AI as a Moving Target - Warum klassische IT-Strategie an KI scheitert

Kurzer Rückblick – und ein unangenehmer Nachtrag

In den letzten Monaten haben wir einen klaren, logischen Pfad skizziert:

1. In Episode 11.0 haben wir gesehen, dass eine eigene Intelligenz-Infrastruktur auf Open-Source-Basis machbar ist.
2. In Meine Daten, meine KI haben wir argumentiert, dass Ihr einzigartiges Unternehmenswissen Ihr eigentlicher Burggraben ist.
3. In Intelligence Ownership wird zum Business Case haben wir schließlich die Rechnung aufgemacht: Eigene, feingetunte Modelle schlagen die generische, gemietete KI der Big-Tech-Konzerne oft in Qualität und Preis.

Kurze Einordnung vorab, um Missverständnissen vorzubeugen: Wenn wir hier von „Intelligenz“ sprechen, werten wir natürlich nicht den IQ Ihrer Mitarbeiter. Gemeint ist die technologische Leistungsfähigkeit Ihres KI-Systems – also das Zusammenspiel aus Modellen, Ihrem Unternehmenswissen und den darauf aufbauenden Anwendungen.

Eigentlich könnte man jetzt sagen: Das Zielbild steht. Wissen behalten, Modelle selbst besitzen. Schreiben wir also einen klassischen Drei-Jahres-Plan, definieren die Architektur, suchen einen Vendor aus und setzen das um. Richtig?

Falsch.

Wenn ich mir ansehe, wie Unternehmen aktuell versuchen, diese Strategie umzusetzen, stoßen sie alle gegen dieselbe, unsichtbare Wand: Das Problem ist nicht mehr die Frage „Mieten oder besitzen?“. Das Problem ist, dass alles, worauf diese Entscheidung aufsetzt, sich viel schneller bewegt als die Entscheidung selbst.

Der Titel dieses Beitrags lautet nicht umsonst „KI als bewegliches Ziel“. Es geht nicht einfach nur darum, dass Technologie sich weiterentwickelt. Das Spannende – und Gefährliche – ist, dass sich die Entscheidungsgrundlagen massiv verändern, während ein Unternehmen noch plant, beschafft oder implementiert.

Dieser Beitrag liefert keine fertige Lösung (das kommt später), diesen Themen werden wir uns später widmen. Er zeigt die komplexe Realität auf, an der sich jede zukünftige strategische Lösung messen lassen muss.

Die große Illusion der Stabilität

Klassische IT-Strategie funktioniert wie der Bau eines Hauses. Man hat stille Annahmen, die so selbstverständlich sind, dass sie niemand mehr ausspricht:

• Der Baugrund (die Technologiebasis) ist stabil.
• Man wählt einmalig ein Bauunternehmen (Vendor).
• Man plant auf Jahre im Voraus (Architektur & Beschaffung).
• Das Haus steht, und die Kosten lassen sich über Jahre abschreiben.
• Die Baugenehmigung (Regulierung) wird einmal eingeholt und dann abgeheftet.

KI ist kein Hausbau. KI ist die Navigation auf einem reißenden Fluss, dessen Strömung sich täglich ändert. Kein Wunder, dass nur sehr wenige dabei vorankommen, wie eine neue Studie von Gartner aufzeigt.

Das heißt aber keineswegs, dass bei KI überhaupt keine Stabilität geschaffen werden kann und wir uns damit abfinden müssen, dass alles ständig wackelt. Der entscheidende Punkt ist: Nicht alles kann und sollte stabil sein. Die strategischen Grundlagen müssen absolut stabil sein, während bestimmte technologische Komponenten ganz bewusst austauschbar bleiben.

Ein Beschaffungsprogramm, das in der Enterprise-IT gut und gerne zwei bis drei Quartale dauert, entscheidet heute am Ende auf Basis eines Modells, eines Preispunkts und einer Compliance-Interpretation, die es beim Go-Live schlichtweg nicht mehr gibt.

Daraus ergeben sich sechs fundamentale Probleme, die in den Vorstandsetagen verstanden werden müssen:

Problem 1: Die Halbwertszeit der KI-Modelle

„Wir trainieren jetzt unser eigenes Modell!“ – Guter Ansatz. Aber wer heute ein KI-Modell aufwendig für die eigene Katalogpflege trainiert, wird in sechs Monaten feststellen, dass ein neues Open-Source-Modell auf den Markt kommt, das out-of-the-box doppelt so gut und halb so teuer im Betrieb ist.

