![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/05\/iceberg-Victor-Article.jpg\")
<\/h3>\n<\/h3>\n<\/p>\n
Die meisten CTOs im Jahr 2026 entwickeln eine KI-Strategie auf der sichtbaren Ebene des Stacks. Sie kaufen Copilot-Sitze, f\u00fchren Unternehmens-Chatbots ein und stellen ein Portfolio von Anbieterlizenzen zusammen. Die Arbeit ist real und hat in vielen Unternehmen zu einem messbaren Produktivit\u00e4tsanstieg gef\u00fchrt. Wenn man das Bild ehrlich liest, ist es auch die 20% des Eisbergs, die jeder sehen kann. Der 80%, der unter der Wasserlinie sitzt, ist der Ort, an dem eine agenturische Organisation tats\u00e4chlich aufgebaut wird.<\/strong> Teams, die nie nach unten schauen, werden weiterhin f\u00fcr Chatbots bezahlen, w\u00e4hrend ihre Konkurrenten im Stillen etwas anderes werden.<\/p>\n Die Architektur eines KI-nativen Unternehmens besteht aus vier Schichten: Anwendung, KI-Plattform, LLM-Infrastruktur und Hardware.<\/strong> Die Anwendungsebene ist diejenige, die die meisten Vorst\u00e4nde bereits diskutiert haben. Auf den anderen drei Ebenen werden die wirklichen strategischen Entscheidungen der n\u00e4chsten 24 Monate getroffen.<\/p>\n Die Anwendungsschicht ist die Oberfl\u00e4che, auf der Menschen und KI aufeinandertreffen.<\/strong> Dazu geh\u00f6ren die Chatbots, die in Produktivit\u00e4tstools eingebettet sind, die Copiloten f\u00fcr Entwickler, die Low-Code-Agenten und die fortgeschritteneren autonomen Agenten, die einige Teams bereits auf den Markt gebracht haben. Der Erwerb des Zugangs dazu ist eine Beschaffungsma\u00dfnahme. Die Anbieter sind gut bekannt. Die Preise sind ver\u00f6ffentlicht. Die Bereitstellung ist haupts\u00e4chlich ein Problem des \u00c4nderungsmanagements.<\/p>\n Deshalb h\u00f6ren die meisten Gespr\u00e4che \u00fcber KI-Strategien hier auf. Die Anwendungsebene ist f\u00fcr den Vorstand lesbar, leicht zu budgetieren und f\u00fcr den Rest des Unternehmens innerhalb eines Quartals sichtbar. Sie bringt Geschichten hervor, die sich gut in einer Stadthalle umsetzen lassen.<\/p>\n Es ist auch die Ebene, auf der es am schwierigsten ist, sich vom Wettbewerb abzuheben. Jedes Unternehmen in einer Branche kauft bei denselben Anbietern ein. Die Schnittstelle ist zunehmend standardisiert. Das Benutzererlebnis konvergiert. Eine Copilot-Einf\u00fchrung ist f\u00fcr sich genommen noch keine Strategie. Es ist der Zugang zu einer F\u00e4higkeit, f\u00fcr die das Unternehmen keine Architektur entwickelt hat. Ohne die darunter liegenden Schichten ergibt dieser Zugang einen Chatbot und keinen Agenten, der innerhalb des Unternehmens agieren kann.<\/strong><\/p>\n Bis vor kurzem war es noch vertretbar, den Rest des Stacks den Hyperscalern zu \u00fcberlassen. Im Jahr 2024 konnte ein Unternehmen einen n\u00fctzlichen internen Assistenten auf der Grundlage einer Grenz-API ausliefern und die Arbeit als erledigt betrachten. In diesem Jahr sind drei Faktoren zusammengekommen, die diese Haltung sehr viel schwieriger machen.<\/p>\n 1- Druck der Plattform<\/strong><\/p>\n Der erste Druck ist, dass die AI Platform Layer ist nicht mehr optional.