Zwischen Hype und Winter

Wie KI im Jahr 2025 angehen?

Fast siebzig Jahre lang schwankte die Künstliche Intelligenz zwischen bahnbrechenden Durchbrüchen und bitteren Enttäuschungen. Zweimal brach die Dynamik der frühen Fortschritte in sogenannten „KI-Wintern“ zusammen, als die Erwartungen der technische Realität weit voraus eilten und die Investitionen versiegten. Heute, nach beispiellosen Fortschritten in der generativen KI, stellt sich die berechtigte Frage: Stehen wir vor einer weiteren dramatischen Korrektur?

In den letzten Monaten hat sich der Ton in Bezug auf KI gewandelt. Berichte betonen den enormen Energiebedarf des Modelltrainings, wobei Rechenzentren die lokalen Netze belasten. Analysten warnen vor einem Mangel an hochwertigen Trainingsdaten und malen das Schreckgespenst eines „Modellkollapses“ an die Wand, wenn synthetische Inhalte unkontrolliert in die Modelle zurückfließen. Andere verweisen auf die ernüchternde Tatsache, dass die überwiegende Mehrheit der KI-Pilotprojekte in Unternehmen nie eine messbare Kapitalrendite erzielt. Kommentatoren flüstern sogar die bekannte Phrase: „KI-Winter“.

Und doch ist dieser Moment nicht der Zeitpunkt für eine KI-Enthaltsamkeit . Es ist nicht die Zeit, abseits zu stehen. Vielmehr ist es Zeit für Realismus, eine Zeit, die Risiken gegen die Chancen abzuwägen. Waren die letzten zwei Jahre ein Ansturm auf den „Gipfel der überzogenen Erwartungen“ in Gartners berühmtem Hype-Zyklus, so rutschen wir nun in das „Tal der Ernüchterung“. Das ist nicht das Ende, sondern eine Einladung für einen ernsthaften Beginn: Entdecken Sie, was wirklich funktioniert, trennen Sie Signal vom Rauschen und integrieren Sie KI dort, wo sie dauerhaften Wert schafft.

Was bedeutet das in der Praxis? Erstens: Ein disziplinierter Portfolioansatz für KI-Investitionen. Nicht jedes Pilotprojekt hat es verdient, zu überleben. Projekte, die sich nicht innerhalb weniger Monate bewähren, sollten aufgegeben und stattdessen verstärkt auf Projekte gesetzt werden, die messbare Vorteile bieten. Zweitens: Die neuen Einschränkungen müssen direkt angegangen werden: Energie und Rechenleistung müssen als knappe Ressourcen behandelt werden, lizenzierte, menschliche Daten müssen gesichert werden und es müssen Architekturen entwickelt werden, die eine Modellsubstitution ermöglichen, wenn sich Kosten oder Vorschriften ändern. Drittens: Governance. Der EU-KI-Act, der ab 2025 schrittweise in Kraft tritt, ist nicht optional zu sehen. Risikomanagement, Transparenz und Rechenschaftspflicht müssen integraler Bestandteil von KI-Initiativen sein und dürfen nicht nachträglich berücksichtigt werden.

Vor allem bedeutet es, die Hoffnung auf weiteren Fortschritt zu bewahren, ohne dem Hype zu erliegen. Rückschläge müssen keine Katastrophen sein. Manchmal wurde ein guter Ansatz einfach zu früh verfolgt. Behalten Sie Ihre positive Neugier. 

Die Geschichte der KI lehrt uns, dass Zyklen unvermeidlich sind, aber nicht dauerhaft destruktiv sein müssen. Auf jeden Winter folgte ein neuer Frühling auf einer solideren Basis. Mit einem nüchternen, risikobewussten und wertorientierten Ansatz können Unternehmen das Potenzial der KI auch dann nutzen, wenn die überhitzte öffentliche Stimmung abkühlt.

Der Aufruf zum Handeln ist also einfach: Ziehen Sie sich nicht zurück, sondern gehen Sie mit Bedacht voran. Die unten stehende Checkliste zu KI-Risiken und -Bereitschaft kann Ihnen dabei als Orientierung dienen. Experimentieren Sie, aber mit Disziplin. Investieren Sie, aber mit Governance. Bauen Sie, aber mit Blick auf Resilienz. Sollte ein weiterer Winter kommen, sollte Ihr Unternehmen nicht erstarren, sondern bereits über die Werkzeuge, Praktiken und die Reife verfügen, um gestärkt daraus hervorzugehen.

