KI Maschinenbau Automotive : Billigere Intelligenz aus China: Warum Europas Industrie neu rechnen muss

Für Johann Ebner ist die KI-Revolution inzwischen auch eine Rechnung, die jeden Monat ins Haus flattert. Und diese Rechnung hat es in sich. Rund 70 Softwareentwickler des Glasbearbeitungsmaschinenbauers Lisec nutzen GitHub Copilot. Kostenpunkt anfangs: überschaubare 1.500 Euro im Monat. Dann plötzlich änderte sich die Abrechnungslogik. Eine erste Hochrechnung signalisierte den Niederösterreichern Kosten von rund 5.000 Euro monatlich. Inzwischen, sagt der Director Digital Transformation bei Lisec, sei der Betrag auf das Zehnfache des ursprünglichen Betrages angeschwollen. 

GitHub hat diese Entwicklung per 1. Juni 2026 ganz offiziell vollzogen: Die Abrechnung bei Copilot wurde auf Basis fester Kontingente von Premium-Anfragen durch eine nutzungsbasierte Abrechnung nach Token- Verbrauch ersetzt. Einen Paradigmenwechsel nennt das Ebner, der weiß: Der Token-Verbrauch wird exponentiell steigen, da Schwärme von zunehmend autonomen Agenten sich gegenseitig auslösen und aufrufen. Ein einziger Auftrag eines Mitarbeiters löst immer öfter eine Kette von Modell- und Toolaufrufen, Recherchen und Codeoperationen aus. Ähnliche Erfahrungen macht Lisec im Office-Umfeld mit Microsoft 365 Copilot und Copilot Cowork. Cowork setzt dabei längst nicht mehr nur auf Microsoft- oder OpenAI-Technologie. Microsoft hat die Plattform gemeinsam mit Anthropic zu einer Multi-Modell-Umgebung ausgebaut. Verfügbar sind unter anderem Claude- Modelle von Anthropic und GPT-Modelle von OpenAI. Claude Opus 4.8 wurde im Mai 2026 in Copilot Cowork und schrittweise auch in Copilot Chat, Excel, Power- Point und Copilot Studio integriert. 

Für Lisec führt das sehr kurzfristig zur Frage, welches Modell welche Aufgabe zu welchem Preis erledigen soll. Ebner berichtet von Cowork-Aufgaben, etwa Recherchen oder der Erstellung von Präsentationen, die „durchaus 20 Dollar pro Aufruf“ kosten können. Seine Konsequenz: „Da muss man sich dann schon wirklich gut überlegen, was man tut.“

Abrechnung nach Rechenleistung oder Geschäftsvorgängen: Wie sich die Ökonomie von Software fundamental verändert. 

Als die Wiener TTTech für ihre KI-Nutzer ein monatliches Tokenkontingent einzog, dauerte es bei manchen Entwicklern exakt einen Arbeitstag, bis die neue Kostenrealität zuschlug. „Da sind einige Mitarbeitende schon am ersten Tag über ihr Monatskontingent gekommen“, erzählt Manfred Prammer, COO und Executive Board Member bei TTTech. Rund 800 von 1.200 Mitarbeitern sind Entwickler sicherheitskritischer Hard- und Software. Das Unternehmen arbeitet an vernetzten Computing-, Steuerungs- und Safety-Systemen für Industrie, mobile Maschinen sowie Luft- und Raumfahrt. TTTech reagierte freilich nicht mit einem KI-Stopp. Es teilte die Belegschaft in Power-User und Standard- User, erhöhte für intensive Nutzer die Credits und begann zu schulen, welches Modell für welche Aufgabe wirtschaftlich sinnvoll ist und warum man nicht immer wieder komplette Datenpakete in ein Large Language Model schieben sollte. 

