Amazon Google AI-Ausgaben legen die versteckte Kostenkrise im Enterprise-CX offen

Amazon erhöhte seinen Plan für Investitionsausgaben 2026 auf 220 Milliarden US-Dollar, obwohl das Unternehmen für AWS das stärkste Wachstum seit 18 Quartalen meldete. Der Infrastrukturwettlauf zwischen Amazon und Google offenbart nun eine schwierige Wahrheit für Customer-Experience-Teams in Unternehmen. Die Nachfrage nach KI steigt rasant, doch die Systeme, die diese Nachfrage bedienen, erfordern mehr Kapital, knappe Hardware und längerfristige Verpflichtungen.

Das ist kein Beleg dafür, dass Enterprise-KI gescheitert ist. Amazons Cloudgeschäft wuchs im zweiten Quartal um 37 Prozent, während das KI- und das Chipgeschäft jeweils eine annualisierte Umsatzrate von mehr als 25 Milliarden US-Dollar erreichten. Dennoch erwartet Amazon, dass seine Infrastrukturkapazität 2026 hinter der Nachfrage zurückbleibt.

Google steht vor derselben Spannung, wenn auch in einem anderen Maßstab. Der Umsatz von Google Cloud stieg um 82 Prozent, während Alphabet seine erwarteten Investitionsausgaben für 2026 auf 195 bis 205 Milliarden US-Dollar anhob. Beide Unternehmen zeigen, dass eine stärkere KI-Nutzung nicht automatisch zu günstigeren und einfacheren Kundenerlebnissen führt.

Für Unternehmen geht das Problem über die Cloud-Rechnung hinaus. KI-Systeme für die Customer Experience benötigen Modellinferenz, Datenabruf, Sicherheitskontrollen, Evaluierung, menschliche Prüfung und Integrationen mit bestehenden Plattformen. Jede Ebene verursacht Kosten, bevor ein Unternehmen nachweisen kann, dass das Erlebnis besser ist.

Amazons Q2-Zahlen veränderten die Debatte über KI-Kosten

Amazons Ergebnisse zeigen, dass starke KI-Nachfrage und erheblicher Kostendruck gleichzeitig bestehen können.

Amazon meldete seine Ergebnisse für das zweite Quartal am 30. Juli 2026. Die AWS-Umsätze stiegen im Zeitraum von April bis Juni um 37 Prozent, nach 28 Prozent im Vorquartal. Das Unternehmen bezeichnete dies als das stärkste AWS-Wachstum seit 18 Quartalen.

Amazon erklärte außerdem, dass sein KI-Geschäft und sein Chipgeschäft jeweils eine annualisierte Umsatzrate von mehr als 25 Milliarden US-Dollar überschritten hätten. Diese Zahlen deuten darauf hin, dass Kunden Infrastruktur kaufen, statt sie lediglich zu testen.

Die Ausgaben zur Unterstützung dieses Wachstums stiegen ebenso stark. Chief Executive Andy Jassy erhöhte Amazons erwartete Investitionsausgaben für 2026 von rund 200 Milliarden US-Dollar auf 220 Milliarden US-Dollar. Die Gesamtsumme umfasst Investitionen in KI-Infrastruktur, Halbleiter, Robotik und Satelliten.

Höhere Speicherkosten waren laut Jassy ein wesentlicher Grund für die zusätzlichen Ausgaben. Speicher ist sowohl für das Training von Modellen als auch für die Ausführung von Inferenz entscheidend, also dafür, ein trainiertes Modell Nutzern bereitzustellen. Steigende Komponentenkosten betreffen daher sowohl experimentelle Systeme als auch etablierte Produktions-Workloads.

Amazons Q2-Ergebnisunterlagen belegen den Zeitpunkt der Ankündigung. Spätere Berichte zeigten, warum die Erhöhung wichtig war. Das Unternehmen hatte im Vorjahr rund 128 Milliarden US-Dollar ausgegeben, wodurch der neue Plan einen deutlichen Anstieg darstellt.

