Wie das WunderKInd erwachsen wird

Für den kosteneffizienten Einsatz von KI braucht es mehr als die Technologie selbst. Fünf Mythen, bei denen Finanzdienstleister aufhorchen sollten. [...]

Der Siegeszug der KI: Von Marketing bis Marktforschung, Big-Data-Analyse bis Betrugsprävention integrieren Finanzdienstleister künstliche Intelligenz in ihre Geschäftsprozesse. In der Regel arbeiten sie dabei mit den marktbeherrschenden Public-Cloud-Anbietern zusammen. Aber auch mittelständische Private-Cloud-Dienstleister versprechen große Schnelligkeit, Effizienz und Skalierbarkeit sowie innovative Tools und Services. Der Haken: Auch die Nutzung von externen KI-Dienstleistern verbraucht Ressourcen. Durch das höhere Abstraktionsniveau im Cloud-Betrieb tappen die Institute dabei nicht selten in die Kostenfalle. Was sind die fünf größten Mythen aus dem Bereich KI und Kosteneffizienz? Und wie vermeidet die Branche böse Überraschungen? Mehr dazu finden Sie auch im aktuellen KPMG-Whitepaper „Die Kosten von KI kennen“.

Eine der wichtigsten Komponenten im Betrieb von Cloud-Instanzen ist das Kostenmanagement. Die Kosten nicht nur übergreifend, sondern auch verursachergerecht und in Echtzeit auszuwerten, ist der Schlüssel zu einer effizienten Cloud – und somit zu effizienter Nutzung von KI. FinOps (Financial Operations) ist die Disziplin zur Maximierung der Wertschöpfung in der Cloud. Ihr Ziel ist es, den jeweiligen Cloud-Workload so an Infrastruktur, Bedürfnisse und Geschäftsmodelle eines Unternehmens anzupassen, dass die Ressource KI maximal effizient genutzt wird. Dazu müssen Institute ihre eigenen Systeme bis ins Detail kennen – und mit den Mythen aufräumen, die KI in der Cloud betreffen.

Mythos 1: „Die Kosten-Nutzen-Analyse zum Einsatz von KI ist immer positiv.“

KI ist nicht immer das Mittel der Wahl. Um die Technologie erfolgreich und vor allem gewinnbringend zu implementieren, müssen komplexe Voraussetzungen erfüllt sein. Diese reichen von kompetenten Mitarbeitern über die technischen Voraussetzungen bis zur notwendigen Datenqualität. Erfüllen einige dieser Bereiche nicht die erforderlichen Standards, können die Investitionskosten rapide steigen. Daher sollten Unternehmen präzise analysieren, in welchen Geschäftsbereichen sie mit KI wirklichen Mehrwert erwirtschaften können, welche Investitionen dafür notwendig sind uns ab wann sich das Modell rechnet.

Mythos 2: „Die technischen Möglichkeiten der verschiedenen KIs sind das entscheidende Auswahlkriterium.“

Je besser die KI, desto besser die Perfomance? Theoretisch ja, doch auch diese Rechnung geht nicht immer auf. Denn je leistungsstärker ein Modell ist, desto mehr Kosten verursacht es in der Regel auch – nicht nur beim Cloud-Anbieter, sondern zum Beispiel auch durch Wartung oder Personalaufwand. Neben einer zweckmäßigen „Motorisierung“, welche genau die PS auf die Straße bringt, die ein bestimmtes Institut benötigt, können Faktoren wie Open Source, Benutzerfreundlichkeit, Kompatibilität und Zukunftsperspektiven den Ausschlag geben.

