KI-Kostenschätzung: Reale Preise und Budgets für 2026

Wichtigste Punkte: Die Kostenschätzung für KI im Jahr 2026 umfasst mehrere Dimensionen: Trainingskosten von 1,4 Billionen US-Dollar bis zu mehreren Millionen US-Dollar, abhängig von der Modellkomplexität; Cloud-Infrastrukturkosten von über 1,4 Billionen US-Dollar jährlich für großflächige Implementierungen; und versteckte Kosten wie Datenerfassung, Risikomanagement und laufende Inferenzkosten. Unternehmen müssen bei der Budgetierung von KI-Projekten sowohl direkte technische Kosten als auch indirekte Faktoren wie regulatorische Compliance, Cybersicherheit und Ressourcenallokation berücksichtigen.

Wie viel kostet es im Jahr 2026 tatsächlich, ein KI-System zu entwickeln und einzusetzen? Die Antwort ist nicht das, was die meisten Menschen erwarten.

Marktstudien zeigen, dass die Entwicklungskosten für KI je nach Komplexität und Umfang des Projekts zwischen 1.400.000 und über 1.400.000 Tsd. liegen. Doch das ist nur der Anfang. Die tatsächlichen Kosten umfassen Infrastruktur, Datenerfassung, laufende Verwaltung und eine Vielzahl versteckter Ausgaben, die Unternehmen oft überraschen.

Dieser Leitfaden analysiert die vollständige Kostenstruktur von KI-Projekten anhand realer Preisdaten von Cloud-Anbietern, Entwicklungsframeworks und Brancheneinsätzen. Keine unnötigen Details, nur die Zahlen und Frameworks, die für eine präzise Budgetplanung notwendig sind.

Die wahren Kostenkomponenten der KI-Entwicklung

Wenn Finanzchefs nach KI-Kosten fragen, denken sie in der Regel an die Modellentwicklung. Das ist aber nur ein Teilaspekt – und oft nicht der größte.

Laut dem KI-Risikomanagement-Rahmenwerk des National Institute of Standards and Technology (NIST) erfordert eine effektive KI-Governance eine umfassende Ressourcenplanung, die weit über die anfängliche Entwicklungsphase hinausgeht. Das Rahmenwerk betont, dass vertrauenswürdige KI-Systeme kontinuierliche Investitionen in Überwachung, Validierung und Risikominderung benötigen.

Eine detaillierte Analyse der tatsächlichen Kostenstruktur offenbart vier Hauptkategorien:

Modellkomplexität und Schulungskosten

Die Komplexität von KI-Modellen macht 30–401 Tsd. Billionen der gesamten Projektkosten aus. Der Aufbau groß angelegter Modelle von Grund auf erfordert enorme Rechenressourcen und erhebliche finanzielle Investitionen.

Eine vom Sustainable AI Lab der Universität Bonn veröffentlichte Studie zu Ressourcenkosten ergab, dass das Training eines Modells wie GPT-4 je nach Auslastung der Modell-FLOPS (MFU) und Lebensdauer der Hardware zwischen 1.174 und 8.800 A100-GPUs benötigt. Dies entspricht der Gewinnung und Entsorgung von bis zu 7 Tonnen giftiger Elemente – versteckte Umwelt- und Finanzkosten, die in ersten Kostenschätzungen selten berücksichtigt werden.

Doch Moment mal. Jüngste Untersuchungen zur Kostenrechnung decken eine gravierende Lücke auf, die Unternehmen nutzen, um ihre tatsächlichen Entwicklungskosten zu verschleiern: die Modelldestillation. DeepSeek-V3 beispielsweise wurde teilweise durch Destillation des leistungsstärkeren DeepSeek-R1 entwickelt, doch das viel zitierte Budget von 1,4 Milliarden US-Dollar beinhaltet nicht die Entwicklungskosten des Basismodells.

Cloud-Infrastruktur und Rechenkosten

Die Infrastruktur stellt den am besten vorhersehbaren – und oft größten – laufenden Kostenfaktor dar. Schätzungen von Amazon AWS zeigen, dass die monatlichen Kosten für KI-Infrastruktur leicht fünfstellige Beträge erreichen können.

Diese Infrastrukturkosten basieren auf einer täglichen Nutzung von 12 Stunden über 30 Tage. Ein 24/7-Betrieb der Systeme würde diese Zahlen in etwa verdoppeln.

