In KI investieren, ohne es später zu bereuen

Alle paar Wochen kommt ein neues Modell heraus, das schneller, günstiger oder leistungsfähiger ist als seine Vorgänger (und hin und wieder verschwindet eines still und leise wieder, weil es kurz nach der Lancierung wegen Sicherheitsbedenken zurückgezogen wurde; Namen nennen wir natürlich keine).

Funktionen, für die es vor Kurzem noch spezialisierte Teams und aufwendige Individualentwicklung brauchte, gibt es plötzlich über eine Standard-API oder als Enterprise-Produkt. Für Unternehmen, die eine ernsthafte KI-Investition prüfen, stellt sich damit eine unbequeme Frage:

Was, wenn das System, das wir heute bauen, in sechs Monaten schon veraltet ist?

Die Sorge ist berechtigt. Manche Prompts, Workarounds und Verarbeitungsschritte, die heute entstehen, werden sich als überflüssig erweisen. Anbieter werden wechseln, Modelle sich verbessern und heutige technische Grenzen verschwinden.

Das heisst aber nicht, dass Unternehmen abwarten sollten. Die bessere Frage lautet nicht, wie man ein System baut, das sich nie verändert, sondern wie man eines baut, das mit besserer Technologie an Wert gewinnt.

Eine KI-Investition, die Bestand hat, verankert den langfristigen Wert in den Teilen, die nützlich bleiben: dem Prozess, den Daten, den Geschäftsregeln, den Integrationen, dem Qualitätsrahmen und der Erfahrung aus dem Betrieb. Die schnelllebige Modellschicht bleibt austauschbar.

Zwei Wege in die Irre

Auf technologische Unsicherheit reagieren Unternehmen meist auf eine von zwei Arten. Beide sind verständlich. Beide können teuer werden.

Abwarten, bis sich die Technologie stabilisiert

Manche Unternehmen verschieben Projekte für den produktiven Einsatz, weil die nächste Modellgeneration wahrscheinlich besser sein wird. Damit haben sie fast sicher recht. Nur wird auch auf diese Generation immer eine weitere folgen.

Wer wartet, macht keine Erfahrungen mit echten Nutzerinnen und Nutzern, lässt Fragen zu Datenzugriff und Integration offen, erstellt keine repräsentativen Evaluationsfälle und baut keine Betriebskompetenz auf. Aktivere Wettbewerber sammeln unterdessen Prozesswissen, Nutzerfeedback und Betriebsdaten.

Abwarten senkt kurzfristig das technische Risiko, erhöht aber die Gefahr, als Organisation ins Hintertreffen zu geraten.

Zu viel auf die heutige Technologie setzen

Andere Unternehmen machen den umgekehrten Fehler. Sie investieren viel in ein einzelnes Modell oder einen einzelnen Anbieter, in proprietäre Funktionen, modellspezifische Anpassungen oder komplexe Workarounds für heutige Einschränkungen. Wird die Technologie besser, muss ein zu grosser Teil der Investition neu gebaut werden.

Es geht nicht nur um die Abhängigkeit von einem Anbieter. Auch wer beim selben Anbieter bleibt, kann erleben, dass mit einer neuen Modellgeneration ein grosser Teil der eigens entwickelten Lösung überflüssig wird. Das tiefer liegende Risiko besteht darin, zu viel Wert in jenem Teil des Systems zu bündeln, der sich am schnellsten verändert.

Auch frühere Experimente können künftige Entscheide verzerren. Ein gescheiterter Test kann etwas Wichtiges über den Workflow verraten oder bloss die Grenzen des damals verfügbaren Modells zeigen. Unternehmen müssen auseinanderhalten, was sie über das geschäftliche Problem gelernt haben und was über ein bestimmtes Modell.

Der bessere Weg liegt zwischen diesen beiden Extremen:

Bauen Sie jetzt etwas Wertvolles, aber halten Sie die schnelllebige Technologieschicht austauschbar.

Ein warnendes Beispiel: der Chatbot mit Fine-Tuning

Nehmen wir ein Unternehmen, das viel in das Fine-Tuning eines Kundendienst-Chatbots investiert. Als Trainingsdaten dienen frühere Gespräche, FAQs und Beispiele für erwünschte Antworten. Zu diesem Zeitpunkt kann das ein technisch vernünftiger Entscheid sein.

Anfällig wird die Investition, wenn zu viel vom Wert des Projekts in genau diesem einen Modell steckt. Werden die Allzweckmodelle besser, lässt sich manches Verhalten, für das es früher eigenes Training brauchte, unter Umständen auch anders erreichen: mit klareren Anweisungen, Beispielen zur Laufzeit, dem Abruf aus einer aktuellen Wissensdatenbank und dem Zugriff auf Kunden- oder Produktsysteme.

Hat das Projekt ausserhalb des Modells wenig geschaffen, steht das Unternehmen ohne starke Integrationen da, ohne wiederverwendbaren Evaluationsrahmen, ohne pflegbare Wissensschicht und ohne belastbaren Eskalationsprozess. Ein robusterer Ansatz hätte zuerst in diese Bausteine investiert, weil sie auch nach einem Modellwechsel nützlich bleiben.