Das war durchaus sportlich: „In dieser Zeit verbrannten andere Firmen viel Geld“, sagt Prammer über die Umstellung auf tokenbasierte Modelle. Auch Michael Pratter, Director Digital Innovation beim Hightech-Automatisierer Knapp, ist im Token-Zeitalter angekommen. Nicht nur, weil abends, wenn die Kinder zu Bett gebracht sind, für Pratter wieder die GitHub-Surferei losgehe, um am Ball zu bleiben. „Da steht werktags auch einmal der Chefarchitekt der Softwareentwicklung in der Tür und will wissen, wie viele Euro in Credits er dem Unternehmen wert ist“, erzählt er. 

Für leistungsfähige Entwickler seien „ein paar hundert Euro“ monatliche KI-Credits eine Größenordnung, die man ohne Bauchweh investieren solle. Im Idealfall zerlegt ein teures Modell zunächst eine komplexe Entwicklungsaufgabe, erstellt einen Plan und denkt über die Architektur nach. Anschließend übernimmt ein kleineres, günstigeres Modell große Teile der Ausführung. 

Konkret nennt Felix Stadler, AI Manager beim Feuerwehrausrüster Rosenbauer, Claude Haiku von Anthropic und Gemini Flash von Google für kostengünstigere Arbeitsschritte. Für die anspruchsvolleren Teile greifen Rosenbauer-Entwickler unter anderem zu Claude Opus oder GPT-5.5 in Codex. Die Preisunterschiede zeigen, warum dieses Routing wirtschaftlich sinnvoll ist. Anthropic listet Claude Haiku 4.5 aktuell mit einem Dollar je Million Input-Tokens und fünf Dollar je Million Output-Tokens. Claude Opus 4.6 kostet fünf beziehungsweise 25 Dollar. Modellkompetenz wird so zu einer kaufmännischen Fähigkeit des Entwicklers. Clemens Wasner, CEO von enliteAI und Gründer von AI Austria, sieht es ähnlich: „20 Euro pro Monat tun niemandem weh. Aber wenn ich Tokenkosten von ein paar tausend Dollar pro Mitarbeiter und Monat habe, dann ist Schluss mit lustig.“ Deshalb lohnt sich Modellrouting. Innerhalb eines einzigen Anbieters können Frontier- und Volumenmodelle beim Output preislich um ein Vielfaches auseinanderliegen. Für Meetingnotizen braucht niemand einen Ferrari. 

Auch Ulrich Pöschl, CISO bei TEST-FUCHS, kennt den Token-Verbrauch im Unternehmen sehr genau. Das Gesamtbudget pro Jahr liege aktuell noch knapp im fünfstelligen Euro- Bereich. Die Modelle werden für Programmierung, interne Wissenssysteme und Automatisierung eingesetzt. Jeweils aktuelle „Flagship-Modelle“ seien oft ein Vielfaches teurer als kleinere Modelle, die eine vergleichsweise einfachere Aufgabe in derselben Qualität erledigen können. TEST-FUCHS nutzt also verschiedene Modelle, inklusive Open- Weight-Modellen. Eine verlässliche Kostenprognose hält Pöschl dennoch für unmöglich. „Ein neues Modell kann eine Aufgabe plötzlich effizienter lösen und damit Tokenverbrauch und Kosten senken“, sagt er. Ebenso gut kann ein neues Anwendungsgebiet die Nachfrage einen Monat später „explosionsartig erhöhen“. Die Entwicklung ist hochgradig dynamisch. 

