Intelligence Ownership wird zum Business Case

Im März habe ich hier eine These vertreten: Der nachhaltige Wettbewerbsvorteil in der KI-Ära liegt nicht in den Algorithmen, sondern in den eigenen Daten. „It knows the internet. It doesn't know your enterprise" – so lautete die Kurzform.

Ehrlich gesagt: Damals war das eine zwar durchdachte aber strategische Wette. Es gab gute Argumente aber noch zu wenig harte Zahlen. Jetzt liegen sie auf dem Tisch. Und sie sind deutlicher, als ich es selbst erwartet hätte.

Die Analyse: Das Frontier-Plateau

Zwei Veröffentlichungen der letzten Wochen verdienen Aufmerksamkeit.

Fall 1: Bridgewater Associates. Einer der größten Hedgefonds der Welt wollte eine scheinbar banale Aufgabe automatisieren: Finanznachrichten nach Relevanz filtern. Für erfahrene Investoren trivial. Für Frontier-Modelle offenbar nicht: GPT, Claude und Gemini erreichten mit einfachen Prompts rund 50 Prozent Genauigkeit – ein Münzwurf. Nach intensivem Prompt-Engineering: knapp 78 Prozent. Mehr ging nicht, egal wie viel man optimierte oder wie neu das Modell war.

Dann trainierte Bridgewater ein Open-Source-Modell mit Labels der eigenen Experten. Ergebnis: 84,7 Prozent Genauigkeit, rund 30 Prozent weniger Fehler als das beste Frontier-Modell – bei einem Vierzehntel der Inferenzkosten.

Fall 2: Shopify E-Commerce-Katalogpflege. Ein Team baute einen digitalen Zwilling eines Marktplatz-Workflows – Produktkategorisierung, Markenprüfung, Policy-Entscheidungen – und ließ ein kleines 9-Milliarden-Parameter-Modell darin per Reinforcement Learning üben. Trainingskosten: etwa 500 Dollar GPU-Zeit, dreieinhalb Tage. Das Ergebnis schlug jede getestete Frontier-Konfiguration um gut zehn Punkte – bei Kosten von 0,50 Dollar pro 1.000 Entscheidungen statt 34 Dollar. Bei Shopify-artigem Volumen ist das der Unterschied zwischen 7 Millionen und 500 Millionen Dollar pro Jahr.

Das interessanteste Detail steckt aber woanders: Die fünf getesteten Frontier-Modelle landeten – trotz optimierter Prompts – alle innerhalb eines Zehntelpunkts beieinander. Es gibt offenbar ein Plateau, das kein noch so teures Allzweckmodell durchbricht. Die Daten deuten darauf hin, dass dieses Plateau kein Intelligenzproblem ist, sondern ein Kontextproblem: das Modell kennt das Internet, es kennt nicht Ihre Organisation.

Das Paradoxon: Die Prompt-Steuer

Warum scheitern die klügsten Modelle der Welt an Aufgaben, die für einen Sachbearbeiter Routine sind?

Weil ein Frontier-Modell jede Episode bei null beginnt. Es kennt weder die Taxonomie des Shops noch die Konventionen des Investment-Teams noch die stillen Ermessensentscheidungen, die ich im März „quiet judgment calls" genannt habe. Alles, was es über das Unternehmen wissen soll, muss bei jedem einzelnen Aufruf in den Prompt gestopft werden. Es wäre so, als ob der Sachbearbeiter jedes Mal seinen Job neu erlernen müsste, wenn er eine Sache bearbeitet. Tut er ja bekanntlich nicht: er hat seinen Kontext und sein Wissen sofort abrufbereit.

Dafür etabliert sich gerade der Begriff Prompt-Tax – Prompt-Steuer: Wer sein Unternehmenswissen per Prompt injiziert, mietet es zurück – Token für Token, Aufruf für Aufruf, für immer. Im E-Commerce-Fall verteuerten die optimierten Instruktionen jeden API-Call um 28 bis 55 Prozent. Und das Perfide: Die Steuer kauft nur das Wissen, das sich explizit aufschreiben lässt. Die Corner Cases, die den Unterschied machen, kann kein Prompt der Welt aufzählen.

Das Gegenteil einer Prompt-Steuer ist Intelligence Ownership – Intelligenzbesitz: Das Unternehmenswissen lebt nicht im Prompt, sondern in den eigenen Weights. Es wird nicht pro Aufruf zurückgemietet, sondern gehört einem – wie eine Immobilie statt einer Mietwohnung.

Gemietete Intelligenz zahlt man pro Aufruf.
Eigene Intelligenz zahlt man einmal – und sie wohnt danach in den Weights.

