Warum Unternehmen ihre Abhängigkeit von OpenAI und Anthropic überdenken

OpenAI und Anthropic wurden für viele Unternehmen zur Standardwahl, bevor die meisten herausgefunden hatten, was sie eigentlich von künstlicher Intelligenz benötigten. Teams begannen mit ein paar ChatGPT- oder Claude-Abonnements, Entwickler schlossen die Modelle an interne Anwendungen an, und experimentelle Projekte wurden schrittweise Teil des täglichen Betriebs. Die anfängliche Entscheidung schien reversibel zu sein: Ein anderes Modell konnte später immer noch eingeführt werden.

Diese Annahme wird nun auf die Probe gestellt. Da sich KI von gelegentlicher Unterstützung zu Kundenservice, Softwareentwicklung, Forschung, Dokumentenverarbeitung und operativen Arbeitsabläufen entwickelt, hat die Wahl des Anbieters weitaus größere Auswirkungen als nur auf die Ausgabequalität. Sie prägt Kosten, Datenarchitektur, interne Fähigkeiten und die Fähigkeit des Unternehmens, die Richtung zu ändern. Was als bequemer technologischer Kauf begann, kann zu einer strategischen Abhängigkeit werden.

Die Sorge ist nicht, dass OpenAI oder Anthropic plötzlich ungeeignet geworden sind. Beide bringen weiterhin einige der leistungsfähigsten Allzweckmodelle hervor, die auf dem Markt sind. Das Problem ist, dass Unternehmen oft zugelassen haben, dass sich ein Anbieter in zu viele Prozesse integriert hat, ohne festzulegen, was passieren würde, wenn sich Preise, Leistung, Vertragsbedingungen oder geschäftliche Prioritäten ändern.

KI-Kosten werden bei großem Maßstab schwerer vorherzusagen

Ein monatliches Abonnement bietet Mitarbeitern einen relativ klaren Preis. Die Wirtschaftlichkeit ändert sich, wenn ein Unternehmen beginnt, Modelle über eine Programmierschnittstelle zu nutzen, insbesondere wenn KI in Produkte oder automatisierte Arbeitsabläufe integriert wird.

Die Gebühren können von der Menge der an das Modell gesendeten Informationen, der Länge der Antwort, dem ausgewählten Modell und der Häufigkeit, mit der der Prozess ausgeführt wird, abhängen. Eine Aufgabe, die während eines Pilotprojekts kostengünstig erscheint, kann teuer werden, wenn sie Tausende Male am Tag wiederholt wird. Das Hinzufügen längerer Dokumente, detaillierterer Anweisungen oder zusätzlicher Verifizierungsschritte erhöht die Rechnung weiter.

Die Schwierigkeit beschränkt sich nicht auf den Preis einzelner Token. KI-Systeme erfordern unterstützende Infrastruktur, Monitoring, Sicherheitskontrollen, Integrationsarbeiten und menschliche Überprüfung. Unternehmen bezahlen möglicherweise auch mehrere Technologieanbieter für sich überschneidende Funktionen, ohne einen klaren Überblick darüber zu haben, welches Modell welche Aufgabe übernimmt.

Dies veranlasst Finanz- und Technologieteams, Fragen zu stellen, die während der experimentellen Phase oft fehlten: Was kostet die Bearbeitung einer Kundenanfrage? Generiert das Modell genug Wert, um seine Betriebskosten zu rechtfertigen? Würde ein kleineres Modell dieselbe Aufgabe zufriedenstellend erledigen? Wie viel menschliche Korrektur ist nach wie vor erforderlich?

Ein leistungsfähiges Modell mag zwar eine beeindruckende Antwort liefern, macht es damit aber nicht automatisch zur wirtschaftlichsten Option. Das Zusammenfassen eines Standarddokuments, das Klassifizieren einer eingehenden Anfrage und das Extrahieren eines Datums aus einer Rechnung erfordern selten dieselbe Rechenleistung wie die Analyse eines komplexen Vertrags oder das Schreiben von Produktionssoftware. Das fortschrittlichste Modell für jede Aufgabe zu verwenden, ist vergleichbar damit, den teuersten Spezialisten des Unternehmens für jede administrative Anfrage einzusetzen.

Die Abhängigkeit geht über den Vertrag hinaus

Lieferantenabhängigkeit wird manchmal als Beschaffungsproblem beschrieben: Ein Unternehmen verhandelt mit einem Anbieter und wechselt später möglicherweise zu einem anderen. Bei generativer KI ist die Beziehung komplizierter.

Prompts werden auf das Verhalten eines bestimmten Modells abgestimmt. Anwendungen werden um dessen technische Schnittstelle herum gebaut. Mitarbeiter vertraut man mit dessen Stärken und Grenzen an. Sicherheitsverfahren, Evaluierungsmethoden und Freigabe-Workflows werden für das System des Anbieters konzipiert. Sogar der Ton und die Struktur von KI-generierten Inhalten spiegeln möglicherweise schrittweise wider, wie dieses Modell reagiert.

