Am 9. Juni 2026 hatte ich die Gelegenheit, beim ersten Data & Analytics Forum am Campus Schwäbisch Hall der Hochschule Heilbronn über eine Frage zu sprechen, die in der aktuellen KI-Diskussion häufig zu kurz kommt:
Wer gewinnt wirtschaftlich im KI-Zeitalter und wie viel Wertschöpfung bleibt am Ende tatsächlich im Unternehmen?
Unter dem Titel „KI und Geschäftsmodelle: Wer gewinnt - und warum Architektur über Margen entscheidet“ ging es mir bewusst nicht darum, ein weiteres KI-Tool vorzustellen oder die Leistungsfähigkeit einzelner Sprachmodelle miteinander zu vergleichen.
Im Mittelpunkt stand eine grundlegendere Perspektive: Leistungsfähige KI-Modelle werden zunehmend verfügbar, austauschbar und in immer kürzeren Abständen durch neue Modelle ersetzt. Damit verschiebt sich der Wettbewerb. Nicht allein das beste Modell entscheidet über den wirtschaftlichen Erfolg, sondern die Frage, wie Daten, Prozesse, Anwendungen und KI-Modelle architektonisch miteinander verbunden werden.
Das Data & Analytics Forum als Verbindung von Hochschule und Unternehmenspraxis
Das erste Data & Analytics Forum brachte unterschiedliche Perspektiven auf eine gemeinsame Bühne. Das Programm reichte von Datenprodukten und der SAP Business Data Cloud über Power BI und IBCS-Storytelling bis hin zu ganzheitlichem Performance Management.
Gerade diese Kombination machte die Veranstaltung besonders interessant. Denn sie zeigte, dass Künstliche Intelligenz nicht isoliert betrachtet werden kann. KI beginnt nicht beim Chatbot und endet nicht bei einem generierten Text. Sie setzt auf Datenmodellen, Datenqualität, organisatorischen Prozessen, analytischen Methoden und einer belastbaren technischen Infrastruktur auf.
Die verschiedenen Beiträge griffen damit unterschiedliche Abschnitte derselben Wertschöpfungskette auf:
- Wie werden Daten strukturiert und als Produkt nutzbar gemacht?
- Wie lassen sich Erkenntnisse verständlich visualisieren?
- Wie werden Analytics und Planung in Unternehmensprozesse integriert?
- Und wie entstehen daraus skalierbare KI-basierte Geschäftsmodelle?
Leistungsfähige Modelle sind noch kein Geschäftsmodell
Die Entwicklung der KI schreitet mit hoher Geschwindigkeit voran. Modelle werden leistungsfähiger, Entwicklungszyklen kürzer und die Unterschiede zwischen offenen und geschlossenen Modellen teilweise innerhalb weniger Monate aufgeholt.
Für Unternehmen ist das zunächst eine gute Nachricht. Leistungsfähige KI wird günstiger und leichter zugänglich. Gleichzeitig entsteht daraus aber ein strategisches Problem: Was nahezu jedes Unternehmen über dieselben Schnittstellen einkaufen kann, schafft allein noch keinen nachhaltigen Wettbewerbsvorteil.
Ein Sprachmodell, das Texte generiert, Dokumente zusammenfasst oder Fragen beantwortet, ist zunächst eine technologische Komponente. Ein Geschäftsmodell entsteht erst, wenn diese Fähigkeit mit unternehmenseigenen Daten, spezifischem Prozesswissen, einer konkreten Kundenschnittstelle und messbarem wirtschaftlichem Nutzen verbunden wird.
Der Wettbewerbsvorteil liegt deshalb zunehmend nicht mehr im Modell selbst, sondern in der Architektur um das Modell herum.
Zwischen Daten und Wert liegt keine Magie
Viele KI-Projekte folgen gedanklich einem stark vereinfachten Modell: Daten hinein, KI dazwischen, Wertschöpfung heraus.
In Präsentationen sieht dieser Weg häufig geradlinig aus. Die Daten sind vorhanden, ein KI-Modell wird angeschlossen und kurz darauf entstehen automatisierte Prozesse, bessere Entscheidungen oder neue Produkte. Die betriebliche Realität ist wesentlich komplexer:
Bevor ein Modell produktiv eingesetzt werden kann, müssen Daten ausgewählt, beschafft, bereinigt, normalisiert und technisch zusammengeführt werden. Anschließend folgen Modellwahl, Training, Evaluierung und Optimierung. Danach beginnt der häufig unterschätzte Teil: Registrierung, Bereitstellung, Überwachung und kontinuierliche Weiterentwicklung.
