Best Practices für das Kostenmanagement

Im IT-Lizenzmanagement geht es vor allem um Optimierung. Wie lassen sich Lizenzen und Nutzung auf einen Nenner bringen? Wie beugt man Compliance- und Sicherheits-Risiken vor? Und wo lassen sich Kosten einsparen? Die experimentelle Natur von KI steht diesem Wunsch nach Kontrolle und Transparenz oft entgegen. Das heißt aber nicht, dass IT-Management-Ansätze nicht auch bei KI-Assets greifen – so zum Beispiel FinOps. 

Tatsächlich erfolgt das Management von KI-Kosten parallel zur Verwaltung von Cloud-Kosten. Der Schlüssel liegt in der Anpassung des FinOps-Frameworks. Acht Bausteine sind dafür zentral:

#1 IT-Sichtbarkeit schaffen

Egal ob Cloud, SaaS, On-Premises oder AI-Services – IT-Transparenz und der tiefe Einblick in das eigene IT-Portfolio ist Grundvoraussetzung, um Kosten zu managen. Im Framework der FinOps Foundation heißt dieser Schritt nicht ohne Grund die „Inform-Phase“.

KI-Services hingegen befinden sich noch in den Kinderschuhen. Lösungen entwickeln sich weiter und das KI-Portfolio von Anbietern ändert sich. Nicht immer ist ersichtlich, welche KI-Funktionalitäten über eine Lizenz abgedeckt sind. Einige PaaS-KI-Angebote führen die Gebühren nicht als einzelne Posten auf der Rechnung auf. Die Sichtbarkeit ist daher von Fall zu Fall verschieden. Umso wichtiger ist es, einen genauen Blick in Lizenzvereinbarungen zu werfen.

#2 Verantwortlichkeiten neu denken

Nach FinOps fällt die Cloudkostenkontrolle in die Verantwortung jedes Teams und jeder Abteilung. Die Idee dahinter: Wer weiß, wie viel die Nutzung von SaaS und Cloud das Unternehmen kostet, kann Budget genauer planen, KPIs und Metriken aufstellen und generell effektiver mit den Lösungen arbeiten. Das Stichwort lautet „Accountability“.

Schatten-KI ist eine reale Gefahr. Viele Mitarbeitende wählen oft den vermeintlich „einfacheren“ Weg an der IT vorbei und holen sich auf eigene Faust das neueste KI-Tool auf den Rechner. Das viele KI-gestützte Anwendungen kostenlos sind, verschärft das Problem. Die Neuzugänge im IT-Portfolio lassen sich weder managen noch auf ihre Risiken in Bezug auf Datenschutz, Verlust von Intellectual Property (IP) oder die Qualität des generierten Outputs überprüfen.

#3 Governance-Richtlinien aufstellen

Ein wichtiger Schritt, um Verantwortung auf Anwenderseite zu schaffen ist das Aufstellen klarer Richtlinien im Umgang mit KI. Das betrifft sowohl rechtliche und sicherheitstechnische Aspekte als auch die finanziellen Auswirkungen auf IT-Budgets. KI lädt zum Experimentieren, doch nicht jedes Experiment mündet in einem messbaren ROI. Das Training von KI-Modellen kann Ressourcenverbrauch und Kosten da schnell nach oben treiben.

Governance-Kontrollen verhindern die zügellose Nutzung von KI-Ressourcen. Aber Achtung: Die Richtlinien und Vorgaben sollten als Leitplanken und nicht als Straßensperren fungieren und so den Einsatz von KI im Unternehmen ausbremsen.

#4 Tagging von KI-Assets

Die Grundvoraussetzung für eine ordentliche Governance ist eine sauber aufgesetzte Tagging-Strategie. Tags sind ein wesentlicher Mechanismus, um Assets mit Metadaten zu versehen und sie eindeutig zuzuordnen. Das Cloudkostenmanagement kann mittlerweile auf ein konsistentes Set an Tags zurückgreifen. Und auch KI-Lösungen und  -Services sind darauf angewiesen. Allerdings gibt es hier noch einen Haken: Denn die Möglichkeiten für das Tagging von PaaS-KI-Ressourcen sind längst nicht so robust wie bei IaaS-Ressourcen. Wie granular sich Tags daher tatsächlich vergeben lassen, muss von Fall zu Fall untersucht werden.

#5 Budget kontrollieren

Ein ebenfalls wichtiger Bestandteil der Governance: klar definierte Budgets sowie automatische Alerts, die sofort melden, wenn Kosten aus dem Ruder laufen. Es mag schwierig bis unmöglich scheinen, in dieser frühen Phase von KI auch ein bedarfsgerechtes KI-Budget festzulegen. Noch fehlt es in den meisten Unternehmen an Erfahrung und Nutzungsdaten. Je konsistenter das Tagging, je genauer die Zuordnung auf einzelne Stakeholder (Accountability) und je klarer die Governance-Richtlinien, desto einfacher wird es werden, Planungssicherheit auch bei KI zu erreichen.

#6 Auf Datenbasis optimieren

Innerhalb des FinOps Frameworks stellt die Optimierungsphase die Phase dar, in der sich die Cloud-Profitabilität dank der zuvor gesammelten Daten und der neu aufgestellten Prozesse effektiv verbessern lässt.

Solche Optimierungsmöglichkeiten finden sich in Sachen KI nur begrenzt. Bei KI-Diensten, die in Anspruch genommen, aber nicht über eine Cloud-Infrastruktur genutzt werden, lassen sich Konzepte wie Über- oder Unternutzung nicht im herkömmlichen Sinn anwenden. Und auch den ROI von KI-Assets zu bestimmen ist nicht immer geradlinig.

Unternehmen müssen hier die Balance zwischen Kosten und messbaren Mehrwert wahren. Optimieren bedeutet, die Daten sinnvoll zu nutzen und auf den tatsächlichen Bedarf im Unternehmen agil reagieren zu können. Dabei handelt es sich um eine „ungenaue“ Wissenschaft, bei der die Entscheidungsschwelle in jedem Unternehmen unterschiedlich hoch ist.

#7 Betriebsmodell für KI

Im letzten Schritt gilt es, die getroffenen Strategien zur Optimierung weiterzuentwickeln und durchzusetzen. Die Mitarbeitenden an Bord zu holen ist zentral. KI setzt ähnlich wie bei FinOps einen Wandel in der Unternehmenskultur voraus. Schließlich hilft die beste Governance nur wenig, wenn sie konsequent von Anwendern umgangen werden, weil sie an der täglichen Arbeitsrealität vorbei gehen.

#8 Von vorne beginnen

Die Cloudkostenoptimierung ist damit nie abgeschlossen. Das kann auf den ersten Blick frustrierend sein. Der zirkuläre Ansatz hat jedoch auch sein Gutes: IT-Verantwortliche können so agiler arbeiten und Workflows iterativ verfeinern. Gerade beim Einsatz von KI – wo viele noch am Anfang stehen – ist das von Vorteil.

Bild: Canva