Vier Irrtümer, denen Führungskräfte in Bezug auf KI unterliegen

Kunal AnandChief Product Officer | F5

Unser Bericht „State of Application Strategy 2026“ ergab, dass inzwischen 78 % der Unternehmen KI-Inferenz selbst ausführen und dabei durchschnittlich sieben Modelle einsetzen. Ein Jahr zuvor hatte unser AI Readiness Index den Anteil der Unternehmen, die tatsächlich bereit waren, KI in großem Maßstab zu betreiben, mit 2 % beziffert.

Die Diskrepanz zwischen diesen beiden Zahlen ist derzeit das Interessanteste an der Unternehmenstechnologie. Unternehmen warteten nicht, bis sie bereit waren. Sie holten die Inferenz ins eigene Haus, weil sie die Kontrolle über ihre Daten, Kosten und Sicherheit behalten wollten. Jetzt erkennen sie, was diese Kontrolle erfordert. Nennen wir es den Inferenzpfad: alles, was zwischen der Absicht eines Benutzers und der Ausgabe eines Modells geschieht. Abruf, Routing, Tool-Aufrufe, Identität, Zusammenstellung des Kontexts, Durchsetzung von Richtlinien und der Rückweg. Das Modell ist eine Komponente auf diesem Pfad. Der Pfad selbst ist das System – und dieser Teil liegt in Ihrer Verantwortung.

Vier Fehlannahmen, denen ich immer wieder begegne, sind allesamt Varianten desselben Irrtums: Das Modell wird als das Produkt betrachtet und der Inferenzpfad als bloße technische Infrastruktur.

Irrtum Nr. 1: „Es dreht sich alles um das Modell.“

Mit welchem Modell, welchem Anbieter und welchem Anwendungsfall sollte ich beginnen? Diese Frage wird in fast jedem Gespräch mit Führungskräften zuerst gestellt – und sie ist zugleich diejenige, die am schnellsten an Relevanz verliert.

Modelle sind die austauschbare Komponente. Nur 8 % der Unternehmen setzen ausschließlich auf öffentliche KI-Dienste. Die übrigen nutzen diversifizierte Portfolios, gerade weil sie davon ausgehen, Modelle je nach Kosten, Genauigkeit und Sicherheit austauschen, Anfragen entsprechend weiterleiten und auf Alternativen zurückgreifen zu können. Wenn der Wechsel eines Modells in Ihrer Architektur ein eigenes Projekt statt einer Konfigurationsänderung ist, haben Sie bereits auf das falsche Pferd gesetzt.

Was sich nicht austauschen lässt, ist der Inferenzpfad. Die Retrieval-Schicht, die entscheidet, welchen Kontext das Modell erhält. Die Routing-Logik, die festlegt, welches Modell welche Anfrage bearbeitet. Die Identität, die mit dem Aufruf übermittelt wird. Die Richtlinie, die bestimmt, was das Modell mit der Antwort tun darf. Hier entstehen Genauigkeit und Kosten – und hier liegt Ihr proprietärer Wettbewerbsvorteil. Ein Wettbewerber kann morgen dasselbe Modell kaufen. Ihren Inferenzpfad kann er nicht kaufen.

Irrtum Nr. 2: „Wenn der Pilotversuch funktioniert hat, wird die Produktivsetzung einfach.“

Das Problem besteht nicht darin, dass der Produktivbetrieb schwieriger ist. Vielmehr ist er komplex, und mit zunehmender Länge potenziert sich diese Komplexität. Laut einer Studie von F5 nutzt die überwiegende Mehrheit der Unternehmen (93 %) mehrere Clouds, während 86 % ihre Anwendungen über hybride Multi-Cloud-Umgebungen verteilen. Ihr Inferenzpfad führt durch all diese Umgebungen, und die Komplexität nimmt stetig zu. Je mehr Modelle, Anwendungen und Agenten Unternehmen hinzufügen, desto größer wird die Zahl der möglichen Inferenzpfade.