<\/strong> Dies ist die Schicht, die definiert, was ein KI-System wei\u00df und was es tun kann. Sie umfasst Master-Prompts und Skill-Bibliotheken, die Abfrage von Vektor-data-Datenbanken und strukturierten Wissensdatenbanken, Verbindungsprotokolle, die es Agenten erm\u00f6glichen, \u00fcber Gesch\u00e4ftssysteme hinweg zu agieren, und den persistenten Speicher, der es ihnen erm\u00f6glicht, ihren Zustand \u00fcber Sitzungen hinweg zu erhalten. 2- Kostendruck<\/strong><\/p>\n Der zweite Druck ist wirtschaftlicher Natur. Die subventionierten Preise f\u00fcr die KI-Labore der Pioniere gehen zu Ende.<\/strong> Die Kosten f\u00fcr Schlussfolgerungen, die fr\u00fcher auf der Ebene des Modellanbieters absorbiert wurden, werden zunehmend weitergegeben, und die ersten Signale sind nicht gerade subtil. Uber hat Berichten zufolge sein gesamtes LLM-Budget f\u00fcr 2026 innerhalb der ersten vier Monate des Jahres verbraucht. Diese Art von \u00dcberschreitung ist nicht l\u00e4nger eine Anekdote aus dem Beschaffungswesen, sondern ein Zeichen daf\u00fcr, dass das Thema Inferenz\u00f6konomie einen Platz in der Quartals\u00fcbersicht des CTO verdient hat.<\/p>\n Die Antwort ist nicht, weniger KI zu verwenden. Die Antwort ist eine gezielte Inferenzstrategie mit intelligentem Routing zwischen Frontier und kleineren Modellen, fein abgestimmten oder spezialisierten Modellen<\/strong> f\u00fcr hochvolumige Aufgaben, die kein Frontier Reasoning erfordern, und in einigen F\u00e4llen benutzerdefinierte Kabelb\u00e4ume, die auf Open-Source-Gewichten basieren. Der Schritt, den fast kein Unternehmen auf seiner Roadmap hat, ist das Training oder die Feinabstimmung seiner eigenen Modelle f\u00fcr die Arbeitslasten, bei denen das Volumen dies rechtfertigt.<\/strong> Kleine Sprachmodelle, LoRA-\u00e4hnliche Feinabstimmungen und dom\u00e4nenspezifische Architekturen sehen allm\u00e4hlich weniger wie eine Forschungskuriosit\u00e4t und mehr wie eine Betriebskostenentscheidung aus.<\/p>\n 3- Souver\u00e4nit\u00e4tsdruck<\/strong><\/p>\n Der dritte Druck ist politischer und regulatorischer Natur. Data Residenzpflicht, das EU-KI-Gesetz, sektorspezifische Vorschriften f\u00fcr Finanzdienstleistungen und das Gesundheitswesen sowie die allgemeine geopolitische Fragmentierung der Datenverarbeitung sind Hardware- und Infrastrukturentscheidungen zum ersten Mal auf den Schreibtisch des CTO zu verlagern.<\/strong> Die Frage, wer die Schl\u00fcssel zu der Infrastruktur besitzt, auf der Ihre Modelle laufen, war fr\u00fcher ein Detail der IT-Beschaffung. Im Jahr 2026 ist sie zu einer Frage auf Vorstandsebene f\u00fcr jedes Unternehmen geworden, das mit regulierten data arbeitet oder \u00fcber L\u00e4ndergrenzen hinweg t\u00e4tig ist.<\/p>\n Dieser Druck unterscheidet sich auch in seiner Art von der cloud-Souver\u00e4nit\u00e4tsdiskussion vor einem Jahrzehnt, und dieser Unterschied ist es wert, innezuhalten. Bei der cloud-Debatte ging es um Standardcomputer: Server, Speicher und Bandbreite. Der Mensch blieb bei jeder bedeutsamen Entscheidung, die die Infrastruktur unterst\u00fctzte, im Spiel. Die KI-Infrastruktur ist kein Standardcomputer.