Fine-Tuning kann nach wie vor wertvoll sein: für Fachsprache, eng umrissene Verhaltensweisen, sehr konsistente Ausgaben oder effiziente kleinere Modelle bei grossen Volumen. Die Lehre daraus lautet nicht „nie Fine-Tuning“, sondern:

Stecken Sie nicht den gesamten Geschäftswert eines Systems in eine modellspezifische Massnahme, die überflüssig werden könnte.

Die drei Schichten einer KI-Investition

Um ein KI-Projekt zu beurteilen, hilft es, die Investition in drei Schichten aufzuteilen: ein beständiges Fundament aus Prozess, Daten, Integrationen, Kriterien und Governance; eine anpassbare Mitte aus Workflows, Retrieval, Validierung und manueller Prüfung; und eine volatile Spitze aus Modellen, Anbietern und Workarounds für heutige Einschränkungen.

Das Prinzip ist einfach:

Investieren Sie viel in das Problem, den Prozess und die Integration. Investieren Sie zurückhaltend in das, was an der heutigen Technologie vorübergehend ist.

Ein robusteres Beispiel: eine KI-gestützte Audit-Plattform

Für einen grossen internationalen Versicherer haben wir eine automatisierte Audit-Plattform gebaut, die Websites und digitale Kanäle anhand definierter Marken-, Inhalts- und Nachhaltigkeitskriterien prüft. Manuelle Audits waren zwar möglich, aber langsam, schwer zu standardisieren und in grösserem Umfang teuer.

Es ging nicht bloss darum, ein Sprachmodell zu fragen, ob eine Seite konform aussieht, sondern darum, die Fähigkeit aufzubauen, Audits im laufenden Betrieb durchzuführen.

So funktioniert die Plattform

Die Plattform erfasst die relevanten Seiten und Kanäle und sichert Screenshots sowie weitere Belege. Sie ermittelt, welche Prüfungen anwendbar sind. Wo nichts zu interpretieren ist, prüft sie deterministisch; wo es eine kontextuelle oder visuelle Beurteilung braucht, setzt sie KI ein. Anschliessend fasst sie die Befunde zusammen, speichert die Belege und stellt die abgeschlossenen Audits in einer Oberfläche zur Durchsicht bereit.

Entscheidend ist diese Unterscheidung:

Das KI-Modell ist ein Baustein im Audit-System. Es ist nicht das Audit-System selbst.

Was sich ändern kann und was bleibt

Für eine zuverlässige KI-Bewertung braucht es heute unter Umständen sorgfältig ausgearbeitete Prompts, mehrere Modellaufrufe und eine modellspezifische Orchestrierung. Ein künftiges Modell deckt vielleicht mehr Kriterien auf einmal ab, versteht Text und Bild zusammen und liefert verlässlichere strukturierte Ausgaben. Teile der heutigen Umsetzung werden dadurch womöglich einfacher oder fallen weg.

Ein Fehler war die ursprüngliche Investition deshalb nicht. Auch ein zehnmal besseres Modell weiss nicht, welche Kanäle zu prüfen sind, wie man sie erfasst, welche Kriterien zählen, welche Prüfungen deterministisch sein sollten, welche Belege aufzubewahren sind oder wie man Ergebnisse strukturieren, überprüfen und im Zeitverlauf vergleichen soll.

Das Bewertungsmodell kann sich ändern. Die Fähigkeit der Organisation, skalierbare, konsistente und nachvollziehbare Audits durchzuführen, bleibt.

Der Zehnmal-besser-Test

Bevor Sie viel in eine Komponente investieren, fragen Sie sich:

Wäre die zugrunde liegende KI morgen zehnmal besser, bräuchten wir das dann noch?

Für die Audit-Plattform heisst das:

Vorübergehende Komponenten können trotzdem nötig sein. Ein System muss mit der Technologie funktionieren, die heute verfügbar ist, nicht mit einem hypothetischen Modell von morgen. Was voraussichtlich wegfällt, sollte man aber schlank, modular und austauschbar halten.

Würde in einem geplanten Projekt fast alles überflüssig, sobald sich das zugrunde liegende Modell deutlich verbessert, investiert das Unternehmen womöglich in eine vorübergehende Einschränkung statt in eine Kompetenz, die bleibt.

Wie wir bei Voviva vorgehen

Bei Voviva setzen wir beim Prozess an: welche Informationen und Belege er voraussetzt, welche Entscheide sich deterministisch treffen lassen, wo es wirklich eine Beurteilung im Kontext braucht, wie Qualität gemessen werden soll und wie das Ergebnis in den operativen Workflow gelangt. Danach gestalten wir das System so, dass sich die KI-Schicht weiterentwickeln kann, ohne das Ganze mitzureissen.

Fazit

Unternehmen müssen sich nicht zwischen Abwarten und einer riskanten langfristigen Wette auf die heutige Technologie entscheiden. Sie können jetzt investieren und trotzdem flexibel bleiben, indem sie unterscheiden, was vorübergehend ist und was Bestand hat.

Modelle werden sich ändern, und manches an Orchestrierung, Fine-Tuning und technischen Workarounds wird überflüssig werden. Doch Prozess, Integrationen, Kriterien, Belege, Governance und Betriebskompetenz können bleiben. Kommt ein besseres Modell, sollte ein gut konzipiertes System ein Upgrade erhalten, keinen Nachruf. Das ist der Unterschied zwischen einer Investition in ein KI-Modell und einer Investition in eine Kompetenz, die bleibt.