Andreas Raml, Director Group IT bei Semperit, erlebt eine jener seltenen Phasen, in denen sich die Richtung einer ganzen Abteilung umkehrt. Jahrelang galt bei Semperit Cloud first. Anwendungen, Server und Rechenleistung sollten möglichst nicht mehr im eigenen Haus betrieben werden. „Wir hatten die letzten Jahre immer die Strategie, eigentlich alles loszukriegen.“ Jetzt fange man an, „die Dinge wieder aufzubauen“. Nun kauft der Wiener Gummi- und Kautschukkonzern NVIDIA-Hardware, lädt Modelle herunter, kapselt sie vom Internet ab und beginnt, das industrielle Know-how des Unternehmens lokal mit LLMs zu bearbeiten. Dass überhaupt so intensiv nach Alternativen gesucht wird, hat auch hier mit dem Wandel der Abrechnung zu tun. In Copilot Studio werden Agenten inzwischen über Copilot Credits abgerechnet. Eine klassische Antwort kostet einen Credit, eine generative Antwort zwei, eine Agentenaktion fünf und Tenant-Graph-Grounding zehn Credits. Premium-AI-Tools mit Reasoning werden zusätzlich nach Tokenverbrauch berechnet. Auch Microsoft 365 Copilot besitzt Pay-as-you-go-Komponenten. Bei bestimmten Copilot- und SharePoint- Agenten wird die Nutzung über Azure- Zähler abgerechnet. 

Raml glaubt nicht daran, dass Unternehmen die Produktivitätsgewinne aus standardisierter KI langfristig vollständig behalten werden. Angenommen, KI macht eine Tätigkeit so effizient, dass ein Unternehmen theoretisch eine Stelle mit 80.000 Euro Vollkosten einsparen könnte. Dann werde der Anbieter der KI versuchen, einen beträchtlichen Teil dieses ökonomischen Wertes abzuschöpfen. Raml erwartet deshalb, dass standardisierte KI-Effizienz schnell zur Commodity wird. Nutzt jeder Konkurrent dieselbe Copilot-Funktion für Finance, dieselbe KI im Einkauf und denselben Agenten für administrative Prozesse, entsteht daraus kein dauerhafter Vorsprung. Der Wettbewerbsvorteil liegt nach seiner Einschätzung dort, wo sich Unternehmen differenzieren können. „Am Shopfloor, bei den Semperit-eigenen mehreren 10.000 Rezepturen, wo es tatsächlich wichtig ist, dass wir unsere eigenen Modelle nutzen“, so Raml. KI müsse sich deshalb im Innovationsbudget ihren Platz erkämpfen. 

Moritz Belling, Director Transformation und Miteigentümer des Antriebsspezialisten Lenze, formuliert die Konsequenz noch radikaler. Er „brennt“ nach eigener Aussage „für die Themen KI und Transformation und erwartet, dass Unternehmen in fünf Jahren über Tokens ähnlich sprechen wie heute über Personal. „Dann wird es wie das Personalbudget das Tokenbudget geben“, sagt er. Seine zweite These: Dieses Budget dürfe nicht zwangsläufig in der IT liegen. Genau dort beginnt aber auch der nächste Verteilungskampf. „IT-Budgets stehen heute unter Druck“, sagt Belling. Gleichzeitig komme ein „Riesen-Budgettopf“ hinzu, dessen Dimension viele Unternehmen noch nicht verstanden hätten. 

Lenze rollt KI breit aus. „KI an jedem digitalen Arbeitsplatz“, beschreibt Annekatrin Konermann, Manager AI & Implementation, das Ziel. Die neue Produktivität komme aus tausenden kleinen Zeitgewinnen. Freilich: Nicht jeder Mitarbeiter möchte drei Seiten Prompt schreiben. Die Konsequenz sei eine differenzierte KI-Organisation. „Die Champions bekommen Werkzeuge mit hohen Freiheitsgraden“, sagt Konermann. Sie bauen robuste Prompts, Workflows und zunehmend Agenten. Für die breite Organisation werden daraus standardisierte Systeme, die mit sehr wenig Eingabe zuverlässig einen konkreten Task erledigen. Sean Kask, Chief AI Strategy Officer, sagt, weniger als 40 Prozent des SAP-Cloudumsatzes hingen überhaupt noch klassisch an User Seats. Bei den Ausgabenmanagementtools Ariba oder Fieldglass wird längst nach wirtschaftlichen Größen wie Beschaffungsvolumen abgerechnet. Für KI-Lösungen wird die technische Tokenebene in AI Units übersetzt. 