Datenerfassung und -aufbereitung

Daten stellen den am wenigsten verstandenen Input in der KI-Entwicklung dar. Da KI-Labore die öffentlichen Datenquellen erschöpft haben, wenden sie sich proprietären Daten zu, wobei Verträge in Höhe von Hunderten von Millionen Dollar abgeschlossen werden.

Eine Studie von Open Data Labs mit dem Titel ‘Die Ökonomie von KI-Trainingsdaten: Eine Forschungsagenda’ etabliert die Datenökonomie als eigenständiges Forschungsfeld und dokumentiert, wie Daten aktuell ausgetauscht und bepreist werden. Die Herausforderung? Daten verhalten sich nicht wie herkömmliche Produktionsfaktoren. Ihr Wert variiert je nach Kontext, Qualität, Aktualität und Einzigartigkeit – was die Kostenschätzung besonders komplex macht.

Mal ehrlich: Die meisten Unternehmen unterschätzen die Datenkosten um 501.000 bis 3.000 Billionen US-Dollar oder mehr. Die Datenerfassung ist nur der Anfang. Bereinigung, Kennzeichnung, Validierung und laufende Aktualisierungen verursachen erhebliche Kosten.

Risikomanagement- und Compliance-Kosten

Das Nationale Institut für Standards und Technologie (NIST) veröffentlichte im Juli 2024 ein Profil für generative KI (NIST.AI.600-1) als Ergänzung zum Rahmenwerk für KI-Risikomanagement. Diese branchenübergreifende Ressource betont, dass generative KI einzigartige Risiken mit sich bringt, die spezifische Risikominderungsstrategien und damit verbundene Kosten erfordern.

Risikomanagement ist nicht mehr optional. Es ist ein obligatorischer Budgetposten. Organisationen müssen Folgendes berücksichtigen:

• Sicherheitslückenanalysen und -behebung
• Bias-Tests und Fairness-Audits
• Dokumentation zur Einhaltung gesetzlicher Vorschriften
• Modellüberwachung und Drifterkennung
• Planung der Reaktion auf Vorfälle

Laut einer Studie der Brookings Institution erzielen Unternehmen mit hohem Cybersicherheitsrisiko deutlich schlechtere Aktienrenditen, mit monatlich um etwa 0,331 Billionen US-Dollar niedrigeren Erträgen. Diese digitalen Schwachstellen verursachen reale wirtschaftliche Kosten, die sich nicht direkt im BIP niederschlagen, aber die Budgets von KI-Projekten erheblich beeinflussen.

Plattformspezifische Preismodelle

Verschiedene KI-Plattformen und -Dienste verwenden sehr unterschiedliche Preisstrukturen. Das Verständnis dieser Modelle ist für eine genaue Kostenschätzung unerlässlich.

Preisgestaltung basierend auf API-Daten

Für Organisationen, die vortrainierte Modelle über APIs nutzen, steigen die Kosten mit dem Nutzungsvolumen. Die FinOps Foundation stellt Vergleichsdaten für die monatlichen Kosten bereit, die von einer täglichen Nutzung von 12 Stunden über 30 Tage ausgehen:

Ist Ihnen der 30-fache Preisunterschied zwischen GPT-3.5 und GPT-4 aufgefallen? Das ist kein Tippfehler. Die Leistungsfähigkeit des Modells bestimmt direkt die Kosten – daher ist die Wahl des richtigen Modells für jede Aufgabe für die Budgetkontrolle von enormer Bedeutung.

Die Falle der Inferenzkosten

Was die meisten Organisationen überrascht, ist Folgendes: Die Kosten für die Datenanalyse können die Schulungskosten um ein Vielfaches übersteigen.

Untersuchungen zur Wirtschaftlichkeit von überwachtem Training ergaben, dass Zero-Shot-Bild-Sprach-Modelle eine Genauigkeit von 52,3% in verschiedenen Produktkategorien erreichen. Die Analyse zeigte jedoch, dass sich das Training kundenspezifischer Modelle erst ab 55 Millionen Inferenzvorgängen lohnt – das entspricht der Verarbeitung von 151.000 Bildern täglich über ein Jahr.

Liegt dies unterhalb dieser Schwelle? Die Kosten für die Berechnung der Schlussfolgerungen durch die Entwicklung eines benutzerdefinierten Modells übersteigen den Nutzen. Unternehmen würden trotz geringerer Genauigkeit mit Standardlösungen Geld sparen.

