KI-Architektur muss Modellwechsel ermöglichen

Warum die Modellfrage zu kurz greift

In vielen KI-Initiativen steht zu Beginn die Frage im Vordergrund, welches Modell aktuell die besten Ergebnisse liefert. Diese Frage ist nachvollziehbar, aber sie greift für eine belastbare Roadmap zu kurz. Modelle entwickeln sich schnell weiter. Was heute als leistungsfähig gilt, kann morgen durch ein anderes Modell überholt werden. Entscheidend ist deshalb nicht nur, ob ein Unternehmen heute ein gutes Modell einsetzt. Entscheidend ist, ob die eigene Lösung so gebaut ist, dass sie von künftigen Modellgenerationen profitieren kann.

Aus Sicht von Finance, Controlling und Unternehmenssteuerung ist diese Frage besonders relevant. KI-Anwendungen werden zunehmend in Prozesse eingebettet, die nicht experimentell bleiben dürfen: Rechnungsprüfung, Forecast-Kommentierung, Vertragsanalyse, Kundenservice, Einkaufsunterstützung, Reporting oder interne Wissenssysteme. Sobald eine solche Anwendung produktiv genutzt wird, entsteht Abhängigkeit. Wenn diese Abhängigkeit direkt an ein einzelnes Modell, einen einzelnen Prompt oder eine einzelne Schnittstelle geknüpft ist, wird jede spätere Verbesserung zur kleinen Transformation.

Eine gute KI-Roadmap fragt daher früh: Kann ein besseres Modell später mit vertretbarem Aufwand eingebunden werden? Oder müsste dafür die Anwendung fachlich, technisch und organisatorisch erneut umgebaut werden? Genau an dieser Stelle entscheidet sich, ob aus einem Pilot ein skalierbares Steuerungsinstrument wird.

Einweg-KI wird im Betrieb teuer

Viele aktuelle KI-Projekte entstehen pragmatisch. Ein Fachbereich hat einen konkreten Bedarf, ein Team baut einen Prototyp, ein Modell wird angebunden, ein Prompt optimiert, eine Datenquelle angeschlossen. Im Pilot funktioniert das häufig erstaunlich gut. Das Ergebnis ist sichtbar, die Akzeptanz steigt, und der Nutzen scheint greifbar.

Problematisch wird es, wenn diese erste Lösung zur produktiven Architektur wird. Dann ist die fachliche Logik oft eng mit dem Prompt verwoben. Berechtigungen werden über Umwege gelöst. Datenzugriffe hängen direkt an der Anwendung. Qualitätsprüfungen erfolgen manuell oder gar nicht systematisch. Monitoring wird erst ergänzt, wenn erste Fehler im Betrieb auftreten. Solche Lösungen sind nicht zwingend schlecht, aber sie sind häufig nicht für Wachstum gebaut.

In der Beratungspraxis zeigt sich dieses Muster auch außerhalb von KI immer wieder. Unternehmen führen ein Tool ein, ohne vorher die Prozesslogik sauber zu trennen. Eine Excel-Lösung wird zum Schattenprozess. Eine Schnittstelle wird als Übergangslösung gebaut und bleibt über Jahre bestehen. Ein Reporting wird fachlich erweitert, obwohl die Datenbasis nicht dafür vorbereitet wurde. Bei KI ist die Geschwindigkeit höher, aber das Grundproblem ist bekannt: Wenn Architektur und Prozessdesign nicht mitwachsen, steigen Komplexität und Folgekosten.

Der Modellwechsel ist dafür ein guter Stresstest. Wenn ein neues Modell verfügbar ist und die Organisation daraus keinen Nutzen ziehen kann, weil Prompts, Datenlogik, Auswertungsregeln und Fachentscheidungen untrennbar verbunden sind, dann liegt das Problem nicht beim Modell. Es liegt in der Gestaltung der Lösung.

Was eine austauschbare KI-Architektur ausmacht

Eine skalierbare KI-Architektur behandelt das Modell nicht als Zentrum der gesamten Lösung, sondern als austauschbare Komponente. Das bedeutet nicht, dass das Modell beliebig wäre. Es bedeutet, dass die Anwendung fachlich und technisch so strukturiert ist, dass unterschiedliche Modelle getestet, verglichen und bei Bedarf ersetzt werden können.

Dafür müssen mehrere Ebenen sauber getrennt werden. Die Fachlogik gehört nicht in das Modell. Wenn eine KI zum Beispiel Eingangsrechnungen klassifiziert, Risiken in Verträgen markiert oder Abweichungen im Forecast erläutert, dann sollten die fachlichen Regeln transparent dokumentiert und außerhalb des Modells steuerbar bleiben. Das Modell unterstützt die Verarbeitung, aber es darf nicht der einzige Ort sein, an dem Entscheidungslogik verborgen liegt.

Auch Datenzugriffe müssen gekapselt werden. Eine KI-Anwendung sollte nicht unkontrolliert auf Datenquellen zugreifen, nur weil dies im Pilot schnell umsetzbar war. Gerade in Finance- und Konzernumgebungen sind Berechtigungen, Datenqualität, Aktualität und Nachvollziehbarkeit entscheidend. Ob eine Information aus dem ERP-System, einem Data Warehouse, einem Dokumentenmanagement oder einer Wissensdatenbank stammt, muss steuerbar und prüfbar bleiben.

