Als Engineering-Leader erleben wir gerade alle einen tiefgreifenden Plattformwandel. KI ist längst kein Buzzword auf irgendeiner Präsentationsfolie mehr, sondern ein mächtiges Werkzeug, das grundlegend verändert, wie wir Software bauen und ausliefern.
KI zu integrieren ist allerdings keine einzelne Aufgabe, sondern eine große Expedition mit zwei parallelen Reisen – und jede verlangt eine völlig andere Landkarte. Bei der ersten geht es darum, unsere Entwickler auszustatten. Bei der zweiten, deutlich komplexeren, darum, KI direkt in unsere Produkte einzubetten.
Beides erfolgreich zu meistern ist entscheidend, doch die Herausforderungen unterscheiden sich enorm – gerade bei dem, wofür jeder VP of Engineering am Ende geradestehen muss: den Kosten.
Expedition 1 – KI für Entwickler
Diese Reise gilt als die einfachere der beiden. Und trotzdem stecken jede Menge Herausforderungen darin. Um nur ein paar zu nennen:
- Wie misst man den ROI? Steigert es tatsächlich die Velocity – und wenn ja, um wie viel?
- Welche Auswirkungen hat es auf Ihre Engineering-Kultur und die Code Ownership?
- Wie beeinflusst es Ihre Strategie für Teamaufbau und Recruiting?
- Wie geht man mit internen Einwänden um (die meist von den erfahreneren Talenten kommen)?
Das sind wichtige Themen für ein anderes Mal – das Kostenmodell selbst ist jedoch simpel. Es ist eine planbare Per-Seat-Lizenzgebühr – eine klare Position in Ihrem OpEx-Budget.
Expedition 2 – KI in Ihrem Produkt
Hier wird die Landkarte kniffelig. Sobald Sie KI in Ihre Lösung einbetten – egal ob als Support-Chatbot oder als Backend-Zusammenfassungsdienst – ist sie kein einfaches Werkzeug mehr. Sie wird zum zentralen Bestandteil Ihrer Anwendungsarchitektur.
Diese KI-Komponente ist keine feste Betriebsausgabe mehr; sie wird zum variablen Kostenfaktor, der mit der Kundennutzung skaliert – oft auf unvorhersehbare Weise.
Man kann es auch so sehen: Sie richten eine Firmenfeier aus und sagen dem Barkeeper: "Lass die Drinks fließen, geht alles auf eine Rechnung." Auf der Party sind verschiedene Teams: Sales, Marketing, Engineering und so weiter.
Das Problem: Am Ende des Abends überreicht Ihnen der Barkeeper eine Rechnung, die eher wie eine Telefonnummer aussieht.
Die Frage: Kommt die riesige Summe zustande, weil alle auf der Party ein paar Bier getrunken haben (breite Nutzung, niedrige Kosten)? Oder weil das Sales-Team zur Feier eines neuen Kunden für den ganzen Tisch Runden 50-jährigen Single Malt Scotch bestellt hat (kleine Nutzergruppe, extrem teurer Konsum)?
Ohne detaillierten Beleg fliegen Sie blind. Sie können vernünftigen Konsum nicht von budgetsprengender Verschwendung unterscheiden.
Genau dieses Problem haben wir in unserer Engineering-Welt. Ihre Plattform nutzt mehrere KI-Services für verschiedene Microservices, zum Beispiel:
- Microservice A liefert Ihr neues KI-gestütztes Analytics-Feature für Premium-Kunden.
- Microservice B übernimmt ein "Smart Summarization"-Feature, das allen Nutzern zur Verfügung steht.
- Microservice C führt einen internen Prozess zur Kategorisierung von Support-Tickets aus.
Am Monatsende bekommen Sie eine konsolidierte Rechnung von Ihrem KI-Anbieter. Und dann stellt der CFO die unbequemen Fragen: Sie müssen diese Kosten den konkreten Services, Features und sogar Kunden zuordnen, die sie verursacht haben. Wie schaffen Sie das?
Das ist kein hypothetisches Problem – es ist eines, mit dem ich täglich zu tun habe. Der Schlüssel zur Lösung des "Open Bar"-Dilemmas: ein detaillierter Beleg für jeden einzelnen bestellten "Drink".
Zum Glück arbeite ich bei Attribute™ und löse meine Probleme am liebsten, indem wir "unseren eigenen Champagner trinken".
Also haben wir unseren eBPF-basierten Sensor mit seinen Deep-Packet-Inspection-Fähigkeiten auf meine Microservices angesetzt – und sehen so nicht nur, welche KI-Services jeder Microservice nutzt, sondern auch, welchen Anteil er an der Gesamtrechnung verursacht.
Er arbeitet praktisch wie ein akribischer Buchhalter hinter der Bar und protokolliert jede einzelne Bestellung. So sehen wir nicht nur, welchen KI-Service jeder Microservice nutzt, sondern präzise, wie viel davon in der Gesamtrechnung landet. Wir können jeden Dollar an KI-Ausgaben bis zur Quelle zurückverfolgen – ohne dass unsere Entwickler eine Zeile Code anpassen müssen.
Ganz zu schweigen von dem großartigen Gefühl, aus einem "Engineering-Problem" eine Produktlösung zu machen, die jetzt auch allen unseren Kunden zur Verfügung steht.
Jetzt kann ich die verschiedenen Teams im Unternehmen auch mit gutem Gewissen zu einem "Open Bar"-KI-Event einladen. Denn ich weiß: Am Ende stehe ich mit der Rechnung nicht allein vor dem Finance-Team…