Kontext statt Modell: Worauf es bei der Auswahl einer KI-Plattform wirklich ankommt
Bei der Wahl der KI-Plattform vergleichen Unternehmen verschiedene Modelle, Funktionen und Lizenzpreise der Anbieter. Über den langfristigen Erfolg entscheidet allerdings etwas anderes:
Welche Plattform der KI den Zugang zu den relevanten Unternehmensdaten verschafft.
Hohe Investitionen bei oft unbekanntem Nutzen
Gartner erwartet für 2026 weltweite KI-Ausgaben von 2,7 Billionen US-Dollar - 49,5 Prozent mehr als im Vorjahr. Laut Gartner berichtet derzeit nur jedes fünfte Unternehmen von einem signifikanten Mehrwert durch KI. Viele Organisationen stehen noch am Anfang ihrer KI-Initiativen. Sie kennen weder den tatsächlichen Geschäftsnutzen noch die langfristigen Kosten und müssen trotzdem festlegen, auf welcher Plattform ihre KI künftig läuft. Insbesondere die Hersteller drängen mit attraktiven Angeboten beispielsweise bei Renewal-Verhandlungen auf eine Festlegung auf ihre jeweilige Plattform ohne, dass vielen Unternehmen ihre Anforderungen und relevante Use Cases tatsächlich bekannt sind. Unternehmen vergleichen meist nur Modelle, Features und Preise. Allerdings sind bei dieser Entscheidung oft andere Faktoren von größerer Bedeutung:
Kontext Layer - Die Schicht zwischen Daten und Modell
Ein Sprachmodell kann formulieren, zusammenfassen und rechnen. Über das Unternehmen weiß es nichts. Fragt eine Vertriebsmitarbeiterin „Welche Aufträge von Kunde X sind offen, und gibt es aktuell Reklamationen?“, braucht das Modell Daten aus dem ERP-System, Ticketsystem und CRM.
Die Schicht, die relevante Daten und Teilergebnisse zusammenführt, nennen Anbieter den Kontext-Layer. Sie besteht aus drei Teilen:
- Anbindung: Sie holt die Daten aus den Quellsystemen - über einen vorab aufgebauten Suchindex, aus dem passende Inhalte abgerufen werden (Retrieval-Augmented Generation), oder als Live-Abfrage über Schnittstellen wie klassische APIs oder das Model Context Protocol (MCP).
- Semantisches Modell: Es legt fest, was Begriffe wie „aktiver Kunde“ oder „Deckungsbeitrag“ im Unternehmen bedeuten und wie Objekte zusammenhängen, z.B. Auftrag, Kunde und Ansprechpartner.
- Berechtigungen: Sie stellen sicher, dass die KI jeder Person nur die Daten zeigt, für die sie berechtigt ist.
Diese Schicht setzt voraus, dass Daten in den Quellsystemen vollständig und konsistent sind. Ein Kontext-Layer macht fehlerhafte Stammdaten schneller verfügbar, korrigiert sie aber nicht. Eine hinreichende Datenqualität ist die Grundvoraussetzung für den erfolgreichen KI-Einsatz.
Vier Anbieter - ein Plan für die führende KI-Plattform
Die großen Plattformanbieter bauen ihre KI-Strategie inzwischen um diese Schicht herum, wie diese Beispiele hervorragend zeigen:
SAP beschreibt die Business Data Cloud als Quelle des Geschäftskontexts für seine KI. Joule-Agenten greifen auf deren Wissensbasis zu, Antworten stützen sich auf den SAP Knowledge Graph, und gemeinsame Geschäftsdefinitionen sollen die Agenten untereinander verbinden.
Salesforce hat seine Data Cloud im Oktober 2025 in Data 360 umbenannt und unter die Marke Agentforce 360 gestellt. Das Produkt liefert den Agenten ihren Kontext und ein eigenes semantisches Datenmodell hält die Kennzahlen über alle Salesforce-Clouds hinweg einheitlich.
Microsoft hat auf der Ignite 2025 Microsoft IQ vorgestellt: Work IQ baut auf Microsoft Graph auf und versorgt Copilot mit Kontext aus Mails, Dateien, Meetings und Chats, Fabric IQ definiert Geschäftsbegriffe wie „Kunde“ für Berichte und Agenten.
ServiceNow verspricht mit Workflow Data Fabric, seinen KI-Agenten Echtzeitzugriff auf Daten aus dem gesamten Unternehmen über Konnektoren zu Datenplattformen wie Snowflake, Databricks oder Oracle.
