KI-Hype ist überall. KI-Kontrolle nicht.

Die aktuelle KI-Diskussion fühlt sich ein wenig so an, als würden frühe Cloud-Ära, SaaS-Wildwuchs und Krypto-Hype gleichzeitig stattfinden.

Überall gibt es Memes über explodierende Token-Rechnungen, Reels über GPU-Engpässe, Screenshots von riesigen KI-Rechnungen und Start-ups, die stolz verkünden, wirklich alles „AI-powered“ gemacht zu haben. Mitarbeitende rechnen stillschweigend KI-Abos ab, Abteilungen experimentieren unabhängig voneinander, und neue KI-Tools tauchen in Organisationen schneller auf, als die IT sie überhaupt inventarisieren kann.

Ein Teil des Humors ist verdient, denn die Ausgaben sind real. Die Experimente sind real. Und das Chaos ist ebenfalls real.

Unter all dem Hype bildet sich jedoch still ein viel größeres operatives Problem in Unternehmen:

KI verbreitet sich schneller, als Governance, Architektur, Beschaffung, Cybersicherheit und Finanzen Schritt halten können.

Das ist die eigentliche Geschichte, die unter der Oberfläche des KI-Booms sichtbar wird.

Shadow AI wird zum neuen Shadow IT

Vor einigen Jahren sorgten sich Organisationen um Shadow IT – Mitarbeitende, die SaaS-Apps, Cloud-Workloads und Tools außerhalb genehmigter Beschaffungs- oder Sicherheitsprozesse einsetzten.

Jetzt treten wir in die Ära der Shadow AI ein.

Und dieses Problem ist größer, weil KI-Systeme mehr tun als Daten zu speichern oder Workflows zu automatisieren. Sie denken, treffen Entscheidungen, verbinden sich mit APIs, greifen auf sensible Systeme zu und arbeiten zunehmend mit delegierter Autorität über Agenten und Automatisierungen.

In vielen Organisationen weiß heute niemand wirklich:

  • welche KI-Tools Mitarbeitende verwenden
  • welche Browser-Erweiterungen installiert sind
  • welche APIs mit Unternehmenssystemen verbunden sind
  • welche Daten in externe Modelle fließen
  • welche autonomen Workflows laufen
  • wo sich Token-Kosten ansammeln

Das ist nicht mehr nur Software-Wildwuchs.

Es ist Intelligenz-Wildwuchs.

Die KI-Token-Ökonomie gerät bereits außer Kontrolle

Jensen Huang und andere KI-Führungskräfte haben wahrscheinlich recht damit, dass die Gesellschaft im kommenden Jahrzehnt enorme Summen für KI-Rechenleistung ausgeben wird.

Aber es gibt einen wichtigen Unterschied zwischen der Ökonomie von Hyperscalern und der von Unternehmen.

Die meisten Unternehmen brauchen letztlich operative Effizienz.

Aktuell setzen viele Organisationen Frontier-Reasoning-Modelle für fast alles Denkbare ein – selbst für Aufgaben, die dieses Intelligenzniveau überhaupt nicht benötigen.

Dokumente zusammenfassen?
Nehmen wir das größte verfügbare Reasoning-Modell.

Leichte Workflow-Automatisierung?
Nehmen wir ein Frontier-Modell.

Interne Ticket-Klassifizierung?
Werfen wir Premium-Token darauf.

Die Branche arbeitet derzeit mit der Annahme, mehr KI führe automatisch zu besseren Ergebnissen.

Doch irgendwann meldet sich die operative Realität.

Der CFO fragt, warum die Token-Rechnungen explodieren. Die Beschaffung fragt, wie viele KI-Anbieter tatsächlich bezahlt werden. CIOs fragen sich, ob die Organisation intelligent standardisiert oder einfach KI-Wildwuchs mit Cloud-Geschwindigkeit anhäuft.

Dann beginnen Unternehmen die nächste Phase der KI-Reife:

Rationalisierung.

Nicht jeder Workflow braucht ein Frontier-Modell

Frontier-Modelle wie GPT-5.5 und Claude 4.7 sind außergewöhnliche technologische Leistungen. Sie stehen für Milliardeninvestitionen in Training, erstklassige Reasoning-Fähigkeiten und einige der fortschrittlichsten Computersysteme, die je gebaut wurden.

Aber nicht jede Unternehmensaufgabe erfordert Reasoning auf MBA- oder PhD-Niveau.

Ein überraschend großer Teil der Unternehmensautomatisierung besteht aus repetitiven operativen Aufgaben, leichtem Reasoning, Retrieval, Routing, Zusammenfassung, Klassifizierung und strukturierten Workflows.