Die Ausgabenerhöhung spiegelte nicht allein ungenutzte Bauprojekte wider. Jassy sagte, Amazon werde weiterhin nicht über genügend Kapazität verfügen, um die gesamte erwartete Nachfrage 2026 zu erfüllen. Er bezeichnete auch die bereits sichtbare Nachfrage für 2028 als bemerkenswert.

Dieses Detail verändert die Interpretation des Quartals. Amazon baut Infrastruktur nicht, weil die KI-Nachfrage noch hypothetisch ist. Das Unternehmen investiert massiv und teilt Investoren zugleich mit, dass die Kundennachfrage das verfügbare Angebot weiterhin übersteigt.

Die Einschränkung verkompliziert zudem eine verbreitete Annahme in Unternehmen. Käufer erwarten oft, dass ein größerer Cloud-Maßstab jede neue Automatisierungsgeneration günstiger macht. Skalierung hilft, kann Engpässe, Strombedarf, Rechenzentrumsbau und häufigen Hardwareaustausch jedoch nicht vollständig ausgleichen.

Für ein Customer-Experience-Team wird dies beim Einsatz relevant. Ein Pilotprojekt kann mehrere Tausend Gespräche mit akzeptabler Geschwindigkeit und Genauigkeit bewältigen. Ein Produktionsdienst muss saisonale Spitzen, Ausfälle, Modelländerungen und unvorhersehbares Kundenverhalten überstehen.

Produktionssysteme benötigen zudem Reservekapazität. Ein Contact Center kann nicht einfach aufhören zu antworten, wenn die Inferenznachfrage an anderer Stelle steigt. Der Anbieter muss ausreichend Hardware- und Netzwerkkapazität vorhalten, um Servicezusagen in Spitzenzeiten einzuhalten.

Diese Zuverlässigkeit verursacht reale Kosten. Sie zeigt sich in nutzungsabhängigen Gebühren, reservierter Kapazität, Plattformgebühren, Implementierungsaufwand oder Einschränkungen bei Modellqualität und Antwortlänge. Ein Unternehmen kann darauf verzichten, eigene Server zu betreiben, und zahlt dennoch für die Infrastruktur hinter jeder Interaktion.

Amazons Quartal legte damit den zentralen Konflikt offen. Die Nachfrage bestätigt die KI-Chance, doch die Kosten zur Deckung dieser Nachfrage steigen weiter. Enterprise-CX-Käufer stehen am Ende dieser Konfliktkette.

Der Wettbewerb zwischen Amazon und Google verlagert Kosten auf Unternehmenskäufer

Der Wettbewerb zwischen Amazon und Google erweitert die KI-Kapazitäten, setzt Kunden jedoch auch unter Druck, größere und frühere Verpflichtungen einzugehen.

Google meldete seine Ergebnisse für das zweite Quartal eine Woche vor Amazon. Der Umsatz von Google Cloud stieg um 82 Prozent und der Cloud-Auftragsbestand erreichte 514 Milliarden US-Dollar. Alphabet erklärte zudem, dass fast 90 Prozent der Fortune 100 Gemini Enterprise nutzten.

Googles Wachstum liefert einen wichtigen Vergleich, weil es die einfachste Kritik an Amazons Ausgaben abschwächt. Amazon handelt nicht allein und reagiert nicht nur auf unternehmensspezifische Ineffizienz. Mehrere Cloudanbieter erhöhen ihre Investitionen und berichten zugleich von starker Nachfrage.

Alphabet erwartet für 2026 Investitionsausgaben zwischen 195 und 205 Milliarden US-Dollar. Die vorherige Prognose lag bei 180 bis 190 Milliarden US-Dollar. Der Großteil dieser Ausgaben unterstützt die technische Infrastruktur, einschließlich Servern und Rechenzentren für KI-Workloads.

Googles Äußerungen zu den Geschäftszahlen betonen ebenfalls Kostenmanagement und Governance innerhalb von Gemini Enterprise. Diese Positionierung greift eine Sorge auf, die bereits aus Finanzabteilungen in operative Kaufentscheidungen übergeht.

