Starburst: Wie gezieltes Datenmanagement KI-Kosten in Unternehmen senkt

Die Kosten für den Einsatz von künstlicher Intelligenz steigen in vielen Unternehmen spürbar an. Nach Einschätzung von Starburst, einem Anbieter von Datenplattformen, liegt ein wesentlicher Grund dafür in ineffizienten Datenprozessen. Unternehmen konzentrieren sich häufig auf die Optimierung von Modellpreisen oder die Begrenzung von API-Aufrufen, greifen damit aber oft zu spät in den Kostenverlauf ein. Bereits bevor ein KI-Modell mit Daten versorgt wird, entstehen durch unzureichend gefilterte oder duplizierte Datensätze erhebliche Aufwände. Die eigentlichen Kostentreiber liegen laut Starburst meist in der Art und Weise, wie Daten aufbereitet, verwaltet und bereitgestellt werden.

Tokenverbrauch und Datenarchitektur

Viele generative KI-Dienste rechnen nach Token, API-Nutzung oder Verarbeitungszeit ab. Laut Schätzungen von Gartner benötigen agentenbasierte KI-Modelle pro Aufgabe fünf- bis 30-mal mehr Token als klassische Chatbots. Sinkende Tokenpreise kommen laut Analysten jedoch nicht vollständig bei Unternehmenskunden an. Entscheidend für die Kosten ist, wie viele und welche Daten tatsächlich an das Modell übermittelt werden. Die zugrundeliegende Datenarchitektur bestimmt, wie effizient Informationen gefiltert und bereitgestellt werden. Werden etwa lose verbundene Dokumente oder vollständige Tabellenextrakte ungefiltert eingespeist, steigt der Tokenverbrauch unnötig an. Ein gezieltes Datenmanagement, das nur relevante Informationen wie spezifische Rechnungsdaten oder genehmigte Geschäftsdefinitionen bereitstellt, kann den Ressourcenbedarf deutlich senken.

Die FinOps Foundation hat festgestellt, dass die Zuordnung und Prognose von KI-Ausgaben für Unternehmen eine der größten Herausforderungen darstellt. Überwachung allein reicht nicht aus, um die Kosten nachhaltig zu senken. Größere Einsparungen lassen sich erzielen, wenn bereits vor dem Modellaufruf der Datenumfang reduziert wird. Ein Beispiel für diese Herangehensweise ist die Nutzung kuratierter Datenprodukte, die gezielt Metadaten, Herkunftsinformationen und Zugriffsregeln bündeln.

Kuratierte Datenprodukte und Governance

Starburst verweist darauf, dass Unternehmen durch den Einsatz kuratierter Datenprodukte eine proaktive Kostenkontrolle etablieren können. Diese Produkte bündeln fokussierte Datensätze mit klar definierten Metadaten, Eigentumsverhältnissen und Zugriffsregeln. So lässt sich nachvollziehen, welche Datenquellen für welche Workloads genutzt werden, und der Zugriff kann gezielt gesteuert werden. Die Transparenz über Verbrauchsmuster ermöglicht es, Zugriffsgrenzen bereits vor der Abfrage zu setzen und unnötige Datenbewegungen zu vermeiden.

Mit dem Produkt AIDA (AI Data Assistant) setzt Starburst dieses Konzept praktisch um. AIDA beantwortet geschäftliche Anfragen ausschließlich auf Basis kontrollierter, kuratierter Daten und unter Einhaltung der vom Unternehmen definierten Zugriffskontrollen. Dadurch wird der an das Modell gesendete Datenumfang von Beginn an begrenzt. Die Bedeutung einer solchen Strategie zeigt sich auch im Vergleich zu anderen Entwicklungen im Bereich KI-gestützter Arbeitsabläufe, wie sie etwa Anthropic mit der Erweiterung von Claude Cowork verfolgt.

Datenkopien und technische Risiken

Ein weiteres Problemfeld sind die zahlreichen Datenkopien, die im Verlauf von KI-Projekten entstehen. Daten werden häufig aus operativen Systemen in Data Warehouses, Projektumgebungen oder Vektordatenbanken verschoben. Jede zusätzliche Kopie erhöht nicht nur die Speicherkosten, sondern auch den Wartungsaufwand und das Risiko widersprüchlicher Datensätze. Föderierte Zugriffsmodelle und offene Tabellenformate können helfen, den Bedarf an Datenverschiebungen zu reduzieren. Teams sollten abwägen, welche Daten tatsächlich verschoben oder materialisiert werden müssen und wo ein direkter Zugriff am Speicherort sinnvoller ist.

Offene Formate und föderierter Zugriff lösen jedoch nicht alle Probleme. Unzureichende Datenpflege, etwa durch kleine Dateien, redundante Snapshots oder schwache Partitionierung, kann dazu führen, dass Systeme mehr Daten scannen und verarbeiten müssen als notwendig. Dies bleibt oft unproblematisch, solange nur wenige Dashboards regelmäßig abgerufen werden. Mit dem verstärkten Einsatz von KI-Anwendungen und Agenten steigen die Kosten jedoch schnell an, wenn Datenpflege und Abfrageoptimierung vernachlässigt werden.

Regulatorische Anforderungen und Datenminimierung

Governance wird in Unternehmen häufig als reine Compliance-Aufgabe betrachtet. Im Kontext von KI-Anwendungen hat diese Trennung jedoch direkte wirtschaftliche Folgen. Wer nicht nachvollziehen kann, welche Daten ein Modell genutzt hat oder wer Zugriff hatte, muss im Zweifel Systeme neu konzipieren. Die Einhaltung des Grundsatzes der Datenminimierung, wie ihn die DSGVO fordert, ist nicht nur rechtlich geboten, sondern wirkt sich auch positiv auf die Kostenstruktur aus. Der EU AI Act verschärft die Anforderungen an Kontrollen und Rechenschaftspflicht zusätzlich.

Unternehmen sollten daher wissen, wo ihre Daten liegen, welche Modelle darauf zugreifen können und wie der Zugriff protokolliert wird. Wer Daten möglichst am Ursprungsort belässt und nur den genehmigten Teil bereitstellt, senkt nicht nur Transferkosten, sondern auch Compliance-Risiken. Die Kostenkontrolle bei KI beginnt damit bereits vor dem ersten Modellaufruf - die Datenarchitektur entscheidet letztlich, wie hoch die tatsächlichen Ausgaben ausfallen.

Der Begriff "Inferenz" bezeichnet in der KI die Phase, in der ein trainiertes Modell auf neue Daten angewendet wird, um Vorhersagen oder Antworten zu generieren. Im Unterschied zum ressourcenintensiven Training entstehen die laufenden Kosten bei der Inferenz vor allem durch die Menge und Komplexität der verarbeiteten Daten. Unternehmen können diese Kosten durch gezielte Datenfilterung, effiziente Datenarchitektur und klare Governance-Strukturen nachhaltig beeinflussen.