourcen verbrauchten, ließ Finanz- und Operations-Teams von den finalen Rechnungen überrascht.

Tiffany Luck, Partnerin bei der Venture-Capital-Firma NEA, hat hervorgehoben, dass der Kern des aktuellen "Quantifizierungs-Dilemmas" das Fehlen robuster Bewertungsmodelle ist. Die meisten Unternehmen haben noch keinen Rahmen etabliert, der KI-Nutzungsdaten eng mit Schlüssel-Kennzahlen der Geschäftsentwicklung (KPIs) wie Code-Übermittlungsraten, Lösungszeiten im Kundenservice oder der Effizienz der Inhaltserstellung verknüpft. Ohne eine klare Definition des Return on Investment (ROI) ist es für Unternehmen unmöglich zu bestimmen, welche KI-Interaktionen echten geschäftlichen Wert generieren und welche einfach Ressourcenverschwendung sind. Diese Lücke in der Messfähigkeit ist die primäre Barriere für die Rationalisierung der KI-Ausgaben. Solange Organisationen Token-Verbrauch nicht mit greifbaren Verbesserungen der Output-Qualität korrelieren können, werden sie weiterhin mit Budgetüberschreitungen und einer ineffektiven Kapitalallokation kämpfen.

Branchenwirkung

Dieser Wandel von ungebremster Adoption zu kostenbewusster Bewertung hat tiefgreifende Auswirkungen auf die Wettbewerbslandschaft und die beteiligten Stakeholder. Für Cloud-Dienstleister und Anbieter großer Modelle ist die Erzählung eines reinen "Nutzungswachstums" nicht mehr ausreichend, um hohe Bewertungen zu rechtfertigen. Der Markt konzentriert sich zunehmend auf die tatsächlichen kommerziellen Konvertierungsfähigkeiten von KI-Diensten. Die Budgetkrisen, mit denen Unternehmen wie Uber konfrontiert sind, senden ein klares Signal an den Markt: Künstliche Intelligenz ist keine öffentliche Güter mit vernachlässigbaren Grenzkosten, sondern eine kommerzielle Infrastruktur, die eine strenge Kostenkontrolle erfordert. Dieser Druck zwingt KI-Anbieter dazu, ihre Geschäftsmodelle weiterzuentwickeln. Sie können sich nicht länger ausschließlich auf den Verkauf von Rechenleistung verlassen; stattdessen müssen sie sich hin zu Lösungen mit besserem Preis-Leistungs-Verhältnis, optimierter Inferenzeffizienz oder sogar ergebnisbasierten Preismodellen pivotieren.

Für kleine und mittlere Unternehmen (KMUs) bringt dieser Trend sowohl erhebliche Herausforderungen als auch neue Möglichkeiten mit sich. Einerseits könnten kleinere Unternehmen aufgrund ihres fehlenden Skaleneffekts im Vergleich zu Technologieriesen höheren Druck pro Einheit bei den Kosten spüren. Es könnte für sie schwieriger sein, günstige Konditionen auszuhandeln oder unerwartete Kostenspitzen zu absorbieren. Andererseits schafft diese Umgebung eine Chance für Organisationen, die frühzeitig ausgefeilte KI-Governance-Rahmenwerke etablieren. Unternehmen, die hochrentable Anwendungsszenarien präzise identifizieren und strenge Kostenkontrollen implementieren können, werden signifikante Effizienzbarrieren gegenüber ihren Wettbewerbern aufbauen. Die Fähigkeit, KI gewinnbringend und nicht nur umfangreich zu nutzen, wird zu einem entscheidenden Differenzierungsmerkmal auf dem Markt.

