Die Gesamtkosten von KI: Was Führungskräfte im Engineering vor dem Kauf fragen sollten

Der Inhalt dieser Seite wurde automatisch von einem Drittanbieter übersetzt.

In meiner Rolle als Leiter der Global Alliances bei Aras verbringe ich viel Zeit im Austausch mit Partnern und Kunden, die sich derzeit alle mit derselben Frage beschäftigen. Jeder hat schon eine beeindruckende KI-Demo gesehen. Weitaus weniger Menschen können mir sagen, was sechs Monate nach dieser Demo passiert, wenn aus dem Pilotprojekt eine Lösung werden muss, die für Tausende von Anwendern, mit jahrelang gewachsenen Engineering-Daten und einem realen Budget funktioniert.

Die Lücke zwischen dem, was KI in einer Demo zeigen kann, und dem, was tatsächlich erforderlich ist, um sie im Unternehmen zu betreiben, wird die nächste Phase der Bewertung von Enterprise-KI prägen. Genau diese Lücke hat auch unser eigenes Denken bei Aras beeinflusst, einschließlich unseres Ansatzes für KI innerhalb von Aras InnovatorEdge, auf den ich später in diesem Beitrag zurückkommen werde.

In den vergangenen Jahren wurde die Diskussion in der Branche vor allem von den Fähigkeiten der KI bestimmt: Assistenten, die Informationen finden, Dokumente zusammenfassen, nächste Schritte empfehlen, Inhalte erstellen und Menschen Routineaufgaben abnehmen. Diese Demonstrationen sind tatsächlich beeindruckend, und das Produktivitätspotenzial ist real. Aber die Fähigkeiten selbst waren nie der schwierigste Teil. Die eigentliche Herausforderung besteht darin, diese Fähigkeiten zuverlässig, sicher und wirtschaftlich im gesamten Unternehmen einzusetzen. Und genau das kann eine fünfzehnminütige Demo schlicht nicht zeigen.

Eine Demo zeigt die Fassade, nicht das Fundament

Ich betrachte das inzwischen ähnlich wie die Besichtigung einer Reihe neu gebauter Häuser. Von der Straße aus können zehn Häuser nahezu identisch aussehen, mit derselben Wohnfläche, vergleichbarer Ausstattung und derselben äußeren Attraktivität. Was man von außen nicht sieht, ist die Qualität des Fundaments, was sich hinter den Wänden verbirgt oder ob die Elektroinstallation den Vorschriften entspricht. Niemand würde ein Haus auf diese Weise kaufen. Und zunehmend sagen uns unsere Kunden, dass sie auch KI nicht auf diese Weise kaufen möchten.

Eine überzeugende Benutzeroberfläche verrät Ihnen nicht, ob das zugrunde liegende System tatsächlich versteht, wie Ihre Engineering-Daten Anforderungen mit Konstruktionen, Konstruktionen mit Änderungen, Änderungen mit Lieferanten und der Servicehistorie verbinden. Sie sagt nichts darüber aus, ob Benutzerberechtigungen durchgängig erhalten bleiben, ob eine Antwort zu ihrer Quelle zurückverfolgt werden kann oder ob dieselbe Erfahrung, die in einer Demo hervorragend funktioniert hat, auch einer Produktionsumgebung mit realer Komplexität standhält. Die Aspekte von Enterprise-KI, die langfristig am wichtigsten sind, Architektur, Datengrundlage, Governance und Wirtschaftlichkeit, sind fast nie diejenigen, mit denen ein Anbieter seine Präsentation beginnt.

Fragen Sie, wo die Intelligenz tatsächlich ausgeführt wird

Eine der nützlichsten Fragen, die ein Käufer stellen kann, ist erstaunlich einfach: Wo läuft das eigentlich?

Einige KI-Funktionen sind nativ in die Plattform integriert. Andere sind auf externe Modelle, Cloud-Services, Vektordatenbanken oder Partnertechnologien angewiesen, die im Hintergrund miteinander verbunden sind. Keiner dieser Ansätze ist grundsätzlich falsch. Eine verteilte Architektur kann einem Unternehmen ermöglichen, für die jeweilige Aufgabe das passende Modell auszuwählen. Kunden verdienen jedoch eine klare Antwort darauf, welche Komponenten wo ausgeführt werden, denn diese Architekturentscheidung beeinflusst im Hintergrund Sicherheitsrisiken, den Schutz geistigen Eigentums, die Performance, die Verantwortlichkeit für den Support und letztlich die Kosten.

