Wie sollten die Kosten für die Datenaufbereitung den KI-Initiativen zugeordnet werden?

Die Kosten für die Datenaufbereitung sollten den KI-Initiativen entsprechend dem Grad ihrer direkten Relevanz für das jeweilige KI-Projekt zugeordnet werden. Kosten, die ausschließlich mit einem einzelnen KI-Anwendungsfall verbunden sind – wie beispielsweise die Annotation von Trainingsdaten oder der Aufbau einer dedizierten Datenpipeline –, sind vollständig dieser Initiative zuzuordnen. Für gemeinsam genutzte Dateninfrastrukturkosten sind Zuordnungsmodelle erforderlich, die den tatsächlichen Verbrauch oder Nutzen widerspiegeln. Im Folgenden erläutern wir das Gesamtbild: Was diese Kosten umfassen, warum die Zuordnung schwierig ist und wie Verfahren des IT-Finanzmanagements für Konsistenz bei der Bilanzierung von KI-Investitionen sorgen können.

Welche Arten von Kosten fallen bei der Datenaufbereitung für KI an?

Zu den Kosten für die Datenaufbereitung im Rahmen von KI-Initiativen zählen alle Ausgaben, die damit verbunden sind, Rohdaten für das Modelltraining, die Validierung und die Bereitstellung vorzubereiten. Diese Kosten umfassen in der Regel Personal-, Tool-, Speicher-, Rechen- und Governance-Aktivitäten. Das Verständnis des gesamten Umfangs ist der erste Schritt zu einer genauen Kostenzuordnung mittels KI.

Zu den wichtigsten Kostenkategorien gehören:

• Datenerfassung und -integration: Daten aus Quellsystemen extrahieren, Pipelines aufbauen und Formate so umwandeln, dass die Daten für KI-Workflows nutzbar sind
• Datenbereinigung und -validierung: Das Aufspüren von Duplikaten, das Korrigieren von Fehlern und die Durchsetzung von Qualitätsstandards – oft die arbeitsintensivste Phase
• Datenkennzeichnung und -annotation: Manuelles oder halbautomatisches Anbringen von Tags an Daten, damit Modelle für überwachtes Lernen damit trainiert werden können
• Speicher- und Rechenressourcen während der Vorbereitung: Die Cloud- oder lokale Ressourcen, die bei der Ausführung von Transformationsaufträgen, bei der Durchführung von Qualitätsprüfungen oder beim Betrieb von Staging-Umgebungen in Anspruch genommen werden
• Maßnahmen zur Datenverwaltung und zur Einhaltung von Vorschriften: Datenschutzprüfungen, Einwilligungsmanagement und Rückverfolgbarkeit sind erforderlich, bevor Daten rechtlich oder ethisch zulässig in ein KI-Modell eingespeist werden können
• Lizenzen für Werkzeuge und Plattformen: Datenverarbeitungsplattformen, ETL-Tools und Orchestrierungssoftware, die speziell in den Vorbereitungsphasen zum Einsatz kommen

Viele Unternehmen unterschätzen die Kosten für die Datenaufbereitung, da sie diese als allgemeine IT-Gemeinkosten und nicht als direkte Investitionen in KI betrachten. In der Praxis macht die Datenaufbereitung regelmäßig den größten Anteil der Gesamtkosten eines KI-Projekts aus, weshalb eine genaue Nachverfolgung wichtig ist, um den tatsächlichen Wert der KI-Investition zu erfassen.

Warum ist es so schwierig, die Kosten für die Datenaufbereitung den KI-Projekten zuzuordnen?

Die Zuordnung von Kosten für die Datenaufbereitung zu KI-Initiativen ist vor allem deshalb schwierig, weil Datenbestände und Infrastruktur von mehreren Nutzern gemeinsam genutzt werden. Eine einzige Datenpipeline kann gleichzeitig ein Business-Intelligence-Dashboard, einen Prozess zur aufsichtsrechtlichen Berichterstattung und ein KI-Modell versorgen. Wenn es keine klare Abgrenzung zwischen diesen Nutzern gibt, erfordert die Zuordnung der Kosten zu einem einzelnen Nutzer eher eine Ermessensentscheidung als eine direkte Messung.

