Wie ordnet man KI-Ausgaben den richtigen Kostenstellen zu?

Um KI-Ausgaben den richtigen Kostenstellen zuzuordnen, müssen Sie jede KI-bezogene Ressource zum Zeitpunkt der Bereitstellung kennzeichnen, für jede Arbeitslast einen klaren Verantwortlichen festlegen und eine einheitliche Taxonomie zur Kostenverrechnung anwenden, die die KI-Ausgaben mit den Geschäftsbereichen oder Produkten verknüpft, die diese nutzen. Ohne diese Grundlage fließen die KI-Kosten in allgemeine IT-Kostenposten ein und lassen sich nicht mehr steuern.

Die Zuordnung von KI-Ausgaben ist besonders schwierig, da sie Cloud-Rechenleistung, Dateninfrastruktur, lizenzierte Modelle und personellen Aufwand auf eine Weise miteinander verbindet, die mehrere Teams gleichzeitig betrifft. In den folgenden Abschnitten werden die einzelnen Aspekte des Problems sowie Lösungsansätze erläutert.

Welche Kostenstellenkategorien gelten für KI-Ausgaben?

Die Ausgaben für KI lassen sich in der Regel vier Kostenstellenkategorien zuordnen: Rechenleistung und Infrastruktur, Daten und Speicher, Software und Lizenzen sowie Personal und Betrieb. Jede Kategorie erfasst eine bestimmte Ebene der KI-Kosten und erfordert eine eigene Zuordnungslogik, um die Kosten genau dem Geschäftsbereich oder Produkt zuzuordnen, der bzw. das sie verursacht.

• Rechenleistung und Infrastruktur: GPU-Instanzen, Trainingscluster, Inferenz-Endpunkte und Orchestrierungsdienste in Cloud-Umgebungen wie AWS, Azure oder GCP.
• Daten und Speicherung: Data Lakes, Vektordatenbanken, Feature Stores und die Pipelines, über die Daten zwischen ihnen übertragen werden.
• Software und Lizenzen: API-Aufrufe für Grundmodelle (wie OpenAI oder Azure OpenAI), MLOps-Plattformen und KI-spezifische SaaS-Tools.
• Mitarbeiter und Betriebsabläufe: Datenwissenschaftler, ML-Ingenieure und Prompt-Ingenieure, deren Arbeitszeit direkt bestimmten KI-Initiativen zuzuordnen ist.

Viele Unternehmen behandeln KI-Ausgaben zunächst als Teil ihres allgemeinen Cloud- oder Software-Budgets. Dieser Ansatz stößt jedoch schnell an seine Grenzen, sobald KI-Workloads skalieren, da sich die Kostentreiber ganz anders verhalten als bei herkömmlichen Anwendungen. Ein einziger Trainingslauf kann innerhalb weniger Stunden mehr Rechenleistung verbrauchen als eine Standardanwendung in einem Monat, sodass eine detaillierte Kategorisierung eher eine praktische Notwendigkeit als eine buchhalterische Präferenz ist.

Warum ist es schwieriger, Ausgaben für KI zuzuordnen als herkömmliche IT-Kosten?

Die Zuordnung von KI-Ausgaben ist schwieriger als bei herkömmlichen IT-Kosten, da KI-Workloads naturgemäß gemeinsam genutzt werden, variabel sind und funktionsübergreifend eingesetzt werden. Ein einzelnes Modell kann gleichzeitig fünf Geschäftsbereiche bedienen, die Trainingskosten fallen einmalig an, der Nutzen wird jedoch wiederholt realisiert, und die Grenze zwischen Infrastruktur und Anwendung ist oft verschwommen.