Zusätzlich katalysiert dieser Wandel das Wachstum eines neuen Marktsegments, das sich auf die Optimierung der KI-Kosten konzentriert, oft als FinOps für KI bezeichnet. Eine Vielzahl neuer Tools entsteht, um Unternehmen beim Management des Token-Verbrauchs, der Optimierung der Prompt-Effizienz und der Überwachung anomaler Nutzungsverhalten zu helfen. Diese Tools bieten die notwendige Transparenz und Kontrollmechanismen, die während des initialen Booms fehlten. Durch das Bereitstellen granularer Einblicke darin, wie KI-Ressourcen genutzt werden, ermöglichen diese Plattformen Finanz- und IT-Teams, Budgets durchzusetzen und Verschwendung zu identifizieren. Der Aufstieg dieses Ökosystems deutet auf eine Reifung der Branche hin, bei der der Fokus von der bloßen Implementierung auf ein nachhaltiges Management verschoben wird. Es spiegelt eine breitere Anerkennung wider, dass langfristiger Erfolg in der KI nicht nur technologische Fähigkeiten, sondern auch finanzielle Disziplin und operative Strenge erfordert.

Ausblick

Blickt man in die Zukunft, wird erwartet, dass sich die KI-Strategien von Unternehmen in eine Phase der "gründlichen Pflege" begeben. Wir gehen davon aus, dass eine wachsende Zahl von Unternehmen spezielle KI-Governance-Komitees einrichten wird, die für die Festlegung interner Nutzungsrichtlinien, Kostenverteilungsmechanismen und Leistungsbeurteilungsstandards verantwortlich sind. Die Institutionalisierung des KI-Managements wird entscheidend sein, um die Kontrolle über die Ausgaben aufrechtzuerhalten und sicherzustellen, dass Investitionen mit den breiteren Geschäftszielen übereinstimmen. Die Ära der ad-hoc-Adoption weicht einer strukturierten Governance, bei der jede KI-Initiative einer strengen Prüfung hinsichtlich ihres Kosten-Nutzen-Verhältnisses unterzogen wird. Dieser Wandel wird Organisationen dabei helfen, von einem Zustand reaktiver Budgetverwaltung zu proaktiver strategischer Planung überzugehen.

Aus technologischer Sicht wird der Trend wahrscheinlich kleineren, spezialisierten Modellen den Vorzug vor allgemeinen großen Sprachmodellen in bestimmten vertikalen Domains geben. Diese Nischenmodelle können niedrigere Kosten und höhere Genauigkeit für gezielte Aufgaben bieten, was sie für Routineoperationen wirtschaftlicher macht. Unternehmen werden zunehmend einen hybriden Ansatz übernehmen, bei dem große Modelle für komplexes Reasoning und kleinere, günstigere Modelle für hochvolumige, niedrigkomplexe Aufgaben genutzt werden. Diese Schichtung der Modellnutzung wird es Unternehmen ermöglichen, ihren Token-Verbrauch zu optimieren, indem sie die Fähigkeit des Modells an die Komplexität der Aufgabe anpassen. Darüber hinaus wird der KI-Einkauf von einer Strategie des "Flächendeckenden Rollouts" zu einem Ansatz der "Präzisions-Schläge" wechseln. Unternehmen werden eher bereit sein, für KI-Lösungen zu zahlen, die in spezifischen Anwendungsfällen direkte Effizienzsteigerungen oder Umsatzwachstum nachweisen können, anstatt für breiten, nicht gemessenen Zugang zu zahlen.

Ein wichtiges Signal, das beobachtet werden muss, ist das Aufkommen von Organisationen, die KI-Kosten erfolgreich in ihre regelmäßigen Betriebskennzahlen integrieren. Diejenigen, die den Übergang von der "Explorationsphase" zu einer "Phase der skalierbaren Profitabilität" navigieren können, werden wahrscheinlich die nächste Runde der Marktveränderungen dominieren. Für Investoren und Branchenbeobachter muss sich der Fokus von Adoptionsraten auf die tatsächlichen wirtschaftlichen Vorteile verschieben, die durch KI-Investitionen generiert werden. Das Rennen ist nicht mehr darum, wer die meiste KI nutzen kann, sondern wer sie am profitabelsten nutzt. Dies wird ein langwieriger Kampf der technologischen Implementierungsfähigkeit und des Geschäftssinns sein, bei dem die Gewinner diejenigen sein werden, die Innovation mit fiskalischer Verantwortung in Einklang bringen. Die Branche reift, und die Zeit für rücksichtsloses Ausgeben ist vorbei; die Zeit für maßvolle, wertschöpfende Investitionen hat begonnen.