Die versteckte KI-Steuer: Kosten geraten bei GenAI oft außer Kontrolle
Die Studie zur entglittenen Kostenkontrolle beim KI-Einsatz kann hier heruntergeladen werden: https://www.datarobot.com/resources/a-strategic-approach-to-scalinggenerative-and-agentic-ai/
Eine von DataRobot gesponserte IDC-Umfrage unter mehreren Hundert Entscheidern offenbart ein massives Problem bei der Skalierung von Generative AI und Agentic Workflows: 96 Prozent der Organisationen, die GenAI deployen, und 92 Prozent derjenigen, die Agentic AI einsetzen, berichten von höheren Kosten als erwartet. Noch alarmierender: 71 Prozent geben zu, dass sie wenig bis gar keine Kontrolle darüber haben, woher diese Kosten stammen.
In der Studie zeigt sich: Wer GenAI breit im Unternehmen ausrollt, landet schnell bei mehreren parallelen Tools und Plattformen – ein Setup, das die Kosten- und Governance-Kontrolle massiv erschwert. Fast die Hälfte ihrer IT-Kapazität – 48 Prozent – wird durch GenAI- und Agentic-AI-Arbeit gebunden, ein Anstieg von einem Drittel gegenüber Organisationen mit begrenztem Deployment. Ein Großteil dieser Kapazität fließt in die Integration und Verwaltung multipler Tools und Vendor-Beziehungen.
Die größten unerwarteten Kostentreiber sind Token-Verbrauch und die Behebung von Halluzinationen. Mehr Agenten bedeuten mehr Anbieter, mehr Personalaufwand – und Kosten, die viele CIOs kaum noch transparent nachvollziehen können. Die Studie zeigt einen gefährlichen Ausblick: Organisationen, die Kosten bei zehn Agenten nicht kontrollieren können, schaffen es bei 100 Agenten erst recht nicht.
Der Deployment-Gap wird zur Wettbewerbskluft. Organisationen, die seit einem Jahr oder länger GenAI produktiv nutzen, nennen doppelt so häufig End-to-End-Enterprise-AI-Plattformen als kritisch für das Erreichen ihrer Ziele. Diese Early Movers erwarten, innerhalb von zwei Jahren über 100 Agenten zu betreiben, während Organisationen in der Pilotphase nur etwa 25 planen. Venky Veeraraghavan, Chief Product Officer bei DataRobot, warnt: Die 96-Prozent-Kostenüberschreitung sei kein reines Budgetproblem, sondern ein Frühwarnsignal, dass die meisten Unternehmen blind skalieren würden.
Was Early Movers von feststeckenden Organisationen unterscheidet, sind drei Faktoren: Sie haben Governance von Anfang an eingebettet, setzen auf einheitliche Plattformen statt Tool-Wildwuchs und bauen Kostentransparenz von Tag eins ein. Für BI-Abteilungen bedeutet das: Observability und Cost Intelligence müssen zur Enterprise-Capability werden, nicht zum nachträglichen Add-on.
Alteryx: Governance-Funktionen für skalierbare Analytics
Weil eine Untersuchung von 1.200 AI-Use-Cases zeigte, dass Governance zu den größten Herausforderungen bei AI-Initiativen zählt, hat Alteryx sein Angebot in dieser Hinsicht deutlich ausgebaut. Die neue Version der Alteryx One Platform integriert nun Data Lineage durch Anbindungen an Atlan und Collibra und ermöglicht damit vollständige Rückverfolgbarkeit vom Datenursprung bis zum Ergebnis.
Diese Transparenz stärkt nicht nur Compliance, sondern macht Data Lineage auch zum Beschleuniger für Datenmodernisierung. Denn so kann erkannt werden, welche Datenquellen Teams am häufigsten nutzen. Diese Sichtbarkeit hilft bei der Entscheidung, welche Daten-Assets konsolidiert, migriert oder in Cloud-Plattformen überführt werden sollten.