Widerspricht das unserer These aus dem letzten Beitrag? Warum habe ich Ihnen „Intelligence Ownership“ empfohlen, wenn das Modell in sechs Monaten veraltet ist? Die Antwort:

Ownership bleibt richtig und wichtig, aber der Besitz eines konkreten Modells allein ist noch keine technologische Unabhängigkeit.

Es geht darum, das Wissen, die Daten und die Entscheidungsfähigkeit selbst zu besitzen, ohne sich dauerhaft an eine bestimmte technische Umsetzung zu binden.

Intelligence Ownership ist kein statischer Zustand, sondern ein Prozess.

Wenn Sie diesen Prozess nicht so aufgebaut haben, dass Sie beim Erscheinen des nächsten Basismodells schmerzfrei wechseln können, besitzen Sie in zwei Jahren eine hochspezialisierte Intelligenz auf einem System, das vielleicht niemand mehr warten kann/will. Dieses Risiko muss man ehrlich bewerten.

Problem 2: Die unsichtbare Abhängigkeit (Vendor Lock-in 2.0)

Man könnte meinen, wer die Gewichte (Weights) seines Modells selbst besitzt, sei frei. Nur teilweise. Die Abhängigkeit zieht bei der KI einfach eine Etage tiefer. Wo genau entsteht diese Abhängigkeit?

Ein KI-Modell ist letztlich nur ein „Gehirn im Glas“. Um nützlich zu sein, braucht es ein Gedächtnis (Vektor-Datenbanken) und Hände, um Werkzeuge zu bedienen (Agenten-Frameworks). Die großen Cloud-Anbieter machen es unglaublich einfach, deren proprietäres Gedächtnis und deren Werkzeuge zu nutzen. Nur dann verschenken sie ihnen ihre Intelligenz und das was sie ausmacht.

Das Problem: Das Modell selbst mag Open Source sein, aber wenn Ihre Anwendung tief mit dem Managed-Retrieval-Service von AWS oder dem Agenten-Framework von Azure verwoben ist, hilft es Ihnen nichts, das „Gehirn“ auszutauschen. Die Wechselkosten für das restliche Ökosystem sind enorm. Sie müssen unterscheiden lernen zwischen: Einen Anbieter nutzen versus von einem Anbieter strukturell abhängig sein.

Problem 3: Das Hardware-Missverständnis

Wir alle wissen: KI braucht massiv Rechenpower, vor allem GPUs (Grafikprozessoren). Aber man muss zwingend zwischen Training (dem Anlernen) und Inferenz (dem täglichen Abfragen) unterscheiden.

• Training ist wie ein fünfjähriges Universitätsstudium. Es erfordert massive, gebündelte Konzentration. Dafür baut man teure, hochspezialisierte GPU-Cluster.
• Inferenz ist wie die Arbeit an einer belebten Rezeption. Man braucht schnelle Reflexe, Multitasking und Pragmatismus.

Unternehmen bestehen zu 95 Prozent aus Inferenz-Betrieb. Trotzdem planen sie ihre Infrastruktur oft wie ein Forschungslabor. Wenn die KI dann künftig als Agent selbstständig plant, in Datenbanken liest und Workflows anstößt, verschiebt sich die Last ohnehin wieder zurück zu klassischer IT und CPUs. Die Frage lautet nicht mehr „Brauchen wir GPUs?“, sondern: „Wer plant den richtigen Mix für unseren Alltag?“

Problem 4: Regulierung im Dauerlauf

Der EU AI Act ist kein TÜV-Stempel, den man einmal vor der Inbetriebnahme einholt. Er ist gestaffelt anwendbar, rollenspezifisch und wird durch neue Normen laufend präzisiert.

Das heißt nicht, dass jeder technologische Wechsel automatisch eine monatelange, komplett neue Compliance-Prüfung auslösen muss. Der Gedanke ist vielmehr: Ihre Compliance muss so agil aufgestellt sein, dass sie mit der technischen Veränderung mitläuft. Wenn Sie das Modell oder den Anbieter wechseln, müssen Dokumentation und Risikoklassifizierung modular anpassbar sein. Wer Regulierung als einmalige Projektphase am Ende der Pipeline sieht, hat das Problem missverstanden.

Problem 5: Der neue Flaschenhals heißt nicht "Compute"

KI-gestützte Entwicklung macht das Schreiben von Standard-Code immer billiger und schneller. Das ist gut. Die Maurer werden also günstiger. Aber uns fehlen die Stadtplaner und die Klempner.

Was extrem knapp wird, sind Menschen, die eine KI-Plattform im Produktivbetrieb am Laufen halten können.