Das ist exakt die asymmetrische Wertschöpfung, vor der ich im Frühjahr gewarnt habe – nur dass sie jetzt eine Rechnung hat.

Die unbequeme Konsequenz

Für die Big-Tech-Anbieter ist die Prompt-Steuer kein Bug, sondern das Geschäftsmodell. Jede Organisation, die ihr institutionelles Wissen dauerhaft durch fremde APIs schleust, finanziert die Skalierung derer, von denen sie abhängig ist. Wie teuer das werden kann, zeigt Uber: Das Unternehmen soll sein jährliches Engineering-Budget für KI-APIs binnen vier Monaten verbraucht haben – vertokenisiert, könnte man sagen.

Für europäische Unternehmen ergibt sich daraus etwas Bemerkenswertes: Der souveräne Weg ist nicht mehr nur der compliant-ere (Stichwort EU AI Act, Data Governance by Design), sondern nachweislich der bessere und billigere. Digitale Souveränität war lange ein Werte-Argument. Jetzt ist es ein Business Case.

Was bedeutet das für uns? Drei Wege, kein Patentrezept

Wichtig ist die intellektuelle Ehrlichkeit: Fine-Tuning ist kein Universalwerkzeug. Die Erfolgsfälle teilen zwei Eigenschaften – hohe Frequenz und verifizierbare Ergebnisse. Eine Aufgabe, die tausendfach täglich läuft und deren Resultat sich objektiv prüfen lässt, ist ein Kandidat. Eine seltene, nur diskutierbare Entscheidung ist es nicht.

Daraus ergeben sich drei realistische Pfade:

Option 1: Frontier mieten – bewusst und befristet. Für Prototypen und seltene, kreative Aufgaben bleibt das Frontier-Modell das richtige Werkzeug. Der Trick: Jeden Aufruf als Datensammlung begreifen. Inputs, Entscheidungen, Korrekturen loggen – das ist später das Trainingsmaterial des eigenen Spezialisten. Risiko: Wer hier stehen bleibt, zahlt die Prompt-Steuer unbefristet.

Option 2: Der Managed-Weg à la Mistral Forge. Für Organisationen ohne eigene ML-Teams schließt sich hier der Kreis zu meinem März-Artikel: Fine-Tuning in kontrollierter Umgebung, Weights im eigenen Besitz, EU-AI-Act-kompatibel. Der Trade-off: weniger Lernkurve im Haus, dafür schnellerer Einstieg.

Option 3: Der Eigenbau mit Open Source und RL. Der Bridgewater/Shopify-Weg. Anspruchsvoll – man braucht saubere Expert-Labels oder eine „Digital Twin"-Umgebung mit Scoring – aber die Einstiegshürde ist dramatisch gefallen: 500 Dollar GPU-Zeit sind kein CFO-Gespräch mehr, sondern eine Spesenabrechnung. Der eigentliche Engpass ist nicht Compute, sondern Expertenzeit für Datenqualität. Bridgewaters wichtigste Erkenntnis war nicht das Trainingsrezept, sondern dass billige Nicht-Experten-Labels wertlos waren.

In der Praxis wird es ohnehin hybrid ablaufen: Das Frontier-Modell orchestriert und der eigene Spezialist entscheidet – je nachdem, wo Intelligence Ownership gerade den größten Hebel hat. Oder ein eigenes Router-LLM übernimmt das Verteilen. Kein Entweder-oder, sondern Arbeitsteilung, weil "It's the process, stupid!" (ja, ich muss das immer wiederholen 😉)

Aber: It's also the data, stupid!

Der rote Faden durch beide Studien ist derselbe wie im März – nur schärfer: Die Modelle sind austauschbar geworden. Qwen heute, ein besseres Basismodell morgen; das Rezept transferiert. Was nicht transferiert, was niemand kaufen oder prompten kann, sind die gelabelten Urteile Ihrer Experten, Ihre Taxonomien, Ihre Gewichtungen und Ihre Reinforcement-Learning-Mechanismen. Das ist das institutionelle Gedächtnis, das ist Intelligence Ownership und es wird gerade von der Achillesferse zum größten Kapital.

Eine mögliche Konsequenz, wenn sich dieser Trend fortsetzt: In fünf Jahren fragt niemand mehr „Welches Modell nutzt ihr?", sondern „Wem gehört eure Intelligenz?"

Womit wir bei der eigentlichen strategischen Frage wären:

Welche Entscheidungen in Ihrem Unternehmen sind es wert, gemietet zu werden – und für welche zahlen Sie gerade eine unbefristete Prompt-Steuer auf Ihr eigenes Wissen?

Live long and prosper 😉🖖