Unsere Untersuchungen haben außerdem ergeben, dass 52 % der Unternehmen bereits mehrere Modelle miteinander verknüpfen oder orchestrieren. Nehmen wir eine solche Kette und gehen wir davon aus, dass jeder Schritt zu 95 % zuverlässig ist – eine großzügige Annahme bei Abläufen, die Informationsabrufe, Tool-Aufrufe und ein probabilistisches Modell umfassen. Eine Pilotkette mit drei Schritten ist in 86 % der Fälle erfolgreich. Eine Produktionskette mit 20 Schritten hingegen nur in 36 % der Fälle. Die Zuverlässigkeit der einzelnen Schritte hat sich dabei nicht verändert. Das System wurde von weitgehend funktionsfähig zu weitgehend fehlerhaft, nur weil weitere Schritte hinzugekommen sind.

Wenden wir nun dieselbe Rechnung auf die Sicherheit an. Wenn jeder Agent in einer Kette mit einer Wahrscheinlichkeit von 5 % manipuliert wird, einen falsch definierten Aufgabenbereich hat oder Zugangsdaten erhält, die er nicht haben sollte, besteht bei einem Workflow mit 20 Agenten eine sehr hohe Wahrscheinlichkeit, dass ein Angreifer mindestens ein ausnutzbares Glied findet. Deshalb berichten mehr als neun von zehn Befragten von neuen Problemkategorien, sobald agentenbasierte KI produktiv eingesetzt wird: die Verwaltung von Zugangsdaten, die Überprüfung von Aktionen und die grundlegende Frage, was ein Agent getan hat und in wessen Auftrag.

Irrtum Nr. 3: „Performance, Sicherheit und Governance sind voneinander unabhängige Prioritäten.“

In der traditionellen Anwendungsarchitektur war diese Trennung vertretbar. Sicherheit wurde als paralleler Arbeitsbereich behandelt. Governance fand vierteljährlich statt. Für die Performance war ein anderes Team mit einem eigenen Budget zuständig.

KI führt alle drei Bereiche in einem einzigen Budget zusammen, das in Millisekunden und Tokens bemessen wird. Jede Schutzmaßnahme, die Sie dem Inferenzpfad hinzufügen, erhöht die Latenz. Jede Governance-Anforderung beansprucht das Kontextfenster und verursacht dadurch bei jedem einzelnen Aufruf Kosten. Prompt-Prüfung, Ausgabefilterung, Schwärzung personenbezogener Daten, Modell-Routing, Wiederholungslogik: All das ist zugleich eine Sicherheitskontrolle, ein Performance-Kostenfaktor und ein Budgetposten. Sie können keinen dieser Bereiche finanzieren, ohne Mittel aus den anderen abzuziehen, und keinen kürzen, ohne die übrigen Risiken auszusetzen.

Das ist tatsächlich neu. Früher wurde der Sicherheitsaufwand unbemerkt umgelegt. Im Inferenzpfad schlägt er sich nun in der p95-Latenz und auf der Rechnung nieder. Damit wird der Zielkonflikt sichtbar – und jemand muss dafür die Verantwortung übernehmen. Die derzeit am häufigsten eingesetzte Kontrollmaßnahme ist die Authentifizierung für KI-Dienste und API-Zugriffe; sie wird von 55 % der Unternehmen genutzt. 47 % planen zudem den Umstieg auf eine identitätsbasierte Infrastruktur für Agenten. Beides sind richtige Ansätze. Beides erhöht jedoch auch die Latenz im Inferenzpfad. Planen Sie dafür bewusst Ressourcen ein, sonst werden Ihre Teams diese Maßnahmen stillschweigend weglassen, um ein Leistungsziel zu erreichen.

Irrtum Nr. 4: „Einzellösungen erhöhen die Komplexität, aber wir bekommen das hin.“

Nehmen wir ein typisches Unternehmen aus unseren Daten, das sieben Modelle nutzt, in mehreren Clouds arbeitet und dessen Anwendungen über lokale Infrastrukturen, Public Clouds und Colocation-Umgebungen verteilt sind. Fügen Sie ein separates Tool für die API-Sicherheit hinzu, ein weiteres für KI-Gateway-Funktionen und noch eines für die Kontrolle der Ausgaben. Jede Richtlinie, die Sie nun erstellen, muss in jeder Variante, in jeder Umgebung und für jedes Modell korrekt formuliert und jedes Mal erneut überprüft werden, wenn sich eine dieser Komponenten ändert. Die Anzahl der Stellen, an denen eine Richtlinie unbemerkt abweichen kann, ergibt sich aus dem Produkt dieser Änderungen.