Ein Anbieterwechsel kann daher mehr erfordern als den Austausch eines API-Schlüssels. Prompts müssen möglicherweise neu geschrieben, Ausgaben erneut getestet und Integrationen neu aufgebaut werden. Ein konkurrierendes Modell interpretiert Anweisungen möglicherweise anders, unterstützt andere Dateiformate oder erfordert einen anderen Ansatz für die Nutzung von Werkzeugen. Prozesse, die portabel schienen, können sich als überraschend spezifisch für einen Anbieter erweisen.

Das Risiko steigt, wenn KI an Unternehmenssysteme angeschlossen ist und Handlungen ausführen darf. Ein Assistent, der lediglich eine E-Mail entwirft, ist relativ leicht zu ersetzen. Ein Agent, der Kundeninformationen abruft, Datensätze aktualisiert, Berichte vorbereitet und interne Arbeitsabläufe auslöst, ist an Berechtigungen, Datenquellen und Geschäftsregeln gebunden. Die Migration eines solchen Systems wird zu einem operativen Projekt.

Dies ist ein Grund, warum Unternehmen beginnen, ihre KI-Anwendungen vom zugrunde liegenden Modell zu trennen. Anstatt jeder Abteilung zu erlauben, direkt auf einem Anbieter aufzubauen, führen sie eine Zwischenschicht ein, die Aufgaben an verschiedene Modellen weiterleiten kann. Dieser Ansatz erfordert zu Beginn mehr Disziplin, senkt aber später die Kosten für einen Anbieterwechsel.

Das beste Modell hängt von der Arbeit ab

OpenAI und Anthropic werden häufig so verglichen, als müsste sich ein Unternehmen für einen einzigen Gewinner entscheiden. In der Praxis sind ihre Modelle möglicherweise für unterschiedliche Arten von Arbeiten geeignet, während keines von beiden unbedingt für jede Aufgabe die richtige Option ist.

Ein Modell schneidet möglicherweise bei komplexen Schlussfolgerungen besser ab, ein anderes bei langen Dokumenten oder in der Programmierung. Für routinemäßige interne Prozesse kann ein kleineres kommerzielles Modell ausreichend sein. Ein offenes Modell, das innerhalb der unternehmenseigenen Infrastruktur läuft, ist möglicherweise vorzuziehen, wenn die Vertraulichkeit der Daten wichtiger ist als geringfügige Unterschiede in der Ausgabequalität.

Dies verwandelt die Modellauswahl in eine Portfolio-Entscheidung. Unternehmen können Premium-Modelle für Aufgaben reservieren, bei denen deren Fähigkeiten das Ergebnis maßgeblich verbessern, während sie repetitive, volumenintensive Arbeiten an günstigere Alternativen verweisen. Sensible Daten können innerhalb einer kontrollierten Infrastruktur verbleiben, und Teams können den Anbieter wechseln, wenn sich Leistung oder Preise ändern.

Das Modell-Router-Konzept ist außerhalb von Technologieabteilungen noch weitgehend unbekannt, aber seine Logik ist einfach. Der Mitarbeiter oder die Anwendung übermittelt eine Anfrage, ohne einen Anbieter auszuwählen. Das System klassifiziert die Aufgabe und leitet sie an das Modell weiter, das die beste Kombination aus Qualität, Geschwindigkeit, Kosten und Datenschutz bietet.

Eine kurze Übersetzung kann von einem kompakten Modell verarbeitet werden. Ein juristischer Vergleich geht vielleicht an ein stärkeres Schließungssystem. Vertrauliche Informationen können lokal verarbeitet werden. Wenn ein Anbieter nicht verfügbar ist, kann ein anderer übernehmen. Das Unternehmen verwaltet den Dienst, den es benötigt, anstatt seine Arbeit um die Produktpalette eines einzigen KI-Unternehmens herum zu organisieren.

Open-Source-Modelle werden zu glaubwürdigen Alternativen

Die Position der führenden US-amerikanischen Anbieter wird zudem durch die rasante Entwicklung offener und kostengünstigerer Modelle herausgefordert. Einige können heruntergeladen, angepasst und auf den eigenen Servern eines Unternehmens oder über einen Hosting-Anbieter der Wahl betrieben werden. Andere bieten kommerziellen Zugriff zu Preisen, die Organisationen ansprechen sollen, die über die Kosten von Spitzensystemen besorgt sind.

Offene Modelle beseitigen keine Komplexität. Ein Unternehmen benötigt möglicherweise spezielles Fachwissen, um sie bereitzustellen, abzusichern und zu warten. Die Hardwarekosten können erheblich sein, und das Modell muss dennoch bewertet werden, bevor ihm geschäftskritische Aufgaben anvertraut werden. Für eine kleinere Organisation kann die Nutzung eines verwalteten kommerziellen Dienstes einfacher und kostengünstiger bleiben.