<\/strong> Was auf diesen GPUs l\u00e4uft, ist Intelligenz, und zwar f\u00fcr einen wachsenden Teil der Gesch\u00e4ftsprozesse, wird die Infrastruktur nicht nur eine menschliche Entscheidung unterst\u00fctzen, sondern sie wird die Entscheidung treffen.<\/strong><\/p>\n Dadurch \u00e4ndert sich das politische Gewicht derjenigen, die die Hardware kontrollieren. Von den drei Druckmitteln ist die Souver\u00e4nit\u00e4t heute am st\u00e4rksten beschattet, da Die meisten Vorst\u00e4nde haben noch nicht verinnerlicht, was es bedeutet, ein Unternehmen mit Informationen zu f\u00fchren, die ihnen nicht geh\u00f6ren.<\/strong> Es wird viel klarer werden, wenn Physikalische KI in gro\u00dfem Umfang auf den Markt kommt. Unternehmen, die bis dahin eine bewusste Hardware-Strategie entwickelt haben und wissen, wie sie diese f\u00fcr ihren Kontext einrichten k\u00f6nnen, werden wahrscheinlich einen Wettbewerbsvorteil, der Jahre braucht, um zu schlie\u00dfen.<\/strong><\/p>\n Zusammengenommen l\u00f6sen diese drei Belastungen die komfortable Haltung von 2024 auf. Keiner von ihnen kann auf der Anwendungsebene angegangen werden. Jeder dieser Faktoren zieht den CTO in einen anderen Teil des Stacks.<\/p>\n Um eine bewusste Entscheidung \u00fcber den Stapel zu treffen, muss jede Ebene auf die Frage reduziert werden, die sie tats\u00e4chlich beantwortet.<\/p>\n Die Anwendungsschicht ist die Oberfl\u00e4che, auf der Menschen und KI aufeinandertreffen.<\/strong> Die Frage ist: Wo treffen Menschen und KI in unseren Abl\u00e4ufen aufeinander, und wie arbeiten sie zusammen? Die Auswahl reicht von Chatbots, die in Produktivit\u00e4tstools eingebettet sind, \u00fcber Agenten, die durch eine Nachricht in Teams oder Slack ausgel\u00f6st werden, bis hin zu Agenten, die durch Workflow-Ereignisse ausgel\u00f6st werden, oder Agenten, die in Gesch\u00e4ftssysteme wie SAP oder Salesforce eingebettet sind. Welches Muster das richtige ist, h\u00e4ngt davon ab, wie viel Mensch in der Schleife die Arbeit vertr\u00e4gt.<\/p>\n Die KI-Plattform ist die Ebene, die definiert, was die KI wei\u00df und was sie tun kann.<\/strong> Die Frage ist: Woher bekommen unsere Agenten den gesch\u00e4ftlichen Kontext und welche Befugnisse k\u00f6nnen wir an sie delegieren?<\/strong> Sie haben die Wahl zwischen statischem Kontext (Master-Prompts, F\u00e4higkeiten, strukturierte Regeldateien), dem Abruf von Wissensdatenbanken und Vektorspeichern, der Durchf\u00fchrung von Aktionen \u00fcber standardisierte Agentenverbindungsprotokolle und einem sitzungs\u00fcbergreifenden persistenten Speicher. Jede Wahl entspricht einem anderen Grad an Autonomie, der dem Agenten gew\u00e4hrt wird.<\/p>\n Die LLM-Infrastruktur ist die Ebene, auf der auf Modelle zugegriffen wird, die geroutet, verwaltet und optimiert werden.<\/strong> Die Frage ist: Wie leiten wir das richtige Modell zum richtigen Auftrag und zu den richtigen Kosten weiter?<\/strong> Die Auswahl reicht von Frontier-LLMs f\u00fcr komplexe Schlussfolgerungen \u00fcber kleine oder fein abgestimmte Modelle f\u00fcr hochvolumige, klar definierte Aufgaben bis hin zu spezialisierten Modalit\u00e4tsmodellen f\u00fcr das Sprach- oder Dokumentenverst\u00e4ndnis und Edge-Modellen f\u00fcr latenzkritische Aufgaben. Dies ist die Ebene, auf der die Inferenz\u00f6konomie tats\u00e4chlich lebt.