Zusätzlich führt Alteryx erweiterte administrative Kontrollen ein: rollenbasierte Berechtigungen, SCIM-Provisioning für automatisiertes User-Management, Audit-Logging und verbesserte In-App-Sichtbarkeit. Diese Funktionen helfen dabei, die Compliance zu wahren, während immer mehr Anwender im Unternehmen Self-Service-Analytics nutzen.
SAP und Databricks: GenAI-Accelerators für Datenmigration
Databricks hat neue GenAI Partner Accelerators für Data Engineering und Migration vorgestellt. Diese bieten präskriptive Architekturen, Templates und Best Practices, die gemeinsam mit Partnern entwickelt wurden, um Daten-Stacks auf der Databricks Data Intelligence Platform zu modernisieren. Die Accelerators sollen Unternehmen helfen, sich von Legacy-ETL und Data Warehouses zu lösen, Daten für AI zu vereinheitlichen und produktionsreife GenAI- und Agentic-Workloads schneller mit bewährten Mustern und Partner-Unterstützung aufzubauen. Für SAP-Kunden, die ihre Datenlandschaft modernisieren wollen, bieten diese Accelerators einen strukturierten Migrationspfad in die Cloud-native-Welt.
Mehr dazu unter https://www.databricks.com/blog/introducing-databricks-genai-partner-accelerators-data-engineering-migration
Qlik-CEO: Versteckter AI-Wert braucht Governance
Qlik-CEO Mike Capone warnte bei dem im Januar abgehaltenen Webinar „Data, Analytics and AI Trends“, dass die meisten Unternehmen bei KI dramatisch unter ihren Möglichkeiten bleiben würden. Der Hintergrund: Eine Studie der Boston Consulting Group zeigt, dass nur 5 Prozent der Unternehmen strukturell AI-ready sind. Das Paradoxe dabei: Mitarbeiter nutzen KI täglich in Dokumenten, Präsentationen und Code. Diese Produktivität bleibt aber unsichtbar für die Gewinn-und-Verlust-Rechnung, basiert selten auf vollständigen Daten und liegt außerhalb der Governance. Qlik nennt dies „Stealth AI Value“ – versteckten KI-Wert.
Capone sieht in dieser Hinsicht 2026 als Wendejahr. Unternehmen sollten nicht fragen, auf welches Modell sie setzen, sondern davon ausgehen, dass sie diese Entscheidungen wiederholt ändern werden. Die Architektur muss den Austausch von Modellen und Tools ermöglichen, ohne Business-Logik neu zu schreiben oder die Datenkontrolle zu verlieren.
Die Lösung ist kontrollierte Dezentralisierung: Definitionen, Governance und Datensouveränität bleiben zentral und nicht verhandelbar. Experimentieren und Automatisierung werden zu den Teams ausgelagert, die der Arbeit am nächsten sind. Die Gewinner verwandeln diesen versteckten Ad-hoc-KI-Einsatz in ein Governance-gedecktes Entscheidungssystem: Alle Agenten und Anwender greifen auf denselben vertrauenswürdigen Daten- und Metrik-Layer zu – unabhängig davon, welches Modell oder welches Frontend sie heute oder morgen verwenden. Für BI-Teams heißt das konkret: Ein konsistenter Metrics-Layer und klare Governance-Regeln sind wichtiger als die Wahl des „perfekten“ Modells.
Qlik‑CEO Mike Capone warnt vor „Stealth AI Value“, also dass produktive KI-Nutzung ohne Governance in der GuV unsichtbar bleibt.