Jedes dieser Angebote löst das Kontextproblem in der eigenen Plattform und alle Anbieter versprechen die führende KI-Plattform zu sein. Damit sollte das Problem laut den Herstellern nun gelöst sein, oder doch nicht?
Die nächste Vendor-Lock-in-Falle heißt KI-Kontext
Erste Hersteller haben begonnen den Zugang zu den Unternehmensdaten einzuschränken, welche die KI benötigt bzw. lassen sich den Zugriff teuer bezahlen.
Im Sommer 2025 hat Salesforce die API-Bedingungen von Slack geändert. Seitdem dürfen Drittanbieter Slack-Daten nicht mehr in großem Umfang exportieren, keine dauerhaften Kopien oder Suchindizes daraus aufbauen und die Daten nicht in Sprachmodellen verwenden. Der Anbieter Glean, dessen KI-Suche Slack-Inhalte erschlossen hatte, musste seinen Kunden mitteilen, dass der Zugriff nur noch Anfrage für Anfrage möglich ist. Unternehmen, die ihre interne KI auf einem Slack-Archiv aufgebaut hatten, mussten umbauen oder auf eine von Salesforce zugelassene Integration wechseln.
Wie ernst die Anbieter die Kontrolle über den Datenzugang nehmen, zeigt neben Slack ein zweiter Fall. Mit dem SAP-Hinweis 3255746 hat SAP die Nutzung der ODP-RFC-Schnittstelle durch Kunden und Drittanbieter untersagt. Über diese Schnittstelle zogen viele Werkzeuge bisher Daten aus SAP-Systemen. Seit Juni 2026 blockiert ein Sicherheitspatch solche Zugriffe, als Alternative empfiehlt SAP die eigene Business Data Cloud.
Aber auch zusätzliche Kosten können ein entscheidender Faktor sein. Bei Microsoft beispielsweise werden High-Capacity- und bestimmte Advanced-APIs verbrauchsabhängig abgerechnet und benötigen zudem eine verknüpfte Azure-Subscription. Wenn große Datenmengen für Analytics oder Data Lakes exportiert werden, erfolgt die Abrechnung pro exportierter Datenmenge. Der Azure-Preis liegt aktuell bei 0,75 USD je 1.000 extrahierter Objekte.
Die Daten gehören weiterhin den Kunden. Wie die KI an sie herankommt, bestimmen im Fall der Fälle allerdings die Hersteller. Es bleibt abzuwarten, ob und wie der Zugang zu Unternehmensdaten durch weitere Hersteller eingeschränkt bzw. bepreist wird.
Drei Architekturen mit drei Arten von Abhängigkeit
Die meisten Unternehmen halten ihre Daten verteilt, in ERP-Lösungen, Rechenzentren und mehreren Cloud-Plattformen. Für den Kontext-Layer folgt daraus eine Grundsatzentscheidung zwischen drei Ansätzen.
Welcher Ansatz passt, hängt stark von den eigenen Anforderungen abgeleitet von relevanten Use Cases, der IT-Landschaft sowie -Strategie ab. Ein Unternehmen mit Single-Cloud-Strategie und zentraler Datenhaltung startet von einem anderen Punkt als eines mit heterogener Systemlandschaft und bewusst verteilter Datenhaltung. In beiden Fällen reicht es nicht, Investitions- und Implementierungskosten zu vergleichen: Betrieb, Governance, Zugriffskosten auf Quellsysteme und die Kosten eines späteren Ausstiegs gehören in dieselbe Rechnung.
Der Slack-Fall und der SAP-Hinweis treffen beide Seiten der Tabelle. Salesforce hat den zentralen Index untersagt, SAP hat eine Schnittstelle für den Abruf geschlossen. Keine der drei Architekturen schützt also von selbst. Schutz entsteht erst, wenn das semantische Modell in einem offenen Format vorliegt und die Schnittstellen vertraglich zugesichert sind.
In regulierten Bereichen ist eine Ausstiegsstrategie entscheidend
Eine KI-Plattform mit Zugriff auf Kerndaten ist ein Dienstleister in der IT-Lieferkette, und dafür verlangen mehrere Regelwerke ein aktives Risikomanagement. Die NIS2-Richtlinie zählt die Sicherheit der Lieferkette zu den Pflichtmaßnahmen wichtiger Einrichtungen, darunter Betreiber kritischer Infrastrukturen. Finanzunternehmen müssen nach dem Digital Operational Resilience Act (DORA) solche IKT-Drittdienstleister im Informationsregister führen, das Konzentrationsrisiko bewerten und für Dienstleister, die kritische oder wichtige Funktionen unterstützen, eine Ausstiegsstrategie vorhalten.