Hier werden kleinere Open-Weight- und lokale Modelle besonders wichtig.

Viele Organisationen erkennen, dass ein großer Anteil der Unternehmens-KI-Workloads problemlos laufen kann auf:

  • kleineren privaten Modellen
  • eingeschränkten Agenten
  • leichter Open-Weight-KI
  • lokalen Inferenzsystemen
  • deterministischen Workflows

Und das oft mit deutlich niedrigeren Kosten, geringerer Latenz, besserem Datenschutz, kleinerer Angriffsfläche und wenig oder gar keinen wiederkehrenden Token-Kosten.

Die künftige Enterprise-KI-Architektur wird wahrscheinlich nicht zu:
„Ein Modell, sie alle zu beherrschen.“

Sondern zu:
„Die richtige Intelligenz für die richtige Aufgabe.“

Manchmal braucht man tatsächlich Frontier-Reasoning.

Manchmal ist ein kleineres, günstigeres und besser kontrollierbares Modell die deutlich klügere Geschäftsentscheidung.

Warum CISO und CIO plötzlich wichtiger sind als je zuvor

Hier verändert sich die Rolle von Cybersecurity- und IT-Führungskräften grundlegend.

Historisch betrachteten viele Organisationen Sicherheitsteams als Compliance-Durchsetzer oder Blockierer. KI verändert die Gleichung, weil nun jemand der Organisation helfen muss, Fragen zu beantworten, die gleichzeitig Sicherheit, Betrieb, Beschaffung, Finanzen und Governance betreffen.

Fragen wie:

  • Welche KI wird tatsächlich genutzt?
  • Welche Agenten existieren?
  • Welche Modelle sind angebunden?
  • Auf welche Systeme können diese Agenten zugreifen?
  • Welche Daten werden extern offengelegt?
  • Welche Workloads benötigen wirklich Frontier-Modelle?
  • Wo steigen Kosten unnötig stark an?

Das ist nicht mehr nur ein Cybersecurity-Problem.

Es ist ein Problem der operativen Kontrolle.

Und zunehmend könnten CIO- und CISO-Organisationen die einzigen Teams sein, die Unternehmen dabei helfen können, KI nachhaltig und intelligent zu skalieren.

Nicht weil sie KI stoppen wollen.

Sondern weil sie entscheidend dafür werden könnten, Unternehmens-KI wirtschaftlich tragfähig, operativ sicher und dauerhaft steuerbar zu machen.

Die nächste Generation von Cybersecurity-Führung könnte weniger wie das „Department of No“ aussehen und mehr wie ein Partner für die Optimierung von Unternehmens-KI.

Das versteckte Risiko, über das kaum jemand spricht: KI-Verhalten zur Laufzeit

Eine der am wenigsten diskutierten Realitäten bei der Einführung von Unternehmens-KI ist das Ausführungsrisiko zur Laufzeit.

Die meisten Gespräche drehen sich heute um Prompts, Copilots, Benchmarks und Produktivitätsgewinne.

Doch die wichtigere operative Frage lautet zunehmend:

„Was tun diese Agenten tatsächlich, wenn sie erst einmal laufen?“

Moderne KI-Agenten können auf Dateien zugreifen, SaaS-Plattformen anbinden, APIs aufrufen, Workflows automatisieren, sensible Daten abrufen und autonom Aktionen ausführen.

Anders als traditionelle Software kann KI-Verhalten zudem dynamisch und probabilistisch sein. Dadurch entsteht ein völlig neues Runtime-Vertrauensproblem.

Irgendwann ist „KI ist eben KI“ nicht mehr lustig, wenn:

  • sensible Daten abfließen
  • Automatisierungen unvorhersehbar reagieren
  • Agenten unbeabsichtigte Aktionen ausführen
  • oder Workflows sich auf unsichere Weise miteinander verketten

Deshalb werden Runtime-Sichtbarkeit und Runtime-Kontrolle zu zentralen architektonischen Anforderungen für die Einführung von Unternehmens-KI.

Nicht nur Governance-Richtlinien in Präsentationen.

Sondern echte operative Durchsetzung.

Die zukünftige Enterprise-KI-Strategie: Erkennen → Kontrollieren → Ermöglichen

Organisationen, die bei KI erfolgreich reifen, werden wahrscheinlich einem sehr einfachen operativen Modell folgen:

Erstens: erkennen, welche KI in der Organisation tatsächlich existiert. Man kann nicht kontrollieren, was man nicht sieht. Das bedeutet Transparenz über Modelle, Agenten, APIs, Browsernutzung, Workflows, Integrationen, Token-Verbrauch und autonome Aktivitäten.

