Eine Kundin fragt einen KI-Assistenten: «Wo ist meine Bestellung?» Sie wartet einige Sekunden. Dann kommt die Antwort: «Ihre Bestellung befindet sich noch im Lager.» Das Problem: Ihr Paket ist bereits seit gestern unterwegs.

Im nächsten Meeting wird über die Performance des KI-Systems diskutiert. Irgendwann fällt der Satz: «Wir brauchen mehr GPUs.» Wirklich?

Wir haben gerade einen KI-Assistenten erlebt, der zu langsam antwortet und gleichzeitig falsche Informationen liefert. Mehr Rechenleistung könnte dafür sorgen, dass er die falsche Antwort künftig schneller ausgibt. Das wäre eine ziemlich teure Optimierung ohne wirklichen Mehrwert.

Technologie ist nicht automatisch die Lösung

Als CEO eines Softwareunternehmens erlebe ich immer wieder, wie schnell sich Diskussionen auf einzelne Technologien konzentrieren: mehr Rechenleistung, leistungsfähigere Modelle, neue Plattformen, grössere Infrastruktur. Dabei wird eine entscheidende Frage häufig zu spät gestellt: Welches Problem versuchen wir eigentlich zu lösen?

Im Beispiel unseres KI-Assistenten kann die Ursache an ganz unterschiedlichen Stellen liegen. Vielleicht benötigt das Sprachmodell tatsächlich zu viel Zeit. Vielleicht reagiert die Schnittstelle zum Versanddienst zu langsam. Vielleicht arbeitet das System mit veralteten Daten. Oder ein Cache liefert Informationen, die längst nicht mehr aktuell sind. Mehr GPUs lösen keines dieser Probleme automatisch.

Bevor wir zusätzliche Infrastruktur beschaffen, sollten wir verstehen, wie das Gesamtsystem funktioniert und wo die tatsächlichen Engpässe liegen. Das klingt selbstverständlich. In der Praxis ist es das erstaunlich oft nicht.

Gute KI beginnt mit guter Softwarearchitektur

Ein aktueller, von Micron gesponserter Beitrag bei MIT Technology Review Insights beschreibt, weshalb KI-Infrastruktur ganzheitlich betrachtet werden muss: Rechenleistung, Arbeitsspeicher, Datenspeicherung und Netzwerk müssen aufeinander abgestimmt sein. Dem stimme ich zu – und würde noch einen Schritt weiter gehen.

Für den erfolgreichen Einsatz von KI in Unternehmen reicht es nicht, die technische Infrastruktur zu optimieren. Entscheidend ist, wie intelligent wir KI, bestehende Systeme, Daten und Geschäftsprozesse miteinander verbinden. Ein leistungsfähiges Sprachmodell bringt wenig, wenn es auf unvollständige Informationen zugreift oder nicht zuverlässig mit den vorhandenen Geschäftsanwendungen kommunizieren kann.

Ein kleineres, gut integriertes Modell kann unter Umständen einen deutlich grösseren geschäftlichen Mehrwert liefern als das leistungsfähigste Modell am Markt – nicht weil es technologisch überlegen ist, sondern weil die gesamte Lösung besser auf die tatsächlichen Anforderungen abgestimmt wurde.

Der wirtschaftliche Nutzen muss im Zentrum stehen

Bei Intersys entwickeln wir individuelle Softwarelösungen und beschäftigen uns intensiv damit, wie sich KI sinnvoll in bestehende Anwendungen und Geschäftsprozesse integrieren lässt. Dabei interessieren uns nicht nur Antwortzeiten, Modellgrössen oder Infrastrukturkosten, sondern vor allem diese Fragen:

  • Welches konkrete Problem lösen wir für den Kunden?
  • Wie zuverlässig und aktuell sind die verwendeten Daten?
  • Wie gut funktioniert das Zusammenspiel mit bestehenden Systemen?
  • Welche Prozesse können wir tatsächlich verbessern oder automatisieren?
  • Welchen messbaren wirtschaftlichen Nutzen schaffen wir damit?

Eine KI-Lösung ist nicht erfolgreich, weil sie technologisch beeindruckend ist. Sie ist erfolgreich, wenn sie zuverlässig funktioniert, Prozesse vereinfacht, Kosten reduziert oder neue Möglichkeiten schafft. Dazu gehört selbstverständlich auch die Performance – niemand möchte minutenlang auf eine Antwort warten. Aber Geschwindigkeit allein ist kein Qualitätsmerkmal. Eine schnelle falsche Antwort kann mehr Schaden verursachen als eine etwas langsamere, dafür verlässliche Information.

Erst verstehen. Dann investieren.

Zurück zu unserem KI-Assistenten. Bevor ich zusätzliches Budget für Rechenleistung freigeben würde, möchte ich verstehen, wo das System tatsächlich Zeit verliert, aus welchen Quellen die Informationen stammen, wie aktuell sie sind und weshalb eine falsche Antwort zustande gekommen ist.

Vielleicht zeigt die Analyse, dass wir tatsächlich mehr GPU-Leistung benötigen. Vielleicht müssen wir aber lediglich eine Schnittstelle optimieren, die Datenintegration verbessern oder unsere Softwarearchitektur überdenken. Und möglicherweise lässt sich das eigentliche Problem mit einem Bruchteil der ursprünglich geplanten Investition lösen.

Wir sollten nicht investieren, weil eine Technologie gerade verfügbar oder besonders populär ist. Wir sollten investieren, weil wir verstanden haben, welchen konkreten Nutzen sie schafft. Das gilt für KI genauso wie für jede andere Technologie.

Genau diesen Ansatz verfolgen wir bei Intersys auch in unseren eigenen Produkten. Wir betrachten KI nicht als isolierte Funktion, sondern als Teil einer Softwarelösung, die zu den Daten, Systemen und Abläufen unserer Kunden passen muss.

Die Kundin hat nicht nach unserer Infrastruktur gefragt. Sie wollte wissen, wo ihr Paket ist.