KI selbst entwickeln oder kaufen: Entscheidungsmatrix für CIOs

Die Entwicklungsoption verstehen

Nicht jede KI-Fähigkeit muss von einem Anbieter gekauft werden. Für manche Unternehmen ist die Eigenentwicklung der richtige Weg zur Wettbewerbsdifferenzierung.

Wann Eigenentwicklung sinnvoll ist

Das stärkste Argument für die Entwicklung maßgeschneiderter KI-Lösungen ist, wenn bestehende Lösungen spezifische Geschäftsanforderungen nicht erfüllen können. Standard-KI-Produkte sind von Natur aus allgemein ausgerichtet. Sie müssen in vielen Unternehmen funktionieren, was bedeutet, dass sie auf Spezialisierung, Nuancen im Workflow oder proprietäre Datenlogik verzichten, die einen Wettbewerbsvorteil schaffen.

„CIOs sollten sich fragen: Kaufen wir Intelligenz oder kaufen wir Standardisierung, wo unser Unternehmen eigentlich Spezialisierung benötigt?“, sagt Oscar Marin, Managing Director bei EY Technology Consulting.

Unternehmen mit internem KI-Fachpersonal und technischem Know-how gewinnen zudem langfristige strategische Kontrolle. Duvvuri bezeichnet diese Fähigkeiten als branchenintern. Der Besitz dieser Daten- und Intelligenzebenen anstelle ihrer Anmietung bewahrt eine Differenzierung, die Wettbewerber, die dieselben Standardprogramme nutzen, nicht nachahmen können.

Herausforderungen und Überlegungen

Entwicklungszeit und Vorlaufkosten fallen höher aus, als die meisten Unternehmen prognostizieren. Laufende Wartung, Modellaktualisierungen, Personalbeschaffung und -bindung erhöhen die Investition über die anfängliche Entwicklung hinaus. Was Unternehmen regelmäßig unterschätzen, sind die Mitarbeiter.

„Talente, Geschäftsbereitschaft und Daten sind die wichtigsten Erfolgsfaktoren und werden meist unterschätzt“, sagt Darshan Naik, Chief Growth Officer für Technologie bei Capgemini Americas.

Die Kaufoption verstehen

Der Kauf einer bestehenden KI-Plattform ist für einen Großteil der Anwendungsfälle in Unternehmen die richtige Entscheidung, für andere hingegen die falsche.

Wann der Kauf sinnvoll ist

Der Kauf von KI-Dienstleistungen ist am sinnvollsten, wenn Geschwindigkeit und bewährte Leistungsfähigkeit die Hauptanforderungen eines Projekts sind. Für Unternehmen mit begrenzter interner KI-Expertise oder begrenzten Ressourcen bietet der Kauf Zugang zu Modellleistungen, die nur wenige Unternehmen intern nachbilden können. Für Standardanwendungsfälle bietet der Anbietermarkt Optionen, die schnell bereitgestellt werden können, sodass sich Teams auf das Kerngeschäft statt auf die Technologieentwicklung konzentrieren können.

„Wenn der Erfolg vom Zugang zu den besten Modellleistungen abhängt, spricht das in der Regel für den Kauf“, sagt Marin.

Herausforderungen und Überlegungen

Zu den Risiken beim Kauf von KI-Programmen zählen Abhängigkeit, Einschränkungen bei der Anpassung und die Kontrolle über die Daten. Eine Umfrage von Zapier ergab, dass fast drei von vier Befragten angaben, der Verlust ihrer primären KI-Quelle würde sich negativ auf den täglichen Betrieb auswirken, und nur sechs Prozent gaben an, sie könnten ohne Unterbrechung darauf verzichten. Anbieterprogramme sind eher auf allgemeine Zwecke ausgelegt, was Unternehmen zu einem eher generischen Betriebsmodell zwingen kann. Auch die laufenden Lizenz- und Abonnementkosten steigen mit zunehmendem Umfang. Bedenken hinsichtlich Datensicherheit und Compliance erhöhen das Risiko zusätzlich.