Damit rückt Softwareabrechnung näher an den Output. Für Einkaufs- und Controllingabteilungen ist das eine unangenehme Lernkurve. Ein Agent kann kostengünstiger werden und gleichzeitig teurer. Günstiger pro Million Tokens. Teurer, weil er plötzlich hundertmal mehr Aufgaben erledigt. Ein österreichisches Kundenbeispiel zeigt die Logik: An einem Werk treffen täglich rund 100 Lkw ein. Papierlieferscheine müssen manuell in SAP übertragen werden. Allein das Eintippen dauert laut Kask etwa 15 Minuten. Mit KI-Extraktion sinkt die gesamte Abfertigungszeit eines Lkw von ungefähr 30 auf 15 Minuten. 

Bei 100 Lkw sind das rechnerisch 25 Stunden Durchlaufzeit pro Tag. Die Frage lautet dann nicht mehr: „Was kostet eine Million Tokens?“, sondern: „Was ist eine halbe Lkw-Abfertigung wert?“, so Kask. Er geht sogar so weit, zu sagen: Würde die Modelltechnologie heute einfrieren, könne der Konzern noch fünf bis zehn Jahre neue Use Cases bauen. Die Innovation läge dann nicht mehr im nächsten LLM, sondern darin, vorhandene Intelligenz tiefer in Bestellung, Rechnung, Planung, Wartung oder Personalprozess einzubauen. Zugleich unterliegt Intelligenz trotz anschwellender KI-Kosten in den Unternehmen einem horrenden Preisverfall.

Offene Gewichte, chinesischer Preisdruck und rasende Releasezyklen machen die Wechselbarkeit zum strategischen Asset. 

„Die Chinesen treiben die Kosten für Intelligenz massiv herunter“, sagt Engelbert Wimmer, Automobilberater und Gründer von e&Co. Für vergleichbare Modellleistung spricht er seit 2023 von einem Preisrückgang um ungefähr den Faktor 70. Die Langfristdaten sind noch drastischer: Der Stanford AI Index errechnete für ein Modell auf GPT- 3.5-Niveau einen Rückgang der Inferenzkosten von rund 20 Dollar je Million Tokens im November 2022 auf sieben Cent im Oktober 2024. Mehr als Faktor 280. Damit wird eine alte IT-Tugend plötzlich gefährlich: Treue. Wer fünf Jahre auf einen Hersteller standardisiert, kann fünf Monate später am falschen Preis hängen. 

Chinesische Labs wie Alibaba mit Qwen, DeepSeek oder Moonshot erhöhen den Druck. Gleichzeitig veröffentlichen auch westliche Anbieter wieder offene Gewichte. Die Lage ist komplizierter als „China offen, Amerika geschlossen“. Aber der Effekt ist eindeutig: Das LLM wird austauschbarer. Wimmers Forderung ist deshalb architektonisch, nicht ideologisch. „Die Architekturprämisse muss sein, dass es Alternativpfade gibt, um in sehr kurzer Zeit von Kimi auf Qwen umzustellen“, sagt er. Ein Industriekonzern kann eine anspruchsvolle Aufgabe heute mit Anthropic lösen, morgen ein chinesisches Open-Weight-Modell einsetzen und übermorgen ein anderes. Voraussetzung: Daten, Prozesse und Agenten dürfen nicht untrennbar mit einem einzigen Modell verwoben sein. 

Ein AI-Experte mit langjähriger Industrieerfahrung, der lieber ungenannt bleiben möchte, hat erlebt, was passiert, wenn diese Voraussetzung fehlt. Er erzählt von einer großen Bank, der Google für einen Plattformwechsel zwei Jahre praktisch kostenlos angeboten habe. „Da reden wir sofort über 20, 30 Millionen Kosteneinsparungen.“ Nur waren die bestehenden Modelle und Integrationen so tief verbaut, dass ein Wechsel nicht einfach möglich war. Der Experte begrüßt deshalb die wachsende Zahl der Anbieter. „Zum Glück gibt es ja was aus China“, sagt er. Die Monopolisten Anthropic und OpenAI seien angsteinflößend. 

