Exposé

Vorbemerkung zum Status des Exposés

Das vorliegende Exposé ist ein konzeptioneller Entwurf im Rahmen der Vorbereitung eines Promotionsvorhabens. Es besteht derzeit noch keine formelle Betreuung durch eine Universität und keine offizielle Kooperation mit den unten genannten Unternehmen.

Titel

Entwicklung eines IT-Architektur Leitfadens zur Realisierung kostenoptimierter und CO₂ -neutraler KI-Architekturen

Eine Fallstudie mit EnBW und EON

1. Einleitung und Problemstellung

Mit dem zunehmenden Einsatz von Ressourcen für Künstliche Intelligenz (KI) in Cloud-Architekturen wachsen nicht nur die technologischen Möglichkeiten, sondern auch die ökologischen und finanziellen Herausforderungen. Der Betrieb entsprechender Ressourcen ist oftmals mit hohen Kosten und einem signifikanten CO₂-Fußabdruck verbunden. Vor diesem Hintergrund gewinnen GreenOps (Nachhaltigkeit) und FinOps (Kostenoptimierung) in der IT-Strategie immer mehr an Bedeutung. Die zentrale Herausforderung besteht darin, diese beiden Optimierungsansätze ganzheitlich, bewusst und kontrolliert zu steuern, um sowohl wirtschaftliche als auch ökologische Ziele nachhaltig zu erreichen.

Trotz der wachsenden Bedeutung von GreenOps und FinOps fehlen Unternehmen bislang klare Leitlinien, wie KI-Ressourcen in Cloud-Architekturen nachhaltig und effizient betrieben werden können. KI-Anwendungen stellen besonders hohe Anforderungen an Skalierbarkeit, Leistung und Anpassungsfähigkeit. Aktuelle Architekturleitfäden fokussieren jedoch primär auf technische Funktionalität – wirtschaftliche und ökologische Kriterien werden bislang kaum berücksichtigt. Es entsteht eine Lücke zwischen technologischer Umsetzung und strategischer Steuerung. Diese Lücke erschwert es Unternehmen, KI-Architekturen strategisch kohärent und verantwortungsvoll zu gestalten.•Unter Anwendung von DevOps Praktiken können Nachhaltigkeits- und Kostenaspekte frühzeitig in den Lebenszyklus von KI-Architekturen integriert werden. Durch die gezielte Erweiterung von DevOps um FinOps- und GreenOps-Perspektiven kann eine kontinuierliche, messbare Optimierung ökonomischer und ökologischer Ziele erreicht werden.

Damit einher geht auch die Notwendigkeit, bestehende Strukturen und Prozesse organisatorisch weiterzuentwickeln, denn der effiziente und verantwortungsvolle Einsatz von KI-Ressourcen erfordert nicht nur technologische Anpassungen, sondern auch eine klare Governance sowie transparente Entscheidungswege. Besonders in regulierten Branchen wie der Energiewirtschaft besteht ein hoher Anspruch, technologisch innovativ, wirtschaftlich effizient und ökologisch verantwortlich zu handeln, um regulatorischen Vorgaben ebenso wie gesellschaftlichen und politischen Erwartungen gerecht zu werden.

2. Forschungsfragen

• Wie integrieren Energieunternehmen wie EnBW und E.ON Künstliche Intelligenz in ihre IT-Architekturen, und welche Optimierungsansätze verfolgen sie dabei im Hinblick auf Effizienz, Nachhaltigkeit und Kostenkontrolle?
• Welche konkreten Anforderungen haben Energieunternehmen wie EnBW und E.ON an Cloud-Architekturen mit integrierten KI-Ressourcen hinsichtlich Kostenoptimierung (FinOps)?
• Welche konkreten Anforderungen haben Energieunternehmen wie EnBW und E.ON an Cloud-Architekturen mit integrierten KI-Ressourcen hinsichtlich CO₂-Neutralität und Nachhaltigkeit (GreenOps)?
• Welche Herausforderungen bestehen bei der Integration leistungsfähiger KI-Ressourcen in bestehende IT-Architekturen, insbesondere unter Berücksichtigung wirtschaftlicher und nachhaltiger Kriterien?
• Welche konkreten technischen und organisatorischen Maßnahmen sowie Architekturansätze (z.B. Einsatz spezifischer Technologien, Frameworks, Prozesse) eignen sich besonders, um KI-Ressourcen kostenoptimiert und CO₂-neutral in der IT-Architektur von Energieunternehmen zu integrieren?
• Welche übertragbaren Erkenntnisse, Erfahrungen und Best Practices lassen sich aus der Fallstudie mit EnBW und E.ON ziehen, um darauf basierend einen praxisorientierten IT-Architekturleitfaden für weitere Unternehmen der Energiebranche zu entwickeln?