Ihre Bedeutung liegt in der Alternative, die sie schaffen. Unternehmen müssen nicht mehr davon ausgehen, dass jede KI-Arbeitslast an einen von zwei amerikanischen Anbietern gesendet werden muss. Ein offenes Modell kann für Klassifizierung, Suche, Extraktion, Übersetzung oder den internen Wissensabruf ausreichen. Es kann auch an die Terminologie eines Unternehmens angepasst und unter strengerer Kontrolle betrieben werden.

Chinesische KI-Entwickler haben den Druck weiter erhöht, indem sie gezeigt haben, dass leistungsfähige Modelle zu deutlich geringeren Preisen angeboten werden können. Nicht jede Organisation wird sich bei deren Nutzung wohlfühlen, insbesondere wenn regulatorische Anforderungen, Datentransfers oder geopolitische Risiken eine Rolle spielen. Dennoch reicht ihr Einfluss über die direkte Annahme hinaus: Preiswertere Konkurrenz macht es für etablierte Anbieter schwieriger, hohe Preise als unvermeidlich darzustellen.

Menschliche Arbeit bleibt manchmal die wirtschaftliche Wahl

Das Streben nach Automatisierung hat Unternehmen dazu verleitet, die Kosten von KI mit dem Gehalt eines Angestellten zu vergleichen. Dieser Vergleich kann irreführend sein.

Ein automatisierter Prozess kann die Nutzung von Modellen, Softwareintegration, Überwachung, Qualitätskontrollen und Fehlerbehandlung erfordern. Wenn Fehler finanzielle, rechtliche oder reputationsbezogene Konsequenzen nach sich ziehen, muss häufig eine Person das Ergebnis überprüfen. Wenn die Aufgabe selten auftritt oder von Fall zu Fall stark variiert, können die Kosten für die Erstellung und Wartung des KI-Workflows die Einsparungen übersteigen.

Das bedeutet nicht, dass die Automatisierung gescheitert ist. Es bedeutet vielmehr, dass das Unternehmen den gesamten Prozess im Blick behalten muss und nicht nur die offensichtlichen Kosten für die Erstellung einer Antwort. KI kann die Produktivität der Mitarbeiter durchaus steigern, ohne die gesamte Aufgabe zu übernehmen. Ein Modell kann die erste Analyse erstellen, fehlende Informationen identifizieren oder eine Antwort vorschlagen, während der Mitarbeiter weiterhin für die Entscheidung verantwortlich bleibt.

Die wirtschaftlichste Arbeitsteilung ist nicht immer die vollständige Automatisierung. In einigen Fällen ist sie eine sorgfältig gestaltete Kombination aus Maschinengeschwindigkeit und menschlichem Urteilsvermögen.

Was Unternehmen vor der Ausweitung ihrer KI-Nutzung tun sollten

Der erste Schritt besteht darin, zu erfassen, wo KI bereits eingesetzt wird. Viele Organisationen unterschätzen die Anzahl an Tools, Abonnements und informellen Arbeitsabläufen, die in verschiedenen Abteilungen entstanden sind. Ohne diesen Überblick können sie weder Kosten berechnen noch das Datenrisiko einschätzen oder die Abhängigkeit von einem bestimmten Anbieter erkennen.

Jeder Anwendungsfall sollte dann separat bewertet werden. Die relevanten Fragen sind praktischer Natur: Wie wichtig ist die Aufgabe, welches Maß an Genauigkeit ist erforderlich, welche Daten sind involviert, wie häufig wird sie ausgeführt und was passiert, wenn das Modell falsch liegt? Die Antworten bestimmen, ob das Unternehmen ein Premium-Modell, eine kleinere Alternative, eine lokale Verarbeitung oder direkte menschliche Beteiligung benötigt.

Neu KI Anwendungen sollten nach Möglichkeit auf Portabilität ausgelegt sein. Prompts, Datenverbindungen und Geschäftsregeln sollten nicht in der Plattform eines Anbieters vergraben sein. Unternehmen sollten unabhängige Tests durchführen, die es ihnen ermöglichen, Modelle anhand derselben Aufgaben und erwarteten Ergebnisse zu vergleichen. Verträge sollten zudem die Datennutzung, die Dienstverfügbarkeit, Preisänderungen und die praktischen Aspekte des Wechsels zu einem anderen Anbieter regeln.

Nichts davon verlangt von Unternehmen, OpenAI oder Anthropic aufzugeben. Abhängigkeit wird dann gefährlich, wenn sie unbeabsichtigt, unzureichend verstanden und schwer rückgängig zu machen ist. Eine bewusste Beziehung zu einem führenden Anbieter kann durchaus rational sein, vorausgesetzt, das Unternehmen weiß, welche Prozesse darauf angewiesen sind, was sie kosten und welche Alternativen existieren.

Die nächste Phase der unternehmerischen KI wird sich weniger um den Zugriff auf das gefeiertste Modell drehen und mehr um Kontrolle. Unternehmen, die sich die Fähigkeit bewahren, Modelle zu vergleichen, zu kombinieren und zu ersetzen, werden in einer stärkeren Position sein als diejenigen, die es einem Anbieter erlauben, die Architektur ihrer KI-Strategie zu definieren.