Bologna Digital Twin: Wie Business Intelligence die Stadtplanung revolutioniert
In einem Webinar im Januar stellten die Verantwortlichen von „Bologna Digital Twin“ ihr Projekt vor und gaben einen Zukunftsausblick. Die Aufzeichnung des Webinars gibt es unter https://www.youtube.com/watch?v=3KZqeL9vYFA
Die italienische Stadt Bologna entwickelt mit einem Budget im einstelligen Millionenbereich einen digitalen Zwilling, der weit über technische Spielereien hinausgeht. Das Besondere: Der „Bologna Digital Twin“ modelliert nicht nur Gebäude und Infrastruktur, sondern bildet auch soziale Dynamiken und Bürgerverhalten ab. Mit Hilfe von Business-Intelligence-Methoden, Predictive Analytics und Echtzeit-Daten will die Großstadt urbane Herausforderungen wie Klimawandel und Verkehrsprobleme datengetrieben adressieren und dabei die Bürger aktiv einbinden. In einem Webinar im Januar stellten die Verantwortlichen das Projekt näher vor.
Von der Maschine zum Ökosystem
Bologna kämpft trotz beeindruckender Infrastruktur – Heimat der ältesten Universität der westlichen Welt – mit denselben Problemen wie viele europäische Städte: Luftverschmutzung, Verkehrschaos und Klimawandel-Folgen. Die Antwort der Stadtverwaltung ist der Bologna Digital Twin, der 2024 startete und aus EU-Kohäsionsfonds sowie dem italienischen Aufbauplan finanziert wird.
Der entscheidende Unterschied zu anderen Smart-City-Projekten liegt im Ansatz. Während industrielle Digital Twins industrielle Anlagen nachbilden, begreift Bologna seine Stadt als lebendiges Ökosystem. Stefania Paolazzi, Innovation Managerin bei der Comune di Bologna, betont, eine Stadt sei keine Maschine und Bürger keine passiven Nutzer. Der Civic Digital Twin fokussiert deshalb nicht nur auf physische Infrastruktur, sondern bildet auch menschliches Verhalten und soziale Dynamiken ab.
Horizontale Plattform statt Silo-Lösung
Die technische Basis ist eine horizontale Business-Intelligence-Plattform, die weit über Digital-Twin-Anforderungen hinausgeht. Marco Pistore, leitender Forscher bei der Bruno Kessler Foundation, betonte in einem Webinar, dass die Plattform bewusst nicht als vertikale Speziallösung konzipiert wurde. Sie unterstützt auch Urban Intelligence und verschiedene AI-Anwendungen.
Ein zentrales Merkmal ist die Vermeidung von Vendor Lock-in, weshalb die Cloud-native Plattform auf Open Source setzt. Bologna behielt die Kontrolle über das Plattform-Design und baute Entwicklungskapazität auf, um bei Bedarf Open-Source-Tools zu ersetzen. Diese Strategie erwies sich als weitsichtig: Das ursprünglich eingesetzte MinIO für den Data Lake wechselte während des Projekts zu einem Freemium-Modell mit eingeschränkter Community-Edition.
Besonders wichtig ist die Traceability: Wenn eine Entscheidung auf Basis der Plattform sich als problematisch erweist, lässt sich nachvollziehen, welche Input-Daten, Algorithmen und Parameter verwendet wurden. Die Plattform unterstützt Workflow-Management von Jupyter Notebooks bis zu robusten Cloud-Workflows mit Lineage-Tracking. So lässt sich jederzeit klären, welche Daten von welchen Algorithmen konsumiert beziehungsweise produziert wurden.
Data Governance als Fundament
Hinter der Plattform steht ein ausgefeiltes Data-Governance-Konzept. Bologna sammelt Daten aus bestehenden Datenbanken, IT-Systemen, APIs und Excel-Dateien verschiedener Verwaltungsabteilungen. Eine bemerkenswerte organisatorische Innovation ist die Fusion der IT-Abteilung mit der Statistik-Abteilung. Pistore hebt diese Entscheidung hervor: Beide bieten komplementäre Perspektiven auf die Stadt – unter einem Dach vereint vereinfacht dies den Datenaustausch massiv.
Mittelalterliche Arkaden treffen auf Zukunftstechnologie: Der Bologna Digital Twin macht Stadtentwicklung simulierbar. (Maria Bobrova auf Unsplash).