Die Rivalität zwischen Amazon und Google verschafft Unternehmenskäufern mehr Infrastrukturwahlmöglichkeiten. AWS bietet Amazon Bedrock, seine Nova-Modelle, Anthropic-Modelle und kundenspezifische Trainium-Chips. Google kombiniert Gemini-Modelle, seine Cloudplattform und proprietäre Tensor Processing Units.

Kundenspezifische Chips können die Abhängigkeit von externen Beschleunigern verringern und die Leistung für ausgewählte Workloads verbessern. Sie veranlassen Kunden jedoch auch, Systeme rund um die Architektur eines Anbieters zu entwickeln. Ein späterer Wechsel kann neue Tests, Datenarbeit und Änderungen an Anwendungen erfordern.

Die Modellauswahl schafft einen ähnlichen Zielkonflikt. Ein Unternehmen kann einfache Anfragen an kleinere Modelle und schwierige Anfragen an größere Modelle weiterleiten. Dieser Ansatz kann den Inferenzverbrauch senken, erhöht jedoch den Aufwand für Orchestrierung, Überwachung und Evaluierung.

Der Wettbewerb senkt daher einige Stückkosten, erhöht jedoch die Systemkomplexität. Unternehmen erhalten mehr Optionen, müssen aber auch die nötige Expertise entwickeln, um diese Optionen verantwortungsvoll zu nutzen. Ein niedrigerer Tokenpreis bietet wenig Wert, wenn Routingfehler Eskalationen erhöhen oder falsche Antworten erzeugen.

Besonders hoch sind die Risiken in der Customer Experience. Ein Coding-Assistent kann einen Entwickler bitten, ein Ergebnis zu überprüfen. Ein kundenorientierter Agent antwortet oft direkt einer Person, die eine korrekte Antwort, eine klare Richtlinie und eine sofortige Lösung erwartet.

Eine falsche Erklärung zu einer Rechnung kann zu wiederholten Kontakten führen. Eine nicht gedeckte Rückerstattung kann finanzielle Verluste verursachen. Eine selbstsichere, aber falsche Aussage zu einem Konto kann rechtliche, regulatorische und Reputationsprobleme auslösen.

Diese Risiken zwingen Unternehmen dazu, generative Modelle mit Kontrollen zu umgeben. Retrieval-Augmented Generation verbindet ein Modell vor seiner Antwort mit genehmigten Unternehmensinformationen. Guardrails beschränken die Ausgabe, während Evaluierungssysteme prüfen, ob Antworten definierten Standards entsprechen.

Jede Kontrolle verbraucht Entwicklungszeit und Rechenressourcen. Retrieval-Systeme benötigen indexierte Daten. Evaluierungen erfordern Testgespräche, Modellaufrufe, Prüfer und wiederholte Messungen, wann immer sich ein Modell oder Prompt ändert.

Amazon und Google können Infrastrukturinvestitionen auf Tausende Kunden verteilen. Einzelne Unternehmen können Integrations- und Governance-Kosten nicht so breit verteilen. Ihr Business Case hängt von einer engeren Auswahl an Workflows und messbaren Ergebnissen ab.

Hier verlagert sich die Kostenlast. Hyperscaler finanzieren die Rechenzentren, doch Kunden finanzieren die letzte Meile zwischen einem leistungsfähigen Modell und einem verlässlichen Erlebnis. Diese letzte Meile entscheidet oft darüber, ob ein KI-Programm Wert schafft.

Das Ergebnis ist keine einfache Preissteigerung. Es ist ein Verpflichtungsproblem. Unternehmen müssen Anbieter, Architekturen und Betriebsmodelle wählen, bevor langfristige Kosten und Qualität vollständig sichtbar werden.

Die Enterprise-CX-Ökonomie bricht nach dem Pilotprojekt auf

Die verborgene Krise beginnt, wenn aus einer kontrollierten Demonstration ein rechenschaftspflichtiger Kundenservicebetrieb wird.

