Kontext prägt die Wirtschaftlichkeit von KI

Sie stellen neue Fragen, beispielsweise zur Wirtschaftlichkeit und zum Wert ihrer Daten. Token-Nutzung, Infrastrukturauslastung und Kosten für die Aufrechterhaltung des Kontexts entscheiden zunehmend darüber, ob KI-Initiativen einen nachhaltigen geschäftlichen Mehrwert liefern.

Heutzutage sind die Unternehmen, die den größten Mehrwert aus KI schöpfen, möglicherweise nicht diejenigen, die die größten Modelle betreiben. Es sind vielmehr diejenigen mit dem fundiertesten betrieblichen Wissen und der Fähigkeit, dieses zur Verfügung zu stellen – und zwar genau zu dem Zeitpunkt und an dem Ort, an dem es benötigt wird. Denn ein besserer Kontext bedeutet oft, dass weniger Aufwand erforderlich ist, um zu einer hilfreichen Antwort zu gelangen. Es gibt weniger Fehlstarts und weniger redundante Rechenleistung, sodass KI-Systeme effizienter zu brauchbaren Ergebnissen gelangen können.

OpenAI argumentiert, dass KI-Investitionen anhand der Geschäftsergebnisse und nicht allein anhand des Token-Verbrauchs bewertet werden sollten. Diese Perspektive deutet auf eine andere Betrachtungsweise hin: Der Zusammenhang ist zunehmend ausschlaggebend für diese Ergebnisse. Das heißt: Je mehr relevanter Kontext einem KI-System zur Verfügung steht, desto weniger Arbeit muss es leisten, um sein Ziel zu erreichen.

Ob es sich nun um einen Mitarbeiter im Kundensupport oder einen Programmierassistenten handelt: Ein begrenzter Kontext bedeutet oft mehr Abrufzyklen und Argumentationsschleifen. Dies resultiert letztlich in einem höheren Verbrauch an Token, bevor ein Ergebnis erzielt wird, das sich verwenden lässt. Ein umfassender Kontext unterstützt KI dabei, dasselbe Ergebnis effizienter zu erreichen. Das Ergebnis ist eine bessere Leistung sowie Wirtschaftlichkeit.

Diese wirtschaftliche Perspektive rückt die Art und Weise, wie Daten genutzt werden, stärker in den Fokus. Viele der wertvollsten KI-Anwendungen sind auf den Zugriff auf Kontextinformationen angewiesen. Während traditionelle Analysesysteme darauf ausgelegt waren, bekannte Fragen zu beantworten, verwenden KI-Systeme Daten, Wissen und bereits geleistete Arbeit über Workflows, Teams und zukünftige Anwendungen hinweg wieder. Das Ergebnis: Gespeichertes Wissen schafft weiterhin einen Wert, auch nachdem der ursprüngliche Zweck erfüllt ist. 

Bedeutung von gespeichertem Wissen wächst

In der Vergangenheit war ein Großteil der gesammelten Daten an eine bestimmte Aufgabe gebunden. So halfen Support-Tickets bei der Lösung von Kundenproblemen, technische Dokumente unterstützten bereits laufende Projekte und Berichte beantworteten unmittelbare geschäftliche Fragen. Sobald diese Anforderungen erfüllt waren, wurde dem langfristigen Wert dieser Daten deutlich weniger Aufmerksamkeit geschenkt.

Diese Logik trifft auf KI-Systeme nicht ganz zu. Wissen, das für einen bestimmten Zweck entwickelt wurde, kann in völlig anderen Kontexten  wertvoll werden. Ein Beispiel: Ein Designdokument wurde verfasst, um eine technische Entscheidung in einem Projekt zu begründen. Später kann es einem anderen Team helfen, Kompromisse zu verstehen, Fehler zu vermeiden oder damit verbundene Arbeiten zu beschleunigen. Was als Projektdokumentation begann, wird somit zum institutionellen Gedächtnis. Die ursprüngliche Aufgabe ist möglicherweise gar nicht die wertvollste Verwendung der Daten – künftige Anwendungen könnten einen größeren Mehrwert daraus ziehen.

Welche Daten aufbewahrt werden sollen

Unternehmen müssen daher nicht nur überdenken, welche Daten gespeichert werden sollen. Sie müssen außerdem entscheiden, welches Wissen, welche Historie und welcher Kontext für zukünftige Mitarbeiter, Anwendungen und KI-Systeme verfügbar bleiben sollten.

Denn nach wie vor beeinflussen Speicherkosten, Governance- und regulatorische Anforderungen, was aufbewahrt, archiviert oder verworfen werden sollte. KI verändert diese Entscheidungen, da der Wert von Daten kontinuierlich wächst. Bislang wurden Entscheidungen zur Speicherinfrastruktur in erster Linie anhand von Kosten, Compliance oder unmittelbarem Geschäftsnutzen getroffen. Jetzt müssen sie auch künftige, noch unbekannte Nutzungsmöglichkeiten berücksichtigen.

