CIOs müssen bei der Einführung generativer KI einen Balanceakt bewältigen. Während sie enorme Renditen erwarten, sind versteckte Kosten, sogenannte „Technologie Schulden“, ein wesentlicher Faktor. Diese Schulden umfassen Kosten für die Behebung von Softwarefehlern, Installation von Patches und Modernisierung veralteter Systeme. Generative KI kann laut Gartner bis 2027 die Modernisierungskosten um 70 % senken, erfordert aber eine konsequente Schuldenbewältigung. CIOs sollten sicherstellen, dass KI-Modelle in Legacy-Systeme integriert werden können, LLMOps einrichten und API-Wrapper verwenden, um Risiken zu minimieren. Zudem müssen sie kritische Risiken bei der Feinabstimmung von Sprachmodellen vermeiden. Proaktivität bei der Identifizierung neuer KI-Risikofaktoren und die Nutzung generativer KI zur Bekämpfung technischer Schulden sind entscheidend. CIOs, die diese Herausforderungen meistern, können unvorhergesehene Schulden vermeiden und den digitalen Wandel erfolgreich vorantreiben.
CIOs stehen heute vor einem kniffligen Balanceakt mit der generativen KI. Während sie sich um die Entwicklung zukunftssicherer Anwendungen und Lösungen streiten, von denen sie enorme Renditen erwarten – insbesondere im Bereich der generativen KI – ist diese jedoch wie alle Formen der technologischen Innovation mit versteckten Kosten verbunden.
Diese sogenannten „Technologie Schulden» sind ein Teil des Risikomanagements, den CIOs im Auge haben, seit Y2K in den Mittelpunkt gestellt hat. Darunter fallen alle Unternehmenskosten, die beim Einsatz neuer Technologien entstehen: Beheben von Softwarefehlern, die beim Start nicht behoben werden konnten; Installieren von Patches, nachdem unbekannte Schwachstellen aufgetaucht sind; Kosten für die Modernisierung der veralteten technischen Infrastruktur. Jahrelange Unternehmensinvestitionen in die digitale Transformation, Massenmigration zu Cloud-Software und -Systemen, immer komplexere Tech-Stacks und jetzt KI-generierter Softwarecode haben dazu beigetragen, dass die Rechnung in die Höhe schnellt.
Die generative KI ist hier die wichtigste neue Variable in der Gleichung. Während frühere Anwender mit jedem KI-Einsatz neue Risiken und zukünftige Schulden auf sich nehmen, bietet die Technologie eine vielversprechende Lösung für das Problem. Gartner prognostiziert, dass mit Hilfe generativer KI bis 2027 Legacy Tools ersetzt und die Modernisierungskosten von Unternehmen um 70 % reduziert werden. Die Herausforderung besteht jedoch darin, dass es nicht für alle Modelle Standards gibt. Um alle Vorteile der generativen KI zu nutzen, müssen alle technischen Schulden konsequent angegangen werden – dieser Schritt ist unumgänglich.
Technologie Schulden der nächsten Generation
Large-Language-Modelle werden in sechs verschiedenen Medien eingesetzt: Text, Softwarecode, Bilder, Audio, Video und 3D/virtuelle Inhalte – diese Multimodalität erschwert das Management von unbekannten Risiken. Im Hinblick auf die technischen Schulden bringt generative KI dazu noch eine ganze Reihe neuer Herausforderungen mit sich. ExpertInnen zufolge gibt es jedoch Möglichkeiten, das Problem in den Griff zu kriegen:
- Sicherstellen, dass KI-Modelle in Legacy-Systeme integriert werden können. Die zwei kritischen Bereiche des Schuldenrisikos sind Data Governance und die Integration von KI-Code in Altsysteme. Unternehmen, die nicht ausreichend in Datenqualität, Integration und Governance investiert haben, werden später vor großen Herausforderungen stehen. Als ersten Schritt müssen IT-Führungskräfte sicherstellen, dass ihr KI-Modell gut in die bestehende IT-Landschaft integriert werden kann.
- „LLMOps» einrichten, um Vorgänge und Daten zu verwalten. Die Ausarbeitung eines speziellen Governance-Rahmens für Gen-KI-Anwendungen ist eine weitere wichtige Maßnahme. IT-Führungskräfte sollten die Struktur und Strenge, die DevOps- und AIOps-Teams bei konventionelleren Softwareimplementierungen bieten, replizieren und auf die LLM-Arbeit anwenden
- API-„Wrapper» verwenden, um Code vor kontinuierlichen LLM-Risiken zu schützen. Wenn CX- oder EX-Entwicklungsteams LLMs einführen und implementieren, sind sie anfällig für gelegentliche Ausfälle und Änderungen, die über Nacht mehr Technologie Schulden anhäufen können. Interne KI-Entwicklungsteams können hier einen API-Wrapper erstellen, der es LLMs ermöglicht, ihre Ausgaben ohne Verzögerungen, Fehler oder externe Risiken abzuschließen. Angesichts des rasanten Wandels müssen Unternehmen, die LLM einführen, Wege finden, um Anwendungsentwickler vor den störenden Veränderungen zu schützen.
- Kritische Risiken bei der Feinabstimmung von Sprachmodellen vermeiden. Es gibt viele offensichtliche Gründe für die Optimierung von LLM-Modellen, wie z. B. eine bessere Qualität, Genauigkeit, Klang und andere Faktoren. Weit weniger offensichtlich sind die schwerwiegenden Risiken, die eine Feinabstimmung oft mit sich bringt. Selbst etwas scheinbar so Harmloses wie das Trainieren eines Modells mit einem für das Unternehmen spezifischen Datensatz kann neue Angriffsmöglichkeiten bieten. CIOs sollten dies zur Kenntnis nehmen und sich über die zu berücksichtigenden Auswirkungen im Klaren sein.
Für IT-Führungskräfte gilt eine einfache Faustregel: Sie sollten so proaktiv wie möglich sein, um neue KI-Risikofaktoren zu identifizieren und zukünftige Schulden zu vermeiden. Gleichzeitig sollten aber vielversprechende Anwendungen erkundet werden, die mit generativer KI verschiedene Formen von technischen Schulden bekämpfen.
CIOs, die den Balanceakt zwischen KI-Innovation und technischem Schuldenmanagement meistern können, haben bessere Chancen, bei dem digitalen Wandel weitere unvorhergesehene Schulden zu vermeiden.
Freshworks
Freshworks Inc. (NASDAQ: FRSH) entwickelt KI-unterstützte Business-Software, die mühelos zu verwenden ist. Mit unseren Produkten für IT, Kundensupport, Vertrieb und Marketing arbeiten alle Teams effizienter, generieren höheren Mehrwert und liefern unmittelbaren geschäftlichen Nutzen. Vom Unternehmenssitz in San Mateo (Kalifornien) aus ist Freshworks auf der ganzen Welt tätig, um mehr als 66.000 Kunden zu bedienen, darunter American Express, Blue Nile, Bridgestone, Databricks, Fila und OfficeMax.