Clemens Wasner hält die aktuelle Open-Weight-Welle weniger für einen China-Schock als für eine Normalisierung. Betriebssysteme, Datenbanken, Smartphones: Auf geschlossene Systeme folgten im Geist der Hippie-Bewegung der 60er stets auch in den USA offene Alternativen. Sobald deren Leistung nahe genug an das Premiumprodukt herankommt, beginnt der Preisverfall. Ein offenes Modell lässt sich zudem einfrieren. Eine Belegerkennung, die sauber funktioniert, muss nicht nach jedem GPT-Update neu validiert werden. „Eine Firma will nicht jedes Mal, wenn eine neue GPT-Version rauskommt, nochmal herumfummeln müssen“, sagt er. Offen heißt allerdings nicht gratis. Ein Modellgewicht kostet keine API-Gebühr. 

Die GPU schon. Strom, Redundanz, Inference Serving, MLOps und Security auch. e&Co-Chef Wimmer: „Ein Maschinenbauer, der wegen herunterladbarer Modelle ein eigenes KI-Rechenzentrum baut“, handle ungefähr so, „wie wenn man sich überlegt: Wir haben doch so viele, die in unserem Unternehmen telefonieren, wir bauen ein eigenes Handynetz.“ Wer die Auslastung nicht bringt, „schießt sich damit selber ins Knie“, sagt er. Für KMUs ist eine „eigene GPU-Farm im sechs- oder siebenstelligen Bereich in den meisten Fällen nicht sinnvoll“, ist auch Florian Zimmermann, Co-Founder und CEO des Linzer JKU-Spinoffs Ablatic AI, überzeugt. Die Zukunft ist deshalb weder reine Cloud noch reine On-Premise-Welt. Clemens Wasner nennt sie „Hybrid AI“: ein Teil beim Hyperscaler, ein Teil auf kontrollierter Infrastruktur. Wie sich der französische Anbieter Mistral schlagen werde? Wasners These: Das Unternehmen könne zum „Atos des 21. Jahrhunderts“ werden: weniger Modelllabor, mehr industrieller Integrator. Die Übernahme des Linzer Physik-KI-Unternehmens Emmi AI passe ins Bild.  

Der Hightech- Automatisierer Knapp nutzt diese Mischwelt bereits praktisch. Michael Pratter testet chinesische Modelle intern, bringt sie aber nicht automatisch in Kundensysteme. Eigene NVIDIA-Infrastruktur schafft Spielraum, ersetzt aber nicht die Cloud. Für ihn zerfällt das Bild vom „besten Modell“ ohnehin. Eines ist stark beim Schreiben einer Spezifikation, ein anderes beim Coding, ein drittes bei Bildverarbeitung, ein viertes beim Testen. Kimi nutzt er beim Programmieren „relativ gerne, weil es superschnell ist und gut trifft“. Für Konzeption könne Anthropic stärker sein. Siemens und Bosch gehen ähnlich vor. Beide Konzerne arbeiten mit mehreren Modellanbietern und wählen je nach Leistungsfähigkeit, Sicherheit, Wirtschaftlichkeit und Use Case. Der Mautsystemehersteller Kapsch Traffic-Com prüft derzeit einen Model Gateway. also eine Abstraktionsebene, die den Zugriff auf mehrere LLMs über eine einzige API-Schnittstelle ermöglicht. 

Das Ziel: „Anwendungen und Entwicklerwerkzeuge flexibler an unterschiedliche Modelle anzubinden und die Modellwahl künftig stärker nach Qualität, Kosten, Latenz, Sicherheitsanforderungen, Datenklasse und Verfügbarkeit auszurichten“, erzählt Nedyalka Petkova, Lead AI Center of Excellence. Apropos Modellwahl: Aus Europa kommt dabei ein interessanter Gegenversuch. 