„Kritische Signale und Workflows bleiben in proprietären Plattformen gefangen, was die Wiederverwendung von Daten über verschiedene Anwendungsfälle hinweg einschränkt und die Auswahl an zukünftigen Architekturen verengt“, erläutert Duvvuri.

Entscheidungsmatrix für CIOs

Die meisten fehlgeschlagenen Build-or-Buy-Entscheidungen beginnen auf die gleiche Weise.

„Einer der häufigsten Fehler ist es, die Entscheidung zwischen ‚Build‘ und ‚Buy‘ als rein technologische Entscheidung zu betrachten“, sagt Naik.

Berücksichtigen Sie die folgenden Kriterien:

• Strategische Ausrichtung. Wenn die Funktion die Wettbewerbsfähigkeit des Unternehmens prägt, verschafft der Kauf jedem Wettbewerber, der Zugang zur gleichen Plattform hat, einen Vorteil. „Wenn es sich um eine branchenspezifische und für die Differenzierung entscheidende Funktion handelt, sollten Sie standardmäßig die Daten- und Intelligenzebenen selbst entwickeln und dann die standardisierten Ebenen kaufen und aktivieren, um Zeit zu sparen“, sagt Duvvuri.
• Technische Komplexität. Je mehr KI in proprietäre Arbeitsabläufe, domänenspezifische Daten oder einzigartige Entscheidungslogik eingebettet werden muss, desto weniger kann ein Fertigprogramm leisten. „Wenn der Erfolg davon abhängt, wie KI in einen bestimmten Arbeitsablauf, ein Betriebsmodell oder einen Datenkontext eingebettet wird, spricht das viel stärker für den Eigenbau“, sagt Marin.
• Verfügbarkeit von Ressourcen. Organisatorische Reife, Talente und Datenbereitschaft sind laut Naik die zuverlässigsten Erfolgsfaktoren. Ohne sie scheitert der Eigenbau-Weg, bevor er einen Mehrwert liefert.
• Time-to-Market. Der Kauf ist fast immer die bessere Wahl, wenn Geschwindigkeit der entscheidende Faktor ist. Jim Rowan, Principal und US Head für KI bei Deloitte Consulting LLP, weist unter Berufung auf die KI-Infrastrukturumfrage von Deloitte darauf hin, dass 75 Prozent der Unternehmen es noch nicht schaffen, vom Proof of Concept auf Unternehmensniveau zu skalieren, unabhängig vom gewählten Weg.
• Gesamtbetriebskosten. Die Bewertung einzelner Anwendungsfälle verschleiert die Wirtschaftlichkeit. „Die Entscheidung für einen Anwendungsfall nach dem anderen verdeckt die Wiederverwendungsvorteile auf Portfolioebene, wo in der Regel die größten Kosten- und Geschwindigkeitsvorteile liegen“, sagt Duvvuri.
• Skalierbarkeit und Flexibilität. Tools, die für ein Team oder ein Pilotprojekt funktionieren, werden oft unwirtschaftlich, insbesondere wenn der Governance-Aufwand nichtlinear zunimmt.
• Risikotoleranz. Laut Rowan liefern Governance-Frameworks, die von Anfang an integriert sind, bessere Ergebnisse in Bezug auf Compliance und Akzeptanz als solche, die erst nach der Bereitstellung hinzugefügt werden.

Bewerten Sie jedes der folgenden Kriterien anhand der aktuellen Situation in Ihrem Unternehmen. Vier oder mehr Anzeichen in einer Spalte sind ein starker Indikator. Kein einzelnes Kriterium ist für sich genommen ausschlaggebend.

Hybride Ansätze: Der Mittelweg

Viele KI-Produktionsimplementierungen kombinieren Eigenentwicklung und Kauf, anstatt sich für das eine oder das andere zu entscheiden.

