Blog | Datenstrategie & Erkenntnisse | | 4 Minuten Lesezeit

Die wahren Kosten von KI im Unternehmen: Warum die richtige Platzierung von „ Workload “ entscheidend ist

Wo Enterprise-KI zum Einsatz kommt

Wichtigste Erkenntnisse

  • Es gibt keine allgemein kostengünstigere Umgebung für Unternehmens-KI, da die Kosten von den Merkmalen der „ Workload “, den Betriebsabläufen und den Kontrollanforderungen abhängen.
  • BARC betrachtet die Wirtschaftlichkeit der KI sowohl unter dem Gesichtspunkt der Nutzungskosten als auch unter dem Gesichtspunkt der Kosten, die mit der Aufrechterhaltung einer stärkeren Kontrolle über Infrastruktur und Daten verbunden sind.
  • 37 % der Unternehmen, die KI außerhalb des „ Cloud “ einsetzen, geben an, dass sie dadurch Kostenoptimierung und eine bessere Vorhersagbarkeit als konkrete Vorteile erzielt haben Nutzen.
  • Gleichzeitig geben 31 % der Unternehmen an, die ausschließlich „ Cloud “ nutzen, dass die Gesamtbetriebskosten ( On-Premises ) oder die Edge-TCO die Investition nicht rechtfertigen.
  • Zu den tatsächlichen Kosten der KI gehören Infrastruktur, Qualifikationen, Sicherheit, Tools und betriebliche Anforderungen, weshalb eine Workload-spezifische Bewertung unerlässlich ist.

Erkenntnisse aus der weltweiten Studie von BARC und Actian aus dem Jahr 2026

Die Kosten für KI-Infrastruktur werden oft als einfacher Vergleich dargestellt: Ist es günstiger, Rechenkapazität in der „ Cloud “ zu mieten oder die Infrastruktur selbst zu besitzen? Die Realität ist jedoch komplexer.

Cloud bietet Unternehmen flexiblen Zugang zur Infrastruktur, ohne dass sie Vorabinvestitionen tätigen oder die Verantwortung für den Betrieb selbst übernehmen müssen. „ On-Premises “ und andere Nicht-Cloud -Umgebungen verursachen eigene Kosten, die von der Hardware über Fachkenntnisse bis hin zum laufenden Betrieb reichen. Die Wirtschaftlichkeit kann sich jedoch ändern, wenn KI-Workloads in den dauerhaften Produktivbetrieb übergehen.

Die kurze Antwort: Es gibt keine allgemein kostengünstigere Umgebung für KI in Unternehmen. Die Kosten hängen von der „ Workload “ ab, davon, wie die Infrastruktur genutzt wird, von den für den Betrieb erforderlichen Ressourcen sowie vom Grad an Kontrolle, den das Unternehmen benötigt.

Actian ging eine Partnerschaft mit BARC ein, einem führenden Analystenunternehmen für Daten und Analytik, um zu untersuchen, wie Unternehmen KI in den Bereichen „ Cloud “, „ On-Premises “ und in Edge-Umgebungen einsetzen und welche Faktoren diese Entscheidungen beeinflussen.

Auf der Grundlage der Erkenntnisse von 329 Befragten aus verschiedenen Branchen und Regionen zeigt die Studie, warum die Wirtschaftlichkeit von KI-Infrastrukturen nicht auf eine einfache Gegenüberstellung von „ Cloud “ und „On-Premises “ reduziert werden kann.

Wo sollte KI in Unternehmen eigentlich eingesetzt werden?
BARC × Actian – Globaler Forschungsbericht (2026)

Die KI-Infrastruktur hat mehr als nur eine Kostenformel

Die meisten Vergleiche der Infrastrukturkosten gehen vom Verbrauch aus: Rechenressourcen, Betrieb, Wartung und die Kosten für die Aufrechterhaltung der KI-Verfügbarkeit. Bei produktionsreifer KI kommt jedoch noch eine weitere Dimension hinzu: die Kosten für die Steuerung.

Der Einsatz von KI außerhalb der „ Cloud “ kann zusätzliche Kompetenzen, Hardware, Tools und betriebliche Ressourcen erfordern. Gleichzeitig können Unternehmen zu dem Schluss kommen, dass eine stärkere Kontrolle über sensible oder geschäftskritische Workloads an sich schon einen Mehrwert darstellt.

BARC beschreibt diese als zwei Dimensionen der Wirtschaftlichkeit von KI-Architekturen: die Verbrauchsökonomie, also die Kosten für den Betrieb der KI, und die Steuerungsökonomie, also die Kosten für deren Steuerung.

Beides spielt bei der Berechnung der tatsächlichen Kosten für den Betrieb von KI in Unternehmen eine Rolle.

