KI-ROI im Mittelstand: Warum die Architektur über die Rendite entscheidet

95 % der GenAI-Projekte erzielen laut MIT derzeit keinen positiven ROI. Ein Grund ist die physische Trennung von Daten und Rechenleistung. Erfahren Sie, wie Data-centric Compute die Effizienz zurückbringt. 

von Kadir Dindar

Der Hype um Künstliche Intelligenz (KI) im deutschen Mittelstand ist groß. Doch die betriebswirtschaftliche Bilanz bleibt oft hinter den Erwartungen zurück. Eine Analyse des Nobelpreisträgers Daron Acemoglu (MIT) zeigt das Dilemma: Er prognostiziert, dass lediglich 5 % der potenziellen KI-Aufgaben in den nächsten zehn Jahren wirtschaftlich sinnvoll umsetzbar sind. Ein zentraler Grund für dieses Effizienzdefizit liegt in der Infrastruktur: Wer KI-Modelle rein über zentralisierte Cloud-Strukturen betreibt, riskiert, dass Latenzzeiten und Datentransfergebühren den geschäftlichen Nutzen neutralisieren. 

Die Latenz- und Kostenfalle: Wenn Zentralisierung zum Risiko wird

In den vergangenen Jahren hat sich die Strategie „Cloud-First“ als Industriestandard etabliert. Festgemacht wurde dies an der schnellen Skalierbarkeit und der Auslagerung von Wartungsaufwand. Doch für die industrielle Wertschöpfung in Fertigung und Logistik stößt dieses Modell an physikalische und ökonomische Grenzen. Der klassische Kreislauf – Daten im Werk erfassen, in ein entferntes Rechenzentrum übertragen, dort analysieren und das Ergebnis zurück an die Maschine senden – ist für hochdynamische Prozesse oft zu langsam. 

Parallel zur Latenz schnappt die Kostenfalle zu: Viele Unternehmen unterschätzen die „versteckten“ Gebühren für den Datentransfer (Egress Fees) und die notwendige Rechenpower in der Cloud. Je kleinteiliger und häufiger Daten für KI-Analysen hin- und hergeschickt werden, desto unvorhersehbarer steigen die Betriebskosten. Was als skalierbare Lösung begann, entwickelt sich so oft zum unkalkulierbaren Budgetfresser. 

In einer vernetzten Produktion entscheiden Millisekunden über die Qualität oder den Ausschuss eines Werkstücks. Zudem haben globale Ausfälle zentraler Cloud-Infrastrukturen Ende 2025 verdeutlicht, dass eine große Abhängigkeit von externen Knotenpunkten die Resilienz der Lieferketten gefährdet. Reißt die Verbindung zum Rechenzentrum ab, bricht die automatisierte Entscheidungsebene im Werk sofort zusammen. 

Der Lösungsansatz: Data-centric Compute

Um diese Barrieren zu überwinden, gewinnt ein Architekturansatz an Bedeutung, der als Data-centric Compute bezeichnet wird. Das Prinzip bricht mit der gängigen Logik. Statt massive Datenvolumina zur Rechenleistung zu bewegen, wandert die algorithmische Logik direkt zum Entstehungsort der Daten. Die Rechenoperationen finden unmittelbar innerhalb des lokalen Datenmanagementsystems statt. 

Dieser Ansatz adressiert die kritischen Kostentreiber moderner KI-Projekte. Indem die Analyse direkt an der Quelle erfolgt, werden nur noch relevante Ergebnisse oder Alarme statt kontinuierlicher Rohdatenströme synchronisiert. Dies reduziert das Datenvolumen drastisch und lässt die „Egress Fees“ der Cloud-Anbieter signifikant sinken. KI wird damit wirtschaftlich planbar, da die Rechenkosten nicht mehr linear mit dem Datenaufkommen skalieren. Gleichzeitig bleibt die volle Datenhoheit im Unternehmen, was die Einhaltung regulatorischer Vorgaben wie des EU Data Acts vereinfacht. 

Die Brücke zur Umsetzung: Smart Data Fabrics

Die Implementierung von Data-centric Compute scheitert in der Praxis oft an fragmentierten IT-Landschaften. Hier fungiert das Konzept des Smart Data Fabric als entscheidender Enabler. Es handelt sich um ein intelligentes technologisches Bindegewebe, das bestehende Datensilos wie ERP- oder MES-Systeme verknüpft, ohne eine physische Migration zu erzwingen. Die Daten werden dabei systemübergreifend abgeglichen und aktuell gehalten. So entsteht eine “Single Source of Truth”, die ohne zentralisierte Speicherung auskommt. 

Als Pionier des Smart-Data-Fabric-Ansatzes ermöglicht InterSystems diesen Übergang durch die Datenplattform InterSystems IRIS. Die Besonderheit: InterSystems IRIS integriert Analyse-Funktionen und Machine-Learning-Modelle nativ direkt in die Datenbank-Engine. Damit wird die Plattform zum operativen Kern des Data-centric Compute. Sie erlaubt es, KI-Modelle dort auszuführen, wo die Daten liegen – ob in der Fabrikhalle (Edge) oder im lokalen Rechenzentrum. Unternehmen gewinnen so eine „Single Source of Truth“, die nicht nur Daten übergreifend verfügbar macht, sondern diese in Echtzeit verarbeitet und in automatisierte Handlungen übersetzt. 

Digitale Souveränität als Wettbewerbsvorteil

Das System ist zudem zukunftsfest. Es ermöglicht eine nachhaltige Weiterentwicklung von KI-Funktionalitäten, beispielsweise der Weg hin zu agentischer KI. Diese Systeme treffen eigenständig operative Entscheidungen, wie die Umplanung von Produktionslinien bei Materialengpässen. Für solche autonomen Agenten ist die lokale Verfügbarkeit kontextreicher Daten eine zentrale Voraussetzung. 

Mittelständische Unternehmen, die ihre Architekturhoheit zurückgewinnen, machen ihre IT-Infrastruktur vom reinen Kostenfaktor zum strategischen Hebel. Data-centric Compute ist dabei das Fundament, um KI nicht nur als Experiment, sondern als rentables Werkzeug in der realen Wertschöpfung zu verankern. 

Bleiben Sie auf dem Laufenden, abonnieren Sie unseren kostenlosen Newsletter und erhalten Sie immer die neuesten Nachrichten und Analysen direkt in Ihren Posteingang.