Viele Unternehmen haben sich bereits auf den langen Weg gemacht. Falls Sie noch nicht begonnen haben, finden Sie hier einen 90-Tage-Plan für die praktischen nächsten Schritte:

• Woche 0–2: Erstellen Sie ein KI-Risikoregister (Rechenleistung/Energie, Datenherkunft, Recht, Sicherheit), nehmen Sie einen umfassenden Überblick und ordnen Sie Anwendungsfälle den Ebenen des EU-KI-Gesetzes zu. (Es geht darum, die Risiken zu kennen: digital-strategy.ec.europa.eu )
  
  
• Woche 2–6: Vorbereitung der Pilotimplementierung(en). Evaluierung und Beobachtbarkeit (Halluzination, Latenz, Kosten pro Aufgabe) sowie Datenherkunftsfilter durchführen . (Hier finden Sie eine hilfreiche ausführliche Beschreibung: aclanthology.org )
  
  
• Woche 6–12: Führen Sie zwei Pilotprojekte mit Kill/Scale Gates durch (eins im Bereich Produktivität, eins kundenorientiert mit Human-in-the-Loop). Fixieren Sie Energie-/Rechenprognosen und Ausstiegsoptionen für Lieferanten in Verträgen. (Eine ausführliche Umfrage zum Status von KI: McKinsey & Company )

Stillsitzen und Nichtstun ist in diesen hochspannenden Zeitenjedenfalls keine Option.

Weitere Referenzen

1. Internationale Energieagentur. (2024). Elektrizität 2024: Analyse und Prognose bis 2026. Paris: IEA.
   
   
• Hebt die prognostizierte Verdoppelung des Stromverbrauchs von Rechenzentren bis 2030 hervor, wobei KI-Workloads ein Haupttreiber sind.


2. Altman, S. (2024, Januar). Anmerkungen beim Weltwirtschaftsforum . Davos, Schweiz.
   
   
• Der CEO von OpenAI warnt, dass der Fortschritt der KI von Durchbrüchen bei erschwinglicher, reichlich vorhandener Energie (fortgeschrittene Kernenergie und erneuerbare Energien) abhängt.


3. Villalobos, P., Chin, M., Jones, A., & Kaplan, J. (2023). Werden uns die Daten ausgehen? Epoche der KI.
   
   
• Prognostiziert die Erschöpfung qualitativ hochwertiger menschlicher Trainingsdaten zwischen 2026 und 2032; erörtert die Risiken einer übermäßigen Abhängigkeit von synthetischen Datensätzen.


4. Shumailov, I., Cotton, C., & Andreeva, D. (2023). Der Fluch der Rekursion: Training mit generierten Daten lässt Modelle vergessen . arXiv:2305.17493.
   
   
• Stellt das Konzept des „Modellkollapses“ vor und zeigt, wie rekursives Training von KI-Ausgaben die Leistung beeinträchtigt.


5. Ransbotham, S., & Khodabandeh, S. (2023). Den Wert generativer KI nutzen . MIT Sloan Management Review, 65(1), 1–10.
   
   
• Berichten zufolge erzielen etwa 95 % der Pilotprojekte zur generativen KI keinen messbaren ROI, was die Notwendigkeit einer disziplinierten Auswahl der Anwendungsfälle unterstreicht.


6. Gartner . (2024). Hype-Zyklus für künstliche Intelligenz, 2024 . Stamford, CT: Gartner Research.
   
   
• Befindet sich bei der generativen KI im „Tal der Enttäuschung“, was auf überzogene Erwartungen und ungleichmäßige Ergebnisse zurückzuführen ist.


7. Europäische Union . (2024). Verordnung (EU) 2024/1689 des Europäischen Parlaments und des Rates über künstliche Intelligenz (KI-Gesetz) . Amtsblatt der EU.
   
   
• Legt stufenweise Verpflichtungen für den Zeitraum von 2025 bis 2026 fest, darunter Anforderungen an Governance, Transparenz und Rechenschaftspflicht.

