Warum der Kontext die Ökonomie der KI prägt

Da KI immer stärker in die Geschäftsprozesse integriert wird, blicken Unternehmen über die Leistungsfähigkeit von Modellen und Benchmark-Ergebnisse hinaus auf neue Fragen zur Wirtschaftlichkeit und zum Wert ihrer Daten. Im großen Maßstab bestimmen Token-Verbrauch, Infrastrukturnutzung und die Kosten für die Aufrechterhaltung des Kontextes zunehmend, ob KI-Initiativen einen nachhaltigen Geschäftswert liefern können.

Heutzutage sind es möglicherweise nicht mehr die Organisationen, die den größten Nutzen aus KI ziehen, die die größten Modelle einsetzen. Sie verfügen über das umfassendste operative Wissen und die Fähigkeit, dieses Wissen dann und dort bereitzustellen, wo es benötigt wird. Das liegt daran, dass ein besserer Kontext oft bedeutet, dass weniger Aufwand nötig ist, um zu einer nützlichen Antwort zu gelangen. Es gibt weniger Fehlstarts und weniger redundante Berechnungen, wodurch KI-Systeme effizienter zu nützlichen Ergebnissen gelangen können.

OpenAI¹ hat argumentiert, dass KI-Investitionen anhand von Geschäftsergebnissen und nicht allein anhand des Token-Konsums bewertet werden sollten. Diese Perspektive deutet auf einen weitergehenden Punkt hin: Der Kontext ist zunehmend das, was diese Ergebnisse bestimmt. Je mehr relevanter Kontext einem KI-System zur Verfügung steht, desto weniger Arbeit muss es leisten, um sein Ziel zu erreichen.

Ob Kundendienstmitarbeiter oder Programmierassistent, begrenzter Kontext bedeutet oft mehr Abrufzyklen, mehr Schlussfolgerungsschleifen und einen höheren Tokenverbrauch, bevor ein brauchbares Ergebnis erzielt wird. Reichhaltiger Kontext hilft der KI, das gleiche Ergebnis effizienter zu erreichen, wodurch sowohl die Leistung als auch die Wirtschaftlichkeit verbessert werden.

Diese ökonomische Perspektive rückt stärker in den Fokus, wie Daten genutzt werden. Viele der wertvollsten KI-Anwendungen sind auf den Zugriff auf Kontextinformationen angewiesen. Während traditionelle Analysesysteme darauf ausgelegt waren, bekannte Fragen zu beantworten, können KI-Systeme Daten, Wissen und frühere Arbeiten über Arbeitsabläufe, Teams und zukünftige Anwendungen hinweg wiederverwenden. Das Ergebnis ist, dass das erhaltene Wissen auch lange Zeit, nachdem sein ursprünglicher Zweck erfüllt ist, weiterhin Wert schafft.

Zunehmende Bedeutung des erhaltenen Wissens

Historisch gesehen waren viele der gesammelten Daten an eine bestimmte Aufgabe gebunden. Support-Tickets halfen bei der Lösung von Kundenproblemen, technische Dokumente unterstützten laufende Projekte und Berichte beantworteten dringende Geschäftsfragen. Sobald diese Bedürfnisse befriedigt waren, wurde dem langfristigen Wert dieser Daten oft viel weniger Aufmerksamkeit geschenkt.

Diese Logik lässt sich auf KI-Systeme nicht uneingeschränkt anwenden. Wissen, das für einen bestimmten Zweck geschaffen wurde, kann in völlig anderen Kontexten wertvoll werden. Ein Designdokument, das zur Begründung einer technischen Entscheidung in einem Projekt erstellt wurde, kann später einem anderen Team helfen, Kompromisse zu verstehen, wiederholte Fehler zu vermeiden oder verwandte Arbeiten zu beschleunigen. Was als Projektdokumentation begann, wird zum institutionellen Gedächtnis.

Die ursprüngliche Aufgabe ist möglicherweise nicht einmal die wertvollste Verwendung der Daten – zukünftige Anwendungen könnten feststellen, dass sie einen noch größeren Zweck erfüllen.

Die Entscheidung, was man behält

Diese Realität zwingt Organisationen dazu, nicht nur zu überdenken, welche Daten gespeichert werden sollen, sondern auch, welches Wissen, welche Geschichte und welcher Kontext für zukünftige Mitarbeiter, Anwendungen und KI-Systeme verfügbar bleiben sollen.

Speicherkosten, Verwaltungsvorschriften und regulatorische Anforderungen beeinflussen weiterhin, was aufbewahrt, archiviert oder vernichtet werden soll. Künstliche Intelligenz verändert diese Entscheidungen, da der Wert von Daten stetig zunimmt. Bei Entscheidungen zur Speicherinfrastruktur, die früher vor allem auf Kosten, Compliance oder dem unmittelbaren Geschäftsnutzen basierten, müssen heute auch zukünftige, noch unbekannte Möglichkeiten berücksichtigt werden.

