Die Kosten f\u00fcr die Datenaufbereitung sollten den KI-Initiativen entsprechend dem Grad ihrer direkten Relevanz f\u00fcr das jeweilige KI-Projekt zugeordnet werden. Kosten, die ausschlie\u00dflich mit einem einzelnen KI-Anwendungsfall verbunden sind \u2013 wie beispielsweise die Annotation von Trainingsdaten oder der Aufbau einer dedizierten Datenpipeline \u2013, sind vollst\u00e4ndig dieser Initiative zuzuordnen. F\u00fcr gemeinsam genutzte Dateninfrastrukturkosten sind Zuordnungsmodelle erforderlich, die den tats\u00e4chlichen Verbrauch oder Nutzen widerspiegeln. Im Folgenden erl\u00e4utern wir das Gesamtbild: Was diese Kosten umfassen, warum die Zuordnung schwierig ist und wie Verfahren des IT-Finanzmanagements f\u00fcr Konsistenz bei der Bilanzierung von KI-Investitionen sorgen k\u00f6nnen.<\/p>\n
Zu den Kosten f\u00fcr die Datenaufbereitung im Rahmen von KI-Initiativen z\u00e4hlen alle Ausgaben, die damit verbunden sind, Rohdaten f\u00fcr das Modelltraining, die Validierung und die Bereitstellung vorzubereiten. Diese Kosten umfassen in der Regel Personal-, Tool-, Speicher-, Rechen- und Governance-Aktivit\u00e4ten. Das Verst\u00e4ndnis des gesamten Umfangs ist der erste Schritt zu einer genauen Kostenzuordnung mittels KI<\/strong>.<\/p>\n Zu den wichtigsten Kostenkategorien geh\u00f6ren:<\/p>\n Viele Unternehmen untersch\u00e4tzen die Kosten f\u00fcr die Datenaufbereitung, da sie diese als allgemeine IT-Gemeinkosten und nicht als direkte Investitionen in KI betrachten. In der Praxis macht die Datenaufbereitung regelm\u00e4\u00dfig den gr\u00f6\u00dften Anteil der Gesamtkosten eines KI-Projekts aus, weshalb eine genaue Nachverfolgung wichtig ist, um den tats\u00e4chlichen Wert der KI-Investition zu erfassen.<\/p>\n Die Zuordnung von Kosten f\u00fcr die Datenaufbereitung zu KI-Initiativen ist vor allem deshalb schwierig, weil Datenbest\u00e4nde 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.<\/p>\n Mehrere strukturelle Faktoren versch\u00e4rfen diese Schwierigkeit noch:<\/p>\n Das f\u00fchrt dazu, dass Entscheidungen zur Kostenverrechnung im Bereich der KI oft informell, erst sp\u00e4t im Projektlebenszyklus und ohne umfassenden \u00dcberblick \u00fcber die gesamte Kostenbasis getroffen werden. Genau das ist die Art von Problem, die FinOps-Verfahren<\/a> sollen diese Probleme angehen, indem von Anfang an eine strukturierte Rechenschaftspflicht in das Kostenmanagement integriert wird.<\/p>\n Unternehmen nutzen verschiedene Zuordnungsmodelle, um die Kosten f\u00fcr die gemeinsam genutzte Dateninfrastruktur den KI-Initiativen zuzuordnen. Welches Modell das richtige ist, h\u00e4ngt von der Qualit\u00e4t der verf\u00fcgbaren Verbrauchsdaten, dem Reifegrad des IT-Finanzmanagements sowie davon ab, wie genau die Unternehmensleitung die Kosten f\u00fcr KI-Investitionen nachvollziehen muss.<\/p>\n Sofern Plattformen eine nutzungsabh\u00e4ngige Abrechnung unterst\u00fctzen, werden die Kosten auf der Grundlage der tats\u00e4chlichen Rechenstunden, des verbrauchten Speichers oder der durch das KI-Projekt ausgel\u00f6sten Pipeline-L\u00e4ufe 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 verkn\u00fcpft. Dazu ist es erforderlich, die Infrastrukturressourcen auf Workload-Ebene mit Tags oder Labels zu versehen.