Mehrere strukturelle Faktoren verschärfen die Schwierigkeiten:

• Gemeinsam genutzte Infrastruktur: GPU-Cluster und Datenplattformen sind selten einem einzigen Team vorbehalten. Gemeinsame Ressourcenpools erschweren die Kostenzuordnung, wenn kein gezielter Mess- und Abrechnungsmechanismus vorhanden ist.
• Unregelmäßige Konsumgewohnheiten: Trainingsaufträge verursachen große, jedoch selten auftretende Kostenspitzen. Die Kosten für die Inferenz fallen kontinuierlich an, schwanken jedoch je nach Nutzung. Keines dieser Muster lässt sich nahtlos in herkömmliche monatliche Budgetzyklen einordnen.
• Besitz mehrerer Teams: An der Entwicklung eines einzelnen KI-Produkts können ein zentrales Datenplattform-Team, ein Produktteam einer Geschäftseinheit und ein unternehmensweites IT-Team beteiligt sein, von denen jedes berechtigte Ansprüche auf die Kosten geltend machen kann.
• Undurchsichtige Preismodelle: Aufgrund der tokenbasierten API-Preisgestaltung, der Rabatte für Spot-Instanzen und der Verträge über garantierte Nutzung lassen sich die tatsächlichen Kosten einer KI-Workload ohne spezielle Tools nur schwer berechnen.

Bei der herkömmlichen IT-Kostenverrechnung wird von relativ stabilen, vorhersehbaren Arbeitslasten ausgegangen, die an bestimmte Systeme gebunden sind. KI widerlegt beide Annahmen, weshalb Unternehmen, die für KI dieselben Verrechnungsregeln anwenden wie für herkömmliche Software, durchweg verzerrte Kostenstellendaten erhalten.

Wie werden die Kosten für gemeinsam genutzte KI-Infrastruktur auf die einzelnen Geschäftsbereiche umgelegt?

Sie verrechnen die gemeinsamen KI-Infrastrukturkosten auf die einzelnen Geschäftsbereiche, indem Sie eines von drei Modellen anwenden: die direkte Verrechnung auf Basis des gemessenen Verbrauchs, die proportionale Verrechnung auf Basis vereinbarter Schlüssel oder ein Show-Back-Modell, das die Kosten sichtbar macht, ohne sie weiterzuverrechnen. Welches Modell das richtige ist, hängt davon ab, wie ausgereift Ihre Tagging- und Messverfahren sind.

Zuweisung auf Basis des direkten Verbrauchs

Dies ist die genaueste Methode. Sie messen die tatsächliche Ressourcennutzung pro Workload, ordnen jeden Workload einer Geschäftseinheit zu und weisen die Kosten entsprechend zu. Dies erfordert eine einheitliche Kennzeichnung auf Ressourcenebene sowie Tools, die Nutzungsdaten nach Kennzeichnungen über Abrechnungszeiträume hinweg aggregieren können. Für GPU-Rechenleistung bedeutet dies, Metriken auf Job-Ebene zu erfassen – wie beispielsweise die pro Trainingsdurchlauf verbrauchten GPU-Stunden – und diese dem Team zuzuordnen, das den Job eingereicht hat.

Proportionale und ausgehandelte Zuteilung

Wo eine direkte Messung noch nicht möglich ist, können Sie mit den Verantwortlichen der Geschäftsbereiche Verteilungsquoten vereinbaren, die auf der erwarteten Nutzung, der Mitarbeiterzahl oder dem Umsatzbeitrag basieren. Dieser Ansatz ist zwar weniger genau, als Ausgangspunkt jedoch weitaus praktischer. Die Quoten sollten vierteljährlich überprüft werden, sobald tatsächliche Nutzungsdaten vorliegen und sich das Verteilungsmodell in Richtung einer direkten Zuordnung weiterentwickelt.

Unabhängig davon, für welches Modell Sie sich entscheiden, muss die Zuordnungslogik dokumentiert, den Leitern der Geschäftsbereiche mitgeteilt und in regelmäßigen Abständen überprüft werden. Undurchsichtige oder statische Zuordnungsregeln führen schnell zum Verlust des Vertrauens der Beteiligten, was dazu führt, dass die Geschäftsbereiche sich nicht mehr mit den Kostendaten auseinandersetzen.

Welche Daten benötigen Sie, um die KI-Kosten genau zu erfassen?

Um die KI-Kosten genau zu erfassen, benötigen Sie vier Arten von Daten: Abrechnungsdaten auf Ressourcenebene von Ihren Cloud-Anbietern, Metadaten zu Workloads einschließlich Tags und Projektkennungen, Nutzungskennzahlen auf Job- oder Anforderungsebene sowie eine organisatorische Zuordnung, die Teams und Produkte mit Kostenstellen verknüpft.