Bologna setzt auf ein Data-Steward-Modell, bei dem Stewards Datenbesitzern helfen, Wert aus ihren Daten zu extrahieren. Der Umgang mit Standards ist pragmatisch: Europäische Taxonomien dienen als Leitplanken, reichen aber oft nicht aus. Für den Mobilitäts-Use-Case fehlten wichtige Elemente. Die Lösung ist eine dynamische Task Force, die flexibel entscheidet, wo Innovation außerhalb der Leitplanken notwendig ist.
Ein bemerkenswerter Effekt: Forscher fordern nicht mehr automatisch neue Daten, sondern konzentrieren sich darauf, vorhandene Datensätze besser zu nutzen. Dieser Paradigmenwechsel zeigt, dass die Data-Governance-Strategie greift.
Predictive Analytics zeigt soziale Auswirkungen
Im Webinar demonstrierte Pistore live die Simulation einer Verkehrsregulierung: Euro-3-Fahrzeuge dürfen zwischen 7:30 und 19:30 Uhr nicht in die Innenstadt. Das System berücksichtigt nicht nur direkte Effekte davon auf Verkehr und Emissionen, sondern auch Verhaltensänderungen. Ein Teil des Verkehrs verschiebt sich auf Randzeiten – abhängig von der Bereitschaft der Menschen, Fahrten zeitlich anzupassen.
Besonders innovativ ist dabei die Fragilitäts-Analyse: Der Digital Twin misst die Belastung vulnerabler Gruppen entlang drei Dimensionen – ökonomisch, demografisch und sozial. So zeigt das System, dass Familien mit Kindern in bestimmten Vierteln höhere Mobilitätslasten tragen. Diese Indikatoren helfen, indirekte Diskriminierung durch Policies zu erkennen. Wenn eine Regelung Ticketkosten erhöht, trifft das ökonomisch fragile Gruppen stärker. Wenn sie bestimmte Tageszeiten betrifft, belastet das Personen mit Caregiving-Pflichten überproportional.
Technik macht sichtbar, Politik entscheidet
Eine zentrale Erkenntnis betrifft die Rolle des Digital Twin im Entscheidungsprozess. Pistore formuliert es klar: Der Digital Twin hilft, die anstehenden Fragen besser zu verstehen, trifft aber selbst keine Entscheidungen. Diese Verantwortung liegt bei der Stadtverwaltung und den Bürgern. Der Digital Twin objektiviert dabei allerdings Diskussionen, indem er vage Begriffe wie „zu teuer“ messbar macht.
Paolazzi ergänzt: Die Politik arbeitet schnell und fokussiert auf Notfälle, während Modellentwicklung Zeit braucht. Die größte Herausforderung sei nicht die Technik, sondern die menschliche Seite. Das Projekt erfordert kontinuierliche Übersetzungsarbeit zwischen politischen Anforderungen und technischen Möglichkeiten. Menschen in der Verwaltung müssen ihre Arbeitsweise ändern und Vertrauen in datenbasierte Prozesse entwickeln.
Ausblick: Öffnung für Bürger
Für 2026 plant Bologna die Integration eines interaktiven 3D-Stadtmodells, ein öffentliches Interface für Bürger und die Entwicklung von Equity-Indikatoren für vulnerable Gruppen. Die Plattform wird zudem in einer Pre-Sandbox für AI Act Compliance getestet. Bologna zeigt, wie Business-Intelligence-Methoden urbane Governance transformieren: Die Erfolgsformel kombiniert flexible Technik, professionelle Data Governance und intensive Bürgerbeteiligung. Die Fusion von IT und Statistik, das Data-Steward-Modell und der pragmatische Umgang mit Standards sind übertragbare Konzepte für andere Städte und Organisationen.
Mehr zum Projekt auf http://www.fondazioneinnovazioneurbana.it/en/project/bolognadigitaltwin