Mehrere strukturelle Faktoren verschärfen diese Schwierigkeit noch:

• Gemeinsam genutzte Infrastruktur ohne Verbrauchsmessung: Die meisten Datenplattformen wurden nicht dafür entwickelt, den Verbrauch pro nachgelagertem Anwendungsfall zu erfassen, sodass es keine native Möglichkeit gibt, die KI-bezogene Nutzung von der sonstigen Nutzung zu trennen.
• Vorbereitungsarbeiten, die bereits vor dem KI-Projekt stattfanden: Die vor Jahren durchgeführte Bereinigung historischer Daten oder die Arbeit an der Datenpipeline kommt dem KI-Modell nach wie vor zugute, doch die Anrechnung dieser versunkenen Kosten auf das aktuelle Projekt verzerrt die Wirtschaftlichkeit des Projekts.
• Funktionsübergreifende Verantwortung: Data-Engineering-, IT- und Geschäftsteams sind jeweils für bestimmte Teile des Vorbereitungsprozesses zuständig, und die Kosten werden in verschiedenen Haushaltsposten abteilungsübergreifend verbucht.
• Iterative und nichtlineare Arbeitsabläufe: Bei KI-Projekten durchläuft die Datenaufbereitung wiederholt einen Zyklus, während sich die Modelle verbessern, was es schwierig macht, zu definieren, wann die Aufbereitung endet und die Modellentwicklung beginnt
• Fehlen einer vereinbarten Zuteilungsregelung: Ohne einen formellen Steuerungsrahmen wendet jedes Team seine eigene Logik an, was zu uneinheitlichen Zahlen führt, auf die sich die Finanzabteilung und die Führungskräfte nicht verlassen können

Das führt dazu, dass Entscheidungen zur Kostenverrechnung im Bereich der KI oft informell, erst spät im Projektlebenszyklus und ohne umfassenden Überblick über die gesamte Kostenbasis getroffen werden. Genau das ist die Art von Problem, die FinOps-Verfahren sollen diese Probleme angehen, indem von Anfang an eine strukturierte Rechenschaftspflicht in das Kostenmanagement integriert wird.

Welche Verrechnungsmodelle werden für die Kosten der gemeinsamen Dateninfrastruktur verwendet?

Unternehmen nutzen verschiedene Zuordnungsmodelle, um die Kosten für die gemeinsam genutzte Dateninfrastruktur den KI-Initiativen zuzuordnen. Welches Modell das richtige ist, hängt von der Qualität der verfügbaren Verbrauchsdaten, dem Reifegrad des IT-Finanzmanagements sowie davon ab, wie genau die Unternehmensleitung die Kosten für KI-Investitionen nachvollziehen muss.

Zuweisung auf Basis des direkten Verbrauchs

Sofern Plattformen eine nutzungsabhängige Abrechnung unterstützen, werden die Kosten auf der Grundlage der tatsächlichen Rechenstunden, des verbrauchten Speichers oder der durch das KI-Projekt ausgelösten Pipeline-Läufe zugewiesen. Dies ist das genaueste Modell und wird von FinOps-Experten als Standard empfohlen, da es die Ausgaben direkt mit den Entscheidungen des KI-Teams verknüpft. Dazu ist es erforderlich, die Infrastrukturressourcen auf Workload-Ebene mit Tags oder Labels zu versehen.

Proportionale oder tätigkeitsbezogene Zuordnung

Wenn keine Messdaten vorliegen, schätzen Unternehmen den Anteil der gemeinsam genutzten Infrastruktur, der von der KI-Initiative im Verhältnis zu allen Nutzern in Anspruch genommen wird. Wenn beispielsweise ein KI-Projekt etwa 40% der Datenpipeline-Läufe ausmacht, entfallen 40% der Betriebskosten der Pipeline auf dieses Projekt. Die Prozesskostenrechnung wendet eine ähnliche Logik an, verwendet jedoch anstelle einfacher Prozentsätze Kostentreiber wie die Anzahl der verarbeiteten Datensätze oder die Anzahl der ausgeführten Transformationsaufträge.