Das Linzer Unternehmen Ablatic AI trainiert mit Talos ein eigenes Modell auf europäischer Supercomputer-Infrastruktur. Mehr als 100 Unternehmen haben es laut den Gründern in der Beta-Phase getestet. Co-Founder und CTO Julian Mauerkirchner behauptet, Talos könne bereits rund 80–90 Prozent jener Aufgaben erledigen, die Nutzer typischerweise einem Topmodell von ChatGPT oder Claude geben. Vieles an Rechenleistung kommt über EuroHPC und europäische AI-Factory-Infrastruktur. Holger Rothaug, Gründer von Inspaire und früher bei CARIAD und Microsoft, hält die Debatte über chinesische oder amerikanische KI für viele Unternehmen derzeit für nachrangig. 

Entscheidend sei zunächst, Daten, Prozesse und Verantwortlichkeiten zu digitalisieren und strukturiert verfügbar zu machen. „Wer seine Daten und Prozesse nicht im Griff hat, gewinnt durch ein besseres LLM nur wenig. Sonst automatisiert man am Ende lediglich bestehende Ineffizienzen.“ Engelbert Wimmer warnt ebenfalls vor der Versuchung, die gerade in vielen Vorständen populär ist: KI auf einen schlechten Prozess zu kleben. „Wer einen kaputten Ablauf automatisiert, bekommt einen kaputten Ablauf mit höherer Geschwindigkeit und zusätzlicher Tokenrechnung“, sagt er.

eEin AI-Experte arbeitet dafür mit dem Begriff der „Blast Zone“: Wie groß ist der Schaden, wenn die KI falsch liegt? Nach seiner Einschätzung haben rund 90 Prozent der Effizienz- und Produktivitätsabläufe im Unternehmen kleine Einschlagszonen. „Da brauche ich keine hochgepowerten Modelle, um zwei Bleistifte zu vergleichen.“ Bei kritischen technischen Zeichnungen würde er dagegen lokal und kontrolliert arbeiten.

Je austauschbarer das LLM, desto wertvoller wird, was es nicht mitbringt: Prozesse, Berechtigungen und Maschinenwissen. 

Wenn das Modell nicht mehr der Schatz ist, wo liegt er dann? Engelbert Wimmer zeigt auf SAP. „SAP hat die Schatzkiste, nämlich die Transaktionsdaten“, sagt er. Nur würden längst andere an dieser Kiste bohren. Unternehmen kopieren ERP-Daten in Data Lakes, legen externe Modelle darüber und bauen ihre eigene Intelligenzschicht. Michael Pratter von Knapp nennt die Relevanz von „Harness“. Das LLM ist nur der Motor. Wertvoller wird die Umgebung: Datenquellen, Systemprompts, Memory, Rechte, Werkzeuge, Prüfungen, Routing. Semperits Domänenwissen sind die mehreren 10.000 Rezepturen. Über Jahrzehnte hat der Konzern Mischungen und Prüfergebnisse gesammelt. „Das ist etwas, das ich keinesfalls in einem OpenAI-Universum sehen möchte“, sagt IT-Mann Raml. 

Für Lenze soll Standardaufgaben wie E-Mails formulieren, Inhalte zusammenfassen oder Präsentationen erstellen der Microsoft Coplilot erledigen. Dort will der Antriebsbauer keine eigene Entwicklungsenergie verbrennen. Eigene Ressourcen fließen in große Use Cases, bei denen Domänenwissen entscheidet. „Dafür gibt es kein Unicorn der Welt, welches das für uns baut“, sagt Moritz Belling. Erema folgt einer ähnlichen Logik. Der Recyclingmaschinenhersteller arbeitet seit Jahren mit Machine Learning, Edge-Systemen und digitalen Services. „Wir können die klassischen Grundmodelle mit dem Domainwissen verheiraten“, sagt Managing Director Markus Huber-Lindinger. Konkret wurde eine unternehmensweite Wissensdatenbank, die ein LLM „im Bauch hat“, aufgebaut. Dauer bis zum Rollout: ungefähr ein Jahr. Wissen wird ausführbar. 