Die Studie beleuchtet beide Seiten der Kostendebatte

Die Studie von BARC und Actian verdeutlicht, warum es keine allgemeingültige Antwort gibt. Unter den Unternehmen, die KI bereits außerhalb des „ Cloud “ einsetzen, geben 37 % an, dass sie Kostenoptimierung und eine bessere Kostenvorhersehbarkeit als erzielten Nutzen verzeichnen. Gleichzeitig geben 31 % der Unternehmen an, die ausschließlich auf „ Cloud “ setzen, dass die Gesamtbetriebskosten von „ On-Premises “ oder Edge-Infrastruktur die Investition nicht rechtfertigen.

Diese Erkenntnisse stehen nicht im Widerspruch zueinander. Unterschiedliche Arbeitslasten, Betriebsmodelle und bestehende „ Fähigkeiten “ können dazu führen, dass Unternehmen zu sehr unterschiedlichen Schlussfolgerungen hinsichtlich der Kosten gelangen. Nicht-Cloud -Deployment s können in manchen Fällen die Vorhersehbarkeit der Kosten oder die Wirtschaftlichkeit verbessern, während in anderen Fällen die Investitionen in Infrastruktur und Betrieb diese Vorteile überwiegen.

Kosten, Vorteile und Hindernisse

37 % der Unternehmen, die KI außerhalb des „ Cloud “ einsetzen, geben an, dass sie dadurch Kostenoptimierung und Vorhersehbarkeit als konkreten Vorteil erzielt haben, während 31 % der Unternehmen, die ausschließlich auf „ Cloud “ setzen, die Gesamtbetriebskosten (TCO) als Hindernis für den Einsatz von „ On-Premises “ oder „Edge- Deployment “ nennen. © BARC 2026

Die Infrastruktur macht nur einen Teil der Kosten aus

Das Infrastrukturgesetz ist nur ein Teil des Ganzen. Der Einsatz von KI außerhalb des „ Cloud “ kann zudem spezielle Fachkenntnisse sowie Investitionen in Hardware, Datenpipelines, Sicherheit und Tools erfordern. Die Studie von BARC und Actian zeigt, dass Unternehmen bereits jetzt in diesen Bereichen mit Herausforderungen konfrontiert sind, die zu den Gesamtkosten über die reine Rechenkapazität hinaus beitragen.

Diese betrieblichen Anforderungen tragen auch dazu bei, zu erklären, warum zwei Unternehmen bei der Betrachtung ähnlicher KI-Workloads zu unterschiedlichen Schlussfolgerungen hinsichtlich der Wirtschaftlichkeit der jeweiligen Ausführungsorte gelangen können.

Die bereits vorhandene Infrastruktur, internes Fachwissen, die Merkmale von „ Workload “ sowie betriebliche Anforderungen fließen alle in die Berechnung ein.

Veränderungen in der KI-Ökonomie durch die Workload

Ein „ Workload “, der nur zeitweise genutzt wird, weist nicht unbedingt das gleiche Kostenprofil auf wie ein System, das im Produktionsbetrieb kontinuierlich läuft. Ein Unternehmen mit etablierter Infrastruktur und Fachkompetenz bewertet möglicherweise auch „non-Cloud “Deployment anders als eines, das diese Fähigkeiten erst von Grund auf aufbauen müsste.

Auch die Kosten sind selten das einzige Kriterium. Die Sensibilität der Daten, die geschäftliche Relevanz, die Souveränität, die Abhängigkeit vom Anbieter und die Leistung können allesamt Einfluss darauf haben, wo eine KI- Workload n ausgeführt werden sollte.

Es gibt keine Umgebung, die für KI in Unternehmen am kosteneffizientesten ist. Die Antwort hängt von der „ Workload “ und den Gesamtbetriebskosten ab, nicht allein von den Infrastrukturpreisen.

Die umfassende Studie untersucht die von Unternehmen angegebenen Kostenvorteile und Hindernisse, die operativen Herausforderungen beim Einsatz von KI außerhalb des „ Cloud “ sowie die Frage, wie wirtschaftliche Aspekte in den allgemeinen Wandel hin zu einem bewussteren Einsatz von KI- Workload en passen.

Den vollständigen Forschungsbericht herunterladen

Dieser Artikel stellt die wichtigsten Erkenntnisse aus der weltweiten Studie von BARC und Actian vor.

Der vollständige Bericht „Where Enterprise AI Runs: Deliberate Workload Placement Across Cloud, On-Premises und Edge“ untersucht, wie Unternehmen KI in Cloud, On-Premises, Edge- und Hybridumgebungen einsetzen und welche Faktoren diese Entscheidungen beeinflussen.

Auf der Grundlage einer weltweiten Studie mit 329 Befragten aus verschiedenen Branchen, Unternehmensgrößen und Regionen untersucht der Bericht die Vorteile und Herausforderungen, mit denen Unternehmen konfrontiert sind, die Faktoren, die die Einführung von „ Workload “ beeinflussen, sowie die Bedeutung neuer Muster bei „ Deployment “ für die Zukunft der KI in Unternehmen.

Laden Sie den vollständigen Bericht herunter, um die Ergebnisse zu erkunden und zu erfahren, wie Unternehmen die nächste Phase der KI-Architektur in Unternehmen angehen.

Vollständigen Bericht herunterladen