Dies verändert grundlegend, wie Kostenkalkulationen funktionieren sollten. Die Frage lautet nicht mehr nur “Was kostet eine Schulung?”, sondern “Ab welchem Nutzungsvolumen wird die individuelle Entwicklung kosteneffektiv?”

Kostenkalkulationsrahmen für 2026

Herkömmliche Kostenschätzungsansätze versagen bei KI-Projekten, weil sie die Entwicklung als linearen Prozess betrachten. KI funktioniert aber nicht so.

Eine effektive Kostenschätzung erfordert die Berücksichtigung von Iterationen, Experimenten und der inhärenten Unsicherheit der Modellleistung. Zur Bewältigung dieser Herausforderungen wurden verschiedene Rahmenwerke entwickelt:

Die sieben Prinzipien der KI-Kostenrechnung

Die Forschung zu KI-Kosten und Rechenleistungsabrechnung schlägt sieben Prinzipien für eine präzise Kostenverfolgung vor. Diese Prinzipien beheben technische Unklarheiten, die Schlupflöcher schaffen und die Wirksamkeit von Regulierungen sowie eine genaue Budgetplanung untergraben.

Die zentrale Erkenntnis? Eine zu enge Kostenrechnung kann die gesamten Entwicklungskosten verschleiern. Organisationen müssen Folgendes erfassen:

• Die gesamte vorgelagerte Modellentwicklung (einschließlich der für die Destillation verwendeten übergeordneten Modelle)
• Volle Rechenressourcen (nicht nur die finalen Trainingsläufe)
• Kosten für Datenerfassung und -verarbeitung
• Gescheiterte Experimente und aufgegebene Ansätze
• Laufende Inferenz- und Bereitstellungskosten

Die meisten Kostenschätzungen konzentrieren sich ausschließlich auf das letztendlich erfolgreiche Modell. Das ist so, als würde man die Kosten für die pharmazeutische Forschung und Entwicklung nur anhand der zugelassenen Medikamente schätzen und dabei das in den Studien gescheiterte Präparat 90% ignorieren.

Multiplikatoren für Projekttyp und Komplexität

Nicht alle KI-Projekte kosten gleich viel. Untersuchungen zur Projektkostenprognose haben gezeigt, dass bestimmte Projekttypen besonders anfällig für Kostenüberschreitungen sind.

Solar- und Windkraftprojekte mit vielen identischen Komponenten weisen in der Regel genaue Kostenschätzungen auf. Projekte hingegen, bei denen sich die einzelnen Komponenten deutlich unterscheiden – wie IT-Projekte, Großveranstaltungen oder komplexe Systeme – überschreiten häufig das Budget. Das Opernhaus von Sydney erlebte bekanntermaßen massive Kostenüberschreitungen, da jeder Aspekt so einzigartig war, dass sich Daten aus früheren Projekten nicht ohne Weiteres übertragen ließen.

KI-Projekte fallen in diese Kategorie hoher Unsicherheit. Die Kostenschätzung muss erhebliche Risikopuffer enthalten – typischerweise 25–501 TP3T über den anfänglichen Schätzungen für neuartige KI-Anwendungen.

Erstellen Sie mit AI Superior ein strukturiertes KI-Kostenmodell.

Die Budgets von KI-Projekten scheitern oft, weil Unternehmen die Kosten für Datenaufbereitung, Experimentierzyklen und Infrastruktur unterschätzen. AI Superior konzentriert sich auf die technische Due-Diligence-Prüfung vor Beginn der Implementierung.

Ihr Kostenermittlungsprozess umfasst Folgendes:

• Klärung der Geschäftsziele
• Machbarkeits- und Risikoanalyse
• Definition der technischen Architektur
• Entwicklungs- und Instandhaltungsprognosen

Wenn Sie eine fundierte KI-Kostenschätzung anstelle von branchenweiten Durchschnittswerten benötigen, fordern Sie eine strukturierte Bewertung an von AI Superior.

Branchenspezifische Kostenschwankungen

Die Entwicklungskosten von KI variieren je nach Branche erheblich aufgrund unterschiedlicher Datenanforderungen, regulatorischer Beschränkungen und Risikotoleranzen.

Gesundheitswesen und Biowissenschaften

KI-Projekte im Gesundheitswesen kosten typischerweise 40 bis 601 Tsd. Billionen US-Dollar mehr als vergleichbare Projekte in anderen Branchen. Warum? Regulatorische Vorgaben, Datenschutzbestimmungen und die außerordentlich hohen Kosten von Fehlern.