Der Autozulieferer HENN indes versucht, KIgestützte Tätigkeiten sehr strukturiert ausführbar zu machen. Im Rahmen eines Hackathons entstanden 15 unternehmensweite Skills: definierte Anweisungen, Quellen und Arbeitsweisen für wiederkehrende Aufgaben. So baut nicht jeder Mitarbeiter seinen eigenen Präsentationsagenten und erfindet das Corporate Design neu. Christoph Jandl bemisst den ersten Aufwand für den von ihm ausgefassten Skill – Strategie – auf einen halben Tag, die spätere Pflege auf Minuten.

Coding Agents drücken die Grenzkosten der Eigenentwicklung. Was gestern Lizenz, Beratung oder Individualprojekt war, entsteht plötzlich intern.

Bei Lisec kam die Revolution auf leisen Pfoten. Softwareentwickler ließen Code vervollständigen, kleine Module erzeugen, Routinearbeit beschleunigen. Produktivitätsplus laut Johann Ebner: zehn bis 15 Prozent. Dann nahm sich das Unternehmen den ganzen Entwicklungsprozess, vom Requirement bis zum Deployment, vor. Agenten prüfen Anforderungen, zerlegen Aufgaben und übernehmen immer größere Teile der Ausführung. Ebners Urteil: „Das geht leider richtig gut.“ Wieso leider? Lisec ist nicht nur Anwender von Software. Der Maschinenbauer verkauft selbst Software für die Planung ganzer Glasfertigungen, also eine Art „kleines ERP für die Branche“. Generative KI macht Softwareentwicklung für wesentlich mehr Menschen zugänglich. Dadurch werden viele Unternehmen beginnen, eigene Anwendungen und Werkzeuge zu entwickeln. 

Der Unterschied zwischen einem funktionierenden Prototypen und industriefähiger Software bleibt jedoch erheblich. Für den produktiven Einsatz in einer globalen Industrieumgebung braucht es weiterhin erfahrene Entwickler, Architekten und Branchenexperten, die Qualität, Sicherheit und langfristige Wartbarkeit sicherstellen. Auch ein internes Beispiel hat Ebner auf Lager. Lisec suchte ein System, um Lizenzen und KI-Nutzung zentral zu verwalten. Externer Preis: rund 40.000 Dollar. Der IT-Leiter, seit einigen Monaten privat tief im KI-Coding eingestiegen, setzte sich ein Wochenende hin. Tokenkosten: ungefähr 1.000 Dollar. Für Ebner stellt sich deshalb eine grundsätzliche Frage: Welche Software muss ein Unternehmen künftig überhaupt noch kaufen? Die Möglichkeiten von KI-gestützter Entwicklung verschieben die wirtschaftlichen Grenzen zwischen Standardsoftware und individueller Lösung deutlich. „Die erwartbare Kostenersparnis kann so groß sein, dass wir sogar die teuren Modelle für die Entwicklung einsetzen könnten und trotzdem wirtschaftlicher wären“, sagt Ebner.

