Der DAC-Blog

Ich habe diese Woche den Beitrag „Marketers, The Free Token Lunch Is Over. Is Your Stack Ready?“ von Jon Morra auf AdExchanger gelesen und muss seither immer wieder daran denken. Er hat einer Diskussion, die in unserem Geschäft mittlerweile fast täglich geführt wird, einen treffenden Namen gegeben: Die wahren wirtschaftlichen Aspekte von KI schlagen endlich auf der Rechnung auf. Sein Argument ist naheliegend. Die Gewohnheit, jede Aufgabe an das jeweils grösste verfügbare Modell zu schicken, konnte eine unternehmensweite Nutzung unmöglich überstehen. Für Marketingverantwortliche sollte das eher klärend als alarmierend wirken. Es zwingt uns dazu, zu verstehen, was wir eigentlich einkaufen, und bessere Entscheidungen darüber zu treffen, wo diese Systeme echte Hilfe bieten. Meine Sichtweise speist sich aus dem Schnittpunkt von Technologie, Analytics und Agenturbetrieb. Ich sehe, wie sich die wirtschaftliche Realität in der täglichen Marketingarbeit niederschlägt, wo Qualität, Geschwindigkeit, Risiko und Marge aufeinandertreffen. Vor diesem Hintergrund werden sich jene Unternehmen durchsetzen, die Urteilsvermögen auf Task-Ebene entwickeln. Budgetziele allein verraten uns sehr wenig. Leistungsumfang, Qualität und Kosten müssen zur jeweiligen Arbeit passen. Die widersprüchlichen Botschaften bei der KI-Einführung Die meisten Unternehmen senden gleichzeitig zwei Botschaften aus. Die erste lautet: Jeder sollte jeden Tag und für alles KI nutzen. Die zweite lautet: Bitte hört auf, Token zu verschwenden. Beide Aussagen sind vernünftig, aber nebeneinander wirken sie oft verwirrend. Teams benötigen genügend Kontext, um sie miteinander zu vereinbaren. Eine einfache Klassifizierungsaufgabe oder ein erster Entwurf lassen sich problemlos auf einem schlanken Modell ausführen. Arbeiten, die komplexes Reasoning, tiefes Domänenwissen oder eine extrem niedrige Fehlertoleranz erfordern, rechtfertigen leistungsfähigere und teurere Systeme. Der schwierige Teil besteht darin zu wissen, in welcher Situation man sich gerade befindet. Reasoning-Modelle können erhebliche interne Token verbrauchen, bevor sie ein sichtbares Ergebnis liefern, und dieser Verbrauch kann je nach Modell und Einstellungen stark variieren. Sobald Menschen diesen Kompromiss verstehen, treffen sie in der Regel bessere Entscheidungen. Sie können abwägen, wann ein stärkeres Modell eine spürbare Verbesserung bringt und wann es einfach nur Kosten verursacht. Wer die Verbrauchskosten als Finanzgeheimnis hütet oder sie erst dann offenlegt, wenn eine Rechnung für Überraschung sorgt, vorenthält den Teams die Informationen, die sie benötigen. Transparenz fördert Akzeptanz und Effizienz gleichermassen. Wir kennen diesen Film bereits Der Übergang von grosszügigen Flatrate-Zugängen zu einem transparenten Verbrauchsmodell war absehbar. Die frühe Preisgestaltung senkte die Hürden für Experimente, was dem Markt zu schnellem Wachstum verhalf. Im grossen Massstab benötigen Anbieter und Unternehmenskunden jedoch eine engere Kopplung zwischen Nutzung und Kosten. Wer schon etwas länger dabei ist, dem kommt dieses Gefühl bekannt vor. Viele von uns erinnern sich daran, wie wir Handyminuten zählten und vor dem Anruf-Button warteten, bis es 18:01 Uhr war (wer es weiss, der weiss es). Das Preismodell hat uns darauf trainiert, Sendezeit als knappes Gut zu betrachten. Wettbewerb, Kapazitäten und eine bessere Wirtschaftlichkeit liessen diese Sorge schliesslich für die Meisten verschwinden. Die KI-Rechenleistung könnte einen ähnlichen Bogen spannen. Wir befinden uns nach wie vor in der Phase des „Minutenzählens“, und Budgets werden kalt erwischt, wenn Teams so tun, als wäre das nicht so. Die Stückkosten mögen weiter sinken, aber die Nutzung steigt oft schneller als der Preis eines Tokens fällt. Mehr Anwendungsfälle, längere Kontexte, zusätzliches Reasoning, erneute Versuche und agentenbasierte Workflows können diese Einsparungen mühelos aufzehren. Morras nützlichster Punkt ist die Idee der Cost-of-Pass: die erwarteten Kosten für die Erzielung einer akzeptablen Antwort. Der Preis pro Token ist dabei nur ein Faktor. Eine sinnvolle Berechnung schliesst auch Wiederholungen, Latenzzeiten, menschliche Prüfungen und die Kosten eines Fehlschlags mit ein. Durch diesen Rahmen wird das Model-Routing zu einer operativen Disziplin mit direkten