<\/p>\n Die Hardware-Ebene umfasst die GPUs, Inferenzserver und die Orchestrierung, die die Modelle ausf\u00fchren.<\/strong> Die Frage ist: wo werden unsere Modelle tats\u00e4chlich ausgef\u00fchrt, und wer hat die Schl\u00fcssel zu dieser Infrastruktur?<\/strong> Sie haben die Wahl zwischen Hyperscaler-verwaltetem Compute, privater cloud- oder dedizierter Infrastruktur, Inferenz-Clustern vor Ort, kundenspezifischem Silizium oder eingebettetem Compute. F\u00fcr die meisten Unternehmen lautet die Antwort hyperscaler-managed. F\u00fcr data-empfindliche Branchen ist es zunehmend etwas anderes.<\/p>\n Diese vier Ebenen sind keine separaten Strategien. Sie sind eine einzige Strategie, die sich auf vier Ebenen der Tiefe ausdr\u00fcckt.<\/strong><\/p>\n Die ehrliche Lesart des Bildes ist nicht, dass jedes Unternehmen jede Schicht besitzen sollte. Einige der vertretbarsten KI-Positionen im Jahr 2026 werden Unternehmen geh\u00f6ren, die sich bewusst daf\u00fcr entschieden haben, auf Hyperscaler-Abstraktionen am unteren Ende des Stacks zu setzen und ihre Investitionen woanders zu konzentrieren. Mehr vom Stapel zu besitzen ist nicht das Argument. Das Argument ist, dass die Entscheidung bewusst getroffen werden muss.<\/strong><\/p>\n Ein CTO, der entschieden hat, wo Microsoft, AWS, Google oder ein anderer Partner in seinem Stack sitzt, und der entschieden hat, in welche Schicht sein eigenes Team dieses Jahr investieren wird, hat eine Strategie. Ein CTO, der diese Entscheidung nicht getroffen hat, zahlt f\u00fcr eine Strategie, ohne sie zu besitzen. Die Kosten f\u00fcr dieses Vers\u00e4umnis summieren sich: Das Team endet mit einem Portfolio unzusammenh\u00e4ngender Pilotprojekte, einer Beschaffungsrechnung, die schneller w\u00e4chst als der Wert, und keiner klaren Antwort, wenn der Vorstand fragt, wohin die Investitionen im n\u00e4chsten Jahr flie\u00dfen sollen.<\/p>\n Die Arbeit ist also die Sequenzierung. Die Frage ist nicht, welche Schicht man besitzen und welche man auslagern sollte.<\/strong>, Denn auf lange Sicht wird jedes Unternehmen, das KI einsetzt, eine Position zu allen vier Themen einnehmen m\u00fcssen. Die Frage ist, welcher Ebene Sie jetzt den Vorrang geben und welche Sie in 12, 24 und 36 Monaten erneut \u00fcberpr\u00fcfen sollten.<\/strong><\/p>\n Der Archetyp des Unternehmens ist das st\u00e4rkste Signal f\u00fcr diese Sequenzierung:<\/strong> Start-ups, kleinere spezialisierte Dienste und Boutiquen k\u00f6nnen ihre Investitionen in der Regel auf die Anwendungs- und Plattformebene konzentrieren.<\/p>\n Es geht nicht darum, dass ein Archetyp fortgeschrittener ist als ein anderer. Es geht darum, dass der Die Abfolge der vier Schichten ist bei jeder unterschiedlich.<\/strong> Ein Pharmaunternehmen, das versucht, sich auf der Hardware-Ebene wie SpaceX zu verhalten, verschwendet Kapital. Eine Bank, die sich auf der Plattformebene wie ein Start-up-Unternehmen verh\u00e4lt, l\u00e4sst ihren wichtigsten Verm\u00f6genswert, den data-Kontext, unbewirtschaftet.