Mythos 3: „Das KI-Training läuft wie von selbst – ohne zusätzliche Kosten.“

Die meisten KI-Modelle sind bereits mit Stammdaten versorgt, müssen aber für den individuellen Anwendungsfall trainiert werden. Und Training bedeutet nicht, dass es mit einmal uploaden getan ist. Um das perfekte System aufzusetzen, bedarf es einer kontinuierlichen Datenpflege, -aufbereitung und -einspeisung. Neben leistungsstarker Hardware sind etwa Trainingsmonitoring, das Entwerfen von Business Cases und die Definition von Genauigkeit maßgeblich. Bei letzterer lautet der Grundsatz: Die letzten 20 Prozent kosten meist 80 Prozent des Aufwands. Wer das nicht berücksichtigt, kann das geplante Budget für die KI-Anwendung schnell sprengen und so die Kosten-Nutzen-Rechnung ins Negative ziehen.

Mythos 4: „Nach der technischen Einführung steht dem erfolgreichen Einsatz von KI nichts mehr im Wege.“

Die technische Implementierung neuer KI-Modelle und -Anwendungen ist ein wichtiger Schritt – aber nicht der einzige. Denn das Ziel der Technologie ist Wertschöpfung. Um diese in der Zukunft zu gewährleisten, müssen die Systeme kontinuierlich auf Kosteneffizienz kontrolliert werden. Diese Aufgabe übernehmen spezialisierte FinOps-Teams, die ihrerseits fortlaufend Ressourcen binden: personell, zeitlich und finanziell. Nicht weniger wichtig: der Faktor Mensch. Die richtigen Trainings- und Fortbildungsmaßnahmen im Umgang mit KI sind hier nur eine Seite der Medaille. Genauso entscheidend ist es, die Belegschaft beim Transformationsprozess abzuholen, indem durch offene Kommunikation und Integration Berührungsängste abgebaut werden. Nur so erscheint KI in den Augen aller Stakeholder als das, was sie ist: eine hocheffiziente Technologie, die Menschen die Arbeit erleichtert. Nicht eine Maschine, die Jobs bedroht.

Mythos 5: „Mit der Cloud als Basis ist die KI-Einführung ein Kinderspiel.“

Das Potential von Cloud und KI ist riesig. Besonders Dynamik, Skalierbarkeit und die Abkehr von sperrigen, instandhaltungsintensiven On-Premise-Systemen stehen im Vordergrund. Andererseits sind beide Technologien verhältnismäßig jung; es gibt längst nicht so viel Standardisierung wie etwa bei Betriebssystemen von PCs, die sich seit den Sechzigerjahren entwickelt haben. Die Cloud-KI-Implementierung erfordert daher sorgfältige Planung, Ressourcenzuweisung und die intensive, vertrauensvolle Zusammenarbeit zwischen KI- und Cloud-Experten. Abhängig von den spezifischen Anforderungen jedes Projekts kommt es darauf an, die richtige Balance zwischen Leistung, Skalierbarkeit und Kosten zu finden.

Künstliche Intelligenz ist eine revolutionäre, enorm leistungsstarke und vielversprechende Technologie. Allerdings hat sie nicht nur das Potenzial eines echten Wunderkinds – Institute müssen auch in ihre Ausbildung investieren. Besonders wichtig ist das genau vorausgeplante Hineinwachsen des Genies KI ins Unternehmen. Denn fremdelt es erst mit dem Mutterkonzern, wird es seine Reifeprüfung kaum bestehen. Im operativen Bereich können Finanzdienstleister dann nur noch sehr schwer Nachhilfe nehmen, ohne massive Mehrkosten zu verursachen. Genau wie es Zeit braucht, bis gegenseitiges Vertrauen entsteht, ist für Finanzdienstleister die richtige Vorarbeit entscheidend: Wissensaufbau vor Planung und Umsetzung sorgt dafür, die (Betriebs-) Kosten von KI zu kennen und in die Kosten-Nutzen-Rechnung aufnehmen zu können. Kompetente, erfahrene Mitarbeiter gewährleisten die bestmögliche Performance, während ein spezialisiertes FinOps-Team über alle Anwendungsphasen hinweg die Kosteneffizienz überwacht und reguliert.