Prompts sollten ebenfalls wie ein eigenes Steuerungsobjekt behandelt werden. Sie sind nicht bloß technische Texte, sondern ein Teil der Prozesslogik. Änderungen an Prompts können Auswirkungen auf Ergebnisqualität, Tonalität, Risikoeinschätzung und Bearbeitungszeit haben. Deshalb sollten Versionierung, Tests und Freigaben nicht erst eingeführt werden, wenn bereits mehrere Fachbereiche mit der Lösung arbeiten.

Hinzu kommen Evaluierung, Monitoring und Feedbackschleifen. Eine KI-Lösung muss nicht nur funktionieren, sondern dauerhaft beobachtbar sein. Welche Antworten sind korrekt? Wo entstehen systematische Fehler? Welche Fälle werden an Menschen übergeben? Welche Modellversion liefert unter welchen Bedingungen bessere Ergebnisse? Ohne diese Transparenz bleibt KI-Steuerung subjektiv.

Governance, Kosten und Verantwortung

Für CFOs, CIOs und Geschäftsführungen ist die Architekturfrage auch eine Governance-Frage. KI erzeugt nicht nur neue technische Möglichkeiten, sondern auch neue Verantwortlichkeiten. Wer entscheidet über den Einsatz eines Modells? Wer bewertet fachliche Risiken? Wer trägt die Verantwortung, wenn ein automatisiert vorbereiteter Vorschlag falsch ist? Und wer stellt sicher, dass Kosteneffekte nicht nur im Pilot sichtbar sind, sondern im Betrieb belastbar bleiben?

Gerade bei produktiven Anwendungen reicht es nicht aus, nur auf die Leistungsfähigkeit des Modells zu schauen. Ein leistungsfähiges Modell kann unwirtschaftlich sein, wenn es für einfache Aufgaben eingesetzt wird. Ein günstigeres Modell kann ausreichend sein, wenn die Aufgabe klar begrenzt ist und die Ergebnisse gut geprüft werden. In anderen Fällen ist ein leistungsfähigeres Modell sinnvoll, wenn dadurch Qualität, Durchlaufzeit oder Nutzerakzeptanz steigen. Diese Abwägung lässt sich nur treffen, wenn Modelle vergleichbar getestet werden können.

Damit wird Modelloffenheit auch zu einem Kostenthema. Wenn jedes neue Modell ein eigenes Umsetzungsprojekt auslöst, entstehen wiederkehrende Projektkosten, Abstimmungsaufwand und technische Schulden. Wenn die Architektur dagegen vorbereitet ist, kann ein Modellwechsel kontrolliert getestet werden. Dann geht es nicht um Aktionismus, sondern um eine kaufmännisch und fachlich begründete Entscheidung.

Das ist besonders wichtig in Organisationen mit komplexen Prozess- und Systemlandschaften. Dort entstehen die größten Effekte selten durch einzelne Tools, sondern durch die saubere Verbindung von Daten, Prozessen, Verantwortlichkeiten und Steuerungslogik. KI kann diese Verbindung unterstützen. Sie kann sie aber nicht ersetzen.

Praktische Prüffragen für aktuelle KI-Projekte

Unternehmen, die bereits KI-Piloten oder produktive Anwendungen betreiben, sollten ihre Lösungen regelmäßig gegen einfache, aber wirkungsvolle Fragen prüfen. Würde ein Modellwechsel kurzfristig Nutzen bringen oder vor allem Arbeit erzeugen? Sind Fachlogik, Datenzugriffe, Prompts, Berechtigungen und Monitoring getrennt steuerbar? Gibt es eine nachvollziehbare Evaluierung, mit der unterschiedliche Modelle verglichen werden können? Ist klar, welche Entscheidungen die KI vorbereitet und welche Entscheidungen weiterhin beim Menschen liegen?

Ebenso wichtig ist die Frage, ob der Pilot in die bestehende Prozesslandschaft passt. Eine KI-Lösung, die nur außerhalb der Regelprozesse funktioniert, erzeugt häufig zusätzliche Arbeit. Dann müssen Ergebnisse kopiert, geprüft, nachbearbeitet oder in andere Systeme übertragen werden. Der scheinbare Effizienzgewinn wird durch Medienbrüche wieder aufgezehrt. Aus Prozesssicht ist deshalb nicht die beeindruckende Einzelleistung entscheidend, sondern die stabile Einbettung in den Arbeitsablauf.

Eine gute KI-Roadmap verbindet technologische Offenheit mit Prozessdisziplin. Sie akzeptiert, dass das beste Modell von heute nicht dauerhaft das beste Modell bleiben muss. Gleichzeitig sorgt sie dafür, dass neue Modelle nicht jedes Mal die gesamte Organisation in Bewegung setzen. So entsteht Skalierung nicht durch die Suche nach der perfekten Einzellösung, sondern durch eine Architektur, die Weiterentwicklung zulässt.

Für Unternehmen bedeutet das: KI sollte nicht als Einweg-Projekt gebaut werden. Wer heute in klare Schnittstellen, saubere Datenzugriffe, versionierte Prompts, belastbare Evaluierung und Governance investiert, schafft die Grundlage dafür, dass bessere Modelle morgen tatsächlich Wirkung entfalten können. Der eigentliche Fortschritt liegt dann nicht nur im Modell, sondern in der Fähigkeit der Organisation, diesen Fortschritt kontrolliert zu nutzen.