Am 5. Juli 2026, Vincent Luciani, Mitbegründer und Vorstandsvorsitzender von Artefact, war zu Gast im Podcast „Generation Do It Yourself“, moderiert von Matthieu Stefani, zu einem dreistündigen Interview. Dieses Gespräch gewährt einen Einblick in die Realitäten hinter den Kulissen der artificial intelligence-Branche – vom unternehmerischen data governance bis hin zum tatsächlichen Stand der digitalen Souveränität.

1. Der Mythos vom Wettlauf um das neueste Modell (ein 3%-Standardprodukt)

Die massiven Investitionen der amerikanischen Technologiegiganten, deren Infrastrukturausgaben im nächsten Jahr 700 Milliarden Dollar erreichen werden, stützen eine ganz bestimmte strategische These: die Vorstellung, dass Unternehmen unbedingt deren neueste Closed-Source-Modelle erwerben müssen, um wettbewerbsfähig zu bleiben.

Tatsächlich sind die zugrunde liegenden KI-Modelle im Jahr 2026 zu einer Massenware geworden. Der durchschnittliche Leistungsunterschied zwischen einem kostenlosen (Open-Source-)Modell und einem kostenpflichtigen (Closed-Source-)Modell beträgt nur etwa 3%. Dennoch nutzen die meisten Unternehmen heute nur 0,0011 TP47T der tatsächlichen Leistungsfähigkeit dieser Tools. Heutzutage ist nicht das von amerikanischen Großkonzernen gemietete Modell der entscheidende Wettbewerbsfaktor, sondern vielmehr proprietäre 1 TP41T und Ihr unternehmensspezifischer Kontext.

Vincent Luciani, Mitbegründer und Vorstandsvorsitzender von Artefact, sah diesen Wandel bereits 2014 voraus, als er noch bei jedem Kundengespräch den Begriff “KI” erklären musste. Heute ist Artefact mit 2.500 Mitarbeitern Europas größtes unabhängiges data- und KI-Beratungsunternehmen, und seine Schlussfolgerung ist eindeutig: Ohne saubere data ist selbst das leistungsstärkste Modell wertlos.

“Es ist nicht die KI, die den Unterschied ausmacht, sondern die Qualität der data, die im Unternehmen bereits vorhanden ist”, so Vincent Luciani, Mitbegründer und Vorstandsvorsitzender von Artefact

2. Die “Token-Maxing”-Falle oder die Illusion von Produktivität

Der Kern der Lüge liegt in einer kulturellen Praxis, die für das Silicon Valley äußerst lukrativ ist: “Token Maxing”. Tech-Giganten üben enormen Druck auf Entwickler aus, Rechenressourcen (Token) übermäßig zu verbrauchen. Vincent Luciani verweist dabei ausdrücklich auf Jensen Huang, den Gründer von Nvidia, der öffentlich behauptete, ein Entwickler, der 500.000 Dollar pro Jahr verdiene, müsse Token im Wert von mindestens 250.000 Dollar verbrauchen. Diese Kultur ist mittlerweile so toxisch geworden, dass Gerüchte besagen, Entwickler seien allein deshalb entlassen worden, weil sie nicht genügend Token ausgegeben hätten, während Start-ups Tools anbieten, mit denen Token künstlich verbraucht werden können, um eine hohe Aktivität vorzutäuschen.

Für Unternehmen der Realwirtschaft sind die finanziellen Folgen verheerend:

  • Unkontrollierte Budgetexplosionen: Etablierte Unternehmen wie Uber haben ihr gesamtes Jahresbudget für KI bereits nach nur vier Monaten aufgebraucht.
  • Die Gefahr autonomer Regelkreise: Moderne KI-Architekturen ermöglichen es autonomen Agenten, Unteragenten zu starten, um ein Problem zu lösen. Werden diese Skripte unbeaufsichtigt gelassen, laufen sie die ganze Nacht über in einer Endlosschleife. Vincent Luciani berichtet vom Fall eines Kunden, der aufgrund einer einzigen, schlecht formulierten analytischen Abfrage innerhalb einer einzigen Nacht eine unerwartete Rechnung in Höhe von 150.000 Dollar erhielt.
  • Das Produktivitätsparadoxon: Das Silicon Valley preist technische Teams an, die dank KI das 7- bis 8-Fache an Codezeilen produzieren. Eine MIT-Studie belegt jedoch die Aussichtslosigkeit dieser Kennzahl: Diese Unternehmen erzielen weder höhere Umsätze, noch bringen sie nennenswert mehr Produkte auf den Markt. “Token Maxing” ist oft nichts anderes als eine massive Vermögensübertragung aus den Unternehmenskassen auf die Server im Silicon Valley.

3. Die Illusion des Wissens und der Entscheidungsengpass

Diese Illusion von Produktivität verschleiert einen kognitiven Rückgang, den Vincent Luciani anhand einer an Studierenden durchgeführten Studie veranschaulicht. Bei der Bearbeitung einer Aufgabe (sei es in Geschichte, Mathematik oder Programmierung) erzielt die Gruppe der Studierenden, die Zugang zu KI hat, durchweg deutlich bessere Noten. Wird der Test jedoch einige Tage später ohne KI wiederholt, bricht ihre Leistung vollständig ein (von einer 10 auf eine 1), da das einfache Kopieren und Einfügen die geistige Anstrengung umgeht, die für das Behalten von Informationen erforderlich ist.