Wenn um 2 Uhr nachts etwas schiefläuft, gibt es auf die Frage „Welche Kontrollinstanz hätte das erkennen sollen?“ keine eindeutige Antwort hinsichtlich der Zuständigkeit. Die Alternative besteht nicht in weniger Funktionen, sondern in einem zentralen Durchsetzungspunkt im Datenpfad – unabhängig davon, welches Modell, welche Umgebung oder welches Protokoll sich auf der anderen Seite befindet.

Einheitliche Richtlinien und freie Modellwahl stehen nicht im Widerspruch zueinander. Ein Konflikt entsteht nur dann, wenn die Richtlinien in die Modellintegration eingebettet sind, anstatt ihr vorgeschaltet zu sein. Die Zusammenführung von Anwendungsbereitstellung und Sicherheit auf einer einzigen Plattform ermöglicht es, Modelle wöchentlich zu wechseln und die Fragen eines Auditors dennoch zentral zu beantworten.

Die Fragen, die jetzt gestellt werden sollten

Hier sind vier Fragen für Ihr Führungsteam, während Ihre Organisation daran arbeitet, den Inferenzpfad zu steuern:

1. Wie viele Modelle sind derzeit produktiv im Einsatz, und wie lange dauert es, ein Modell hinzuzufügen oder zu ersetzen?
2. Was ist die längste Agentenkette, die in der Produktion ausgeführt wird, und wie hoch ist ihre gemessene End-to-End-Erfolgsquote?
3. Wo werden KI-Richtlinien durchgesetzt, und an wie vielen verschiedenen Stellen müssten Sie Änderungen vornehmen, um sie zu aktualisieren?
4. Wie viel Prozent Ihrer p95-Inferenzlatenz entfallen auf den durch Sicherheit und Governance verursachten Overhead, und wer ist für diese Kennzahl verantwortlich?

Wenn diese Fragen eher Schätzungen als konkrete Antworten hervorbringen, ist auch das eine wertvolle Erkenntnis – und es ist weitaus besser, sie jetzt zu gewinnen als während eines Vorfalls. Ich empfehle allen, noch in diesem Quartal den Inferenzpfad zu überprüfen. Die führenden Organisationen dieser Ära werden nicht diejenigen sein, die am meisten KI einsetzen. Es werden diejenigen sein, die genau sagen können, was zwischen Prompt und Antwort geschieht – überall dort, wo die KI ausgeführt wird.

Für einen tieferen Einblick in die Daten laden Sie den „Bericht zum Stand der Anwendungsstrategie 2026“ herunter. Um zu erfahren, wie F5 seine Strategie für die Application Delivery and Security Platform auf Unternehmens-KI ausweitet, besuchen Sie die Webseite zur F5 AI Security Platform. Lesen Sie außerdem unbedingt die heutige Pressemitteilung.

Über den Autor

Kunal AnandChief Product Officer | F5

Kunal Anand leitet als Chief Product Officer die Produktorganisation von F5. Er ist für Produktvision, Strategie und Umsetzung verantwortlich und stellt die Entwicklung wegweisender Lösungen sicher, die kritische Herausforderungen bewältigen und außergewöhnliche Kundenerlebnisse schaffen. In seiner vorherigen Funktion als Chief Technology and AI Officer bestimmte Kunal die Technologie- und KI-Strategie sowie die entsprechende Vision des Unternehmens. Vor seiner Zeit bei F5 hatte Kunal bei Imperva die Doppelfunktion des Chief Technology Officer und Chief Information Security Officer inne. Sein Weg zu Imperva begann 2018 mit der Übernahme von Prevoty, einem 2013 von ihm mitgegründeten Start-up für Anwendungssicherheit. Vor seinem Wechsel zu Prevoty war er Director of Technology bei BBC Worldwide. Kunal verfügt über langjährige Innovations- und umfassende technische Erfahrung und leitete bei Gravity, MySpace und dem NASA Jet Propulsion Lab Teams in den Bereichen Sicherheit, Daten, Technologie und Engineering. Kunal verfügt über mehr als 15 Jahre Erfahrung in den Bereichen KI und maschinelles Lernen – von Modelltraining und dem Einsatz KI-gestützter Algorithmen zur Produktoptimierung bis hin zur Konzeption und Implementierung von KI-Architekturen. Kunal hat einen Bachelor-of-Science-Abschluss in Informatik vom Babson College.

Weitere Blogbeiträge von Kunal Anand