Auswirkungen auf Qualität, Marge und Risiko. Das Gespräch über Preis und Wert ist zurück Hier schlägt das Thema für Agenturen und Wissensarbeit im Allgemeinen am stärksten zu Buche. KI-gestützte Arbeit kann menschliche Arbeitsstunden reduzieren, und Kunden sollten erwarten, an echten Effizienzgewinnen beteiligt zu werden. Gleichzeitig können diese Stunden nun tiefere Analysen, eine breitere Abdeckung, schnellere Iterationen und Arbeiten beinhalten, die vor einigen Jahren zu einem vernünftigen Preis noch undenkbar gewesen wären. Die Arbeitsstunden sinken; was in sie hineinpasst, ist jedoch umfassender. Auch die Kostenbasis verändert sich. Hinter einem KI-gestützten Ergebnis stehen Rechenleistung, Tools, Orchestrierung, Governance, Evaluierung und die für eine verantwortungsvolle Steuerung erforderlichen Senior-Talente. Diese Kosten steigen nicht gleichmässig, und menschliche Expertise wird in vielen Mandaten der grösste Kostenfaktor bleiben. Dennoch ist „Das Modell hat es erledigt“ ein unzureichender Massstab für die Arbeitskosten und den Wert des Ergebnisses. Ein gesünderes geschäftliches Gespräch beginnt bei Ergebnissen, Servicelevels und Risiken. Wir sollten bereit sein aufzuzeigen, wo KI den Aufwand verringert und wo sie neue Kosten verursacht hat. Kunden können den daraus resultierenden Leistungsumfang und das Ergebnis dann bewerten, ohne Arbeitsstunden als einziges Kürzel für den Wert zu verwenden. Wenn alle Beteiligten auf dasselbe ehrliche Zahlenwerk blicken, hört dies auf, eine Gebührenverhandlung zu sein, und wird zu einem gemeinsamen Erfolg. Ich glaube, eine Renaissance des lokalen Computings steht bevor Hier ist die steile Thesenformulierung, die mich am meisten interessiert. Lokales und privates Computing wird in den KI-Stacks von Unternehmen wieder einen bedeutenden Platz einnehmen. Open-Weight-Modelle verbessern sich rasant, und die Software zu ihrer Ausführung auf Apple Silicon und anderer zugänglicher Hardware ist ausgereift. Ein kleiner Stack von Mac Minis (oder deren Äquivalent) in einem Büro oder Rechenzentrum kann mittlerweile rund um die Uhr arbeiten – eine Art digitales Support-Team, das Daten und die operative Kontrolle näher am Unternehmen hält. Der Anschaffungspreis ist nur ein Posten in dieser Rechnung. Ein glaubwürdiges Break-Even-Modell berücksichtigt zudem Auslastung, Strom, Support, Sicherheit, Modellwartung, Zuverlässigkeit und die Kosten für ungenutzte Kapazitäten. Stabile interne Workloads sind dafür die besten Kandidaten, insbesondere wenn Datenschutz wichtig ist und die geforderte Qualität genau verstanden wird. Spunghafte Nachfrage, sich schnell ändernde Anforderungen oder Probleme, die die stärksten verfügbaren Modelle erfordern, profitieren weiterhin von Cloud-Diensten. Eine hohe, gleichmässige Auslastung verändert die Rechnung. Für interne Analysen, Entwürfe, Klassifizierungen und das tägliche Bindeglied der Wissensarbeit wird der Besitz eigener Kapazitäten wettbewerbsfähig gegenüber dem Mieten jedes einzelnen Tokens. Ich erwarte, dass viele Unternehmen bei einem Hybrid-Stack ankommen: lokale oder private Modelle für repetitive Arbeiten, ergänzt durch Frontier-APIs, wenn eine Aufgabe wirklich davon profitiert. Dadurch wird die Modellauswahl zu einer strategischen Fähigkeit. Teams müssen wissen, wie viel Intelligenz eine Aufgabe erfordert, wie sie ein gutes Ergebnis messen und wo die Arbeit ausgeführt werden soll. Die Antworten variieren je nach Workload – genau deshalb wird eine Strategie mit nur einem einzigen Modell immer schwerer zu verteidigen sein. Wie eine ausgereifte Einführung aussieht Nichts davon dämpft meine Begeisterung für KI. Es führt vielmehr dazu, dass ich mir wünsche, Unternehmen würden die Einführung mit derselben Ernsthaftigkeit angehen wie jede andere operative Fähigkeit. Teams benötigen Einblick in die Nutzung, verlässliche Evaluierungen, vernünftige Routing-Regeln und die Erlaubnis, ein kleineres Tool zu wählen, wenn es das richtige Tool für den Job ist. Die nächste Phase wird uns mehr abverlangen als nur Begeisterung. Wir müssen die Rechnung verstehen, um sie herum planen und entscheiden, wo teure Intelligenz ihren Wert auch tatsächlich rechtfertigt. Die kostenlose Mahlzeit war nett, solange sie dauerte. Genau zu wissen, wofür wir bezahlen und was es wert ist, bedeutet für mich Fortschritt.