Stellen Sie sich vor, ein Finanzvorstand prüft die Ausgaben für das Quartal cloud. Das AI-Team legt ein überzeugendes Diagramm vor: Die Inferenzkosten pro Token sind im Vergleich zum Vorjahr um 75% gesunken. Die Modelle sind schneller, die APIs sind günstiger, und der Anbieter gewährt Mengenrabatte. Alles deutet auf Einsparungen hin. Dann trifft die eigentliche Rechnung ein, und der Gesamtbetrag ist höher als im letzten Quartal.

Die Personalabteilung durchläuft derzeit einen grundlegenden Wandel: Sie entwickelt sich von einer reaktiven Kostenstelle zu einem proaktiven Werttreiber. Dennoch halten viele Unternehmen weiterhin an einem minimalistischen Ansatz in der Personalanalyse fest. Während generative AI-Modelle und autonome Agenten im gesamten Unternehmen zunehmend an Bedeutung gewinnen, beschränkt sich der Einsatz von data in der Personalabteilung oft noch auf einfache Fluktuationsprognosen.

Red Hat baute mit Linux ein 1,4634 Billionen Dollar schweres Geschäft auf. IBM kaufte das Unternehmen. Was dieser Deal bestätigte, war eine Hypothese, die vier Jahrzehnte lang Bestand hatte: dass Unternehmen, die enormen Wert aus gemeinsam genutztem Code schöpfen, aus Eigeninteresse die Projekte, von denen sie abhängig sind, weiterhin finanzieren würden. Diese Hypothese steht nun auf dem Prüfstand. Nicht, weil jemand beschlossen hätte, die Finanzierung von Open Source einzustellen. Sondern weil die Branche, die es am meisten finanziert hat – SaaS – von der Branche, die am meisten davon abhängt – AI – zerschlagen wird.

In einem früheren Beitrag habe ich untersucht, wie acht unabhängige Forschungsteams zu derselben Erkenntnis kamen: anstatt Speichersysteme um das Modell herum zu bauen, trainiert man das Modell selbst im Umgang mit dem Speicher als erlernte Fähigkeit. Post-Memory-Training – die Verwendung von Reinforcement Learning in der Post-Training-Phase – erzeugt Agenten, die entscheiden, was gespeichert, gelöscht, konsolidiert und abgerufen wird, alles optimiert für den Erfolg bei der Erledigung von Aufgaben.