Feste Zuordnung oder Verteilung auf Kostenpools

Einige Unternehmen bündeln die Kosten für gemeinsame Datenplattformen und verteilen sie gleichmäßig auf alle nutzende Projekte oder Geschäftsbereiche. Dieser Ansatz ist verwaltungstechnisch einfach, aber am wenigsten präzise. Er eignet sich als Ausgangspunkt, wenn keine Nutzungsdaten vorliegen, kann jedoch die Analyse von KI-Investitionen verzerren, indem einzelne Initiativen je nach ihren tatsächlichen Nutzungsmustern zu hoch oder zu niedrig belastet werden.

Egal, für welches Modell Sie sich entscheiden: Wichtig ist, dass Sie es dokumentieren, konsequent anwenden und im Zuge der Skalierung der KI-Workloads regelmäßig überprüfen. Eine uneinheitliche Zuordnung über verschiedene Projekte hinweg macht es unmöglich, die Leistung von KI-Investitionen im Zeitverlauf zu bewerten.

Wie geht ITFM bei der Kostentransparenz im Bereich KI vor?

Das IT-Finanzmanagement (ITFM) sorgt für Kostentransparenz im Bereich KI, indem es einen strukturierten Rahmen schafft, der jeden Kostenposten – einschließlich der Datenaufbereitung – der jeweiligen KI-Initiative zuordnet, die dadurch unterstützt wird. Anstatt die KI-Kosten über die Budgets der einzelnen Abteilungen verstreut zu belassen, fasst der ITFM-Bereich diese zu einer einheitlichen Übersicht zusammen, auf die sich die Finanzabteilung, die IT-Führung und die geschäftlichen Sponsoren verlassen und auf deren Grundlage sie handeln können.

In der Praxis umfasst ein ITFM-Ansatz zur Kostentransparenz bei KI mehrere miteinander verbundene Aktivitäten:

• Taxonomische Zuordnung: Festlegung einer einheitlichen Kostentaxonomie, in der die Datenaufbereitung als eigenständige Kostenkategorie im Rahmen von KI-Initiativen berücksichtigt wird, anstatt sie als allgemeine IT-Gemeinkosten zu behandeln
• Zuordnung der Kostenschichten: Nachverfolgung der Kosten von der zugrunde liegenden Infrastruktur (Rechenleistung, Speicher, Lizenzen) über gemeinsam genutzte Dienste bis hin zu den spezifischen KI-Produkten oder Anwendungsfällen, die dadurch ermöglicht werden, unter Verwendung von Rahmenwerken wie der TBM-Taxonomie
• Showback und Chargeback: Den KI-Teams die Gesamtkosten der von ihnen in Anspruch genommenen Datenaufbereitung bewusst machen, sei es durch informative Showback-Berichte oder durch formelle Chargeback-Mechanismen, die eine echte finanzielle Rechenschaftspflicht schaffen
• Integration von Prognosen und Planung: Einbeziehung von Kostenschätzungen für die Datenaufbereitung in die Business Cases von KI-Projekten vor Beginn der Arbeiten, damit die Unternehmensleitung Investitionen unter Berücksichtigung realistischer Gesamtbetriebskosten genehmigt
• Berichtsrhythmus: Einführung regelmäßiger Berichtszyklen, in denen die tatsächlichen Aufwendungen für die Datenaufbereitung mit dem Budget abgeglichen werden, um bei Kostenabweichungen vom Plan frühzeitig Korrekturmaßnahmen ergreifen zu können

Rahmenkonzepte für das Technology Business Management (TBM) gehen noch einen Schritt weiter, indem sie die Investitionskosten für KI mit den Geschäftsergebnissen verknüpfen, die von diesen Initiativen erwartet werden. So lässt sich nicht nur bewerten, was KI kostet, sondern auch, welchen Nutzen sie bringt.

Sollten die Kosten für die Datenaufbereitung aktiviert oder als Aufwand verbucht werden?

Ob Kosten für die Datenaufbereitung aktiviert oder als Aufwand verbucht werden sollten, hängt davon ab, ob durch diese Arbeiten ein langlebiger Vermögenswert mit zukünftigem wirtschaftlichem Nutzen entsteht oder ob sie den laufenden Geschäftsbetrieb unterstützen. Nach den meisten Rechnungslegungsstandards können Kosten, die unmittelbar die Entwicklung eines intern entwickelten KI-Modells ermöglichen, während der Anwendungsentwicklungsphase aktiviert werden, während Kosten im Zusammenhang mit Voruntersuchungen oder der Wartung nach der Inbetriebnahme als Aufwand erfasst werden.