• Wir brauchen Klempner (Data, Security & Platform Engineers), die die Rohre (APIs, Datenpipelines, Vektor-Stores) sicher und hochverfügbar verlegen.
• Wir brauchen Stadtplaner (AI Architects, Governance- & FinOps-Experten), die das große Ganze so designen, dass das glänzende, neue KI-Viertel sicher und datenschutzkonform an das historische ERP-System aus dem Jahr 2009 angebunden wird.

Das ist kein reines Recruiting-Problem. Es erfordert einen kompletten Umbau der Kompetenzprofile in Ihrer Kern-IT.

Problem 6: Das Meta-Problem – Was ist überhaupt noch stabil?

Wenn wir fünf bewegliche Ziele gleichzeitig haben (Modelle, Anbieter, Hardware, Regulierung, Skills), wird eines völlig klar, und das ist die zentrale Aussage dieses Beitrags:

Der stabile Gegenstand Ihrer IT-Strategie darf nicht mehr ein bestimmtes Modell, ein bestimmter Anbieter oder eine bestimmte Architektur sein. Stabil sein muss vielmehr die Fähigkeit der Organisation, technologische Komponenten kontrolliert auszutauschen und sich an Veränderungen anzupassen.

Das ist eine unangenehme Erkenntnis für alle, die gerade ein schickes, in Stein gemeißeltes Fünfjahres-Architekturbild im Vorstand abgestimmt haben. Die Frage „Wem gehört eure Intelligenz?“ ist notwendig, reicht aber nicht mehr aus. Die neue Folgefrage lautet:

Wie schnell und wie günstig können wir technologisch umschalten, wenn sich der Boden unter uns bewegt?

Der Lackmustest: 6 Fragen an Ihre Strategie

Bevor Sie sich für eine konkrete organisatorische oder technische Lösung entscheiden, muss Ihre KI-Strategie diese sechs Fragen schonungslos ehrlich beantworten können:

1. Modellwechsel: Wie lange dauert es bei uns, ein KI-Modell hinter einem produktiven Use-Case auszutauschen, ohne den kompletten Prozess neu bauen zu müssen? Tage, Monate oder „weiß niemand“?
2. Abhängigkeitstiefe: Welche unserer KI-Anwendungen könnten wir nicht innerhalb eines Quartals von ihrem aktuellen Cloud-Anbieter lösen? (Und wissen wir das sicher, oder vermuten wir es nur?)
3. Infrastrukturprofil: Planen wir unsere Serverlandschaft für Training oder für Inferenz? Und wer entscheidet den Mix – die Fachseite, unsere IT oder unser Cloud-Anbieter?
4. Compliance-Beweglichkeit: Wenn wir morgen ein Modell austauschen, wie viel unserer AI-Act-Dokumentation bleibt dann noch gültig?
5. Kompetenzlücke: Wer bei uns kann eine Inferenz-Plattform betreiben und weiß gleichzeitig, wie unser historisch gewachsenes Rechtemanagement (IAM) funktioniert? (Wenn die Antwort auf diese Frage aus genau einem Namen besteht, haben Sie ein massives Risiko.)
6. Sensorik: Woher erfahren wir von relevanten technologischen oder regulatorischen Veränderungen? Aus dem Marketing-Newsletter unseres aktuellen Anbieters, oder haben wir dafür einen eigenen, systematischen Prozess?

Wer diese sechs Fragen für sich beantwortet hat, versteht das wahre Spielfeld. Antworten auf das „Wie lösen wir das?“ sind Stoff für die nächsten Beiträge.

Bis dahin nehmen Sie bitte diesen einen Leitsatz mit: Die Antwort auf die Dynamik von KI ist nicht, auf Strategie zu verzichten, sondern Strategie anders zu verstehen. Man plant nicht mehr fünf Jahre lang eine bestimmte Technologie fest, sondern baut eine Organisation und Architektur, die technologische Veränderungen kontrolliert mitmachen kann.

Und das bringt uns zu einer unausweichlichen organisatorischen Realität: Für Unternehmen, die bereits echtes Agile Management leben, heißt die Devise jetzt: Anschnallen, Sie müssen noch agiler werden – wir reden hier von Anpassungszyklen, die in Wochen gemessen werden. Und für die Organisationen, die Agilität bisher eher als Buzzword abgetan haben und weiterhin in klassischen Wasserfall-Projekten, starren Jahresbudgets und jahrelangen Rollout-Plänen feststecken? Für die wird diese Dynamik jetzt nicht mehr nur ungemütlich, sondern hochgradig geschäftskritisch.

Live long and prosper 😉🖖

Musicbezug (1 -> wir haben 100Miles dieses Jahr 😉 und 2 -> KI-Strategie ist wie ein Miles Davis Stück: Die Richtung steht, aber das Team muss in Echtzeit auf Veränderungen reagieren und improvisieren können. Wahre Agilität)