KI wird günstiger, warum steigt trotzdem die Rechnung?
KI Modelle werden leistungsfähiger und teilweise günstiger. Gleichzeitig steigen in vielen Unternehmen die tatsächlichen AI Kosten deutlich.
Wie passt das zusammen?
Andreas Wiener spricht mit Yavuz Bogazci, Geschäftsführer bei valantic, darüber, warum Unternehmen beim Einsatz von KI nicht nur auf Technologie und Use Cases schauen dürfen, sondern sehr früh auch Kosten, Skalierbarkeit und messbaren Nutzen berücksichtigen müssen.
Denn aus einer einfachen Aufgabe können schnell zehntausende Tokens werden. Was für einen einzelnen Mitarbeiter kaum relevant erscheint, kann bei hunderten Nutzern und täglicher Anwendung zu erheblichen Kosten führen.
Im Gespräch geht es deshalb um die entscheidende Frage: Wann schafft KI tatsächlich Mehrwert und wann wird lediglich eine bestehende Aufgabe mit einer zusätzlichen Kostenposition versehen?
Andreas und Yavuz diskutieren, warum Unternehmen wiederkehrende AI Anwendungen zentralisieren sollten, wie sich individuelle Nutzung in skalierbare Lösungen überführen lässt und weshalb nicht jedes Problem ein Large Language Model oder einen AI Agent braucht. Manchmal sind Machine Learning, klassische Automatisierung oder sogar einfache Regeln die bessere Lösung.
Außerdem geht es um Claude, unterschiedliche Kostenmodelle, Caching, Abhängigkeiten von Plattformanbietern und die Frage, wie Unternehmen ihre Architektur so aufbauen, dass sie langfristig zwischen Technologien wechseln können.
Die zentrale Botschaft: Wer den ROI erst betrachtet, wenn KI bereits flächendeckend eingeführt wurde, ist zu spät. Kostenkontrolle, Governance und Nutzenmessung müssen von Anfang an Teil der AI Strategie sein.
3 Nov 2026
Wie können KI-Agenten Finanzteams bei Planung, Analyse und Reporting unterstützen?
Jetzt anmelden: https://www.executivefinancesummit.com/efs2026masterclass-agenda
In dieser Folge von AI or DIE spreche ich mit Daniele Tedesco von Apliqo über konkrete Einsatzmöglichkeiten und die Zusammenarbeit zwischen Agenten und Finanzexperten.
Daniele erläutert, wie Agenten beim Monatsabschluss Daten abgleichen und in der Abweichungsanalyse relevante Unterschiede und ihre Ursachen untersuchen. Wir besprechen, wie sich diese Erkenntnisse für die Erstellung eines Forecasts nutzen lassen und welche Rolle eine verlässliche Datenbasis dabei spielt.
Weitere Themen sind die Entwicklung von der jährlichen Budgetierung zur dynamischen Planung, das Verhältnis von Standards und individuellen Modellen sowie der Zugang zu Analysefunktionen über natürliche Sprache. Damit Agenten passende Antworten liefern, müssen sie die Strukturen, Kennzahlen und Begriffe des jeweiligen Unternehmens verstehen.
Ein Schwerpunkt bleibt die Rolle des Menschen: Nicht jede Information über Kunden, Märkte oder neue Geschäftschancen steht bereits im System. Finanzexperten ergänzen diesen Kontext, prüfen die Ergebnisse und geben die Planung frei.
Zum Abschluss sprechen wir über mögliche Veränderungen bei Software und Lizenzmodellen sowie das im Gespräch vorgestellte Format „AI für Macher“ in Frankfurt.
29 Oct 2026
Sind Agenten Mitarbeitende? Und wer übernimmt ihre Führung, Entwicklung und Kontrolle?
Muss ich jetzt auch noch die KI führen? Wenn Agenten Aufgaben übernehmen und eigenständig Ergebnisse liefern sollen, gehören sie dann zum Team? Brauchen sie Ziele, Feedback und Entwicklungsgespräche?
Reach and audience
Public platform figures. Ratings count people who left a rating, not total listeners.
Spotify
4.6 / 5
63 ratings
Contact BI or DIE
Guest appearances
Books guests
Based on episode analysis; this does not confirm that the show is currently accepting guests.
Pod Engine is an independent podcast discovery and analytics service and is not affiliated with or endorsed by this podcast. Artwork and show content belong to their owners. Full legal notice.
Explore this show Podcast research with Pod Engine