Ein Pilotprojekt testet gewöhnlich, ob ein Modell ausgewählte Fragen beantworten kann. Es kann saubere Dokumente, kooperative Mitarbeiter und eine begrenzte Anzahl von Gesprächen verwenden. Die Produktion bringt unvollständige Daten, ungewöhnliche Anfragen, emotionale Kunden und widersprüchliche Richtlinien mit sich.

Das Modell ist nur ein Teil der Produktionskosten. Ein vollständiges System muss den Kunden identifizieren, Kontoinformationen abrufen, Berechtigungen durchsetzen, Entscheidungen dokumentieren und schwierige Fälle weiterleiten. Es muss zudem sensible Daten bei jedem Schritt schützen.

Latenz schafft eine weitere Kostenebene. Kunden erwarten, dass dialogorientierte Systeme schnell reagieren, selbst wenn eine Anfrage mehrere Modellaufrufe erfordert. Längeres Nachdenken kann einige Antworten verbessern, verbraucht aber auch mehr Rechenleistung und verzögert das Gespräch.

Organisationen können die Latenz durch kleinere Modelle oder zwischengespeicherte Antworten reduzieren. Diese Entscheidungen können die Qualität bei komplexen Fällen senken. Teams müssen entscheiden, wo schnellere und günstigere Ausgaben weiterhin akzeptabel sind, und diese Wahl dann durch Tests belegen.

Auch die Kontaktvolumina können sich nach dem Einsatz verändern. Ein einfacher zugänglicher digitaler Kanal zieht mitunter Fragen an, die Kunden zuvor aufgegeben hätten. Automatisierung kann die Bearbeitung durch Agenten reduzieren und zugleich die Gesamtzahl der Interaktionen erhöhen.

Ein Unternehmen kann daher eine hohe Containment-Rate melden, ohne die Gesamtwirtschaftlichkeit zu verbessern. Containment misst, wie oft ein Gespräch ohne menschlichen Agenten endet. Es zeigt nicht, ob der Kunde eine korrekte oder dauerhafte Lösung erhalten hat.

Wiederholte Kontakte sind wichtiger. Gibt ein KI-System eine unvollständige Antwort, kann der Kunde über Chat, Telefon und E-Mail zurückkehren. Die erste Interaktion wirkt automatisiert, während die gesamte Customer Journey teurer wird.

Unternehmen benötigen Ergebniskennzahlen, die KI-Verhalten mit Geschäftsergebnissen verbinden. Dazu zählen Raten wiederholter Kontakte, erfolgreiche Aufgabenerledigung, Korrekturhäufigkeit, Qualität der Eskalationen und Kundenaufwand. Die durchschnittliche Bearbeitungszeit allein kann diese Effekte nicht erfassen.

Die Datenaufbereitung schafft eine weitere große Ausgabe. Kundenrichtlinien liegen häufig über Websites, Supportplattformen, interne Dokumente und Mitarbeiternachrichten verteilt. Manche Quellen sind aktuell, andere enthalten veraltete oder widersprüchliche Anweisungen.

Ein Modell kann diese Konflikte nicht zuverlässig selbst lösen. Teams benötigen Regeln für Verantwortlichkeiten, Versionskontrolle, Berechtigungen und Prüfprozesse. Eine durchsuchbare KI-Wissensdatenbank kann den Abruf unterstützen, doch die Content-Governance bleibt eine menschliche Verantwortung.

KI-Agenten vergrößern das Problem. Ein Agent kann Tools auswählen und Schritte zur Erreichung eines Ziels ausführen, statt nur Text zu generieren. Diese Fähigkeit hilft bei Bestelländerungen, Terminplanung, Fehlerbehebung und Kontoaktualisierungen.

Handlungen erhöhen auch die Kosten eines Fehlers. Eine schwache Antwort kann einen Kunden frustrieren, während eine falsche Aktion ein Konto verändern oder eine finanzielle Verpflichtung schaffen kann. Unternehmen müssen Berechtigungsregeln, Audit-Trails und Verfahren zur Rückabwicklung ergänzen.