Ein Assistent kann wie ein nativer Bestandteil Ihrer PLM-Umgebung wirken, während er tatsächlich mehrere externe Services nutzt, die jeweils eigene Lizenzmodelle, nutzungsabhängige Kosten und Sicherheitsanforderungen mitbringen. Das ist ein vernünftiges Konzept, wenn Sie von Anfang an darüber informiert sind. Es ist eine unangenehme Überraschung, wenn Sie es erst bei der Vertragsverlängerung erfahren. Fordern Sie Ihre Anbieter deshalb zu klaren Antworten auf: Was bleibt innerhalb der Kernplattform, was verlässt sie, wo werden die Modelle tatsächlich ausgeführt, welche Daten überschreiten dabei eine Sicherheitsgrenze und wer ist für den Support der einzelnen Komponenten verantwortlich? Das sind keine technischen Randnotizen. Sie bestimmen das tatsächliche Risiko- und Kostenprofil der Investition.

Zeitersparnis ist nicht dasselbe wie Kostenersparnis

Fast jeder Business Case für KI, den ich sehe, beginnt mit einer Geschichte über Zeitersparnis: Ein Ingenieur findet Informationen innerhalb von Minuten statt Stunden, ein Qualitätsprüfer kann mehr Datensätze bearbeiten, ohne jede einzelne Datei öffnen zu müssen, oder ein Servicetechniker erhält bereits vor Beginn eines Gesprächs eine Zusammenfassung der Produkthistorie. Das sind reale Vorteile. Sie bilden jedoch nur die Hälfte der Rechnung ab.

Um den tatsächlichen wirtschaftlichen Nutzen zu bestimmen, müssen Sie die Kosten berücksichtigen, die überhaupt erst erforderlich sind, um diese Produktivitätssteigerung zu ermöglichen: neue Nutzungsrechte, Cloud-Verbrauch, Modellnutzung, Speicher, Integrationsaufwand, Datenaufbereitung, Monitoring, Sicherheit sowie professionelle Dienstleistungen und Schulungen für die Einführung. Wenn eine Aufgabe 30 Prozent schneller erledigt wird, bedeutet das nicht automatisch einen geschäftlichen Nutzen von 30 Prozent. Ein Teil der eingesparten Zeit fließt wieder in die Überprüfung der von der KI erzeugten Ergebnisse. Und ein Pilotprojekt, das zunächst günstig erschien, kann ganz anders aussehen, sobald es unternehmensweit eingesetzt wird und die Nutzung entsprechend skaliert.

Genau diese Diskussion bringen CFOs zunehmend auf den Tisch: Senkt diese KI tatsächlich die Kosten der Arbeit, oder fügt sie lediglich eine weitere operative Ebene hinzu, deren Kosten sich unauffällig auf Software, Infrastruktur, Integration und Governance verteilen?

Achten Sie auf versteckte Kosten für Ihre eigenen Daten

Enterprise-KI basiert auf Unternehmensdaten. Im Engineering und in der Fertigung stehen diese Daten für jahrzehntelange Investitionen: Produktstrukturen, Anforderungen, Konfigurationen, Zeichnungen, Simulationsergebnisse, Lieferantendaten, Qualitätsbefunde, Compliance-Nachweise und Servicehistorien. Diese Informationen gehören dem Kunden, ohne Wenn und Aber, selbst wenn sie innerhalb der Anwendung oder Cloud eines Anbieters gespeichert sind.

Je stärker KI in Unternehmenssoftware integriert wird, desto berechtigter ist eine direkte Frage der Kunden: Müssen wir dafür bezahlen, über eine KI-Ebene auf unsere eigenen Informationen zuzugreifen? Es gibt einen echten und berechtigterweise kostenpflichtigen Mehrwert darin, diese Daten sicher bereitzustellen, Berechtigungen zu erhalten, Services zu orchestrieren und die Rückverfolgbarkeit sicherzustellen. Anbieter sollten für diese Arbeit bezahlt werden. Das Geschäftsmodell muss jedoch klar zwischen wertschöpfenden KI-Funktionen und dem grundlegenden Zugriff auf Daten unterscheiden, die Kunden bereits besitzen und für deren Verwaltung sie bereits bezahlt haben. Fragen Sie konkret, ob neue Kosten durch kontrollierte APIs, Modellnutzung, Infrastruktur, vorkonfigurierte Agenten, Orchestrierung, Datentransformation oder Implementierung entstehen und nicht einfach unter einem unspezifischen Posten „KI“ zusammengefasst werden.