Ohne alle vier Komponenten weist Ihre Zuordnung Lücken auf. Anhand der Abrechnungsdaten erfahren Sie, welche Ausgaben getätigt wurden. Anhand der Tags erfahren Sie, wer die Ressource bereitgestellt hat. Anhand der Nutzungskennzahlen erfahren Sie, wie viel jeder Nutzer tatsächlich verbraucht hat. Die Organisationszuordnung ordnet die Teamnamen der Finanzhierarchie zu, der Ihre Kostenstellen unterliegen.

Zu den häufigen Problemen bei der Datenqualität, die die KI-Kostenermittlung beeinträchtigen, gehören:

• Nicht oder uneinheitlich gekennzeichnete Ressourcen, wodurch Kosten in eine Sammelkategorie namens “nicht zugeordnet” fallen
• Abrechnungsdaten, die mit Verzögerung eintreffen, wodurch eine Zuordnung in Echtzeit unmöglich ist
• Nutzungsmetriken, die in technischen Systemen vorhanden sind, jedoch niemals mit Finanzdaten verknüpft werden
• Organisationshierarchien in Finanzsystemen, die nicht widerspiegeln, wie KI-Teams tatsächlich aufgebaut sind

Die Festlegung von Datenqualitätsstandards vor der Erstellung von Zuordnungsmodellen erspart erheblichen Nacharbeitsaufwand. A Bewertung des Reifegrades von FinOps ist eine nützliche Methode, um genau zu ermitteln, wo Ihre Datenlücken liegen, bevor Sie in neue Tools oder Prozessänderungen investieren.

Inwiefern verändert FinOps den Ansatz bei der Kostenverrechnung im Bereich KI?

FinOps verändert die Kostenverrechnung im KI-Bereich, indem es den Fokus von der passiven Berichterstattung auf die aktive Entscheidungsfindung verlagert. Anstatt KI-Ausgaben erst im Nachhinein zu erklären, verankert ein FinOps-Ansatz das Kostenbewusstsein in den Teams, die Entscheidungen zur KI-Infrastruktur treffen, und schafft so einen kontinuierlichen Kreislauf aus Transparenz, Verantwortlichkeit und Optimierung.

Der praktische Unterschied ist erheblich. Allein schon das Cloud-Kostenmanagement macht die Ausgaben für KI sichtbar. FinOps geht noch einen Schritt weiter, indem es festlegt, wer für welche Kosten verantwortlich ist, welche Entscheidungen auf der Grundlage dieser Kosten getroffen werden sollten und wie schnell diese Entscheidungen getroffen werden müssen. Für KI-Workloads bedeutet dies:

• Entwicklerteams erhalten nahezu in Echtzeit Kostenrückmeldungen zu Testläufen und Inferenz-Bereitstellungen
• Die Leiter der Geschäftsbereiche können die Zuordnung ihrer KI-Ausgaben klar nachvollziehen und diese hinterfragen oder bestätigen
• Die Finanz- und die IT-Abteilung stimmen ihre Prognosen ab, bevor Budgets gebunden werden – und nicht erst, wenn die Rechnungen eintreffen.
• Optimierungsentscheidungen, wie beispielsweise der Wechsel von On-Demand- zu reservierter GPU-Kapazität, werden unter vollständiger Berücksichtigung der Kosten und der Leistung getroffen.

FinOps bietet zudem die Governance-Ebene, die bei der KI-Kostenverrechnung in den meisten Unternehmen fehlt. Ohne festgelegte Entscheidungsbefugnisse und regelmäßige Überprüfungsintervalle bleiben selbst genaue Kostendaten ungenutzt. FinOps schafft den Betriebsrhythmus, der Daten in Maßnahmen umsetzt.

Welche Tools unterstützen die Zuordnung von KI-Ausgaben zu Kostenstellen?

Tools, die die Zuordnung von KI-Ausgaben zu Kostenstellen unterstützen, lassen sich in drei Kategorien einteilen: native Tools von Cloud-Anbietern, spezielle FinOps-Plattformen und IT-Finanzmanagement-Plattformen. Jedes dieser Tools arbeitet mit einer anderen Detailebene und richtet sich an eine andere Zielgruppe innerhalb des Unternehmens.

