Vom Tokenmaxxing zum ROI: NEA's Tiffany Luck zum KI-Realitätscheck

Die Ära des „Tokenmaxxing“ – in der Silicon-Valley-CEOs eine unbegrenzte KI-Nutzung ungeachtet der Kosten förderten – weicht rasch einer Phase intensiver finanzieller Prüfung. Da Unternehmen den anfänglichen Hype hinter sich lassen, hat sich der Fokus vom reinen Konsum hin zu einem nachweisbaren Return on Investment (ROI) verschoben.

Das Ende der Tokenmaxxing-Ära

Anfang dieses Jahres war der vorherrschende Trend in der Tech-Branche das „Tokenmaxxing“ – das Bestreben, KI in jeden möglichen Workflow zu integrieren, um den Nutzen zu maximieren. Die astronomischen Kosten für den Konsum von Large Language Models (LLM) haben jedoch zu einem deutlichen Realitätscheck geführt. Bekannte Berichte deuten darauf hin, dass Unternehmen wie Uber Berichten zufolge ihr gesamtes jährliches KI-Budget bereits innerhalb weniger Monate aufgebraucht haben.

Dieser finanzielle Druck hat Unternehmen dazu gezwungen, strenge Kontrollen einzuführen; einige Firmen haben sogar Claude-Lizenzen für bestimmte Abteilungen gestrichen oder interne KI-Leaderboards abgeschafft, wie etwa Meta. Für Venture Capitalists wie die NEA-Partnerin Tiffany Luck signalisiert dieser Wandel den Übergang von experimentellen Ausgaben hin zu einer disziplinierten „ROI-Abrechnung“.

Der Aufstieg der Modell-Agnostik und neuer Deployment-Strategien

Während Unternehmen mit diesen Kosten kämpfen, zeichnet sich ein neues Muster bei der Einführung in Unternehmen ab. Anstatt sich auf einen einzigen Anbieter festzulegen, setzen Unternehmen zunehmend auf einen „Mix-and-Match“-Ansatz mit verschiedenen Modellen, um sowohl die Leistung als auch den Preis zu optimieren. Dieser Multi-Modell-Ansatz ermöglicht es Unternehmen, teure Modelle mit hoher Reasoning-Fähigkeit für komplexe Aufgaben einzusetzen, während sie für die Routineautomatisierung kleinere, günstigere Modelle nutzen.

Um diese Integration zu erleichtern, wird eine neue Art von Talent unverzichtbar: der Forward-Deployed Engineer. Luck legt nahe, dass diese Ingenieure als „Trojanisches Pferd“ für die KI-Einführung in großen Organisationen fungieren. Indem sie direkt an der vordersten Front der Implementierung arbeiten, helfen sie dabei, die Lücke zwischen den rohen Modellkapazitäten und spezifischen, wertorientierten Business-Use-Cases zu schließen. So wird sichergestellt, dass KI-Tools tatsächlich Unternehmensprobleme lösen, anstatt nur die Komplexität zu erhöhen.

Wertschöpfung über den gesamten KI-Stack hinweg

Ein weit verbreitetes Missverständnis auf dem aktuellen Markt ist, dass sich der Wert ausschließlich auf der Modellschicht konzentriert. Während das Rennen um das leistungsfähigste LLM weitergeht, argumentiert Tiffany Luck, dass eine signifikante Wertschöpfung auf jeder Ebene des KI-Stacks stattfindet.

Von Startups, die spezialisierte Infrastruktur aufbauen, um Unternehmen bei der Verfolgung ihrer KI-Ausgaben zu unterstützen, bis hin zu Entwicklern, die „persönliche Agenten“ erschaffen, die „magische Momente“ in der Consumer-Experience ermöglichen – die Möglichkeiten diversifizieren sich. Während die Branche reift, werden die Gewinner wahrscheinlich nicht diejenigen sein, die einfach nur die meisten Token bereitstellen, sondern diejenigen, die die effizienteste, am besten integrierte und messbare Intelligenz liefern.

Wichtigste Erkenntnisse