Der deutsche Schulansatz: Gebaut, um sich nicht zu verändern

Wenn eine Maschine jede Faktenfrage in Sekunden beantwortet, verschiebt sich, was Menschen lernen müssen. Die estnische Bildungsministerin Kristina Kallas stellt dazu in einem TEDx-Vortrag die Frage: „When AI Knows Everything, What Should Humans Learn?“

Die Antwort liegt weniger im Wissen selbst als in dem, was man damit anfängt: verstehen, bauen, prüfen, erklären, mit anderen zusammenarbeiten. Das Nachschlagen übernimmt die Maschine – das Denken nicht.

Was Kinder wirklich brauchen

Kinder – und Studierende gleichermaßen – brauchen vor allem:

LLM-Kostenkontrolle und Governance mit LiteLLM - Ein Überblick

Die Nutzung von LLMs in Unternehmen erfordert Übersicht

LLMs sind in vielen Teams angekommen: Entwickler*Innen nutzen Claude Code, CoPilot oder Codex, im Support helfen Modelle bei der Eingangsbehandlung und dem Formulieren von Antworten, und an einigen Stellen übernehmen automatisierte Agenten eigenständig Aufgaben wie Monitoring oder Ticket-Sortierung. Allerdings läuft bei vielen Unternehmen die Adoption von LLM-basierten Werkzeugen schneller, als die interne Governance sich anpassen kann. Eine der grundlegenden Fragen ist oft: Wo werden die LLM-Kosten eigentlich genau verursacht?

Enterprise Architecture als KI-Enabler

Künstliche Intelligenz ist längst nicht mehr nur Gegenstand von Forschungsprojekten und einzelnen Pilotversuchen. Immer mehr Unternehmen möchten KI-Modelle in ihre Prozesse integrieren, interne Daten nutzbar machen und konkrete Anwendungen entwickeln, die einen messbaren geschäftlichen Mehrwert erzeugen.Dabei zeigt sich jedoch häufig, dass die eigentliche Herausforderung nicht allein darin besteht, ein leistungsfähiges KI-Modell auszuwählen. Viel schwieriger ist es, dieses Modell sinnvoll in die bestehende Organisation und IT-Landschaft zu integrieren.

Genau an dieser Stelle gewinnt die Rolle Forward Deployed Engineer (FDE) zunehmend an Bedeutung.

FinOps für AI: Wie wir AI-Kosten unter Kontrolle bekommen

Eine neue Kostendimension mit alten Mustern

Ein einzelnes Beispiel hat in der Branche für Aufsehen gesorgt: Ein AI-Berater berichtete dem Nachrichtenportal Axios, dass einer seiner Kunden innerhalb eines einzigen Monats rund eine halbe Milliarde Dollar verbrauchte, weil auf den AI-Lizenzen der Mitarbeiter keine Nutzungslimits gesetzt waren. Der Fall klingt extrem, und in dieser Größenordnung ist er die Ausnahme. Das zugrunde liegende Muster ist es nicht. In kleinerem Maßstab erleben es viele Unternehmen gerade: Eine Rechnung springt von wenigen hundert auf mehrere tausend Euro im Monat, ohne dass im System ein Alarm anschlägt oder erkennbar ist, welcher Dienst oder welcher Nutzer den Anstieg verursacht hat.