• Native Tools von Cloud-Anbietern (AWS Cost Explorer, Azure Cost Management, GCP Billing) liefern Rohdaten zur Abrechnung und bieten grundlegende, auf Tags basierende Filterfunktionen. Sie sind ein guter Ausgangspunkt, lassen jedoch eine cloudübergreifende Aggregation und den geschäftlichen Kontext vermissen.
• FinOps-Plattformen Lösungen wie Apptio Cloudability aggregieren Multi-Cloud-Abrechnungsdaten, wenden Zuordnungsregeln an und stellen Kostendaten in geschäftsrelevanten Ansichten dar. Sie unterstützen Showback- und Chargeback-Modelle und lassen sich in Tagging-Richtlinien integrieren, um die Datenqualität sicherzustellen.
• ITFM- und TBM-Plattformen wie beispielsweise Apptio, das die KI-Cloud-Ausgaben mit der übergeordneten IT-Kostentaxonomie verknüpft und die Ausgaben von der Ressourcenebene bis hin zu den Geschäftsdienstleistungen und -ergebnissen abbildet. An dieser Stelle knüpft die KI-basierte Kostenstellenzuordnung an die strategische Ebene des IT-Finanzmanagements an.

Die richtige Kombination hängt von Ihrer Umgebung ab. Unternehmen, die KI-Workloads über mehrere Cloud-Anbieter hinweg ausführen, benötigen in der Regel eine FinOps-Plattform, um Daten zu konsolidieren, bevor diese zur Zuordnung auf Geschäftsebene in ein ITFM-Tool eingespeist werden. Unternehmen mit einem einzigen Cloud-Anbieter können zunächst mit nativen Tools beginnen und später auf eine dedizierte Plattform umsteigen, wenn die KI-Ausgaben an Umfang und Komplexität zunehmen.

So helfen wir Ihnen dabei, Ihre KI-Ausgaben den Kostenstellen zuzuordnen

Wir helfen Unternehmen dabei, den Übergang von einer fragmentierten Kostentransparenz im KI-Bereich zu einer präzisen und geregelten Zuordnung zu Kostenstellen zu vollziehen. Unser Ansatz verbindet die Konzeption von FinOps-Verfahren mit den technischen und organisatorischen Maßnahmen, die erforderlich sind, um eine nachhaltige Zuordnung zu gewährleisten. Konkret unterstützen wir Sie bei folgenden Aufgaben:

• Tagging-Strategie und Datenqualität: Wir definieren und setzen die Tagging-Standards durch, die eine Zuweisung auf Ressourcenebene über verschiedene Cloud-Anbieter hinweg ermöglichen.
• Entwurf eines Zuteilungsmodells: Wir entwickeln die Regeln, die KI-Workloads mit den Geschäftsbereichen verknüpfen, und wählen dabei je nach Reifegrad Ihrer Daten zwischen direkten, proportionalen oder hybriden Ansätzen.
• FinOps-Betriebsmodell: Wir legen die Steuerungsstrukturen, Rollen und Überprüfungsintervalle fest, die es ermöglichen, Kostendaten in Entscheidungen umzusetzen, einschließlich der Rechenschaftspflicht für KI-Ausgaben auf Ebene der Geschäftseinheiten.
• Integration von TBM und FinOps: Mithilfe von Apptio verknüpfen wir Ihre KI-Cloud-Ausgaben mit Ihrem übergeordneten IT-Finanzmanagement-Rahmenwerk, sodass die KI-Ausgaben zusammen mit den On-Premises- und Hybrid-Kosten in einer einzigen, geschäftsorientierten Übersicht sichtbar sind.

Ganz gleich, ob Sie ganz von vorne anfangen oder einen bestehenden Allokationsansatz optimieren möchten – wir arbeiten eng mit Ihren Finanz-, IT- und Technikteams zusammen, um eine Lösung zu entwickeln, die mit Ihren KI-Zielen Schritt hält. Kontaktieren Sie uns um zu besprechen, wo Ihre Organisation derzeit steht und wie ein konkreter nächster Schritt aussehen könnte.