Allein die Erfassung medizinischer Daten kann 35 bis 401 TP3T des Projektbudgets beanspruchen. Datensätze im Gesundheitswesen erfordern eine umfangreiche Annotation durch Fachexperten – Ärzte, die Bildgebungsstudien oder klinische Befunde auswerten – mit einer Geschwindigkeit von 1 TP4T150 bis 1 TP4T400 pro Stunde.

Fertigung und Produktentwicklung

KI-gestützte Kostenschätzungsanwendungen in der Fertigung stellen einen interessanten Anwendungsfall dar: die Verwendung von KI zur Vorhersage der Kosten anderer Produkte.

Dreidimensionale Produktkostenkalkulationssysteme ermöglichen frühzeitige Kosteneinblicke in die Entwicklungsprozesse. Diese Anwendungen integrieren sich direkt in CAD-Systeme, um die Fertigungskosten bereits in der Entwurfsphase zu schätzen und Ingenieuren so eine gleichzeitige Optimierung von Leistung und Kosten zu ermöglichen.

KI-Projekte in der Fertigung profitieren von relativ strukturierten Daten und klaren Leistungskennzahlen. Die Entwicklungskosten liegen bei fokussierten Anwendungen typischerweise im Bereich von 1,4 Tsd. 75.000 bis 1,4 Tsd. 250.000.

Finanzdienstleistungen

Der Einsatz von KI im Finanzwesen ist mit spezifischen Kostenfaktoren im Hinblick auf Nachvollziehbarkeit und Prüfprotokollierung verbunden. Aufsichtsbehörden fordern Finanzinstitute auf, KI-gestützte Entscheidungen zu erläutern – insbesondere bei Anwendungen in den Bereichen Kreditvergabe, Darlehensvergabe und Risikobewertung.

Die Entwicklung interpretierbarer Modelle, die regulatorische Anforderungen erfüllen und gleichzeitig eine wettbewerbsfähige Leistung gewährleisten, erhöht die Entwicklungskosten im Vergleich zu rein auf Genauigkeit ausgerichteten Ansätzen um 20-35%.

Wirtschaftliche Auswirkungen und strategische Überlegungen

Über die Kosten einzelner Projekte hinaus haben KI-Investitionsentscheidungen weiterreichende wirtschaftliche Auswirkungen, die Unternehmen berücksichtigen müssen.

Tools vs. Agents: Unterschiedliche Kostenprofile

Eine Studie der RAND Corporation modelliert die wirtschaftlichen Auswirkungen zweier gegensätzlicher KI-Entwicklungsszenarien: die Beschränkung der KI auf rein unterstützende Werkzeuge versus die Ermöglichung autonomer KI-Agenten, die Aufgaben selbstständig ausführen und sich selbst replizieren können.

Diese Szenarien sind keine Prognosen, sondern stellen Grenzen für mögliche wirtschaftliche Ergebnisse dar. Sie sind jedoch für die Kostenschätzung relevant, da die Unterscheidung zwischen Werkzeug und Akteur die Kostenstrukturen grundlegend verändert.

KI-Werkzeuge, die menschliche Fähigkeiten erweitern, erfordern ständige menschliche Überwachung und Eingriffe. Die Kosten skalieren teilweise mit der Nutzung, beinhalten aber weiterhin einen erheblichen Anteil an menschlicher Arbeitskraft.

KI-Agenten, die autonom agieren können, verursachen zwar höhere Entwicklungskosten, können aber die laufenden Betriebskosten potenziell senken. Allerdings führen sie zu neuen Kostenkategorien im Bereich Überwachung, Sicherheitssysteme und der Verwaltung von Agenteninteraktionen.

Nationale Herausforderungen im Bereich Statistik und Messung

Ein Bericht der Brookings Institution vom Januar 2026 über die Integration von KI-Investitionen in die US-amerikanische nationale Statistik hebt ein Messproblem hervor: Die derzeitige Wirtschaftsstatistik erfasst KI-Investitionen und -Auswirkungen nicht ausreichend.

Dies stellt Unternehmen vor Herausforderungen bei der Kosten-Nutzen-Analyse. Standardmäßige ROI-Berechnungen setzen verlässliche Marktvergleiche und Branchenbenchmarks voraus. Wenn Statistikämter KI-Investitionen in der gesamten Wirtschaft nicht adäquat erfassen können, fehlt es einzelnen Organisationen an Kontext, um die Angemessenheit ihrer Kosten zu beurteilen.