Menschliche Aufsicht verschwindet in diesem Modell nicht. Sie verlagert sich. Mitarbeitende wechseln von der Bearbeitung jeder einzelnen Anfrage hin zur Prüfung von Ausnahmen, der Pflege von Wissen, der Untersuchung von Fehlern und der Verbesserung des Systems.

Dieser Aufwand ist während der Beschaffung schwer zu schätzen. Anbieter können die Modellleistung demonstrieren, aber sie können den Zustand der Daten eines Unternehmens nicht vollständig vorhersagen. Sie können auch nicht bestimmen, wie viel Risiko die Organisation akzeptieren wird.

Der Infrastrukturwettlauf zwischen Amazon und Google verschärft diese Herausforderung, weil er die Veröffentlichung von Modellen und Plattformen beschleunigt. Schnellere Releases schaffen neue Fähigkeiten, doch jede Änderung kann Ausgabequalität, Latenz und Kosten beeinflussen. Produktionsteams müssen entscheiden, wann erneute Tests die Störung wert sind.

Eine Customer-Experience-Plattform kann zudem von mehreren Anbietern abhängen. Ein Anbieter liefert das Contact Center, ein anderer hostet Daten, und ein dritter stellt das Modell bereit. Beobachtbarkeit und Verantwortung verteilen sich dadurch auf verschiedene Verträge.

Wenn eine Antwort langsamer wird oder ausfällt, muss das Unternehmen feststellen, welche Schicht das Problem verursacht hat. Diese Untersuchung kostet Zeit und erfordert spezialisierte Mitarbeitende. Kunden erleben das Gesamtsystem, nicht dessen Anbietergrenzen.

Die wirtschaftliche Frage geht daher über die Frage hinaus, ob KI weniger kostet als eine Agentenminute. Führungskräfte müssen vollständige Journeys vergleichen, einschließlich fehlgeschlagener Automatisierung, wiederholter Kontakte, Governance, Integrationen und Infrastrukturverbrauch.

Eine erfolgreiche Einführung kann dennoch erhebliche Einsparungen erzielen. Routineanfragen mit klaren Richtlinien bleiben starke Kandidaten. Das Risiko besteht darin, anzunehmen, dass der Erfolg in einem engen Workflow die Wirtschaftlichkeit jeder Kundeninteraktion belegt.

Schnelleres Cloud-Wachstum beweist keine bessere Customer Experience

Amazon und Google haben die Nachfrage nach KI-Infrastruktur belegt, aber nicht nachgewiesen, dass jede Unternehmensimplementierung eine bessere CX erzeugt.

Das Wachstum von AWS bei Amazon und die Beschleunigung von Google Cloud liefern Hinweise auf Kundenausgaben. Sie zeigen jedoch nicht, wie viel dieser Ausgaben Experimente, Training, Migration oder profitable Produktionssysteme unterstützen.

Cloud-Umsatz misst zudem das Ergebnis des Anbieters, nicht die Rendite des Käufers. Ein Anbieter profitiert, wenn ein Kunde mehr Rechenleistung verbraucht. Der Kunde profitiert nur, wenn dieser Verbrauch niedrigere Kosten, höhere Umsätze, geringeres Risiko oder ein besseres Erlebnis erzeugt.

Dieser Unterschied schafft eine Anreizlücke. Anbieter wollen, dass Workloads wachsen. Unternehmensverantwortliche müssen entscheiden, welche Workloads eine Ausweitung verdienen und welche deterministisch, menschlich geführt oder nicht unterstützt bleiben sollten.

Die Ergebnisse von Alphabet verdeutlichen beide Seiten. Das Cloud-Wachstum erreichte 82 Prozent, zugleich erhöhte das Unternehmen seine Prognose für Investitionsausgaben. Die Berichterstattung über das Quartal stellte fest, dass Investoren fragten, ob steigende Infrastrukturinvestitionen die Cash-Generierung belasten würden.