„Die eigentliche Frage ist nicht einfach, ob man KI selbst entwickelt oder kauft“, erklärt Marin. „Es geht darum, welche Teile des KI-Stacks man kaufen und welche man selbst entwickeln sollte, um die Differenzierung zu bewahren.“

Zu den hybriden Optionen gehören:

• Anbieterplattformen mit maßgeschneiderten Integrationen. Indem sie eine Anbieterplattform als Grundlage nutzen und diese um eine maßgeschneiderte Orchestrierung ergänzen, können Unternehmen die Entwicklung von Standardkomponenten beschleunigen und gleichzeitig Wettbewerbsvorteile bewahren, die vorgefertigte Programme nicht bieten können.
• Open-Source-Bereitstellung. Open-Source-KI-Modelle ermöglichen eine interne Anpassung ohne Abhängigkeit von Anbietern und geben Unternehmen die Kontrolle über die Architektur sowie die Möglichkeit, die Modelle anhand proprietärer Daten fein abzustimmen.
• Managed KI-Services. Drittanbieter stellen Funktionen schneller bereit, als es durch interne Einstellungen möglich wäre, und schließen so die Lücke, während interne Teams die erforderlichen Kompetenzen aufbauen, um die Verantwortung zu übernehmen.
• Beratungspartnerschaften. Externe Spezialisten helfen Unternehmen beim Aufbau der Infrastruktur und der Governance-Rahmenbedingungen, die erforderlich sind, um die KI-Entwicklung später eigenständig zu steuern.

Überlegungen zur Implementierung

Der Aufbau interner KI-Kompetenzen erfordert die folgenden drei Prozesse, die von Unternehmen regelmäßig unterschätzt werden:

• Einstellung von KI-Fachkräften für die langfristige Aufrechterhaltung, nicht nur für die Umsetzung.
• Etablierung eines disziplinierten Entwicklungslebenszyklus.
• Schaffung von Governance-Rahmenwerken vor der Bereitstellung.

Die KI-Beschaffungsstrategie sollte als fortlaufende operative Disziplin behandelt werden, mit von Anfang an festgelegten Zuständigkeiten, Ausstiegskriterien und regelmäßigen Lieferantenüberprüfungen.

„Heute können Unternehmen KI-Fähigkeiten viel schneller als früher aufbauen, insbesondere wenn sie einen disziplinierten Lebenszyklus mit solider Architektur, Tests, Governance und menschlicher Aufsicht nutzen“, sagt Marin.

Zwei Implementierungsschritte werden oft nachträglich behandelt, unabhängig davon, ob das Unternehmen selbst entwickelt oder kauft.

Governance lässt sich nicht nachträglich einbauen. Die Erstellung ethischer KI-Rahmenwerke und Sicherheitskonzepte vor der Bereitstellung – und nicht danach – ist eine entscheidende Grundlage. „Wer Sicherheit erst später hinzufügt, kann die Akzeptanz untergraben und Schwachstellen schaffen“, sagt Rowan.

Die Auswahl der Anbieter erfordert die gleiche Sorgfalt. Die Bewertung der Glaubwürdigkeit eines Anbieters bedeutet, dessen Stabilität zu beurteilen, nicht nur seine Fähigkeiten. Die Untersuchung von Zapier ergab, dass mehr als ein Drittel der Führungskräfte in Unternehmen Bedenken hinsichtlich eines Single Point of Failure in ihren Beziehungen zu KI-Anbietern hat, und 32 Prozent sorgen sich konkret darum, dass ein Anbieter den Betrieb vollständig einstellt. 44 Prozent der Unternehmen haben darauf reagiert, indem sie mehrere KI-Anbieter gleichzeitig einsetzen, um dieses Risiko zu streuen, und 42 Prozent verfügen über Notfallpläne für Preisänderungen oder Ausfälle.

Emily Mabie, Senior AI Automation Engineer bei Zapier, verweist darauf, dass es bei der Verwaltung von Softwarelieferantenbeziehungen Fragen zu klären gebe. Dazu gehören: „Wer ist eigentlich für die Lieferantenbeziehung verantwortlich? Wenn die Servicequalität nachlässt, wie sieht der Ausstiegsplan aus?“

Sie schlägt außerdem vor, dass Vertrags- und SLA-Verhandlungen explizite Bestimmungen zur Datenportabilität und Ausstiegsklauseln enthalten sollten. „Was passiert mit meinem Betrieb, wenn dieser Anbieter insolvent wird, seine Preise erhöht oder übernommen wird?“, fragt Mabie.

