Das KI-Preisproblem: Zwischen ROI-Druck und unkalkulierbaren Kosten

loading="lazy" width="400px">Das KI-Kosten-Dilemma: Kein Finanzchef interessiert sich dafür, wie viele Token verbraucht wurden, wenn die angestrebte Prozessverbesserung ausbleibt.Joyseulay – shutterstock.com



IT-Führungskräfte in Unternehmen hatten schon immer mit der Preisgestaltung von KI zu kämpfen, insbesondere mit der Notwendigkeit, ROI zu generieren. Doch möglicherweise sind klassische IT-Verantwortliche heute gar nicht mehr die richtigen Personen, um zu entscheiden, wie ein Unternehmen KI einsetzen und daraus Wert schöpfen soll. Inzwischen experimentieren viele Fachabteilungen und Geschäftspartner eigenständig mit der Technologie.



Vorausplanung unmöglich



Wenn die IT-Führung keinen klaren Plan hat, wie KI in den nächsten ein bis zwei Jahren genutzt werden soll, ist es nahezu unmöglich zu bestimmen, wie dafür bezahlt werden sollte. Die meisten lehnen das aktuelle Modell der Token-basierten Abrechnung ab. Andere Ansätze, etwa SAPs Bestreben, pro abgeschlossener KI-Aufgabe abzurechnen, sind nicht viel besser.



Um eine Analogie aus dem Vertrieb zu verwenden: Unternehmen möchten nicht viel Geld für Leads bezahlen, wenn unklar ist, ob diese überhaupt Umsatz generieren werden. Stattdessen wünschen sie sich ein Provisionsmodell, bei dem nur dann gezahlt wird, wenn ein Lead tatsächlich zu einem zahlenden Kunden wird. So wäre ein positiver ROI garantiert.



Hier endet jedoch die Analogie, denn kein KI-Anbieter würde ein solches Modell akzeptieren, da dieser Ansatz ein zu großes Risiko für ihn darstellt.



Eine Preisstruktur zu finden, die sowohl für Unternehmens-IT als auch für KI-Anbieter funktioniert, ist nahezu unmöglich, solange die IT versucht, einen ROI zu erzielen.



Vorteile schwer darstellbar



Irfan Khan, President & Chief Product Officer, SAP Data & Analytics, beschreibt die Herausforderung für beide Seiten so: „Alle versuchen derzeit, ihre Investitionen zu rechtfertigen. Allerdings entsprechen die Kosten am ersten Tag nicht zwangsläufig der Wertschöpfung“.



Das Problem liegt Khan zufolge in der zeitlichen Reihenfolge. Die Preisgestaltung müsse lange vor Projektbeginn ausgehandelt und festgelegt werden. Doch bei einer so neuen und experimentellen Technologie wie agentenbasierter KI gibt es kaum belastbare Informationen darüber, welchen Nutzen sie tatsächlich liefern wird.



Hinzu kommt, dass Generative und Agentic AI durchaus Vorteile schaffen können, die sich nur schwer in Tabellenkalkulationen darstellen lassen. Angenommen, ein CFO möchte eine deutliche Steigerung der Auftragsabwicklung sehen, führt Khan als Beispiel an. „Was aber, wenn KI die gleichen Aufträge zwar nicht in größerer Zahl bearbeitet, aber wesentlich effizienter? Welche Folgewirkungen ergeben sich aus diesen Effizienzsteigerungen?“



Justin Greis, CEO des Beratungsunternehmens Acceligence, erklärt die Diskrepanz bei der KI-Preisgestaltung aus Sicht der Marktwirtschaft:



„Der Markt versucht, KI gewaltsam in Preisstrukturen aus der Infrastruktur-Ära zu pressen. Dabei liegt KI viel näher an einer Verbesserung der Arbeitsleistung und Business Process Transformation als an reinem Rechenverbrauch“, so der Manager.