Googles schnelle Expansion widerlegt seine Strategie nicht. Starke Cloud-Nachfrage und ein großer Auftragsbestand belegen, dass Kunden seine Kapazitäten schätzen. Die Unsicherheit betrifft den Zeitpunkt und die Beständigkeit der Renditen.

Amazon steht vor demselben Test. Laut der Berichterstattung zu den Quartalszahlen wurde der jährliche Free Cashflow negativ, als sich die Ausgaben beschleunigten. Das Unternehmen argumentiert, dass die derzeitige Bautätigkeit künftige vertraglich zugesagte Nachfrage unterstützt.

Diese Erklärung ist plausibel, weil die Planung und der Bau von Rechenzentren Jahre dauern. Server kommen näher an der Aktivierung hinzu, während Gebäude mehrere Hardwaregenerationen unterstützen können. Amazon kann einige Gerätebestellungen anpassen, falls die Nachfrage nachlässt.

Allerdings bleiben nicht alle Kosten flexibel. Grundstücke, Stromvereinbarungen, Netzwerkkapazitäten und Bauarbeiten sind langfristige Verpflichtungen. Engpässe bei Speicher und Beschleunigern können die Kosten zudem erhöhen, nachdem Kapazitätspläne bereits laufen.

Unternehmen stehen vor einer kleineren Version dieser zeitlichen Diskrepanz. Sie zahlen für Integration und Governance, bevor die Nutzung vorhersehbar wird. Vorteile entstehen erst, nachdem Kunden das System erfolgreich nutzen und Betriebsteams ihre Arbeit umgestalten.

Dadurch werden Renditeberechnungen empfindlich gegenüber Annahmen. Eine kleine Veränderung der Eskalationsraten kann den Personalbedarf verändern. Ein geringer Qualitätsrückgang kann mehr wiederholte Kontakte erzeugen, als die Automatisierung einspart.

Anbieter-Benchmarks beantworten diese Frage selten abschließend. Standardtests messen Modellfähigkeiten unter definierten Bedingungen. Enterprise-CX hängt von privaten Daten, lokalen Richtlinien, Kundenverhalten und der Qualität angebundener Systeme ab.

Die skeptische Sicht stellt auch den Begriff der „KI-Kostenkrise“ infrage. Infrastrukturinvestitionen allein beweisen nicht, dass Enterprise-CX unbezahlbar wird. Das Cloud-Wachstum deutet darauf hin, dass viele Kunden genügend Wert sehen, um weiter zu kaufen.

Die Effizienz kann sich schnell verbessern, wenn Modelle, Chips und Software reifen. Kleinere Modelle bewältigen bereits Aufgaben, die früher größere Systeme erforderten. Kundenspezifisches Silizium von Amazon und Google kann die Kosten für Workloads senken, die für diese Chips geeignet sind.

Die angemessene Schlussfolgerung ist enger gefasst. Unternehmen können sinkende Modellkosten nicht als Garantie für sinkende Gesamtkosten behandeln. Verbesserungen auf Modellebene können durch höhere Nutzung, einen größeren Umfang, stärkere Kontrollen und größere Integrationskomplexität ausgeglichen werden.

Microsoft bietet einen hilfreichen Vergleich. Seine vierteljährlichen Investitionsausgaben stiegen um 70 Prozent auf 41 Milliarden US-Dollar, während etwa zwei Drittel kurzlebigere Anlagen wie Prozessoren und Grafikchips unterstützten. Der Zyklus für den Austausch von Anlagen zeigt, wie schnell Infrastruktur altern kann.

Dieser Zyklus beeinflusst Kundenverträge auch dann, wenn Anbieter den ursprünglichen Kauf übernehmen. Anbieter müssen Kapital letztlich durch Auslastung, Preisgestaltung oder höherwertige Dienste wieder einspielen. Wettbewerb begrenzt ihren Spielraum, beseitigt die zugrunde liegenden Kosten jedoch nicht.

