Ihr Unternehmen hat die KI gekauft. Jetzt kommt der schwierigere Teil.
Der CEO von NTT DATA AIVista sagt, dass die meisten Enterprise-KI-Projekte nicht scheitern, weil das Modell schlecht ist, sondern weil niemand die undankbare Arbeit leistet, es in echte Workflows, echte Daten und echte Sicherheitsvorkehrungen einzubinden.
Wichtige Punkte
- Die meisten Enterprise-KI-Projekte scheitern bei der Implementierung – nicht weil das zugrunde liegende Modell schwach ist, sondern wegen schlechter Integration, fehlenden Fachwissens und unklarer Verantwortlichkeiten.
- Bratin Saha, CEO von NTT DATA AIVista, sagt, dass Ausgaben nur zum Kauf eines hochperformanten Modells den größten Teil des finanziellen Nutzens unangefordert lässt.
- Fine-Tuning, das Umtrainieren eines Modells mit neuen Daten, rangierte in VentureBeat's neuester Enterprise-Umfrage zu Modellauswahlprioritäten auf dem letzten Platz.
- NTT DATA AIVista betreibt eine Mischung aus hochperformanten und Open-Source-Modellen und reserviert die teuersten Reasoning-Prozesse für Entscheidungen, bei denen ein Fehler ernsthafte Folgen hat.
- Saha sagt, dass Unternehmen drei Dinge gleichzeitig benötigen – Technologie, Fachwissen und Change Management – und dass Technologie der kleinste der drei Engpässe ist.
Jede Woche kündigt ein Unternehmen ein großes KI-Budget an. Und jede Woche bleibt eine stillere Geschichte unerzählt: Der Scheck wurde eingelöst, das Modell wurde bereitgestellt, und fast nichts hat sich geändert.
Bratin Saha, CEO von NTT DATA AIVista, der KI-Division eines der weltweit größten IT-Dienstleistungsunternehmen, sprach auf der VB Transform 2026 genau über dieses Problem. Sein Argument ist deutlich. Ein leistungsfähiges KI-Modell zu kaufen ist der einfache Teil. Der schwierige Teil ist alles, was drumherum liegt.
„Es ist nicht nur ein Modell", sagte Saha. „Man baut ein System um das Modell herum."
Warum stagnieren so viele Enterprise-KI-Projekte?
Sie stagnieren, weil hochperformante Modelle, die mächtigsten heute verfügbaren KI-Systeme wie GPT-5.5 oder Claude Opus 4.8, auf allgemeinem Wissen trainiert sind. Echte Geschäftsworkflows sind alles andere als allgemein.
Saha verwendete multinationale Versicherungsschadensansprüche als Beispiel. Diese Formulare enthalten Handschrift, Dutzende von Kontrollkästchen und Regulierungsregeln, die sich von Land zu Land unterscheiden. Ein universelles Modell liest sie schlecht. Die Genauigkeit bleibt zu niedrig, damit ein reguliertes Unternehmen darauf vertrauen kann.
Die Lösung ist nicht einfach der Kauf eines größeren Modells. Sahas Team nennt die Lösung „Last-Mile-Spezialisierung": Man nimmt ein leistungsfähiges Grundmodell und umhüllt es mit drei Schichten. Erstens die eigenen Daten und der Kontext des Unternehmens, bereitgestellt, damit das Modell das spezifische Geschäft versteht. Zweitens ein Ensemble von Modellen, also mehrere KI-Systeme, die zusammenarbeiten, sodass die Rechenkosten überschaubar bleiben. Drittens spezialisierte Sicherheitsvorkehrungen, automatisierte Prüfungen, die Fehler erkennen und einen Neuversuch erzwingen, bevor eine falsche Antwort einen Kunden oder eine Regulierungsbehörde erreicht.
„Der größte Nutzen für das Geld kommt von der Spezialisierung und dann von diesen spezialisierten Sicherheitsvorkehrungen", sagte Saha.
Was kostet das, und wer zahlt für was?
| Schicht | Was es ist | Wer trägt typischerweise Verantwortung |
|---|---|---|
| Grundmodell | Die Kern-KI (GPT-5.5, Claude, Open-Source) | Modellhersteller |
| Fachkontext | Unternehmensdaten, nicht dokumentierte Workflows | Unternehmen + Integrator |
| Modellensemble | Mischung aus hochperformanten und günstigeren Open-Modellen | Integrator |
| Sicherheitsvorkehrungen | Automatisierte Fehlerprüfschicht | Integrator + Unternehmen |
| Change Management | Schulung von Mitarbeitern, Umschreiben von Prozessen | Unternehmen |
Die Modell-Lizenzgebühr ist oft die kleinste Position im Budget. Das undokumentierte „Stammwissen", das Zeug, das erfahrene Mitarbeiter kennen, aber nie aufgeschrieben haben, kostet am meisten zu erfassen. Saha sagt, dass NTT's Team es tut, indem sie sich mit menschlichen Mitarbeitern hinsetzen und schlicht fragen, wie sie ihre Arbeit tatsächlich erledigen.
„Der einzige Grund ist, dass wir hingehen und mit diesen menschlichen Mitarbeitern sprechen", sagte er.
Was bedeutet das für Unternehmen, die eine KI-Investition überdenken?
Einfach: Budget für das gesamte System, nicht nur für das Modellabonnement.
Saha sagt, dass die Reihenfolge auch wichtig ist. Beginnen Sie damit, KI in bestehende Workflows einzubinden, statt diese von Grund auf neu zu gestalten. Mitarbeiter, die geschäftskritische Operationen durchführen, werden es nicht akzeptieren, dass ein Hersteller einen Prozess mid-flight reißt. Sobald Vertrauen aufgebaut ist und Ergebnisse sichtbar werden, wird die tiefere Umgestaltung möglich, und da liegen die größten Renditen.
Es gibt einen ehrlichen Vorbehalt, der erwähnenswert ist. Saha sprach auf einer gesponserten Sitzung; NTT DATA AIVista bezahlte für die Plattform. Sein Rat weist, praktischerweise, auf die Beauftragung eines erfahrenen Integrators hin. Viele kleinere Unternehmen werden ein Unternehmen dieser Größe nicht brauchen. Das zugrunde liegende Prinzip gilt jedoch unabhängig davon, wer die Arbeit leistet: Das Modell ist Voraussetzung, und der Workflow ist der Preis.
Fazit: Bevor Sie einen KI-Vertrag unterzeichnen, erstellen Sie eine Karte des Workflows, den Sie von Anfang bis Ende ändern möchten. Wenn Sie nicht beschreiben können, was sich bei jedem Schritt ändert und wer für das Ergebnis verantwortlich ist, läuft das Technologie-Budget dem Plan voraus.