Unterschiedliche Bewertungsmodelle



Der zentrale Konflikt bestehe darin, dass Unternehmenskunden Preise nach dem erzielten Geschäftswert wünschen, während sich Anbieter am Ressourcenverbrauch und der Nutzung der Plattform orientieren. „Das sind völlig unterschiedliche ökonomische Modelle“, so Greis.



Token-basierte Preise seien für Anbieter attraktiv, weil sie messbar, skalierbar und vorhersehbar seien, erklärt der Berater. Aus Unternehmenssicht seien Token jedoch als Geschäftskennzahl nahezu bedeutungslos. Niemand auf CFO-Ebene interessiere sich dafür, wie viele Token verbraucht wurden, wenn die angestrebte Prozessverbesserung ausbleibt.



Greis argumentierte, dass es nicht nur schwierig wäre, KI-Anbieter von einer ROI-basierten Preisgestaltung zu überzeugen. Selbst wenn sie einer solchen Regelung zustimmen würden, könnten die unbeabsichtigten Folgen verheerend sein.



„KI-Anbieter können nicht unbegrenzt nachgelagerte Geschäftsrisiken übernehmen, die sie gar nicht kontrollieren“, erklärte er, „etwa schlechte interne Akzeptanz, fehlerhafte Prozesse, mangelhafte Daten, organisatorische Konflikte, schwaches Change Management oder unklare KPIs.“



Falsche Anreize für die KI



Sobald Anbieter jedoch überwiegend nach den erzielten Ergebnissen vergütet würden, schaffe man starke Anreize für ein immer autonomeres Optimierungsverhalten. „Das klingt zunächst großartig“, so Greis, „bis Unternehmen feststellen, dass KI-Systeme beginnen könnten, Kennzahlen zu optimieren, anstatt die eigentliche Absicht dahinter zu erfüllen.“



Ähnliche Entwicklungen habe man bereits bei Empfehlungssystemen, Werbealgorithmen und Engagement-Metriken gesehen, erklärt der Consultant. Systeme lernen, das messbare Ziel zu maximieren – selbst wenn die Methoden operativ riskant, ethisch fragwürdig, reputationsschädigend oder strategisch kontraproduktiv sind.



Zur Verdeutlichung führte Greis einige Beispiele an:




Eine KI, die auf Kostensenkung im Kundenservice optimiert wird, könnte berechtigte Kundenanliegen aggressiv abweisen.



Ein Modell, das für Verkaufsabschlüsse belohnt wird, könnte manipulative Botschaften bevorzugen und kurzfristige Gewinne über langfristiges Kundenvertrauen stellen.



Ein Beschaffungssystem könnte Kosten senken, gleichzeitig aber gefährliche Abhängigkeiten von wenigen Lieferanten schaffen.




„Je autonomer solche Systeme werden, desto schwieriger wird es, zwischen einem ‚erfolgreichen Ergebnis‘ und einem ‚akzeptablen Verhalten‘ zu unterscheiden“, so der Berater.



Ein möglicher Lösungsansatz



Der beste Weg, dies zu lösen, ist möglicherweise der schwierigste. Jedes KI-Projekt sollte von einem KI-Gremium geprüft werden sollte, das kritische Fragen stellt, etwa:




Was soll konkret erreicht werden?



Wie sieht das bestmögliche Ergebnis aus?



Wie lässt sich dieser Nutzen quantifizieren?



Auf welche Weise könnte das Projekt scheitern?



Welche Kosten und Störungen wären im Misserfolgsfall zu erwarten?




Dieses Gremium sollte Experten enthalten, die genau wissen, was KI-Modelle leisten können – und was nicht.



Außerdem sollte die verantwortliche Führungskraft der jeweiligen Fachabteilung an Erfolg und Misserfolg beteiligt werden, beispielsweise über Bonusregelungen. Dadurch entsteht ein echter Anreiz, Projekte realistisch zu bewerten und gründlich zu durchdenken.



Erst im Anschluss kann ein CIO sinnvoll beurteilen, welche Form der KI-Preisgestaltung fair und wirtschaftlich vertretbar ist. (mb)