Über den gesamten Prozess hinweg müssen zudem rechtliche, ethische und sicherheitsbezogene Anforderungen berücksichtigt werden. Wer nur den sichtbaren KI-Service betrachtet, unterschätzt den größten Teil der tatsächlichen Arbeit und häufig auch den größten Teil der Kosten.
Von rückblickender Analyse zu aktivem Handeln
Auch bei den Geschäftsmodellen lohnt sich eine differenzierte Betrachtung. Unternehmen verfügen bereits seit vielen Jahren über analytische Systeme. Diese Systeme lassen sich nach ihrer Zielrichtung und ihrem Reifegrad unterscheiden.
Deskriptive Analysen erklären, was passiert ist. Diagnostische Analysen untersuchen, warum etwas passiert ist. Prädiktive Verfahren versuchen vorherzusagen, was künftig passieren wird. Präskriptive Systeme empfehlen konkrete Maßnahmen. Generative KI erzeugt schließlich neue Inhalte, Lösungen oder Handlungsoptionen.
Mit jeder Stufe steigen der potenzielle Nutzen, aber auch die technische und organisatorische Komplexität.
Nicht jedes Unternehmen muss unmittelbar mit generativer KI beginnen. In vielen Fällen entstehen durch bessere Prognosen, automatisierte Betrugserkennung, Kundenabwanderungsanalysen, Routenoptimierung oder Predictive Maintenance schneller messbare wirtschaftliche Effekte.
Warum Architektur über Margen entscheidet
Besonders schnell lässt sich eine KI-Anwendung aufbauen, indem ein externes Modell über eine Programmierschnittstelle eingebunden und mit einer eigenen Benutzeroberfläche versehen wird. Für Prototypen und erste Tests ist dieser Ansatz sinnvoll. Aus einem schnellen Prototyp entsteht jedoch nicht automatisch ein profitables und skalierbares Produkt.
Wer die wesentlichen KI-Fähigkeiten lediglich einkauft, mietet einen großen Teil seiner Wertschöpfungskette. Die Kosten hängen dann von Aufrufen, Datenmengen, Tokenverbrauch und Preisentscheidungen des Anbieters ab. Gleichzeitig können sich Nutzungsbedingungen, verfügbare Modelle, Datenschutzregeln oder technische Schnittstellen verändern.
Das Unternehmen trägt weiterhin die Verantwortung gegenüber seinen Kunden, hat aber nur eingeschränkte Kontrolle über zentrale Komponenten des Produkts. Genau an dieser Stelle entscheidet Architektur über Margen.
Eine modulare Architektur ermöglicht es, Modelle auszutauschen, unterschiedliche Modelle je nach Aufgabe einzusetzen und kleinere oder lokale Modelle für standardisierte Prozesse zu verwenden. Dadurch lassen sich Qualität, Geschwindigkeit und Kosten gezielt steuern.
Eigene Datenprodukte, wiederverwendbare Services und standardisierte Schnittstellen sorgen außerdem dafür, dass nicht jeder neue Anwendungsfall erneut bei null beginnt. Aus einzelnen KI-Projekten entsteht eine unternehmensweite Fähigkeit.
Der wirtschaftliche Unterschied ist erheblich:
- Eine isolierte KI-Anwendung erzeugt laufende Nutzungskosten.
- Eine wiederverwendbare KI-Architektur schafft Skaleneffekte.
- Ein vollständig gemieteter Technologie-Stack schwächt die Verhandlungsmacht.
- Eine modellunabhängige Architektur erhält strategische Handlungsfähigkeit.
Datenkontrolle, Nachvollziehbarkeit und Modellunabhängigkeit
Aus der Präsentation lassen sich drei zentrale Architekturprinzipien ableiten.
Kontrolle über die Daten
Unternehmen müssen nachvollziehen können, welche Informationen an ein Modell übertragen werden, wo diese Daten verarbeitet werden und wie lange sie gespeichert bleiben.