Fallstudien und Beispiele aus der Praxis

Die Partnerschaft von EY mit 8090, einem auf KI spezialisierten Softwareentwicklungsunternehmen, veranschaulicht, wie der Build-Ansatz aussieht, wenn eine disziplinierte Umsetzung gewährleistet ist. Gemeinsam entwickelten sie EY.ai PDLC, einen KI-nativen Produktentwicklungslebenszyklus, der Architektur, Governance, automatisierte Tests und menschliche Aufsicht kombiniert. Das Ergebnis verkürzt Prozesse, die traditionell Monate dauerten, auf Tage oder Wochen.

„Das ist die wichtige Erkenntnis aus der Zusammenarbeit von EY mit 8090: Die Chance liegt nicht nur in schnellerer Programmierung, sondern in einem strukturierteren KI-nativen Lebenszyklus für die Entwicklung von Unternehmenslösungen“, sagt Marin.

Die Praktiker und Analysten, die täglich bei diesen Entscheidungen beraten, beobachten auf beiden Seiten immer wiederkehrende Fehlermuster. „Erfolglose Investitionen entpuppen sich typischerweise als Pilotprojekte im Fegefeuer“, sagt Rowan.

Das Muster für Fehlschläge bei der Entwicklung ist bei allen Kundenprojekten erkennbar.

„Ein häufiges Muster ist, die Kräfte zu sehr zu verzetteln und viele Arbeitsabläufe anzusprechen, ohne einen davon vollständig zu transformieren, anstatt sich auf die Tiefe eines einzigen durchgängigen Anwendungsfalls zu konzentrieren“, sagt Duvvuri. „Das Unternehmen unterschätzt den Wartungsaufwand: die fortlaufende Entwicklung, AI/MLOps und Governance, die erforderlich sind, wenn sich Modelle, Daten und Anforderungen ändern.“

Produktionsbereitstellungen decken zudem oft auf, was Pilotprojekte verbergen.

„Ein gescheiterter Aufbau sieht oft so aus: anfängliche Begeisterung, gefolgt von Problemen bei der Skalierung, Steuerung, Integration und Aufrechterhaltung der Lösung in der Produktion“, sagt Marin.

Die richtige Wahl für Ihr Unternehmen treffen

Die richtige Entscheidung hängt von der Reife des Unternehmens, dem Wettbewerbsumfeld, der Datenbereitschaft und der Risikotoleranz ab. Sich auf langfristige Verpflichtungen festzulegen, bevor die Grundlagen geschaffen sind, schafft unnötige Risiken.

„Ohne die Einbettung unternehmensspezifischer Kontexte in KI-Tools verläuft die Wertschöpfung tendenziell langsam, fragmentiert und deutlich teurer als erwartet“, erklärt Naik.

Kontinuierliche Bewertung ist das A und O

KI-Technologien und Anbieterfähigkeiten entwickeln sich so schnell, dass es für die heutige Entscheidung zum Eigenbau innerhalb eines Jahres bereits eine starke Alternative geben kann. „Ebenso wichtig ist es, Flexibilität im Ansatz zu wahren, da sich KI-Technologien und Anbieterfähigkeiten weiterhin rasant weiterentwickeln“, sagt Naik.

Die Entscheidung ist strategisch, nicht technisch

Um Innovation mit praktischen Geschäftsergebnissen in Einklang zu bringen, muss die Frage Build or Buy? als fortlaufende Architekturfrage betrachtet werden, nicht als einmaliges Beschaffungsereignis.

„Der Schlüssel liegt darin, die Entscheidung zwischen ‚Build‘ und ‚Buy‘ nicht ausschließlich als technologische Entscheidung zu behandeln“, sagt Rowan.

„Vielmehr sollte sie als strategische Entscheidung und als Investition in die organisatorische Transformation gesehen werden, die Menschen, Prozesse, Sicherheit und Governance in Einklang bringt.“

Dieser Artikel ist im Original in englischer Sprache auf Search CIO erschienen.