Eine kurze Checkliste zu KI-Risiken und -Bereitschaft (2025)

Hier ist eine Einseiten-Checkliste zu KI-Risiken und -Bereitschaft (abgestimmt auf das EU-KI-Gesetz, die Realitäten im Energie-/Rechenbereich und Erkenntnisse zum ROI des Unternehmens).

1 Strategische Passung

• Klare Problemstellung und für jeden Anwendungsfall definierte KPIs
  
  
• Kill/Scale Gates vor Ort (schnelles Stoppen von Piloten mit schlechter Leistung)
  
  
• Anwendungsfälle, die den Ebenen der geschäftlichen Auswirkungen und regulatorischen Risiken zugeordnet sind

2 Compliance und Governance

• Anwendungsfall zugeordnet zur Risikokategorie des EU-KI-Gesetzes (verboten / hoch / begrenzt / GPAI / minimal)
  
  
• Modellregister (internes Inventar aller im Einsatz befindlichen Modelle) geführt
  
  
• Transparenz & Dokumentation (Verwendungszweck, Datenquellen, bekannte Risiken) geschaffen
  
  
• Verantwortlicher Geschäftsführer zugewiesen (Budget + Aufsicht)
  
  
• Red-Teaming und Bias-/Robustheitstests sind regelmäßig geplant

3 Datenbereitschaft

• Kontrolle der Datenherkunft : Unterscheidung von Daten menschlichen Ursprungs und von KI-generierten Daten
  
  
• Eval-Sets isoliert von Trainingsdaten; Drift verfolgt
  
  
• Datenaufbewahrung und Einwilligungsprüfungen (DSGVO/branchenspezifisch) abgeschlossen
  
  
• Synthetische Daten werden gekennzeichnet und kontrolliert, um einen Modellzusammenbruch zu vermeiden

4 Rechenleistung und Energie

• GPU/Compute-TCO-Modell erstellt (Training + Inferenz + Kühlung + Energie)
  
  
• Energieversorgung gesichert (PPAs, regionale Netztauglichkeit geprüft)
  
  
• Ausstiegsoptionen für Anbieter in Verträgen (Möglichkeit zum Wechsel der Infrastruktur/Modelle)
  
  
• Die Modellarchitektur hat die richtige Größe (übertrainieren Sie nicht für Aufgaben mit geringem Wert).

5 Lieferung & Umtausch

• Funktionsübergreifendes Team (Geschäft + Daten + Compliance + IT) zugewiesen
  
  
• Prozessneugestaltung & Change Management gefördert, nicht nur die Modellarbeit
  
  
• Kontrollpunkte mit menschlicher Einbindung, bei denen ein Versagen kostspielig ist (Finanzen, Schadensregulierung, Underwriting)
  
  
• Kontinuierliche Beobachtbarkeit : Kosten pro Aufgabe, Halluzinations-/Fehlerraten, verfolgte Latenz

6 Sicherheit und Risiko

• KI-spezifische Sicherheitstests (Prompt Injection, Datenlecks, Model Poisoning) inklusive
  
  
• Zugriffs- und Identitätskontrollen für KI-Dienste (Integration mit IAM/IGA)
  
  
• Mit Risiko- und Compliance-Funktionen verbundene Pipeline zur Protokollierung/Berichterstattung von Vorfällen
  
  
• Regelmäßiges Prüfprotokoll der Modellnutzung für Regulierungsbehörden

7 Nächste 90 Tage (Schnelle Erfolge)

• Ordnen Sie alle Piloten den Kategorien des EU-KI-Gesetzes zu
  
  
• Stand-up -Evaluierungs-Dashboard (KPIs, Kosten, Fehlerrate, Halluzinationen)
  
  
• Starten Sie zwei kontrollierte Pilotprojekte (1 Produktivitätsprojekt, 1 Kundenprojekt mit menschlicher Aufsicht).
  
  
• Richten Sie im Rahmen des Unternehmensrisikomanagements ein KI-Risikoregister ein

8 Zusätzliche Hinweise

• Faustregel:Wenn ein Pilotprojekt innerhalb von 3–6 Monaten keinen Nutzen zeigt und keine Compliance-Bereitschaft zeigt, dann beenden Sie es.
  
  
• Konzentrieren Sie sich auf Best-of-Breed und Governance, anstatt dem Hype hinterherzujagen.