In diesem Meinungsbeitrag, veröffentlicht am 23. Februar 2024 auf CIO-Online, vertritt Olivier Rafal (Consulting Director Strategy bei WeNvision) eine damals gegen den Strom schwimmende Idee: « L'IA générative est plus une affaire de produit technologique qu'un projet d'IA ». Viele Organisationen setzen falsche Prioritäten, indem sie versuchen, Data Scientists und Machine-Learning-Ingenieure einzustellen.
Erstes Argument: Ein foundation model von Grund auf zu entwickeln « erfordert mehrere Monate, Millionen von Euro und Zugang zu enormen Datenmengen ». Das ist nur für Akteure mit spezifischen, monetarisierbaren Datensätzen sinnvoll — das emblematische Beispiel ist Bloomberg, das BloombergGPT entwickelt hat, um seine Finanzdaten zu nutzen. Für nahezu alle Unternehmen ist es besser, auf kommerzielle LLMs zu setzen.
einfach macht, mit den besten LLMs auf dem Markt zu arbeiten und zwischen ihnen zu wechseln, sobald sie sich weiterentwickeln, ohne die Anwendungen überarbeiten zu müssen
Zweites Argument: die Diskrepanz bei den Kompetenzen. Statt Data Scientists werden Entwicklungs- und Integrationsingenieure (Backend und Frontend), starke Cloud-Kompetenzen und DevOps benötigt. Ein Kunde bringt es auf den Punkt: « Man muss nicht unbedingt Data Scientist sein, aber man muss die Grundkonzepte verstehen, über Backoffice-Entwicklungskompetenzen und starke Cloud-Kompetenzen verfügen. »
Drittes Argument: die Architektur. Unternehmen sollten eine plateforme d'IA générative aufbauen, die auf Orchestratoren und APIs basiert, was es « einfach macht, mit den besten LLMs auf dem Markt zu arbeiten und zwischen ihnen zu wechseln, sobald sie sich weiterentwickeln, ohne die Anwendungen überarbeiten zu müssen » — eine Garantie für Unabhängigkeit gegenüber Vendor-Lock-in.
Viertes, zentrales Argument: der Wandel vom Projekt zum Produkt. « Die Plattform […] muss selbst als Produkt betrachtet werden », finanziert nicht durch eine einmalige Investition, sondern durch einen monatlichen Finanzierungsstrom, um kontinuierliche Iterationen und Innovation zu tragen.
Fünftes Argument: Governance. GenAI « hat sich auf beispiellose Weise demokratisiert », was « ebenso viel Shadow AI wie starke Erwartungen an die DSI » erzeugt. Eine angemessene Governance muss den Bedarf der verschiedenen Fachbereiche erfassen, Produkte nach dem Wert priorisieren, den sie schaffen, und das ordnungsgemäße Funktionieren des Ganzen überwachen.
Abschließend kündigt Rafal einen zu akzeptierenden Paradigmenwechsel an: « wir bewegen uns von klassischer algorithmischer Programmierung hin zu agents Langchain, die einen Teil der Entscheidungen übernehmen ». Als grundlegender Text legt er bereits Anfang 2024 das Fundament (Produkt, Plattform/API, flussbasierte Finanzierung, Governance), das spätere Analysen — bis hin zur finanziellen FinOps/Token-Governance von 2026 — nur weiterführen werden.