Viele der Führungskräfte, mit denen ich spreche, haben dieses Muster schon einmal erlebt: Ein umfassendes Plattformversprechen wird nach und nach in einen Stapel aus Zusatzmodulen, Konnektoren, unterschiedlichen Tarifstufen und Gebühren aufgeteilt. Es ist nur vernünftig, die Preisgestaltung für KI jetzt mit derselben Aufmerksamkeit zu betrachten.

Ein einzelner KI-Anbieter ist noch keine KI-Strategie

Es ist unwahrscheinlich, dass ein einziges Modell für jeden Anwendungsfall eines Unternehmens die richtige Lösung ist. Ein Modell, das für die Zusammenfassung von Dokumenten optimiert wurde, kann für technische Analysen ungeeignet sein. Ein öffentliches Modell erfüllt möglicherweise nicht die Anforderungen eines regulierten Programms oder eines Verteidigungsprogramms. Ein hoch spezialisiertes Modell kann hervorragende Ergebnisse liefern, für Routineaufgaben aber überdimensioniert und zu teuer sein.

Unternehmen werden KI-Services weiterhin anhand der jeweiligen Aufgabe auswählen: Datensensibilität, erforderliche Genauigkeit, Bereitstellungsumgebung, Latenz, Erklärbarkeit und Kosten. Deshalb sollte Ihre KI-Strategie nicht von einem einzigen Anbieter oder Modell abhängen. Modelle werden sich weiterhin schnell entwickeln, Preise werden sich verändern und heutige Alleinstellungsmerkmale werden irgendwann zum Standard. Die nachhaltige Investition ist nicht ein bestimmtes Modell, sondern das Fundament darum herum: kontrollierte Daten, Berechtigungen, Geschäftsregeln, APIs, Rückverfolgbarkeit und Orchestrierung. Wenn Sie kein neues Modell einsetzen können, ohne die digitale Umgebung neu aufzubauen, die ihm den notwendigen Kontext liefert, haben Sie den Vendor Lock-in nicht reduziert. Sie haben ihn lediglich verlagert.

Von einer KI-Funktion zu einem KI-Betriebsmodell

Eine überzeugende Demo beweist, dass eine KI-Funktion technisch möglich ist. Sie beweist nicht, dass diese Fähigkeit in einem realen Unternehmen sicher operationalisiert werden kann.

KI operativ einzusetzen bedeutet, schwierigere Fragen zu beantworten: Wer trägt die Verantwortung, wenn eine Empfehlung falsch ist? Welche Aktionen darf ein Agent autonom ausführen und welche erfordern die Freigabe durch einen Menschen? Wie werden Prompts und Modelle aktualisiert, und wie werden diese Änderungen getestet, bevor sie produktive Prozesse beeinflussen? Gerade in Engineering-Umgebungen sind das keine abstrakten Governance-Fragen. Produktentscheidungen, die durch KI getroffen oder beeinflusst werden, können Auswirkungen auf Qualität, Sicherheit, Compliance, Kosten und langfristige Serviceverpflichtungen haben. Deshalb muss KI mehr leisten, als eine plausibel klingende Antwort zu erzeugen. Sie muss innerhalb derselben Kontrollen arbeiten, die bereits die zugrunde liegenden Prozesse steuern, und dabei Berechtigungen, Konfigurationskontext, Lebenszyklusstatus und eine klare Dokumentation der Informationen bewahren, die zum Ergebnis geführt haben.

Wie ich einem Kunden empfehlen würde, die Qualität von KI zu bewerten

Beginnen Sie mit der Datengrundlage. Arbeitet die KI mit kontrollierten, vernetzten Unternehmensinformationen, oder durchsucht sie lediglich voneinander getrennte Dokumente nach ähnlich klingenden Textstellen? Versteht sie, wie Datensätze miteinander zusammenhängen, oder findet sie lediglich Übereinstimmungen?

Betrachten Sie anschließend die Architektur. Ein Anbieter sollte Ihnen klar sagen können, wohin Ihre Daten gelangen, wie sie verarbeitet werden, welche Modelle beteiligt sind und was passiert, wenn sich einer dieser externen Services ändert oder ausfällt.

