Unternehmen, die mit dem rasanten Tempo der KI-Entwicklung Schritt halten wollen, benötigen ein tiefes Verständnis ihrer eigenen Geschäftsprozesse – und Flexibilität bei den Modellen und Agenten, die sie einsetzen. Das sagt eine Führungskraft von Dataiku.

Generative und agierende KI werden seit mehreren Jahren breit in Unternehmen eingesetzt. Doch ähnlich wie zu Beginn des KI-Booms, der auf OpenAIs Veröffentlichung von ChatGPT im Jahr 2022 folgte, scheint das Tempo der Technologieentwicklung von der Adaption nicht eingeholt zu werden. Da die Aufmerksamkeit nun auf den Kosten der KI-Nutzung liegt, sind Unternehmen gezwungen, genau zu prüfen, wie sie generative KI einsetzen, und sicherzustellen, dass sie daraus Wert ziehen.

In letzter Zeit hat jedoch ein Wandel begonnen, da Unternehmen ihre Skepsis darüber abgebaut haben, wie generative und agierende KI-Technologie ihnen helfen könnte. Angesichts des Phänomens des Open-Source-Personalagenten OpenClaw, der Veröffentlichung des domänenanpassbaren Claude Cowork und der leistungsstarken Mythos-Modelle durch Anthropic sowie des Aufrufs von Nvidia-CEO Jensen Huang an Unternehmen, eine „OpenClaw-Strategie“ zu verfolgen, verspürten die Unternehmen einen dringenden Bedarf, die Technologie einzuführen.

In einem Interview auf der Ai4-2026-Konferenz in Las Vegas Anfang dieses Monats sprach Jed Dougherty, Senior Vice President für KI und Plattform beim Enterprise-KI- und Machine-Learning-Plattformanbieter Dataiku, über die Hindernisse, mit denen Unternehmen bei der Autonomie von Agenten und bei der Wahl der richtigen Modelle oder Agenten konfrontiert sind. Seiner Ansicht nach muss ein Unternehmen unabhängig davon, welche KI-Marke es wählt, die Technologie so steuern, dass sie für die Organisation funktioniert. Dataiku, 2013 gegründet und in seiner Finanzierungsrunde 2022 mit 3,7 Milliarden US-Dollar bewertet, verkauft eine zentrale Plattform zum Erstellen, Bereitstellen und Steuern von Enterprise-KI – eine Positionierung, die zu seinem Plädoyer für eine zentrale, herstellerneutrale Orchestrierungsschicht passt.

Sollten Unternehmen angesichts des Erfolgs von OpenClaw jetzt die volle Autonomie von KI-Agenten akzeptieren, oder besteht weiterhin Bedarf an mehr Human-in-the-Loop?

Dougherty: Es besteht weiterhin Bedarf an menschlicher Steuerung. Die größten Zuwächse und Erfolge, die Menschen beim Einsatz von Agenten erleben, gibt es nach wie vor in Unternehmen, in denen noch Menschen in den Prozess eingebunden sind. Jedes Unternehmen braucht eine Strategie, um zu ermitteln, was vollständig auf vollautonome Systeme überführt werden kann. Es ist wichtig festzulegen, welche Richtlinien und Prozesse in der eigenen Organisation autonomisiert werden können – oder welche Teilbereiche davon.

Seine Vorsicht wird durch Branchenforschung bestätigt: Gartner hat prognostiziert, dass bis Ende 2027 mehr als 40 % der Projekte mit agierender KI eingestellt werden, nachdem Proof-of-Concepts keine Ergebnisse liefern – mit Verweis auf steigende Kosten, unklaren Geschäftswert und unzureichende Risikokontrollen.

Welche Rolle spielen FDEs, also Forward-Deployed-Ingenieure, dabei, Unternehmen zur Einführung von KI-Technologie zu bewegen?

Dougherty: Wir haben viel Zeit und Geld investiert, um ein starkes Forward-Deployed-Engineering-Team aufzubauen, mit dem wir unsere Kunden unterstützen. Das ist sehr wichtig. Ich habe beispielsweise einem Kunden geholfen. Wir versuchten, einige relativ einfache Websites aufzubauen. Ich hatte nicht erwartet, wie viele kleine technische Hürden – die ich völlig für selbstverständlich halte, weil ich sie jeden Tag bewältige – Menschen aufhalten oder den Zeitpunkt, zu dem eine Website erstmals bereitgestellt werden könnte, drastich verzögern. Ein Forward-Deployed-Ingenieur, der die einfache Infrastrukturarbeit beherrscht, ist nach wie vor wertvoll.

Das Forward-Deployed-Engineering-Modell wurde von Palantir populär gemacht und hat sich seitdem in der Anbieterlandschaft für KI verbreitet, während Anbieter versuchen, Laborfähigkeiten in funktionierende Enterprise-Bereitstellungen zu überführen.

Wie groß ist der Bedarf an Experten, damit agierende KI funktioniert? Und würden Sie sagen, dass die Anbieter mit ihrer Botschaft zu Beginn der breiten Nutzung generativer KI falsch lagen, als sie versuchten, sie als Werkzeug darzustellen, das keine Experten erfordert?

Dougherty: Das denke ich nicht. KI ist eine brandneue Technologie. Vor vier Jahren waren die Menschen im Self-Service mit Machine Learning ziemlich gut, weil sie es bereits zehn Jahre lang machten. Jetzt, da sich neue Agentenfunktionen überall verbreiten, müssen die Anbieter etwas Zeit aufwenden, um die Menschen über diese anfängliche Hürde zu bringen. In ein bis zwei Jahren, wenn mehr Menschen die Technologie kennengelernt und sich an sie gewöhnt haben, wird man meiner Einschätzung nach nicht mehr ganz dieselbe praktische Unterstützung benötigen. Aber im Moment, wenn ich jemandem etwas erkläre, der noch nie einen Agenten berührt oder einen Agenten gebaut hat, ist es einfach hilfreich, einen Experten dazwischen zu haben. Die geschäftstransformatorischen Möglichkeiten strukturierter Agenten, die große Teile der Geschäfts-Pipelines replizieren, sind relativ komplex.