<\/p>\n Wenn keine Messdaten vorliegen, sch\u00e4tzen Unternehmen den Anteil der gemeinsam genutzten Infrastruktur, der von der KI-Initiative im Verh\u00e4ltnis zu allen Nutzern in Anspruch genommen wird. Wenn beispielsweise ein KI-Projekt etwa 40% der Datenpipeline-L\u00e4ufe ausmacht, entfallen 40% der Betriebskosten der Pipeline auf dieses Projekt. Die Prozesskostenrechnung wendet eine \u00e4hnliche Logik an, verwendet jedoch anstelle einfacher Prozents\u00e4tze Kostentreiber wie die Anzahl der verarbeiteten Datens\u00e4tze oder die Anzahl der ausgef\u00fchrten Transformationsauftr\u00e4ge.<\/p>\n Einige Unternehmen b\u00fcndeln die Kosten f\u00fcr gemeinsame Datenplattformen und verteilen sie gleichm\u00e4\u00dfig auf alle nutzende Projekte oder Gesch\u00e4ftsbereiche. Dieser Ansatz ist verwaltungstechnisch einfach, aber am wenigsten pr\u00e4zise. Er eignet sich als Ausgangspunkt, wenn keine Nutzungsdaten vorliegen, kann jedoch die Analyse von KI-Investitionen verzerren, indem einzelne Initiativen je nach ihren tats\u00e4chlichen Nutzungsmustern zu hoch oder zu niedrig belastet werden.<\/p>\n Egal, f\u00fcr welches Modell Sie sich entscheiden: Wichtig ist, dass Sie es dokumentieren, konsequent anwenden und im Zuge der Skalierung der KI-Workloads regelm\u00e4\u00dfig \u00fcberpr\u00fcfen. Eine uneinheitliche Zuordnung \u00fcber verschiedene Projekte hinweg macht es unm\u00f6glich, die Leistung von KI-Investitionen im Zeitverlauf zu bewerten.<\/p>\n Das IT-Finanzmanagement (ITFM) sorgt f\u00fcr Kostentransparenz im Bereich KI, indem es einen strukturierten Rahmen schafft, der jeden Kostenposten \u2013 einschlie\u00dflich der Datenaufbereitung \u2013 der jeweiligen KI-Initiative zuordnet, die dadurch unterst\u00fctzt wird. Anstatt die KI-Kosten \u00fcber die Budgets der einzelnen Abteilungen verstreut zu belassen, fasst der ITFM-Bereich diese zu einer einheitlichen \u00dcbersicht zusammen, auf die sich die Finanzabteilung, die IT-F\u00fchrung und die gesch\u00e4ftlichen Sponsoren verlassen und auf deren Grundlage sie handeln k\u00f6nnen.<\/p>\n In der Praxis umfasst ein ITFM-Ansatz zur Kostentransparenz bei KI mehrere miteinander verbundene Aktivit\u00e4ten:<\/p>\n Rahmenkonzepte f\u00fcr das Technology Business Management (TBM) gehen noch einen Schritt weiter, indem sie die Investitionskosten f\u00fcr KI mit den Gesch\u00e4ftsergebnissen verkn\u00fcpfen, die von diesen Initiativen erwartet werden. So l\u00e4sst sich nicht nur bewerten, was KI kostet, sondern auch, welchen Nutzen sie bringt.<\/p>\n Ob Kosten f\u00fcr die Datenaufbereitung aktiviert oder als Aufwand verbucht werden sollten, h\u00e4ngt davon ab, ob durch diese Arbeiten ein langlebiger Verm\u00f6genswert mit zuk\u00fcnftigem wirtschaftlichem Nutzen entsteht oder ob sie den laufenden Gesch\u00e4ftsbetrieb unterst\u00fctzen. Nach den meisten Rechnungslegungsstandards k\u00f6nnen Kosten, die unmittelbar die Entwicklung eines intern entwickelten KI-Modells erm\u00f6glichen, w\u00e4hrend der Anwendungsentwicklungsphase aktiviert werden, w\u00e4hrend Kosten im Zusammenhang mit Voruntersuchungen oder der Wartung nach der Inbetriebnahme als Aufwand erfasst werden.