In der Praxis sieht die Unterscheidung wie folgt aus:

• Großschreiben Kosten für die Datenaufbereitung, sofern diese in direktem Zusammenhang mit der Entwicklung eines bestimmten KI-Modells stehen, das über den aktuellen Zeitraum hinaus genutzt wird, das Projekt die Machbarkeitsprüfung bestanden hat und die Kosten zuverlässig ermittelt werden können. Beispiele hierfür sind die Annotation von Trainingsdatensätzen für ein firmeneigenes Modell oder die Entwicklung einer speziellen Erfassungspipeline, die ausschließlich diesem Modell dient.
• Aufwand Kosten für die Datenaufbereitung, wenn diese im Zusammenhang mit explorativen oder experimentellen Arbeiten stehen, wenn die Dateninfrastruktur über das KI-Projekt hinaus mehreren Zwecken dient oder wenn die KI-Initiative die Schwelle für die Anerkennung als interner Vermögenswert nicht erreicht.

Die Kosten für gemeinsam genutzte Dateninfrastruktur, die mehreren Nutzern dient, stellen eine Grauzone dar. Die meisten Unternehmen verbuchen den gemeinsam genutzten Anteil als Aufwand und aktivieren lediglich die zusätzlichen Kosten, die direkt und ausschließlich dem KI-Entwicklungsprojekt zuzuordnen sind. Ihre Finanz- und Buchhaltungsteams sollten sich auf eine Richtlinie einigen, die sowohl Ihre Rechnungslegungsstandards als auch die spezifischen Gegebenheiten jeder KI-Initiative berücksichtigt, da eine uneinheitliche Behandlung der Projekte Prüfungsrisiken mit sich bringt und Investitionsvergleiche verzerrt.

Welche Governance-Maßnahmen gewährleisten eine über einen längeren Zeitraum hinweg konsistente Zuordnung der KI-Kosten?

Eine über einen längeren Zeitraum hinweg konsistente Kostenzuordnung im KI-Bereich erfordert eine Governance-Struktur, die festlegt, wer für Zuordnungsentscheidungen verantwortlich ist, wie diese Entscheidungen getroffen werden und wie sie im Zuge der Weiterentwicklung von Projekten und Infrastruktur überprüft werden. Ohne Governance geraten Zuordnungsansätze aus dem Ruder, wenn sich Teams ändern, Tools ersetzt werden und KI-Initiativen in einem Umfang skalieren, der zu Projektbeginn nicht vorhergesehen wurde.

Die folgenden Maßnahmen zur Unternehmensführung sorgen für dauerhafte Konsistenz:

1. Eine Attributionsrichtlinie definieren: Dokumentieren Sie die Zuweisungsmodelle, die Ihr Unternehmen für die gemeinsam genutzte Dateninfrastruktur verwendet, die Bedingungen, unter denen die einzelnen Modelle zur Anwendung kommen, sowie die Personen, die befugt sind, Ausnahmen zu genehmigen. Stellen Sie diese Richtlinie den Teams aus den Bereichen Finanzen, IT und KI zur Verfügung.
2. Klare Zuständigkeiten festlegen: Bestimmen Sie für jede KI-Initiative einen Kostenverantwortlichen, der dafür zuständig ist, die Ausgaben für die Datenaufbereitung zu erfassen, die Zuordnungen zu überprüfen und die Ist-Zahlen an die Finanzabteilung zu melden. Ohne einen fest benannten Verantwortlichen fallen Entscheidungen zur Zuordnung standardmäßig demjenigen zu, der gerade verfügbar ist.
3. Legen Sie einen regelmäßigen Überprüfungsrhythmus fest: Überprüfen Sie die Kostenverteilung für KI in festgelegten Abständen, in der Regel monatlich oder vierteljährlich, um Abweichungen frühzeitig zu erkennen. Mit zunehmendem KI-Arbeitsaufkommen ändern sich die Nutzungsmuster, und Verteilungsanteile, die zu Projektbeginn zutreffend waren, spiegeln möglicherweise nicht mehr die tatsächliche Situation wider.
4. Die Zuordnung in die Projektsteuerung integrieren: Es ist vorzuschreiben, dass KI-Geschäftsfälle vor der Projektgenehmigung eine Kostenschätzung für die Datenaufbereitung sowie einen definierten Attributionsansatz enthalten. Dadurch wird eine Basis geschaffen, an der die Ist-Werte gemessen werden können.
5. Verwenden Sie einheitliche Bezeichnungen und Kennzeichnungen: Setzen Sie Standards für die Kennzeichnung von Ressourcen in Cloud- und lokalen Umgebungen durch, damit Arbeitslasten im Zusammenhang mit der Datenaufbereitung in Kostenberichten ohne manuellen Abgleich identifizierbar sind.
6. Anbindung an umfassendere ITFM- und TBM-Berichtsfunktionen: Integrieren Sie die KI-Kostenzuordnung in Ihren Gesamtkontext strategisches Portfolio-Management Prozess, damit KI-Investitionen zusammen mit anderen Technologieinitiativen anhand desselben finanziellen Rahmens bewertet werden.