CX-Verantwortliche sollten sowohl optimistische als auch pessimistische Behauptungen einem Belastungstest unterziehen. Sie sollten nicht annehmen, dass jedes automatisierte Gespräch Einsparungen schafft. Ebenso sollten sie nicht annehmen, dass hohe Ausgaben von Hyperscalern bedeuten, KI-Einführung habe keine tragfähige Rendite.

Der entscheidende Beleg stammt aus stabilen Produktionsergebnissen. Ein System muss die Qualität während Spitzenlasten, Modellaktualisierungen, Richtlinienänderungen und ungewöhnlichen Anfragen aufrechterhalten. Es muss zudem Vorteile erzeugen, nachdem sämtliche unterstützende Arbeit berücksichtigt wurde.

Worauf Käufer von Enterprise-KI als Nächstes achten sollten

Drei Signale werden zeigen, ob der aktuelle Ausgabenzyklus die Enterprise-CX-Kosten senkt oder sie lediglich in neue Kategorien verlagert.

Das erste Signal ist Amazons Umwandlung von Kapazität in nachhaltiges AWS-Wachstum und positive Cash-Generierung. Das aktuelle Argument des Unternehmens hängt davon ab, dass Infrastruktur in Betrieb geht und zugesagte Nachfrage bedient. Starkes Wachstum muss die durch Bau und Hardware verursachte Cash-Belastung letztlich übertreffen.

Das AWS-Wachstum erreichte im zweiten Quartal 37 Prozent. Das Unternehmen erhöhte seine Ausgaben zudem, weil Speicher teurer wurde. Die kommenden Quartale müssen zeigen, ob diese zusätzlichen Investitionen nachhaltige Umsätze unterstützen, ohne die Cash-Generierung dauerhaft zu schwächen.

Eine Rückkehr zu positivem Free Cashflow bei anhaltender AWS-Beschleunigung würde Amazons Argument stärken. Langsameres Cloud-Wachstum bei einer weiteren Ausgabenerhöhung würde es schwächen. CX-Käufer sollten beide Kennzahlen beobachten, statt Umsatzwachstum als ausreichenden Beleg zu behandeln.

Das zweite Signal ist die Fähigkeit von Google Cloud, außergewöhnliches Wachstum aufrechtzuerhalten und zugleich den erhöhten Kapitalplan zu steuern. Google meldete 82 Prozent Cloud-Wachstum und einen Auftragsbestand von 514 Milliarden US-Dollar. Diese Zahlen schaffen einen anspruchsvollen Vergleichsmaßstab für kommende Quartale.

Google erklärt zudem, dass fast 90 Prozent der Fortune 100 Gemini Enterprise nutzen. Die nächste Frage betrifft die Tiefe, nicht die Anzahl der Logos. Käufer brauchen Belege dafür, dass Unternehmen von Zugang und Pilotprojekten zu wiederkehrenden Produktions-Workloads übergehen.

Google hob fast 70 Millionen Downloads seines Agent Development Kit hervor, eines Frameworks für den Aufbau von Enterprise-KI-Agenten. Downloads zeigen Entwicklerinteresse, messen aber weder aktive Implementierungen noch Kundenergebnisse. Die Produktionsnutzung wird ein stärkeres Akzeptanzsignal liefern.

Wenn Google das Cloud-Wachstum aufrechterhält, während sich die Kapitalintensität stabilisiert, könnte der Wettlauf zwischen Amazon und Google die Stückkosten durch Skalierung und kundenspezifisches Silizium senken. Wenn die Ausgaben weiterhin schneller steigen als die Monetarisierung, sollten Kunden mit strengerem Nutzungsmanagement und stärkerem Druck zu Verpflichtungen rechnen.

Das dritte Signal ist messbare CX-Leistung innerhalb von Unternehmen. Käufer sollten Anbieter und interne Teams nach vollständigen Journey-Kennzahlen fragen, nicht nach Demonstrationsgenauigkeit. Diese Messungen sollten Aufgabenerledigung, wiederholte Kontakte, Eskalationen, Korrekturen und Kundenaufwand umfassen.