Der Bericht empfiehlt neue Rahmenbedingungen für die Erfassung von KI als immaterielle Kapitalinvestition – ähnlich wie Software und Forschung & Entwicklung derzeit in der BIP-Statistik erfasst werden.

Optimierung der KI-Entwicklungskosten

Intelligente Organisationen schätzen Kosten nicht nur – sie steuern und reduzieren sie aktiv durch strategische Entscheidungen.

Eigenbau- oder Kaufentscheidungen

Die folgenreichste Kostenentscheidung fällt, bevor überhaupt Code geschrieben wird: Eigene Modelle entwickeln oder bestehende Lösungen nutzen?

Individuelle Entwicklungen sind finanziell sinnvoll, wenn:

• Das Anfragevolumen übersteigt 50 bis 100 Millionen Anfragen pro Jahr.
• Proprietäre Daten bieten erhebliche Wettbewerbsvorteile
• Bestehende Lösungen gehen nicht auf spezifische Anforderungen ein.
• Die Modelle werden für mehrere Produkte oder Dienstleistungen wiederverwendet.

Unterhalb dieser Schwellenwerte bieten API-basierte Lösungen in der Regel ein besseres Preis-Leistungs-Verhältnis, trotz der Kosten pro Anfrage.

Progressive Modellkomplexität

Fang einfach an. Ganz ehrlich.

Viele Projekte beginnen mit übermäßig komplexen Modellarchitekturen, die sich als unnötig erweisen. Der Einsatz einfacherer Ansätze – traditionelles maschinelles Lernen, regelbasierte Systeme oder kleinere vortrainierte Modelle – ermöglicht die Festlegung von Leistungsgrundlagen bei Kosten von 10-20% fortgeschrittener Modelle.

Komplexität sollte erst dann erhöht werden, wenn einfachere Ansätze die Anforderungen nicht erfüllen. Diese schrittweise Strategie reduziert die Gesamtprojektkosten typischerweise um 30–401 Tsd. Euro und beschleunigt gleichzeitig die Produktionszeit.

Hardware-Lebenszyklusoptimierung

Untersuchungen zu den Ressourcenkosten von KI haben gezeigt, dass Annahmen zur Hardware-Lebensdauer die Gesamtkostenberechnungen erheblich beeinflussen. Der GPU-Bedarf für das Training großer Modelle liegt je nach Auslastungseffizienz und Hardware-Lebensdauer zwischen 1.174 und 8.800 Einheiten.

Organisationen können Kosten optimieren durch:

• Kombinierte Software- und Hardwareoptimierungsstrategien
• Nutzung von Spot-Instanzen für fehlertolerante Trainingsworkloads
• Reservierte Kapazität für vorhersehbare Inferenzlasten
• Multi-Cloud-Strategien zur Nutzung wettbewerbsfähiger Preise

Diese Optimierungen reduzieren die Infrastrukturkosten um 40-60% im Vergleich zur On-Demand-Preisgestaltung.

Häufige Fehler bei der Kostenschätzung

Selbst erfahrene Organisationen machen bei der Kostenschätzung von KI vorhersehbare Fehler.

Datenkosten ignorieren

Die Studie „Die Ökonomie von KI-Trainingsdaten“ zeigt, dass Daten trotz ihrer zentralen Rolle in der KI-Entwicklung nach wie vor der am wenigsten verstandene Inputfaktor sind. Da KI-Labore öffentliche Datenquellen erschöpfen, erreichen proprietäre Datenverträge mittlerweile Werte in dreistelliger Millionenhöhe.

Organisationen unterschätzen die Datenkosten systematisch, weil sie in Speicherkategorien statt in Kategorien wie Erfassung, Aufbereitung und Pflege denken. Die Datenkosten sollten typischerweise 15 bis 251 Tsd. Billionen des gesamten Projektbudgets ausmachen – nicht die 5 bis 81 Tsd. Billionen, die in den meisten ersten Schätzungen angenommen werden.

Unterschätzung der laufenden Kosten

Die anfängliche Entwicklung stellt nur den Anfang dar. Erfolgreiche KI-Systeme erfordern kontinuierliche Investitionen in:

• Modellüberwachung und Drifterkennung
• Regelmäßiges Nachtrainieren mit neuen Daten
• Skalierung der Infrastruktur mit steigender Nutzung
• Sicherheitsupdates und Patches für Sicherheitslücken
• Leistungsoptimierung

Die jährlichen laufenden Kosten entsprechen typischerweise 40–601 Tsd. Billionen der anfänglichen Entwicklungskosten. Über einen Zeitraum von fünf Jahren belaufen sich die Gesamtbetriebskosten auf das Drei- bis Vierfache des anfänglichen Projektbudgets.