Governance ist keine einmalige Angelegenheit. Wenn Ihr KI-Portfolio wächst und Ihre Dateninfrastruktur immer komplexer wird, muss sich Ihr Attributionsrahmen entsprechend weiterentwickeln. Unternehmen, die dies als fortlaufende Managementaufgabe und nicht als projektspezifische Maßnahme betrachten, erzielen durchweg eine bessere finanzielle Transparenz und treffen zuverlässigere Entscheidungen bei KI-Investitionen.

So unterstützen wir Sie bei der Zuordnung und Verwaltung von KI-Kosten

Bei It’s Value unterstützen wir Unternehmen dabei, die erforderlichen Finanzmanagementkapazitäten aufzubauen, um die Kosten für KI-Investitionen – einschließlich der Datenaufbereitung – mit der von Führungskräften und Finanzteams geforderten Präzision nachzuverfolgen, zuzuordnen und zu optimieren. Unser Ansatz kombiniert ITFM- und TBM-Rahmenwerke mit praktischer Unterstützung bei der Umsetzung, damit Sie den Sprung von verstreuten Kostendaten zu strukturierten, entscheidungsreifen Erkenntnissen schaffen.

Konkret unterstützen wir Sie bei folgenden Aufgaben:

• Entwurf einer Kostentaxonomie: Festlegen, wie sich die Datenaufbereitung und andere KI-Kostenkategorien in Ihre übergeordnete IT-Kostenstruktur einfügen, damit alle Ausgaben transparent und nachvollziehbar sind
• Auswahl und Umsetzung eines Attributionsmodells: Wir unterstützen Sie bei der Auswahl und Umsetzung des richtigen Verrechnungsmodells für gemeinsam genutzte Infrastrukturkosten und entwickeln die entsprechenden Tools und Kennzeichnungsstandards, um den Prozess wiederholbar zu gestalten.
• FinOps-Verfahren für cloudbasierte KI-Workloads: Anwendung von FinOps-Prinzipien auf die Cloud-Rechen- und Speicherkosten, die durch KI- und Datenaufbereitungs-Workloads entstehen, sodass Optimierungsentscheidungen kontinuierlich und nicht erst im Nachhinein getroffen werden
• Einrichtung des Governance-Rahmens: Festlegung der Eigentumsverhältnisse, Überprüfungsrhythmen und Berichtsprozesse, die eine konsistente Kostenzuordnung im Bereich KI gewährleisten, während Ihr Portfolio wächst
• TBM-Integration: Die Verknüpfung von KI-Investitionskosten mit Geschäftsergebnissen innerhalb eines TBM-Rahmenwerks, damit Sie dem Vorstand und den Stakeholdern im Unternehmen den Nutzen der KI-Ausgaben aufzeigen können

Wenn Sie Struktur und Transparenz in Ihr KI-Kostenmanagement bringen möchten, Nehmen Sie Kontakt mit uns auf Und wir zeigen Ihnen, wie Sie ein Attributionsmodell entwickeln können, das für Ihr Unternehmen funktioniert.