Ulrich Pöschl sieht bei TEST-FUCHS Hebel auf Personenebene. „Ein Programmierer, der sehr gut programmieren kann, wird mit KI zu einer Art Superprogrammierer“, sagt er. KI kann somit ein wichtiger Hebel sein, indem sie die Kapazität guter Mitarbeiter vervielfacht und so zusätzliches Wachstum ermöglicht. Firmeneigene Chatbots und Integrationen zu Ticketsystemen oder Endpoint Management wurden bereits erstellt. „Wenn Sie mir das vor einem Jahr progonostiziert hätten, hätte ich gesagt: Das gibt es nicht.“ Die Konsequenz trifft wohl klassische Softwareanbieter direkt. „Was eine SAP nicht schreibt, kann sich der Mittelständler in Zukunft selber schreiben“, sagt Pöschl. Add-ons, Auswertungen, kleine Workflows und Spezialanwendungen würden mehr und mehr selbst in der Organisation erstellt.

Bei TTTech gilt das sogar für Safety Engineering. Requirements, Code und Tests lassen sich von Agenten prüfen. „Der menschliche Review verschwindet nicht. Aber der erste, repetitive Prüfungslauf wird automatisierbar“, sagt Prammer.

Daten, Integration, industrielle Prozesse – wem gehört das Zukunftsgeschäft?

„Geht man weg von dem bunten Feuerwerk der Folien und der Trials, hinein in die graue Fabrik, dann liegt der Business Case in den Schweißpunktqualitätsprüfungen oder in den Markierverfahren oder in Sequenzierverfahren“, sagt Engelbert Wimmer. Er glaubt deshalb „total an die Zukunft der ABBs, Boschs und Siemens“. Nicht weil sie das beste allgemeine Sprachmodell bauen, sondern weil sie KI „tief in den Rechenzentren, in der Steuerungslogik vergraben“ können. 

Der ROI liege seiner Einschätzung nach ebendort, „wo es nicht spektakulär ist“. Bosch argumentiert ähnlich: Besonders großes Potenzial liege in multimodalen und agentischen Systemen für Fertigung, Logistik, Qualitätsmanagement, Engineering und Mobilität. Ein AI-Experte sieht es so: Nach Jahrzehnten der „Zwangsehe“ mit großen Plattformen könnten Unternehmen das Kernsystem behalten und den lukrativen Rand selbst bauen. „Mein Finanzsystem bleibt weiterhin das ERP. Aber alles, was Add-on ist, alle Zusatzfeatures, kriegen die nicht von mir. Die baue ich mir selbst“, sagt er. Beispiel Einkaufsagent oder Logistikanwendung. „Fünf, sechs Leute machen das in zwei Tagen“, ist er überzeugt. Jetzt komme „die Stunde der Revenge“.

SAP-AI-Experte Sean Kask: Mehr als 45.000 SAP-Cloudkunden nutzen bereits KI-Lösungen von SAP. Rund 400 KI-Anwendungsfälle stehen aktuell zur Verfügung, mehr als 400 Agenten und Assistenten peilt SAP bis Ende des Jahres an. Die Modelle dürfen wechseln. Geschäftskontext, Berechtigungen, Prozesse und Governance sollen bleiben. Joule Agents greifen auf Unternehmensdaten, Knowledge Graphs und Berechtigungen zu. SAP hat seine API-Policy für die agentische Welt angepasst. Auf der Modellschicht Auswahl. Auf der Prozessschicht Kontrolle. Beratung gerät unter Preisdruck. Verändern wird sich auch das Beratungsgeschäft. 

HENN nutzte ChatGPT Deep Research für Marktanalysen für die früher leicht zehntausende Euro an externe Berater geflossen wären. „Wir gelangten zu einem wunderbaren Report“, sagt Christoph Jandl. Zwei Excel-Dateien händisch vergleichen? „Auch das ist vorbei.“ 

Benjamin Geislinger, Managing Director des Antriebsbauers Geislinger, berichtet von derselben Verschiebung. Marktrecherchen, für die früher tausende Euro Beratung fällig geworden wären, entstehen heute inhouse in Minuten. 

Andreas Raml von Semperit findet die erwartbaren Umwälzungen bei aller Beigeisterung über die Möglichkeiten der KI hart: „Wer bisher gut daran verdiente, Standardsoftware zu customizen, wird Probleme kriegen“, glaubt er.