Kosten pro automatisierter Interaktion bleiben nützlich, aber nur innerhalb dieses breiteren Rahmens. Eine günstige Antwort, die einen weiteren Kontakt erzeugt, ist nicht günstig. Eine teurere Antwort, die eine schwierige Aufgabe abschließt, kann eine bessere Wirtschaftlichkeit erzeugen.

Unternehmen sollten außerdem verfolgen, wie oft Systeme nach der Einführung menschliches Eingreifen erfordern. Diese Kennzahl umfasst sichtbare Eskalationen und unsichtbare Wartungsarbeit. Wissensaktualisierungen, Prompt-Änderungen, Incident-Reviews und Compliance-Prüfungen verbrauchen allesamt Arbeitszeit.

Beschaffungsteams können Entscheidungen verbessern, indem sie drei Kostenkategorien trennen. Infrastruktur umfasst Modellaufrufe, Speicher, Netzwerke und reservierte Kapazität. Implementierung umfasst Integrationen, Datenaufbereitung, Tests und Workflow-Design.

Betrieb umfasst Monitoring, Evaluierung, Content-Verantwortung, Sicherheitsprüfungen und Ausnahmebehandlung. Ein Anbieterangebot, das diese Kategorien zusammenfasst, kann verbergen, wo künftige Erhöhungen auftreten werden.

Käufer sollten außerdem Portabilität verlangen, wenn sie praktischen Wert schafft. Modell-Routing und gemeinsame Schnittstellen können die Abhängigkeit von einem Anbieter verringern. Vollständige Portabilität bleibt schwierig, weil sich Clouds bei Identität, Daten, Monitoring und Agent-Tooling unterscheiden.

Das Ziel sollte nicht theoretische Unabhängigkeit sein. Es sollte genügend Flexibilität geben, um ausgewählte Workloads zu verlagern, wenn sich Kosten, Qualität oder Risiko ändern. Diese Position verschafft Unternehmen Verhandlungsmacht, ohne sie dazu zu zwingen, überall identische Systeme zu betreiben.

Teams sollten mit Workflows beginnen, bei denen das gewünschte Ergebnis beobachtbar ist. Bestellstatus, Terminänderungen und freigegebene Wege zur Fehlerbehebung haben klarere Abschlussindikatoren. Offene Beratung und sensible Kontenentscheidungen erfordern größere Vorsicht.

Anschließend sollten sie die gesamte Journey messen, bevor sie erweitern. Ein erfolgreicher Pilot wird erst bedeutsam, nachdem er realen Traffic und Richtlinienänderungen standgehalten hat. Die Ausweitung sollte Belegen folgen, nicht der Verfügbarkeit eines neueren Modells.

Der Wettbewerb zwischen Amazon und Google wird weiterhin schnellere Modelle und mehr Cloud-Kapazität hervorbringen. Er wird nicht die Datenqualität, Verantwortlichkeit oder das Workflow-Design jedes Unternehmens lösen. Das bleiben lokale betriebliche Probleme.

Verantwortliche für Customer Experience stehen nun vor einer direkten Wahl. Sie können KI als wachsenden Pool günstiger Intelligenz behandeln oder sie als kostspieliges Produktionssystem steuern. Die zweite Sichtweise führt zu besseren Fragen über Qualität, Verantwortung und Rendite.

Bevor Sie die nächste KI-Ausweitung genehmigen, identifizieren Sie das Geschäftsergebnis, das sich verbessern muss, und sämtliche Kosten, die nötig sind, um es zu erreichen. Messen Sie dann die Leistung, nachdem Eskalationen, wiederholte Kontakte und menschliche Aufsicht einbezogen wurden. Wenn das System weiterhin Wert schafft, skalieren Sie es mit Zuversicht. Wenn der Business Case davon abhängt, diese Kosten zu ignorieren, werden ein größeres Modell oder eine Cloud-Verpflichtung ihn nicht reparieren. Der Ausgabenwettlauf zwischen Amazon und Google macht mehr Fähigkeiten verfügbar, doch Unternehmen müssen entscheiden, wo diese Fähigkeiten ihren Platz verdienen.