Der neue KI-Lock-In

KI beseitigt Lock-In-Tendenzen nicht, sondern setzt lediglich andere Schwerpunkte.Chizhevskaya Ekaterina | shutterstock.com



Die Wirtschaftsprüfer von PwC planen (in Kooperation mit Anthropic), rund 30.000 Mitarbeiter im Umgang mit Claude Code zu schulen und mit entsprechenden Zertifizierungen auszustatten. Daraus soll eine „Office of the CFO“-Business Group rund um die Technologie entstehen – für Kunden aus dem Banken-, Versicherungs- und Gesundheitswesen. Anthropic selbst hat in sein Partner-Netzwerk zudem kürzlich weitere rund 100 Millionen Dollar bereitgestellt.



Um nicht zurückzustehen, hat OpenAI seinerseits die OpenAI Deployment Company, auch bekannt als „DeployCo“, gegründet. Das neue Unternehmen ist mit mehr als 4 Milliarden Dollar Startkapital ausgestattet und darauf ausgerichtet, GPT-Modelle vor Ort in die Workflows von Kunden zu integrieren.



Für Unternehmen, die millionenfach Token an den Mann bringen, kann diese Investition in professionelle Services, die nicht skalieren und mit niedrigen Margen einhergehen, auf den ersten Blick seltsam erscheinen. Ist es aber nicht: Auch wenn KI-Modelle immer leichter austauschbar sind, gilt das nicht für die damit verbundene Arbeit.



Entwickler wechseln schon heute zwischen Claude Code, Codex, Gemini und lokalen Modellen hin und her – mit weniger Aufwand, als den Anbietern lieb ist. Auch auf der API-Ebene wird der Austausch einfacher. Nicht mühe- oder kostenlos, aber immer noch simpel im Vergleich dazu, die Workflow-Infrastruktur rund um das Modell auszutauschen.



Diesen Aspekt unterschätzen Enterprise-Kunden möglicherweise. Offene Standards, bessere APIs und eine zunehmende Modellparität schwächen zwar die eine Lock-In-Form, stärken dafür aber eine andere hinsichtlich des umgebenden Workflows, der Governance und des Betriebsmodells.



Lock-In-Verlagerung



Sanchit Vir Gogia, Chefanalyst bei Greyhound Research, drückt es folgendermaßen aus: „Auf Orchestrierungsebene bleibt ein Austausch diffizil. Sobald Ihre Workflows, Kontrollen, Identitätsschichten und Governance-Strukturen um ein bestimmtes System herum aufgebaut sind, ist es kein leichter Task, dieses System zu verändern.“



Diese Diagnose liefert den deutlichsten Hinweis darauf, warum die KI-Anbieter Milliarden in die Workflow-Integration investieren: Neue KI-Technologie fügt sich nicht nahtlos genug in alte Enterprise-Workflows ein – und Menschen können das beheben.



Diverse Studien und Umfragen zeigen, dass die Kluft zwischen KI-Investition und erzieltem Mehrwert oft sehr groß ist. Die meisten KI-Fails hängen dabei auch nicht mit der Performanz des zugrundeliegenden Modells zusammen. Sondern mit der operativen Eignung. Oder ganz konkret: KI-Tools lernen den Workflow nicht, sind nicht in Approval-Prozesse eingebunden und verfügen nicht über die richtigen Berechtigungen. Mit anderen Worten: Sie bestehen den Praxistest mit realen, menschlichen Workflows nicht.



Das ist der einzige Grund, warum es Unternehmen wie DeployCo gibt. OpenAI hat sich nicht dazu entschieden, diesbezüglich die Palantir-Strategie zu kopieren, weil dem Unternehmen die Ideen ausgegangen sind. Vielmehr hat der KI-Pionier endlich verstanden, dass die Kunden nicht nach einem intelligenteren Modell streben. Sie haben vor allem Interesse daran, dass ein menschlicher Profi sie vor Ort besucht und die langweilige sowie kostenintensive Aufgabe übernimmt, das KI-Modell richtig in ihre Workflows einzubinden.



Aus dieser Perspektive ist die Verlagerung des Lock-In auch keine wirkliche Verlagerung: Sie fand immer schon eine (oder zwei) Ebenen höher statt. Der Hype um KI-Modelle hat das nur verschleiert.



MCP ist nicht genug



An dieser Stelle kommt das Model Context Protocol (MCP) ins Spiel. MCP ist tatsächlich nützlich und hält, was es verspricht: Es senkt die Kosten dafür, KI-Modelle mit Tools und Datenquellen zu verknüpfen. Wenn Sie schon einmal ein halbes Dutzend maßgeschneiderter Konnektoren für ServiceNow, Salesforce oder Jira gewartet haben, können Sie nachvollziehen, dass das ein wahrer Segen ist.