Die meisten Unternehmensdaten erstrecken sich bereits über Multi-Cloud-, On-Premise- und Edge-Umgebungen. Aufgrund der Datengravitation ist die Verlagerung dieser Informationen oft unpraktisch oder unwirtschaftlich. Dies ist ein Grund dafür, dass hybride Bereitstellungsmodelle für viele Unternehmen, die KI einsetzen, zur Norm geworden sind.

Die Verwaltung von Daten über hybride Umgebungen hinweg birgt jedoch auch eine Herausforderung: die Entscheidung, welche Daten aufbewahrt und wo sie gespeichert werden. Hier stoßen viele Unternehmen auf eine wachsende Kluft zwischen dem Wert ihrer Daten und der Art und Weise, wie sie Entscheidungen zur Aufbewahrung treffen. Unternehmen betrachten Daten oft nur als Kostenfaktor. KI  verwandelt sie jedoch in einen Vermögenswert für zukünftige Anwendungen und Geschäftschancen.

Ein skalierbares, langlebiges System zur Datenspeicherung ist daher heute wichtiger denn je. Unternehmen benötigen Datenarchitekturen, die das institutionelle Wissen, die betriebliche Entwicklung und KI-generierte Informationen dokumentieren. Für viele bedeutet dies, hybride Ansätze zu verfolgen, bei denen Daten dort verbleiben, wo Governance, Performance, Souveränität oder wirtschaftliche Erwägungen es erfordern. Gleichzeitig müssen diese Informationen dennoch für KI-Systeme verfügbar sein.

Die Wirtschaftlichkeit von Festplatten

KI-Agenten agieren immer autonomer. Sie generieren daher nicht nur mehr Zusammenhänge, sondern benötigen auch weitaus mehr Kontext als herkömmliche Anwendungen. In diesem Umfeld kann jede Interaktion, jeder Arbeitsablauf, jede Entscheidung und jedes Ergebnis Teil des wachsenden Bestands an wiederverwendbarem Wissen eines Unternehmens werden.

IDC prognostizierte, dass sich die jährliche Datengenerierung zwischen 2025 und 2030 mehr als verdreifachen wird – von 218 Zettabyte im Jahr 2025 auf über 718 Zettabyte bis 2030. Agenten-basierte KI wird dabei als eine wachsende Quelle maschinengenerierter Daten identifiziert.

Selbst wenn Unternehmen nur einen Bruchteil dieser Informationen langfristig speichern, sind dies insgesamt schnell enorme Datenmengen. Die Herausforderung besteht daher nicht mehr nur darin, Daten einfach zu sammeln. Unternehmen müssen entscheiden, welches Wissen erhalten bleiben soll – und vor allem auch sicherstellen, dass es zur richtigen Zeit und am richtigen Ort zugänglich ist. Da Organisationen immer größere Mengen an Kontextinformationen für Mitarbeiter, Anwendungen und KI-Systeme aufbewahren, ist es zunehmend wichtig, dass die Speicherung der Informationen wirtschaftlich bleibt.

Über die Kostensenkung hinaus ist die Wirtschaftlichkeit von Datenspeichern die Basis, um Wissen aufzubewahren und den Zugriff darauf zu gewährleisten – und zwar in dem Umfang, den KI-Systeme erfordern. Objektspeicherarchitekturen, die moderne Cloud-Plattformen unterstützen, wurden unter Berücksichtigung dieser Realität entwickelt. Sie kombinieren Software für das Datenmanagement mit einer Speicherinfrastruktur, die in der Lage ist, Daten in großem Umfang dauerhaft zu speichern. Dieser architektonische Ansatz ermöglicht es Unternehmen, Wissen über Mitarbeiter, Anwendungen und KI-Systeme hinweg zu bewahren und wiederzuverwenden.

Der Wert von Daten endet nicht mehr mit dem Abschluss der ursprünglichen Aufgabe. Informationen, die weiterhin zugänglich bleiben, können zur Beantwortung künftiger Fragestellungen ebenso beitragen wie auch Arbeitsabläufe verbessern. KI-Systeme sind auf gesammeltes Wissen und Kontext angewiesen, um zu lernen. Daher können die Daten, die Unternehmen aufbewahren, genauso wichtig werden wie die Informationen und Inhalte, die sie erstellen. Nur wenn festgelegt wird, welche Informationen in Zukunft von Bedeutung sein werden – und sichergestellt ist, dass sie zugänglich bleiben – können sie weiterhin einen Mehrwert schaffen. Informationen, auf die sich nicht mehr zugreifen lässt, haben dazu keine Chance.