Zweitens: kontrollieren. Nicht im Sinne von Innovationsstopp, sondern durch operative Disziplin bei Runtime-Verhalten, Berechtigungen, Modellauswahl, Datenzugriff, Kostenmanagement und Ausführungsgrenzen. Hier bestimmen Organisationen, welche Workloads wirklich Frontier-Reasoning brauchen und wo Open-Weight- oder lokale Modelle operativ und finanziell viel sinnvoller sind.

Und schließlich: sicher und im großen Maßstab ermöglichen.

Das ist der wichtige Teil, den viele übersehen.

Das Ziel ist nicht, die Einführung von KI zu stoppen.

Das Ziel ist, genügend Sichtbarkeit und Kontrolle zu schaffen, damit Organisationen die KI-Einführung selbstbewusst beschleunigen können, ohne unkontrollierte Ausgaben, unnötige Angriffsflächen oder operatives Chaos zu erzeugen.

Die besten Sicherheitsteams werden KI nicht abwürgen – sie werden sie optimieren

Die klügsten Organisationen werden KI nicht verbieten.

Dieser Kampf ist bereits vorbei.

Stattdessen werden sie KI rationalisieren, optimieren, inventarisieren und am tatsächlichen Geschäftswert ausrichten.

Die künftigen Gewinner bei Unternehmens-KI werden wahrscheinlich Organisationen sein, die verstehen:

  • wo Frontier-Reasoning wirklich entscheidend ist
  • wo kleinere Modelle ausreichen
  • wie sich unnötige Komplexität reduzieren lässt
  • wie Runtime-Risiken verwaltet werden
  • und wie KI verantwortungsvoll skaliert wird, ohne dass operative Entropie übernimmt

Das ist nicht innovationsfeindlich.

Das ist operative Reife.

Eine neue operative Schicht für Unternehmens-KI

Das ist einer der Gründe, warum mich die Entstehung einer neuen Kategorie operativer Plattformen für Unternehmens-KI begeistert, die sich auf Sichtbarkeit, Runtime-Kontrolle, intelligente Modellorchestrierung und sichere Nutzung konzentrieren.

Auf der RSAC in San Francisco Anfang dieses Jahres stellte OmniTrust im kleinen Rahmen eine neue Enterprise-AI-Control-Plane vor, die auf einer einfachen operativen Philosophie basiert:

Erkennen → Kontrollieren → Ermöglichen.

Die Idee ist unkompliziert: Organisationen dabei helfen, Shadow AI und Modell-Wildwuchs zu entdecken, Runtime-Sichtbarkeit und operative Kontrolle einzuführen und anschließend KI-Agenten sicher in die Hände alltäglicher Wissensarbeiter zu geben – ohne unkontrollierte Ausgaben, unvorhersehbares Verhalten oder unnötige operative Risiken.

Besonders interessant ist die Möglichkeit, intelligent zu kombinieren:

  • Frontier-Modelle dort, wo erstklassiges Reasoning erforderlich ist
  • Open-Weight- oder lokale Modelle dort, wo kostengünstigere und kontrollierte Ausführung sinnvoller ist
  • und gesteuerte Agenten, die innerhalb klarer Grenzen und Berechtigungen arbeiten

In vielerlei Hinsicht fühlt sich das wie der Beginn der Phase „Aufsicht durch Erwachsene“ für Unternehmens-KI an.

Nicht gegen KI. Nicht gegen Innovation.

Einfach operativ nachhaltige KI.

Ich vermute, dass wir in den nächsten 12–24 Monaten einen deutlichen Wechsel sehen werden von:
„Wer hat die meiste KI?“

…zu:
„Wer kann KI sicher, intelligent und wirtschaftlich im großen Maßstab operationalisieren?“

Die Einführung von KI beschleunigt sich schneller, als die meisten Unternehmen sie operationalisieren können.

Dadurch entstehen Shadow AI, unkontrollierte Agenten, fragmentierte Tools, explodierende Token-Ausgaben, Runtime-Risiken, unklare Berechtigungen und schnell wachsende Angriffsflächen.

Die Organisationen, die in der nächsten Phase der KI-Einführung erfolgreich sind, werden nicht einfach diejenigen sein, die am meisten KI einsetzen.

Es werden diejenigen sein, die:

  • sie verstehen
  • sie inventarisieren
  • sie kontrollieren
  • sie optimieren
  • und sie sicher im gesamten Unternehmen ermöglichen

Denn KI wird bereits eingesetzt.

Aber in vielen Organisationen wird sie noch immer nicht kontrolliert.