Warum AI-Projekte sofort veralten

Worum es in dieser Folge geht

Das hier ist eine Comeback-Folge unseres Stammformats: Tim Wiegels und ich haben uns lange nicht zum Aufnehmen getroffen — Leben, Umzug nach Düsseldorf, viel Reise — und steigen jetzt mit einem neuen Schnitt wieder ein. Drei News, mein Kommentar dazu, dann ein Deep Dive in Thesen, Zahlen und Frameworks. Diesmal mit einem Thema, das beim KI-Hype gern überhört wird: das Geld.

Denn während alle über Möglichkeiten reden, redet kaum jemand über die Rechnung. Wir nehmen uns die Bitkom-KI-Studie 2026 vor, sprechen über die neuen Private-Equity-Joint-Ventures von OpenAI und Anthropic, über Snowflakes Vorstoß zur Control Plane für Agenten — und arbeiten uns durch fünf Kostenfallen, die in fast jedem KI-Projekt zuschlagen. Am Ende steht eine Wette, die wir 2027 überprüfen werden.

Die Storyline

Drei Jahre alt am Tag der Auslieferung

Die Anekdote, die der ganzen Folge ihren Titel gibt: Ich habe mit einem Bekannten von einer der Big-Four-Beratungen gesprochen. Stolzes, großes Projekt — ein Kunde bekommt eine eigene ChatGPT-Plattform gebaut, fertig im Jahr 2027. Mein erster Gedanke war nicht Bewunderung, sondern Mitleid mit dem Kunden.

Genau das ist der Kern: In einem Feld, in dem sich die Modelle im Monatsrhythmus überholen, ist eine dreijährige Bauzeit kein Zeichen von Gründlichkeit, sondern von Veralten by Design. Die Konsequenz ist nicht „langsamer bauen", sondern „austauschbar bauen".

Du kannst KI nicht budgetieren

Die Bitkom-Studie liefert die Zahlen zur Stimmung: Die KI-Nutzung in deutschen Unternehmen hat sich von 17 Prozent (2024) auf 41 Prozent (2026) mehr als verdoppelt, bei Unternehmen über 500 Mitarbeitenden liegt sie schon bei 60 Prozent. Und ein Drittel sagt offen, dass die geplanten KI-Kosten überschritten werden.

Tims Take dazu finde ich präziser als die meisten Beratungs-Slides:

Meine Antwort darauf ist unbequem, aber ehrlich: Wer heute ein KI-Projekt seriös rechnen will, plant mindestens 50 Prozent Puffer ein. Und selbst das ist eher Hoffnung als Plan.

Die fünf Kostenfallen

Den Kern der Folge bildet ein kleines Framework, das wir live durchgespielt haben — fünf Fallen, in die fast jeder tappt:

• Datenqualität. Niemand rechnet mit den Bereinigungskosten. 40 bis 60 Prozent der Use-Case-Laufzeit gehen fürs Aufräumen der Stammdaten drauf — wie schon bei jedem Data-Science-Projekt davor.
• Lizenz vs. Inferenz. Lizenzkosten werden als einmalig gedacht, Inferenzkosten skalieren mit der Nutzung.
• Der „läuft von allein"-Mythos. KI ersetzt nicht den Mitarbeiter, sie verschiebt seine Tätigkeit — Reviewer, Eskalation, Audit-Trails bleiben nötig.
• Vendor-Lock-in durch die Hintertür. Mit den neuen PE-Joint-Ventures entscheidest du dich mit dem Stack auch für einen Mitgesellschafter.
• Der Change-Schatten. Bei KI-bedingten Entlassungen werden Restrukturierungskosten gerechnet, aber selten der Knowledge-Loss und die Stimmung im Team.

Die wichtigste Falle ist für mich die erste. Ob KI-Projekt, Attribution oder Customer Understanding — das Problem ist immer dasselbe: Die ersten Monate räumst du Stammdaten auf, nicht Modelle.

KI als bequeme Ausrede

Ein Thema, bei dem ich deutlich werde: die Welle der „20 Prozent wegen KI"-Entlassungen. Ich glaube den allerwenigsten dieser Geschichten.

Es gibt bisher praktisch keine belastbaren Fälle, in denen jemand 20 Prozent des Budgets in KI gesteckt und dann 10 Prozent mehr Umsatz gemeldet hätte. Wo solche Pläne fehlen, ist „KI" oft nur das Etikett auf einer Entscheidung, die ohnehin gefallen war — so wie es die Pandemie für viele Restrukturierungen war.

Die Wette: Cost-Overrun 2027

Zum Schluss eine Wette, die wir in den Shownotes festhalten und 2027 überprüfen. Tim setzt darauf, dass in der Bitkom-Studie 2027 rund 45 Prozent der Unternehmen einen Cost-Overrun melden — von heute 33 Prozent. Mir ist das zu konservativ.

Der Grund, warum ich nach oben wette, ist genau der rote Faden der Folge: Schon der Sprung von einem Opus-Modell zum nächsten hat Limits und Token-Ökonomie verschoben und Cost-Overruns verdoppelt. Das wird nicht das letzte Mal gewesen sein — und kaum jemand hat es eingeplant.

Warum mich das besonders umtreibt

Mich treibt die Budget-Illusion um. In meinen Mandaten sehe ich permanent, wie KI als IT-Projekt mit klarem Anfang und Ende kalkuliert wird — und dann sechs Monate später an der Realität zerschellt, weil ein neues Modell die halbe Planung obsolet macht. Das ist kein Versagen der Teams, das ist eine falsche Denkkategorie. KI gehört in den Produktgedanken mit laufenden Run-Costs, nicht in die Projektlogik mit Einmalkosten.

Und dann ist da die Gewinner-Verlierer-Frage, die ich in dieser Folge zum ersten Mal so scharf formuliert habe: Der eigentliche Vorsprung liegt nicht im Tool, sondern im Content. Wer wie ich Jahre an sauberen Transkripten, Daten und Strukturen liegen hat, baut damit in Tagen etwas Einzigartiges. Wer den Content nicht hat, kann sich noch so schnell ein Modell danebenstellen — er bleibt austauschbar. Geschwindigkeit kann man kaufen. Vorsprung nicht.

Jetzt reinhören