Datenkontrolle bedeutet nicht zwangsläufig, jedes Modell selbst zu betreiben. Sie bedeutet jedoch, bewusste und überprüfbare Entscheidungen über Datenflüsse, Aufbewahrung, Zugriffsrechte und zulässige Einsatzbereiche zu treffen.
Souveränität ist damit kein nachträglich zuschaltbares Produktmerkmal. Sie entsteht durch Architektur.
Produktionsreife durch Nachvollziehbarkeit
In einer Demonstration genügt es häufig, dass eine KI-Anwendung ein überzeugendes Ergebnis liefert. Im produktiven Unternehmensbetrieb muss zusätzlich nachvollziehbar sein, wie dieses Ergebnis entstanden ist. Dazu gehören unter anderem:
- vollständige Inference-Logs,
- versionierte Modelle und Prompts,
- dokumentierte Datenquellen,
- reproduzierbare Verarbeitungsschritte,
- definierte Freigabe- und Kontrollmechanismen.
Was nicht prüfbar ist, ist langfristig nicht unternehmensfähig.
Infrastruktur statt dauerhafter Abhängigkeit
Unternehmen sollten KI nicht ausschließlich als einzelnen externen Service betrachten. Sie benötigen eine eigene logische Infrastrukturschicht, über die unterschiedliche Modelle und Anbieter eingebunden werden können.
Damit bleiben Modellwahl und Anbieterwechsel möglich. Gleichzeitig können Kosten, Sicherheitsanforderungen und Leistungsmerkmale je nach Anwendungsfall gesteuert werden.
KI wird so von einem eingekauften Werkzeug zu einer kontrollierbaren Unternehmensfähigkeit.
Verbote funktionieren nicht - Steuerung ist die Lösung
Viele Organisationen reagieren auf die Risiken neuer KI-Werkzeuge zunächst mit Einschränkungen oder Verboten. Gleichzeitig setzen Mitarbeitende längst frei verfügbare Tools ein, um Texte zu erstellen, Dokumente auszuwerten, Code zu generieren oder Analysen durchzuführen.
Damit entsteht eine Schatten-KI, die außerhalb der vorgesehenen Systeme und Kontrollmechanismen betrieben wird. Pauschale Verbote lösen dieses Problem nicht. Sie verschieben die Nutzung lediglich in weniger sichtbare Bereiche. Notwendig sind stattdessen klare Leitplanken:
- freigegebene Werkzeuge und Modelle,
- verständliche Datenklassifikationen,
- automatisierte Sicherheits- und Compliance-Prüfungen,
- transparente Protokollierung,
- definierte Verantwortlichkeiten,
- menschliche Kontrolle bei kritischen Entscheidungen.
Governance darf dabei nicht erst am Ende eines Projekts ergänzt werden. Sie muss Bestandteil der Architektur sein.
Mein Fazit zum ersten Data & Analytics Forum
Das Data & Analytics Forum hat deutlich gemacht, wie eng Datenmanagement, Business Intelligence, Performance Management und Künstliche Intelligenz inzwischen miteinander verbunden sind.
Daten müssen als nutzbare Produkte bereitgestellt werden. Analysen benötigen belastbare Datenmodelle. Erkenntnisse müssen verständlich kommuniziert werden. Prozesse und Verantwortlichkeiten müssen zur Technologie passen. Erst dann kann KI einen nachhaltigen wirtschaftlichen Beitrag leisten.
Für mich lässt sich der Vortrag auf drei Aussagen verdichten:
- Ein KI-Modell ist austauschbar - ein tief integrierter Geschäftsprozess ist es nicht.
- Was nicht nachvollziehbar und kontrollierbar ist, lässt sich nicht verantwortungsvoll skalieren.
- Die Architektur entscheidet darüber, wie viel Wertschöpfung, Wissen und Marge im Unternehmen verbleibt.
Die Gewinner des KI-Zeitalters werden deshalb nicht zwangsläufig die Unternehmen mit dem größten Modell oder dem höchsten Technologie-Budget sein. Gewinnen werden diejenigen, die ihre eigenen Daten, ihre Prozesse, ihr Fachwissen und ihre Kundenschnittstellen in eine belastbare Architektur übersetzen.
Slides
- Slides in Dropbox.com
KI und Geschäftsmodelle - Wer gewinnt - und warum Architektur über Margen entscheidet (11 Downloads)
Teile diesen Artikel:
