Raus aus dem KI-Lock-in: Unternehmen sollten jetzt auf Vendor-Unabhängigkeit setzen

Für Romano Roth, Group Chief AI Officer bei Zühlke, ist es jetzt entscheidend, sich nicht von bestimmten KI-Modellen abhängig zu machen. Es gilt, für jeden Use Case das Modell und den Anbieter zu wählen, die dafür am besten geeignet sind – und nicht immer ist die leistungsfähigste Lösung auch die wirtschaftlich und strategisch sinnvollste. Nur so lassen sich Kostenkontrolle, Transparenz, technologische Austauschbarkeit, langfristige Skalierbarkeit und damit letztlich auch die eigene Souveränität wirklich sicherstellen.

Foto: Zühlke

OpenAI, Anthropic, xAI – und morgen vielleicht ein Anbieter, der heute noch in den Startlöchern steht: Der Markt für generative KI verändert sich derzeit rasant. Beinahe im Wochentakt erscheinen neue Modelle, Preise verändern sich, und Leistungsunterschiede werden kleiner. Bei dieser Entwicklung ergibt sich für Unternehmen eine wichtige Konsequenz: Wer seine KI-Strategie fest an einen einzelnen Anbieter koppelt, geht ein unnötiges Risiko ein.

KI-Kosten machen Abhängigkeiten sichtbar

Besonders deutlich wird das beim Blick auf die Kosten. Mit zunehmender KI-Nutzung in Unternehmen geht es längst nicht mehr nur um ein paar Chatbot-Lizenzen. Wenn Large Language Models (LLM) in Entwicklungsprozesse, interne Anwendungen oder automatisierte Workflows integriert sind, kann der Tokenverbrauch schnell zu einem großen Kostentreiber werden.

Dabei unterscheiden sich die Anbieter teilweise um ein Vielfaches. In einem internen Test hat Zühlke ein alternatives Modell parallel zu seinem bisherigen Standard eingesetzt: Die Qualität der Ergebnisse lag nur etwa zehn Prozent unter dem bisherigen Spitzenmodell, bei rund zehnmal niedrigeren Kosten pro Token. In vielen Anwendungsfällen lässt sich der Unterschied durch sorgfältiges Prompting ausgleichen. Ein leistungsfähigeres Modell ist deshalb nicht automatisch für jeden Anwendungsfall auch die wirtschaftlich bessere Wahl. Für viele Aufgaben reicht ein kleines oder günstigeres Modell vollkommen aus, bei anderen stehen Qualität, Geschwindigkeit oder besondere Fähigkeiten im Vordergrund. Unternehmen brauchen daher die Freiheit, für jeden Use Case das passende Modell zu wählen – und diese Entscheidung bei Bedarf wieder zu ändern.

Eine Abstraktionsschicht zwischen Unternehmen und KI-Anbieter

In einem Unternehmen entstehen Anfragen an Sprachmodelle an vielen Stellen: im internen Chatbot, im Coding-Assistenten der Entwickler, in automatisierten Workflows. Ein AI Gateway bündelt sie. Jede Anfrage geht an das Gateway, und das Gateway entscheidet, welches Modell sie beantwortet.

Das hat zwei Folgen. Erstens wird das Modell austauschbar. Welches Modell eine Anfrage bekommt, steht in der Konfiguration und nicht im Code der aufrufenden Stelle. Kommerzielle Modelle lassen sich dabei genauso anbinden wie Modelle, die im eigenen Rechenzentrum oder lokal auf dem Rechner der Entwickler laufen. Ein Wechsel wird zur Konfigurationsänderung statt zum Umbau. Zweitens wird der Verbrauch sichtbar. Weil jede Anfrage durch dieselbe Schicht geht, ist nachvollziehbar, welches Modell für welches Projekt und welches Team genutzt wird und wie viele Tokens dabei anfallen. Damit lassen sich KI-Kosten dorthin buchen, wo sie entstehen.

Nicht jedes Unternehmen braucht sofort ein eigenes AI Gateway. Für Betriebe, die gerade erst in das Thema einsteigen, reichen oft drei einfache Prinzipien: Erstens den Tokenverbrauch von Anfang an messen, statt erst zu reagieren, wenn die erste große Rechnung kommt. Zweitens bei neuen Anwendungsfällen bewusst prüfen, ob das teuerste verfügbare Modell wirklich nötig ist, oder ob ein günstigeres für den konkreten Zweck ausreicht. Drittens vertragliche Bindungen an einen einzelnen Anbieter vermeiden oder zumindest zeitlich befristen, damit ein Wechsel nicht an Kündigungsfristen oder Migrationsaufwand scheitert. Wer diese drei Punkte früh berücksichtigt, kann später deutlich einfacher nachrüsten, sobald das Volumen wächst.

Vendor-Unabhängigkeit ist auch eine Frage der Souveränität

Die Wahlfreiheit zwischen Modellen ist aber nicht nur eine Kostenfrage – sie betrifft auch die Datensouveränität. Nicht jede Anfrage sollte zwangsläufig über dasselbe Modell und dieselbe Infrastruktur laufen. Je nach Daten und Anwendungsfall kann es notwendig sein, Informationen ausschließlich in europäischen oder österreichischen Rechenzentren oder innerhalb der eigenen Infrastruktur zu verarbeiten. Vendor-Unabhängigkeit bedeutet in diesem Sinne nicht, grundsätzlich auf große KI-Anbieter zur verzichten, sondern dass Unternehmen in der Lage sind, sich die Entscheidungsfreiheit zu bewahren.

Aktuell kann niemand seriös vorhersagen, welche Modelle und Anbieter sich langfristig durchsetzen werden. Auch lässt sich nicht abschätzen, wie sich deren Preismodelle entwickeln. Unternehmen sollten ihre KI-Infrastruktur so aufstellen, dass sie jederzeit Modelle wechseln können, ohne ihre gesamte Architektur neu bauen zu müssen. Wer KI langfristig skalieren möchte, sollte deshalb drei Dinge im Blick behalten: die technische Austauschbarkeit der Modelle, Transparenz über Nutzung und Kosten sowie die Kontrolle darüber, wo sensible Daten verarbeitet werden.

Gastbeitrag von Romano Roth

Der Autor ist Group Chief AI Officer bei Zühlke. Der KI- und Transformationsexperte begleitet Unternehmen dabei, Künstliche Intelligenz von einzelnen Pilotprojekten in tragfähige Geschäfts- und Betriebsmodelle zu überführen. Roth ist zudem Dozent für DevOps Leadership und agile Methoden an der Hochschule Luzern sowie Autor von „The Cybernetic Enterprise“.