Genau dasselbe Phänomen lässt sich auch in der Unternehmenswelt beobachten. Wenn man KI an den Anfang eines kreativen oder strategischen Prozesses stellt, fördert dies geistige Trägheit. Aus diesem Grund hat sich der operative Engpass verlagert: Es geht nicht mehr um die Produktion, sondern um Entscheidungen und Validierungen.

In der Beratung können beispielsweise Tools wie Granola (Sprach-zu-Text) und KI-Skripte innerhalb einer Minute nach Verlassen eines Kundengesprächs ein Angebot und eine Präsentation erstellen. Doch Artefact verbietet seinen Beratern dies. KI darf erst ganz am Ende des Prozesses zum Einsatz kommen, und zwar ausschließlich dazu, zuvor geleistete tiefgreifende menschliche Denkarbeit zu formalisieren – andernfalls liefert sie nichts als einen langweiligen statistischen Durchschnittswert.

“Der eigentliche Engpass liegt heute nicht mehr in der Produktion, sondern in der menschlichen Überprüfung von Entscheidungen”, so Vincent Luciani, Mitbegründer und Vorstandsvorsitzender von Artefact

4. Das Gegenmittel: “The Harness” und die 4 Data-Schritte

Um dieser Gewinnfalle zu entkommen, müssen Unternehmen auf ein strenges Kontrollsystem namens “The Harness” umstellen. Dies beinhaltet die Einrichtung einer strengen Governance zur Überwachung der Rechenkosten, zur Verfolgung technischer Modellabweichungen und zur Einschränkung der data-Zugriffsrechte.

Um dieses Fundament zu schaffen und KI wirklich rentabel zu machen, muss man zu pragmatischen Grundlagen zurückkehren, die in einem vierstufigen Fahrplan zur Bereinigung von data zusammengefasst sind:

  • Überprüfen Sie die Richtigkeit an der Quelle: Überprüfen Sie die vorhandenen Tools. In den meisten Unternehmen fehlen grundlegende data-Daten oder diese sind fehlerhaft (beispielsweise vergisst jeder zweite Vertriebsmitarbeiter, das CRM nach einem Kundengespräch zu aktualisieren).
  • Vereinheitlichung der Taxonomie: Stellen Sie sicher, dass Begriffe überall dieselbe Bedeutung haben. Wenn ein “Kunde” in Frankreich “jemand, der bestellt hat” bedeutet, in Spanien jedoch “jemand, der bezahlt hat”, wird die KI ungenaue data-Ergebnisse liefern.
  • Domaininhaber ernennen: Data verliert sofort an Wert. Data muss kontinuierlich von Führungskräften gepflegt werden, die für ihren jeweiligen Zuständigkeitsbereich (CRM, Personalwesen, Finanzen) direkt verantwortlich sind.
  • Eine einzige zuverlässige Informationsquelle sicherstellen: Verbieten Sie dauerhaft die Dutzenden von Excel-Dateien, die zwischen Teams mit unterschiedlichen Grid-Versionen zirkulieren, und zentralisieren Sie alle Abläufe in einer einzigen, übersichtlichen und abfragbaren database.

Erst wenn diese Informationsressource ordnungsgemäß strukturiert ist, kann KI effektiv eingebunden werden. Sie kann dann Unternehmenssilos aufbrechen, indem sie die Bereiche Finanzen, Personalwesen, Vertrieb und Personalbeschaffung horizontal miteinander vernetzt.

5. Ignorieren Sie den Hype: Die Überlebenslektion von Artefact

Gerade diese Disziplin angesichts des Sirenengesangs des Silicon Valley ermöglichte es Artefact, seine eigenen Krisen zu überstehen. Im Jahr 2017, als das Unternehmen noch ein junges Unternehmen mit 50 Mitarbeitern war, gelang ihm eine Reverse-Merger-Transaktion mit Net Booster, einer börsennotierten Werbeagentur, die dreimal so groß war (600 Mitarbeiter in 20 Ländern).

Die Transaktion entwickelte sich augenblicklich zu einem operativen Albtraum. Net Booster verlor in rasendem Tempo seine Bestandskunden, die Geschäftsführer der britischen Tochtergesellschaft traten am Tag nach der Transaktion zurück, und die deutsche Tochtergesellschaft wurde von einer überraschenden Umsatzsteuerprüfung getroffen. Das EBITDA brach auf 400.000 Euro ein, womit das Unternehmen am Rande der gesetzlich vorgeschriebenen Insolvenz stand. In den Boursorama-Foren kam es täglich zu heftigen Angriffen, und der Aktienkurs stürzte auf 50 Cent ab.

Um diese schwierige Phase zu überstehen, trafen Vincent Luciani und seine Partner eine radikale Entscheidung: Sie ignorierten alle Mitteilungen bezüglich ihres traditionellen Kerngeschäfts und setzten ausschließlich auf data für Unternehmen und maschinelles Lernen. Sie senkten die Kosten, stellten den Betrieb in unrentablen Ländern ein und nutzten das bestehende internationale Netzwerk, um data-Beratungsteams aufzubauen.

Dank dieser konsequenten Vorgehensweise gelang es ihnen, das Unternehmen wieder auf Kurs zu bringen und die Abspaltung vom Börsenmarkt zu einem Kurs von 8 Euro pro Aktie – was einem Transaktionsvolumen von insgesamt 300 Millionen Euro entsprach – abzuschließen, bevor das Unternehmen in nachfolgenden Finanzierungsrunden mit den Fonds Ardian und Cinven mit über einer Milliarde Euro bewertet wurde.

Sehen Sie sich den Podcast auf YouTube an