Der Einsatz von Künstlicher Intelligenz entwickelt sich zunehmend vom Pilotprojekt zum strategischen Wettbewerbsfaktor. Entsprechend steigt der Druck auf Unternehmen, KI-Anwendungen produktiv einzusetzen. Viele Unternehmen setzen dabei zunächst auf Cloud-basierte KI-Dienste. Die eigentlichen KI-Kosten entstehen dabei häufig nicht in der Infrastruktur selbst, sondern in der Vorbereitung, Integration und dem späteren Betrieb der Lösungen. Welche Kostenfallen Unternehmen im Blick behalten sollten, zeigt die aktuelle Enterprise AI Infrastructure Survey von Cloudian.
Kostenfalle #1: Datenaufbereitung wird zum größten Kostentreiber
Die größte Kostenfalle bei der Einführung von KI liegt in der Aufbereitung und Integration von Daten. So sehen es 45 Prozent der für die Studie Befragten. KI-Systeme benötigen große Mengen strukturierter, qualitativ hochwertiger Daten. Diese liegen in Unternehmen jedoch häufig verteilt, unvollständig oder in unterschiedlichen Formaten vor. Dadurch entsteht ein hoher Aufwand, denn die Daten müssen die Mitarbeitenden der IT für die KI-Nutzung aufbereiten, standardisieren, teilweise anreichern und kennzeichnen. Auch die technische Anbindung des KI-Systems an bestehende ERP-, CRM- oder Produktionsplattformen kostet viel Zeit und damit Geld. Besonders kostentreibend ist, dass Unternehmen Probleme bei der Datenqualität oft erst während der Umsetzung erkennen. Zusätzliche Anforderungen an Datenschutz, Informationssicherheit oder die Anbindung weiterer Datenquellen erhöhen den Integrationsaufwand häufig zusätzlich und treiben damit auch die Projektkosten.
Kostenfalle #2: Spezialisten fehlen – und treiben die Personalkosten
Für 34 Prozent der Befragten sind die hohen Kosten für spezialisiertes KI-Fachpersonal eine zentrale Herausforderung, die kaum ein Unternehmen initial bedenkt. Die Einführung von KI erfordert Kompetenzen, die in klassischen IT-Abteilungen häufig nur begrenzt vorhanden sind. Selbst wenn Fachkenntnisse vorhanden sind, kommen die neuen Aufgaben zu den bisherigen hinzu. In der Regel benötigen Unternehmen daher Data Scientists, Machine-Learning-Engineers, MLOps-Spezialisten oder KI-Architekten. Deren Verfügbarkeit am Markt ist jedoch stark begrenzt, wodurch überdurchschnittliche Gehälter und steigende Rekrutierungskosten entstehen. Auch Ausgaben für Weiterbildung, Zertifizierungen sowie externe Berater oder Implementierungspartner berücksichtigt kaum ein Unternehmen zu Beginn seines KI-Fahrplans. Zudem steigen Personalkosten besonders in der Skalierungsphase, da neben der Entwicklung auch Betrieb, Monitoring, Governance und kontinuierliche Optimierung anstehen.