<\/p>\n Die Form dieses \u00dcbergangs wurde schon einmal gesehen. Im Jahr 2012 war die cloud-Diskussion in den meisten Vorstandsetagen bin\u00e4r: Sollen wir AWS nutzen oder sollen wir es lassen? Im Jahr 2018 hatte sich diese einzelne Frage zu einer vielschichtigen Entscheidung dar\u00fcber entwickelt, welche Arbeitslasten wohin geh\u00f6ren, welche Anbieter f\u00fcr welche Anwendungsf\u00e4lle geeignet sind, was mit Multi-cloud zu tun hat und wo die data-Residenz wichtig ist. Die Unternehmen, die cloud im Jahr 2012 als eine einzige Beschaffungsentscheidung behandelten, verbrachten die n\u00e4chsten sechs Jahre damit, die Unternehmen einzuholen, die es von Anfang an als eine Architekturentscheidung behandelten.<\/strong><\/p>\n Der KI-Stack durchl\u00e4uft die gleiche Reifung in einem viel schnelleren Takt. Das cloud brauchte fast ein ganzes Jahrzehnt, um von einer einzigen Frage zu einer mehrschichtigen Entscheidung zu kommen. Der KI-Stack schafft das in drei bis vier Jahren. CTOs, die KI im Jahr 2026 so behandeln, wie die besten CTOs cloud im Jahr 2012 behandelt haben, n\u00e4mlich als eine Architekturentscheidung und nicht als eine Beschaffungsentscheidung, sind werden bis zum Ende des Jahrzehnts wahrscheinlich mehrere Jahre Vorsprung haben.<\/strong><\/p>\n Vor allem drei Ma\u00dfnahmen verdienen einen Platz auf der Tagesordnung.<\/p>\n Die erste ist, dass die KI-Plattform-Ebene verdient eine ausdr\u00fcckliche Beteiligung.<\/strong> F\u00fcr die meisten Unternehmen, die in den letzten zwei Jahren Arbeiten im Copilot-Stil ausgeliefert haben, ist dies die Schicht, in der die n\u00e4chsten 12 Monate der Investitionen den gr\u00f6\u00dften Nutzen bringen werden. Kontext ist der Teil des Stacks, der nicht billiger zu digitalisieren ist. Die Modelle werden sich weiter verbessern und die Preise werden sich weiter bewegen. Das strukturierte Wissen des Unternehmens, die Entscheidungsregeln und die Verbindungspunkte zu den operativen Systemen sind es, die einem Gesch\u00e4ftsmodell Bedeutung verleihen.<\/p>\n Die zweite ist, dass Inferenz\u00f6konomie geh\u00f6rt jetzt auf die viertelj\u00e4hrliche Tagesordnung<\/strong>. Zu einer seri\u00f6sen Inferenzstrategie geh\u00f6ren intelligentes Routing, kleine oder fein abgestimmte Modelle f\u00fcr die Volumenebene und zumindest ein Sondierungsgespr\u00e4ch \u00fcber interne Schulungen f\u00fcr Arbeitslasten, bei denen die St\u00fcckkosten dies rechtfertigen. Die Kostenkurve der Grenzinferenz wird sich nicht nur in eine Richtung bewegen, und jede Strategie, die von der Preisgestaltung eines einzelnen Anbieters abh\u00e4ngt, ist strukturell anf\u00e4llig.<\/p>\n Die dritte ist, dass Die Auswahl von Hardware und Infrastruktur sollte \u00fcberdacht werden,<\/strong> selbst wenn die Antwort vorerst Hyperscaler lautet. Die Entscheidung f\u00fcr einen verwalteten Stack ist legitim, aber es sollte eine Entscheidung sein und kein Standard. F\u00fcr regulierte Industrien sind die Fragen der souver\u00e4nen Ableitung, des hybriden Einsatzes und der On-Premise-Stacks nicht mehr hypothetischer Natur.