Governance ist ebenso wichtig. KI sollte Ihre bestehenden Berechtigungen übernehmen, rückverfolgbare Ergebnisse erzeugen und es Menschen ermöglichen, folgenreiche Entscheidungen zu prüfen, zu genehmigen, zu korrigieren oder rückgängig zu machen. Sie sollte keinen Schattenprozess schaffen, der die Kontrollen umgeht, denen Sie bereits vertrauen.

Und schließlich: Verlangen Sie Belege, nicht nur Selbstvertrauen. Wie wurde die Funktion tatsächlich auf Genauigkeit, Halluzinationen, Latenz, Sicherheit und Skalierbarkeit getestet? Wird sie heute bereits in realen Produktionsszenarien eingesetzt, und konnte sie nachweislich Zykluszeiten verkürzen, die Qualität verbessern oder Risiken reduzieren? Eine gute KI-Lösung beweist ihren Wert durch Architektur, Governance und wiederholbare Ergebnisse, nicht durch eine überzeugend inszenierte Präsentation.

Wo Aras in dieser Diskussion steht

Bei Aras gehen wir davon aus, dass wirksame KI für das Engineering mit vertrauenswürdigem Produktkontext beginnen muss und nicht mit einem Chatbot, der einfach auf ein PLM-System aufgesetzt wird. Der Wert Ihrer Produktinformationen lag nie allein in den einzelnen Datensätzen. Er liegt in den Beziehungen zwischen Anforderungen, Strukturen, Konfigurationen, Konstruktionen, Änderungen, Lieferanten, Qualitätsereignissen, Fertigungsentscheidungen, Compliance-Verpflichtungen und der Servicehistorie. Dieser vernetzte Kontext bildet den Digital Thread. Unser Ziel ist es, KI innerhalb dieses Digital Threads arbeiten zu lassen, ohne dabei Berechtigungen, Lebenszyklus-Kontrollen und Rückverfolgbarkeit zu lockern, auf die Engineering-Unternehmen angewiesen sind.

Diese Überlegungen stehen hinter Aras InnovatorEdge. Edge API bietet Partnern und Kunden eine kontrollierte Möglichkeit, Informationen und Aktionen aus dem Digital Thread bereitzustellen. Edge Builder unterstützt die Entwicklung gezielter Anwendungen für bestimmte Rollen und Aufgaben. Edge AI soll die Grundlage dafür bilden, KI-Agenten zu entwickeln, zu orchestrieren und zu steuern, die direkt mit Aras Innovator® arbeiten. Nicht jede KI-Funktion muss innerhalb der Kernplattform ausgeführt werden. Unternehmen sollten die Freiheit haben, je nach ihren eigenen technischen, sicherheitsbezogenen und wirtschaftlichen Anforderungen unterschiedliche Modelle und Services einzubinden. Konstant bleiben muss jedoch das kontrollierte Fundament darunter: ein maßgeblicher Produktdatensatz, ein einheitliches Berechtigungssystem und eine rückverfolgbare Historie anstelle eines Flickenteppichs aus voneinander getrennten KI-Experimenten.

Ich sage es auch ganz offen: Keiner von uns, weder Anbieter noch Kunden, hat bereits vollständig ermittelt, wo KI den größten Mehrwert schafft oder wie ihre Einführung letztlich aussehen sollte. Genau deshalb arbeitet Aras so eng mit unseren Partnern und Kunden zusammen, um herauszufinden, wo KI einen realen, praktischen Nutzen schafft, was erforderlich ist, um sie verantwortungsvoll einzusetzen und zu steuern, und wie sie sich in die bereits laufende Engineering-Arbeit einfügt.

Die Demos werden immer beeindruckender werden. Mit KI erfolgreich sein werden jedoch diejenigen Unternehmen, die gleichzeitig dafür sorgen, dass auch das Fundament darunter stärker wird, und die die schwierigen Fragen stellen, bevor sie unterschreiben, nicht erst danach.

Wenn Sie gerade Enterprise-KI für Ihre Engineering-Organisation evaluieren und sich darüber austauschen möchten, worauf Sie achten sollten, freue ich mich auf das Gespräch. Genau dabei unterstützen mein Team und ich unsere Kunden und Partner. Vernetzen Sie sich mit mir auf LinkedIn oder schreiben Sie mir unten in den Kommentaren.