KI wie traditionelle Software behandeln

Die Kosten der traditionellen Softwareentwicklung sind relativ gut vorhersehbar. Anforderungen führen zum Design, Design zur Implementierung, Implementierung zum Testen, Testen zur Bereitstellung.

So funktioniert KI-Entwicklung nicht. Modelle erreichen möglicherweise nicht die angestrebte Leistung. Während des Trainings treten Probleme mit der Datenqualität auf. Die Geschäftsanforderungen ändern sich, sobald die Beteiligten verstehen, was tatsächlich möglich ist.

Kostenschätzungen müssen Iterationsbudgets und explizite Rücklagen für Experimente enthalten. Festpreisprojekte im Bereich KI überschreiten fast immer das Budget oder erfüllen die Erwartungen nicht.

Risikomanagement und Kostenpuffer

Das KI-Risikomanagement-Rahmenwerk des National Institute of Standards and Technology betont, dass vertrauenswürdige KI eine umfassende Risikominderung erfordert – und Risikominderung kostet Geld.

Quantifizierung risikobezogener Kosten

Risikomanagement ist eine Investition, nicht nur eine Ausgabe. Systeme, die ohne angemessene Risikokontrollen entwickelt wurden, stehen vor folgenden Problemen:

• Mögliche behördliche Bußgelder und Strafen
• Reputationsschaden durch Modellfehler
• Rechtliche Haftung für voreingenommene oder schädliche Ergebnisse
• Kostspielige Notfallmaßnahmen

Die frühzeitige Bereitstellung von 10 bis 151 Tsd. Euro Projektbudget für das Risikomanagement verhindert deutlich höhere Kosten im weiteren Verlauf. Organisationen, die diesen Schritt auslassen, geben oft das Drei- bis Fünffache für die reaktive Problembehebung aus.

Angemessene Notfallpläne erstellen

Auf Grundlage der Analyse der Ergebnisse von KI-Projekten in verschiedenen Branchen sind folgende Sicherheitspuffer angemessen:

Organisationen, denen diese Eventualitäten unangenehm sind, sollten überdenken, ob sie für das Projekt bereit sind. Unterfinanzierte KI-Initiativen scheitern deutlich häufiger als ausreichend ausgestattete.

Zukunftstrends, die die KI-Kosten beeinflussen

Die Kostendynamik verändert sich rasant. Mehrere Trends werden die KI-Ökonomie in den nächsten 2-3 Jahren grundlegend verändern.

Kapazitätsverdopplung und Preisdruck

Laut IEEE Spectrum (veröffentlicht am 02.07.2025) zeigen LLM-Benchmarking-Tests, dass sich die Leistungsfähigkeit etwa alle sieben Monate verdoppelt. Diese exponentielle Verbesserung führt zu einer interessanten Kostendynamik.

Einerseits bieten neuere Modelle eine bessere Leistung zu ähnlichen Preisen – wodurch die Kosten pro Leistungseinheit effektiv sinken. Andererseits führt die hohe Entwicklungsgeschwindigkeit dazu, dass Modelle schnell veralten, was die Austauschzyklen beschleunigt und die Gesamtlebenszykluskosten erhöht.

Kosten für die Einhaltung gesetzlicher Vorschriften

Die Forschung der Brookings Institution und akademische Analysen zeigen eine weltweit zunehmende regulatorische Kontrolle. Entscheidungsträger nutzen dabei vermehrt Entwicklungskosten und Rechenleistung als Indikatoren für KI-Fähigkeiten und -Risiken. Solche Regulierungen führen Anforderungen ein, die von bestimmten Schwellenwerten abhängen.

Diese regulatorische Weiterentwicklung wird neue Kostenkategorien einführen:

• Obligatorische Folgenabschätzungen
• Audits und Zertifizierungen durch Dritte
• Verbesserte Dokumentation und Berichterstattung
• Laufende Überwachung der Einhaltung der Vorschriften

Organisationen sollten zusätzlich 8-12% für Aktivitäten im Zusammenhang mit der Einhaltung von Vorschriften einplanen, sobald diese ausgereifter sind.

Häufig gestellte Fragen