Dr. Paulina Prantl, stellvertretende Abteilungsleiterin „Analytics“, Bereich Supply Chain Services des Fraunhofer IIS

Wird der KI-Wettbewerb künftig darüber entschieden, wer mit möglichst wenig Ressourcen den größten Nutzen erzielt? Ja. Entscheidend ist nicht die Größe eines Modells, sondern der Return on Investment eines konkreten Anwendungsfalls. Dem Nutzen stehen Aufwände für Daten, Entwicklung, Training, Betrieb und Wartung gegenüber. In vielen Projekten dominiert zunächst die Entwicklung; bei langjährigem Einsatz gewinnen Wartung und Instandhaltung an Gewicht. Relevant ist deshalb die Gesamtbilanz über den Lebenszyklus.

Warum ist die Unterscheidung zwischen KI für Ressourceneffizienz und ressourceneffizienter KI so wichtig? KI kann Energie, Material, Zeit oder Kosten einsparen, benötigt dafür aber selbst Ressourcen. Beide Seiten müssen gemeinsam bewertet werden. Große, multimodale Modelle sind für offene und komplexe Aufgaben sinnvoll. Bei klar abgegrenzten Prognosen, Optimierungen oder wiederkehrenden Analysen reichen häufig kleinere, spezialisierte Modelle – besonders, wenn eigene Daten vorhanden sind. Sie können den besseren wirtschaftlichen Nutzen erzielen.

Was entscheidet darüber, ob aus einem KI-Piloten ein skalierbares Produkt wird? Voraussetzungen sind gute Daten, robuste Prozesse und ein wartbares System. Schlechte oder widersprüchliche Unternehmensdaten begrenzen auch die Leistung großer Modelle. Transfer Learning kann ein bestehendes Modell mit wenigen zusätzlichen Daten auf ähnliche Anlagen oder Produkte übertragen. AutoML automatisiert zeitaufwendige Schritte der Modelloptimierung. Eine zentrale Hürde bleibt die Datenvarianz zwischen Standorten und historisch gewachsenen Systemen.

KI löst keine schlechten Prozesse. Sie schafft dann Wert, wenn Daten, Prozesse, Methoden und wirtschaftliche Ziele zusammenpassen.

Wann verbraucht eine KI mehr Ressourcen, als sie einspart? Das lässt sich nur an einem konkreten Anwendungsfall beurteilen. Unternehmen müssen zunächst ihren heutigen Prozess und Ressourcenverbrauch kennen. Bewertet werden sollten Rechen- und Energieaufwand in Training und Betrieb, Modell- und Dateneffizienz sowie die Total Cost of Ownership aus Entwicklung, Betrieb und Wartung. Auch der langfristige Nutzen muss dem gesamten Ressourcenaufwand gegenübergestellt werden.

Wann lohnt sich KI eher nicht? Wenn ein regelbasiertes System die Aufgabe zuverlässig erfüllt und seine Regeln überschaubar und wartbar bleiben. KI ist vor allem sinnvoll, wenn Zusammenhänge zu komplex sind, Bedingungen sich häufig ändern oder aus großen Datenmengen Prognosen und Optimierungsentscheidungen abgeleitet werden sollen. Die Frage lautet nicht: Wo können wir KI einsetzen? Sondern: Welches Verfahren löst das Problem mit vertretbarem Aufwand am besten?

Woran erkennen Sie, ob eine KI-Strategie tatsächlich Wert schafft? Daran, ob das Unternehmen seine Prozesse kennt, messbare Ziele formuliert und den heutigen Ressourcenverbrauch erfasst. Ein häufiger Irrtum lautet: „KI löst unsere schlechten Prozesse.“ Eine belastbare Strategie verbindet daher Technologie, Prozesse, Menschen und Wirtschaftlichkeit. Der größte Hebel liegt im Gesamtsystem: gute Daten, effiziente Entwicklung und die passende Methode an der richtigen Stelle.

Entscheidend ist nicht die Größe eines Modells, sondern der Return on Investment eines konkreten Anwendungsfalls.