Intelligence Efficiency: Mehr Modellauswahl, intelligenteres Routing

In meinen Gesprächen mit Kunden zeichnet sich ein klares Spannungsfeld ab. Unternehmen investieren aggressiv in KI, aber sie werden auch strenger, was die Wirtschaftlichkeit angeht. Es reicht nicht mehr aus, zu zeigen, dass Mitarbeiter:innen KI nutzen oder dass der Token-Verbrauch steigt. Die Nutzung ist ein Input. Die entscheidende Frage ist, was ein Unternehmen als Gegenleistung erhält.

Unternehmen müssen sich fragen: Werden wir schneller? Senken wir die Kosten? Schaffen wir bessere Produkte und Kundenerlebnisse? Letztendlich muss sich KI in messbaren Business Value übersetzen lassen.

Ich bezeichne dies als Intelligence Efficiency oder wie effektiv ein Unternehmen Rechenressourcen, Modelle, Daten und Kontext in geschäftliche Auswirkungen umwandelt. Mehr Umsatz. Geringere Kosten. Schnellere Ausführung. Das Erreichen dieser Effizienz erfordert Modellflexibilität, sowohl in der Freiheit, die besten Modelle für die jeweilige Aufgabe zu verwenden, als auch in der Fähigkeit, intelligentes Routing zu nutzen, um jede Aufgabe basierend auf Kosten, Geschwindigkeit und Performance dem richtigen Modell zuzuordnen. Die Branche hat die letzten Jahre damit verbracht, die Fähigkeiten einzelner Modelle zu optimieren. Jetzt müssen Unternehmen das System um sie herum auf Ergebnisse optimieren.

Diese Verschiebung erfolgt, da der Aufstieg neuer offener Modelle die Kostengleichung der KI verändert. Für viele Workloads, insbesondere einfachere, gut definierte Aufgaben, liefern die führenden offenen Modelle eine starke Performance zu einem Bruchteil der Kosten der Grenzmodelle. Da sich offene Modelle weiter verbessern, sollte eine größere Modellauswahl zu mehr Wettbewerb, schnellerer Innovation und niedrigeren Kosten im gesamten Ökosystem führen.

Hier sehe ich ein enormes Potenzial für Unternehmen. Da die Kosten pro Aufgabe sinken, sinkt auch die Schwelle, ab der der Einsatz von KI sinnvoll ist. Workflows, die früher zu teuer zu automatisieren waren, werden wirtschaftlich rentabel und geben Unternehmen die Freiheit, zu experimentieren, zu iterieren und KI letztendlich in einem viel breiteren Bereich ihres Geschäfts einzusetzen.

Dennoch nehmen verschiedene Modelle unterschiedliche Punkte auf der Kosten-, Qualitäts- und Latenzkurve ein, und diese Positionen ändern sich ständig. Das Modell, das heute für eine Aufgabe am besten geeignet ist, ist in sechs Monaten möglicherweise nicht mehr das beste Modell. Deshalb glaube ich, dass Intelligence Efficiency von Unternehmen verlangen wird, ein flexibles Portfolio von Modellen zu nutzen.

Ich sehe diese Verschiebung bereits in meinen Gesprächen mit Kunden. Die Frage verlagert sich von „Welches Modell sollten wir als Standard festlegen und wo sollten wir es anwenden?“ zu „Wie wählen wir kontinuierlich das beste Modell für jede Aufgabe aus?“

Bei Snowflake haben wir eine neutrale Unternehmensplattform aufgebaut, die führende offene und proprietäre Modelle von Anthropic, Google, Mistral AI, OpenAI und SpaceXAI zusammenbringt, und Snowflake wird diese Auswahl mit der Unterstützung für GLM-5.3 und DeepSeek-V4-Flash 0731 erweitern. 

Diese Freiheit und Flexibilität sind grundlegend dafür, wie wir über das agentische Unternehmen denken. Da sich Modelle weiterentwickeln, sollten Unternehmen in der Lage sein, von dieser Innovation über den gesamten Umfang ihrer Daten und ihres Kontexts hinweg zu profitieren.

Genau das liefern wir mit Snowflake CoCo und Snowflake CoWork für Entwickler:innen bzw. Geschäftsanwender:innen. CoCo und CoWork arbeiten nahtlos über alle Ihre Daten hinweg und ermöglichen es Ihnen, verschiedene Modelle, Agenten, Workflows und Systeme in einer einzigen dialogorientierten Benutzerschnittstelle zu nutzen. Das Modell ist ein wichtiger Teil des Systems, aber es sollte nichts sein, was der/die Nutzer:in ständig verwalten muss. 

Das führt zur nächsten Herausforderung, die ich für Unternehmen sehe: wie man KI effektiv orchestriert. Deshalb führen wir heute dynamisches Modell-Routing im Cortex AI Gateway ein, um unseren Kunden zu helfen, das richtige Modell für die anstehende Aufgabe zu nutzen. Kunden können nun definieren, welche Modelle sie genehmigen und welche Kompromisse ihnen wichtig sind. Von dort aus bewertet das Cortex AI Gateway jede Aufgabe anhand dieser Richtlinien sowie realer Kosten- und Performance-Daten und wählt das beste Modell für jeden Anwendungsfall aus. 

Das System lernt auch aus den Ergebnissen. Nachdem ein Modell eine Aufgabe abgeschlossen hat, bewertet ein anderes die Qualität des Ergebnisses und erstellt so eine kontinuierliche Feedbackschleife, die zukünftige Routing-Entscheidungen verbessert. Wenn Modelle besser werden und sich die Landschaft ändert, kann sich das System anpassen und Qualität, Kosten und Latenz kontinuierlich verbessern.

Unsere ersten Benchmarks zeigen, dass dieser Ansatz bei einem bestimmten Qualitätsniveau eine bessere Wirtschaftlichkeit liefern kann, als sich auf ein einzelnes Modell allein zu verlassen. Und da diese Funktion direkt in CoCo und CoWork integriert ist, können unsere Kunden Preis- und Performance-Optimierungen innerhalb ihrer bestehenden Agenten und Workflows nutzen, selbst wenn neue Modelle oder Funktionen aufkommen.

Unsere heutigen Ankündigungen spiegeln eine Philosophie wider, die Snowflake von Anfang an geleitet hat. Große technologische Umbrüche schaffen Komplexität. Unsere Aufgabe ist es, diese Komplexität für unsere Kunden zu absorbieren. Wir haben das für die Dateninfrastruktur getan, und jetzt tun wir es für KI, indem wir Unternehmen die Freiheit geben, die beste Intelligenz für die Aufgabe zu nutzen, während Snowflake die Komplexität der Modellauswahl, des Routings und der Optimierung im Hintergrund verwaltet. So helfen wir unseren Kunden, echte Intelligence Efficiency zu realisieren.