Was ist der beste Anwendungsfall für agierende KI, der Unternehmen transformieren wird?

Dougherty: Ein Unternehmen muss sich selbst kennen, bevor es den besten Anwendungsfall identifizieren kann. Der beste Anwendungsfall für agierende KI in jedem Unternehmen ist sein Kernprozess. Nehmen wir zum Beispiel die Versicherung. Ein Versicherungsanspruch geht ein, und der Anspruch wird verarbeitet. Der Anspruch muss untersucht werden. Es wird entschieden, ob der Versicherungsanspruch ausgezahlt wird. Wahrscheinlich findet eine Prüfung statt. Vielleicht wird das Rechtsteam informiert. Der Kern des Versicherungsgeschäfts besteht also darin zu entscheiden, wie und ob Versicherungsansprüche ausgezahlt werden und ob mit dem Kunden erneut Geschäfte gemacht werden. Je besser ein Versicherungsunternehmen heute beschreiben kann, wie es dies ohne generative KI tut, desto besser wird es verstehen, welche Teilbereiche dieses Auszahlungsprozesses für Versicherungsansprüche anschließend durch agierende KI repliziert oder erweitert werden können.

Unternehmen kennen manchmal ihren Geschäftswert, stehen aber vor einer Fülle von Optionen. Wie können sie auswählen, mit welchem Anbieter sie eine Partnerschaft eingehen?

Dougherty: Optimale Arbeit mit Daten im Machine Learning und heute in der KI bedeutet, das richtige Teilwerkzeug für die richtige Aufgabe zu wählen und es einfach austauschen oder anpassen zu können. Manchmal ist Snowflake die beste Datenbank, und manchmal nicht. Manchmal ist OpenAI die beste Option, und manchmal ist ein On-Premise-Modell die beste Option für sehr sensible Daten oder zur Kostenkontrolle. Eine Orchestrierungsschicht zu haben – eine Plattform, die es ermöglicht, diese zugrunde liegenden einzelnen Werkzeuge sicher, kontrolliert und gesteuert zu kombinieren –, das ist das Fundament. Man möchte eine zentrale, herstellerneutrale Orchestrierungsschicht, mit der sich leicht das richtige Werkzeug für die richtige Aufgabe wählen lässt.

Wie können Unternehmen mit den steigenden Kosten der KI-Nutzung umgehen?

Dougherty: Ich vergleiche das mit dem Preis-Schock, den die Menschen zu Beginn des Cloud-Zeitalters erlebten, als sie alles auf AWS umstellten und im darauffolgenden Jahr eine gewaltige Rechnung erhielten. Das wird 2027 geschehen, wenn mehr Menschen generative KI zu nutzen beginnen. Es ist für mich nicht schwierig, an einem Tag 1.000 US-Dollar an Tokens zu verbrauchen, wenn ich intensiv an etwas arbeite – und das ist nicht günstig. Ich glaube zwar, dass es dagegen einigen Widerstand geben wird, aber es ist auch unglaublich wertvoll. In den richtigen Händen: Dinge, für die man zwei Monate bräuchte, kann ich an einem Tag bauen. Dafür gibt es keinen Ersatz. Deshalb ist es sehr wichtig, nicht einen einzelnen Agenten alle Aufgaben erledigen zu lassen. Man möchte die Arbeit in so viele kleine Schritte wie möglich zerlegen. Das andere, worauf man beim Kostenmanagement achten sollte, ist die Offenheit für Verschiebungen am Markt. Was die besten Foundation-Modelle und die Preispunkte angeht, auf dem Laufenden zu bleiben, macht tatsächlich einen drastischen Unterschied – potenziell bei der Steuerung der eigenen Preise. Zwischen ihnen wechseln zu können, ist entscheidend.

Die von ihm beschriebene Dynamik hat auf der Cloud-Seite ein Vorbild: FinOps – inzwischen eine formale Disziplin mit eigener professioneller Stiftung – nahm Gestalt an, nachdem Unternehmen, die von frühen Cloud-Rechnungen getroffen wurden, dedizierte Prozesse für die Nachverfolgung und Steuerung von Ausgaben aufgebaut hatten.

Was ist mit den offenen Modellen von Alibaba, DeepSeek und anderen chinesischen Anbietern? Wie sollten Unternehmen auf diesen Trend reagieren?

Dougherty: Sie sind großartig. Wir sehen viele Drittanbieter, die diese chinesischen Modelle von Drittanbietern oder andere Open-Source-Modelle bereitstellen und sie zu einem sehr wettbewerbsfähigen Preis anbieten. Man kann auf jeden Fall Open-Source-Modelle von Drittanbietern einsetzen und sich damit viel Geld sparen. Außerdem kommt es im Wesentlichen auf die Fähigkeiten an.

Wenn sich Agenten in einer Organisation verbreiten, wird ihr Management noch entscheidender werden, sagte Dougherty. „Konversations-KI und die Nutzung von KI zur Entwicklung von Anwendungen bleiben dauerhaft bestehen. Alle werden diese Dinge bauen. Wir müssen herausfinden, was funktioniert und was nicht.“

Anmerkung der Redaktion: Dieses Interview wurde für Klarheit und Kürze bearbeitet.

Quelle: AI Business