<\/p>\n Keiner dieser Schritte erfordert, dass Sie alles selbst entwickeln. Sie erfordern, dass jede Ebene mit der gleichen Ernsthaftigkeit durchdacht wird, die die meisten Unternehmen bereits f\u00fcr die Anwendungsebene aufbringen.<\/p>\n Die Architektur eines KI-nativen Unternehmens wird von Frage zu Frage entschieden, und jede Frage befindet sich auf einer anderen Ebene. Die sichtbaren 20 Prozent sind der einfache Teil. Die Arbeit, die sich zusammensetzt, findet unter der Wasserlinie statt, in den Schichten, die in einer Herstellerdemo nicht zu sehen sind.<\/strong><\/p>\n CTOs, die sich auf die sichtbare Ebene beschr\u00e4nken, enden bei der Verwaltung von Tools. CTOs, die unter die Wasserlinie schauen, enden bei der Verwaltung kognitiver Kapazit\u00e4ten. Die Frage ist nicht, welches Modell Sie kaufen, sondern welche Art von CTO das Unternehmen werden will: operativ oder strategisch.<\/strong><\/p>","protected":false},"excerpt":{"rendered":" Die Verm\u00f6gensverwaltung steckt in der Vergangenheit fest. Die Kunden leben in einer Welt der m\u00fchelosen, hyper-personalisierten Empfehlungen von YouTube, TikTok oder Amazon, doch die Banken verkaufen ihre Produkte mit Hilfe von Regelb\u00fcchern, schwerf\u00e4lliger Segmentierung und Ratschl\u00e4gen ihrer Berater. Die Banken haben M\u00fche, mit den Kundenerwartungen und der Komplexit\u00e4t der heutigen Portfolios Schritt zu halten. Hybride KI kann dies \u00e4ndern. Durch die Verschmelzung von maschinellem Lernen, Portfolio-Optimierung und der kontextbezogenen Intelligenz umfangreicher Sprachmodelle, die von einer agentenbasierten KI-Ebene gesteuert werden, k\u00f6nnen Verm\u00f6gensverwalter Empfehlungen aussprechen, die sich intelligent, pers\u00f6nlich und zum richtigen Zeitpunkt anf\u00fchlen.<\/p>","protected":false},"featured_media":1226396,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-1226395","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/1226395","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/1226396"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=1226395"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=1226395"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=1226395"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Drei Dr\u00fccke, die CTOs unter die Wasserlinie dr\u00fccken<\/h2>\n
\nVor einem Jahr war diese Schicht eine interessante Forschungsrichtung. Heute ist sie eine tragende S\u00e4ule. Unternehmen, die von Chatbot-Piloten zu implementierten Agenten \u00fcbergegangen sind, haben hier investiert. Unternehmen, die noch Pilotprojekte durchf\u00fchren, haben diese Ebene in der Regel \u00fcbersprungen und versucht, den Gesch\u00e4ftskontext direkt in die Prompts und Integrationen auf der Anwendungsseite einzubinden. Dieser Ansatz funktioniert f\u00fcr einen gut eingegrenzten Anwendungsfall. Es l\u00e4sst sich nicht auf ein Portfolio von Agenten \u00fcbertragen, die im gesamten Unternehmen t\u00e4tig sind.<\/strong><\/p>\nDie vier Ebenen, reduziert auf die Frage, die jede Ebene beantwortet<\/h2>\n
Sequenzierung schl\u00e4gt Abdeckung<\/h2>\n
\n
Cloud-\u00dcbergang, mit einer schnelleren Uhr<\/h2>\n
Was dies f\u00fcr den CTO in diesem Jahr bedeutet<\/h2>\n
Eine Frage nach der anderen<\/h2>\n