Für den Kontext-Layer heißt das: Eine Ausstiegsstrategie muss beschreiben, wie Anbindungen, semantisches Modell und Berechtigungen zu einem anderen Anbieter umziehen. Liegt das semantische Modell nur im proprietären Format eines Herstellers vor, beschreibt sie faktisch einen Neuaufbau.
Warum der Ausstieg teuer werden kann
Daten lassen sich kopieren, wenn auch nicht immer so einfach oder günstig. Der Aufwand steckt woanders: in den Monaten, in denen Fachbereiche ihre Begriffe definieren, Beziehungen zwischen Geschäftsobjekten modellieren und Berechtigungen auf die KI übertragen. Dieses semantische Modell ist das eigentliche Wissen des Kontext-Layers.
Schwierig wird es, wenn das semantische Modell in dem proprietären Format und den Werkzeugen eines Herstellers angelegt wird. Beim Wechsel müssen Modell und Berechtigungen in einer anderen Umgebung neu aufbaut werden, während die KI im Tagesgeschäft weiterlaufen muss. Je länger die KI produktiv arbeitet, desto mehr Prozesse hängen an diesem Modell - desto teurer und schwieriger wird der Wechsel.
Hinzu kommt die Vertragsseite. Salesforce konnte die Slack-Bedingungen per Mitteilung ändern, die weitere Nutzung galt als Zustimmung. SAP hat eine verbreitete Schnittstelle über einen Hinweis geschlossen. In beiden Fällen hatten die Kunden keinen Hebel, außer umzubauen.
Salesforce zeigte allerdings auch die Möglichkeit eines offeneren Umgangs: Gemeinsam mit Databricks, dbt Labs und Snowflake soll die Semantik plattformübergreifend standardisiert werden. Ob ein semantisches Modell portabel bleibt, hängt deshalb von Marktentwicklungen sowie den Entscheidungen ab, die das Unternehmen bei der Einführung trifft.
Wichtige Fragen vor der Plattformwahl
Bevor ein Unternehmen sich auf eine KI-Plattform festlegt, sollten daher mindestens sechs Fragen beantwortet werden:
- Sind die eigenen Anforderungen bekannt sowie relevante Use Cases mit belegtem Mehrwert durch KI-Einsatz, damit eine fundierte Entscheidung getroffen werden kann?
- Liegen die Daten in hinreichender Qualität und Aktualität vor als Grundvoraussetzung, um den erfolgreichen Einsatz von KI zu gewährleisten?
- In welchem Format liegen Begriffsdefinitionen, Datenbeziehungen und Berechtigungsregeln vor, und können diese vollständig exportiert werden?
- Welche Schnittstellen der Quellsysteme sind vertraglich zugesichert, und können Bedingungen einseitig geändert werden?
- Setzt die Plattform auf offene Protokolle und Formate, oder knüpft sie Anbindung und Semantik an eigene Werkzeuge?
- Was kostet es, Anbindungen, semantisches Modell und Berechtigungen zu einem anderen Anbieter zu verlegen?
Wenn das semantische Modell in einem offenen Format vorliegt, bleibt der Plattformanbieter austauschbar. Wenn es im Format eines Herstellers gewachsen ist, entscheidet dieser Hersteller über künftige Preise und Schnittstellen mit. Ohne zufriedenstellende Antworten auf diese Fragen oder sinnvolle Vorkehrungen um Probleme vorzubeugen, lassen sich Fehler nach dem Vertragsschluss nur noch teuer und mit hohem Aufwand korrigieren.
Unternehmen stehen mit begrenzten Erfahrungen auf einem von kontinuierlichen Veränderungen geprägten KI-Markt vor großen Herausforderungen bei der Entscheidungsfindung. Zudem werden gesetzliche Rahmenbedingungen und Standards noch entwickelt. Da wir allerdings keine Glaskugel besitzen, die uns über zukünftige Marktentwicklungen informiert, sind Transparenz über eigene Anforderungen und Use Cases, eine sorgfältige Entscheidungsvorbereitung sowie vertragliche Vereinbarungen mit Anbietern entscheidend bei der Wahl der geeigneten KI-Plattform.
Autorin: Jessica Loi Müler