Allerdings ist ein Protokoll eben keine Plattform. MCP kann einen KI-Agenten dabei unterstützen, mit einem Tool zu kommunizieren. Es gibt jedoch keine Auskunft darüber,




wer diesen Agenten genehmigt hat,



auf welche Daten dieser zugreifen darf,



wie seine Aktionen protokolliert werden oder



wie man ihn sicher deaktiviert.




MCP sagt Ihnen auch nicht, wie die Compliance-Prüfung eines Vermögensverwalters tatsächlich abläuft, wie ein Underwriter über einen Grenzfall denkt oder was genau „done“ in Zusammenhang mit dem Monatsabschluss eines Finanzteams bedeutet. Diese Arbeit ist unveränderlich lokal – und menschlich.



Es verhält sich ganzähnlich wie bei Kubernetes, das die Lock-In-Situation im Cloud-Bereich ebenfalls nicht eliminiert hat: Es standardisierte die Container-Ebene lediglich so weit, dass sich der nächste Kampf eine Ebene höher zu Managed Services, Identitätsmanagement, Netzwerken, Observability und Data Gravity verlagert hat. MCP macht quasi etwas Ähnliches für KI-Agenten: Eine Etage des Gebäudes wird portabel, die diffizileren Enterprise-Probleme sind eine Ebene höher angesiedelt und verbleiben dort. So senkt MCP zwar die Integrationskosten, aber nicht den Aufwand dafür, KI vertrauenswürdig zu betreiben.



Wo der KI-Lock-In lauert



Die wesentliche, strategische Frage bei agentenbasierter KI dreht sich darum, wem die Control Plane gehört. Hier zeichnet sich ein „Kampf“ an drei verschiedenen Schauplätzen ab.




Orchestrierungsebene: Frameworks wie LangGraph sind keine Lock-In-Fallen, sondern nützliche Tools. Aber: Orchestrierung sorgt für eine engere Kundenbindung, ob nun beabsichtigt oder nicht. Zu den Anwendern von LangGraph gehören etwa Klarna, Replit, Elastic und Ally. Wenn diese und andere Kunden ein Jahr damit verbracht haben, Agentenverhalten, Evaluierungen, Recovery-Logik und Observability-Traces innerhalb eines Frameworks zu orchestrieren, werden sie dieses nicht einfach über Bord werfen, nur weil ein Anbieter ein schnelleres oder billigeres KI-Modell auf den Markt bringt.



Anbietergesteuerte Workflow-Oberflächen: Das baut Anthropic eigentlich gerade mit Claude Cowork auf. Durch die Erweiterung hielten private Plug-in-Marktplätze, benutzerspezifische Bereitstellungen und vorgefertigte Agenten für verschiedene Geschäftsbereiche Einzug. Niemand im Enterprise-Umfeld dürfte Interesse daran haben, 400 generische Agenten einzusetzen, um sie dann an Vertragssysteme, HR-Daten und Kundendatensätze zu koppeln. Nicht die Agenten selbst sind das Produkt – sondern die administrative Oberfläche um sie herum.



Service-Layer: Hier liegt die größte Ironie. Das deutlichste Zeichen dafür, dass sich der Wert der KI in Richtung Implementierung verlagert, hat nichts mit der Größe des Marktes zu tun. Vielmehr ist es die Tatsache, dass OpenAI, Anthropic, PwC, Accenture und Deloitte Heerscharen von Mitarbeitern ausbilden, um Workflows abzubilden, Systeme miteinander zu verknüpfen und Prozesse neu zu gestalten.




Was das für Anwender bedeutet



Wenn Sie für die IT eines Unternehmens verantwortlich sind, ist diese Erkenntnis in gewisser Weise befreiend. Schließlich müssen Sie sich nicht mehr auf diese oder jene Punktlösung versteifen, sondern können stattdessen eine oder zwei Ebenen höher ansetzen. Die wichtigen strategischen Fragen lauten auf lange Sicht dabei wie folgt:




In welches Orchestrierungs-Framework wird Ihr Code eingebunden?



In welcher Workflow-Oberfläche werden die Endbenutzer tatsächlich arbeiten?



Welcher Servicepartner ist tief genug in Ihre Betriebsabläufe eingebunden, um tatsächlich verbindliche Modellempfehlungen zu liefern?




(fm)



Dieser Artikel ist im Original bei unserer Schwesterpublikation Infoworld.com erschienen.