<\/p>\n In der Praxis sieht die Unterscheidung wie folgt aus:<\/p>\n Die Kosten f\u00fcr 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 zus\u00e4tzlichen Kosten, die direkt und ausschlie\u00dflich 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 ber\u00fccksichtigt, da eine uneinheitliche Behandlung der Projekte Pr\u00fcfungsrisiken mit sich bringt und Investitionsvergleiche verzerrt.<\/p>\n Eine \u00fcber einen l\u00e4ngeren Zeitraum hinweg konsistente Kostenzuordnung im KI-Bereich erfordert eine Governance-Struktur, die festlegt, wer f\u00fcr Zuordnungsentscheidungen verantwortlich ist, wie diese Entscheidungen getroffen werden und wie sie im Zuge der Weiterentwicklung von Projekten und Infrastruktur \u00fcberpr\u00fcft werden. Ohne Governance geraten Zuordnungsans\u00e4tze aus dem Ruder, wenn sich Teams \u00e4ndern, Tools ersetzt werden und KI-Initiativen in einem Umfang skalieren, der zu Projektbeginn nicht vorhergesehen wurde.<\/p>\n Die folgenden Ma\u00dfnahmen zur Unternehmensf\u00fchrung sorgen f\u00fcr dauerhafte Konsistenz:<\/p>\n Governance ist keine einmalige Angelegenheit. Wenn Ihr KI-Portfolio w\u00e4chst und Ihre Dateninfrastruktur immer komplexer wird, muss sich Ihr Attributionsrahmen entsprechend weiterentwickeln. Unternehmen, die dies als fortlaufende Managementaufgabe und nicht als projektspezifische Ma\u00dfnahme betrachten, erzielen durchweg eine bessere finanzielle Transparenz und treffen zuverl\u00e4ssigere Entscheidungen bei KI-Investitionen.<\/p>\n Bei It\u2019s Value unterst\u00fctzen wir Unternehmen dabei, die erforderlichen Finanzmanagementkapazit\u00e4ten aufzubauen, um die Kosten f\u00fcr KI-Investitionen \u2013 einschlie\u00dflich der Datenaufbereitung \u2013 mit der von F\u00fchrungskr\u00e4ften und Finanzteams geforderten Pr\u00e4zision nachzuverfolgen, zuzuordnen und zu optimieren. Unser Ansatz kombiniert ITFM- und TBM-Rahmenwerke mit praktischer Unterst\u00fctzung bei der Umsetzung, damit Sie den Sprung von verstreuten Kostendaten zu strukturierten, entscheidungsreifen Erkenntnissen schaffen.<\/p>\n Konkret unterst\u00fctzen wir Sie bei folgenden Aufgaben:<\/p>\n\n
Warum ist es so schwierig, die Kosten f\u00fcr die Datenaufbereitung den KI-Projekten zuzuordnen?<\/h2>\n
\n
Welche Verrechnungsmodelle werden f\u00fcr die Kosten der gemeinsamen Dateninfrastruktur verwendet?<\/h2>\n
Zuweisung auf Basis des direkten Verbrauchs<\/h3>\n
Proportionale oder t\u00e4tigkeitsbezogene Zuordnung<\/h3>\n
Feste Zuordnung oder Verteilung auf Kostenpools<\/h3>\n
Wie geht ITFM bei der Kostentransparenz im Bereich KI vor?<\/h2>\n
\n
Sollten die Kosten f\u00fcr die Datenaufbereitung aktiviert oder als Aufwand verbucht werden?<\/h2>\n
\n
Welche Governance-Ma\u00dfnahmen gew\u00e4hrleisten eine \u00fcber einen l\u00e4ngeren Zeitraum hinweg konsistente Zuordnung der KI-Kosten?<\/h2>\n
\n
So unterst\u00fctzen wir Sie bei der Zuordnung und Verwaltung von KI-Kosten<\/h2>\n