Die meisten Unternehmensdaten erstrecken sich bereits über Multi-Cloud-, On-Premises- und Edge-Umgebungen. Und die Gravitation der Daten macht die Übertragung dieser Informationen oft unpraktisch oder unwirtschaftlich, was ein Grund dafür ist, dass hybride Bereitstellungsmodelle für viele Organisationen, die KI einsetzen, zur Norm geworden sind.

Die Verwaltung von Daten in hybriden Umgebungen offenbart jedoch auch eine tiefer liegende Herausforderung: die Entscheidung, welche Daten es wert sind, aufbewahrt zu werden, und wo sie hingehören. Hier stoßen viele Organisationen auf eine immer größer werdende Diskrepanz zwischen dem Wert ihrer Daten und der Art und Weise, wie Entscheidungen zur Datenaufbewahrung getroffen werden. Daten werden oft primär als Kostenfaktor für deren Verwaltung betrachtet, während KI sie in einen Vermögenswert für zukünftige Anwendungen und Möglichkeiten verwandelt.

Das ist ein wichtiger Grund, warum ein skalierbares, langlebiges Aufzeichnungssystem wichtiger denn je ist. Unternehmen benötigen Datenarchitekturen, die institutionelles Wissen, die Betriebsgeschichte und KI-generierte Informationen dokumentieren. Für viele bedeutet das, hybride Ansätze zu verfolgen, die es ermöglichen, dass Daten dort bleiben, wo es die Regierungsführung, die Leistungsfähigkeit, die Souveränität oder die Wirtschaftlichkeit erfordern, während diese Informationen gleichzeitig KI-Systemen zur Verfügung gestellt werden.

Ökonomie von Festplatten

Da KI-Agenten immer autonomer werden, generieren und verbrauchen sie weitaus mehr Kontext als herkömmliche Anwendungen. In diesem Umfeld kann jede Interaktion, jeder Arbeitsablauf, jede Entscheidung und jedes Ergebnis Teil des wachsenden wiederverwendbaren Wissensbestands einer Organisation werden.

Tatsächlich prognostiziert IDC, dass sich die jährliche Datenerzeugung zwischen 2025 und 2030 mehr als verdreifachen wird und von 218 Zettabyte im Jahr 2025 auf über 718 Zettabyte im Jahr 2030 ansteigen wird, wobei agentenbasierte KI als wachsende Quelle maschinell generierter Daten identifiziert wurde.²

Selbst wenn Organisationen nur einen Bruchteil dieser Informationen speichern, wird das Ausmaß schnell enorm. Die Herausforderung besteht nicht mehr nur im Sammeln von Daten. Organisationen müssen festlegen, welches Wissen erhalten werden soll, und sicherstellen, dass es zur richtigen Zeit und am richtigen Ort zugänglich bleibt. Da Unternehmen immer größere Mengen an Kontextinformationen für Mitarbeiter, Anwendungen und KI-Systeme speichern, gewinnen die wirtschaftlichen Aspekte der Speicherung zunehmend an Bedeutung.

Neben der Kostensenkung ermöglicht die Speicherökonomie die praktische Speicherung und den Zugriff auf Wissen in dem Umfang, den KI-Systeme benötigen. Auf dieser Grundlage wurden Objektspeicherarchitekturen entwickelt, die moderne Cloud-Plattformen antreiben. Sie kombinieren Software für das Datenmanagement mit einer Speicherinfrastruktur, die in der Lage ist, Daten in großem Umfang dauerhaft zu speichern. Dieser architektonische Ansatz ermöglicht es Organisationen, Wissen über Mitarbeiter, Anwendungen und KI-Systeme hinweg zu erhalten und wiederzuverwenden.

Der Wert der Daten endet nicht mehr mit dem Abschluss der ursprünglichen Aufgabe. Informationen, die weiterhin zugänglich bleiben, können zu zukünftigen Fragestellungen, Arbeitsabläufen und Möglichkeiten beitragen. Da KI-Systeme zunehmend auf angesammeltem Wissen und Kontext basieren, könnte das, was Organisationen speichern, genauso wichtig werden wie das, was sie erstellen. Die Bestimmung, welche Informationen in Zukunft relevant sein werden – und die Sicherstellung, dass sie weiterhin zugänglich bleiben – ist die einzige Möglichkeit, wie sie weiterhin Wert schaffen kann. Informationen, die verschwinden, bekommen gar keine Chance.

Weiterlesen: Erfahren Sie, wie persistenter Kontext KI-Systeme umgestaltet.

Fußnoten

1. https://openai.com/index/managing-ai-investments-in-agentic-era
2. IDC, Marktprognose: IDC Global DataSphere Prognose, 2026–2030, Juni 2026