3. Zielsetzung und Beitrag zur Wissenschaft

Ziel dieser Arbeit ist es, anhand einer Fallstudie mit den Energieversorgern E.ON und EnBW exemplarisch zu untersuchen, wie Unternehmen der Energiebranche KI-Ressourcen effizient, nachhaltig und kostenoptimiert in ihre IT-Architekturen integrieren. Dabei werden nicht nur technologische Aspekte betrachtet, sondern auch die erforderlichen organisatorischen Weiterentwicklungen analysiert – etwa in Bezug auf Governance-Strukturen und Entscheidungsprozesse. Auf dieser Basis soll ein praxisorientierter IT-Architekturleitfaden entwickelt werden, der insbesondere den Anforderungen der Energiebranche gerecht wird und Unternehmen dabei unterstützt, den Einsatz von KI-Ressourcen mit ökonomischer Effizienz und ökologischer Verantwortung zu verbinden.

Wissenschaftlicher Beitrag:

• Verbindung theoretischer Konzepte (FinOps, GreenOps) mit empirischer Analyse realer KI-Architekturen aus der Energiewirtschaft.
• Identifikation und Dokumentation spezifischer technischer und organisatorischer Herausforderungen sowie Lösungen zur effizienten Integration von KI.
• Eine praxisnahe Ableitung von Architekturempfehlungen, die Energieunternehmen gezielt einsetzen können, um langfristig von einer nachhaltigeren, kosteneffizienteren Nutzung von KI-Ressourcen zu profitieren.

4. Theoretischer Hintergrund und Stand der Forschung

• Cloud-Provider stellen ihren Kunden strukturierte IT-Architekturleitfäden zur Verfügung. Dazu zählen unter anderem das AWS Well-Architected Framework, Microsofts Cloud Adoption Framework sowie das Google Cloud Architecture Framework (GCP). Ergänzend werden generische Referenzarchitekturen betrachtet, wie sie von Forschungsinstitutionen und Standardisierungsorganisationen entwickelt wurden.
• Es wird untersucht, inwieweit bestehende IT-Architekturleitfäden zentrale Anforderungen beim Einsatz von KI-Ressourcen adressieren und für die Entwicklung kostenoptimierter und CO₂-reduzierter Architekturen in der Praxis herangezogen werden können. Zudem werden Unterschiede in den Leitfadenansätzen der führenden Cloud-Provider analysiert, insbesondere im Hinblick auf Nachhaltigkeit, Kostensteuerung und architekturelle Empfehlungen für KI-Workloads.
• Ein besonderer Fokus liegt dabei auf der Betrachtung der zugrunde liegenden KI-Ressourcen selbst: Der Betrieb moderner KI-Anwendungen erfordert spezialisierte Hardwarekomponenten wie GPUs oder TPUs, die im Vergleich zu klassischen IT-Ressourcen deutlich höhere Anforderungen an Rechenleistung, Energieverbrauch und Kühlung stellen. Gleichzeitig laufen diese Ressourcen häufig nicht durchgängig, sondern werden je nach Trainings- oder Inferenzlast flexibel und phasenweise genutzt, was zusätzliche Anforderungen an Skalierbarkeit und Ressourcenmanagement mit sich bringt. Diese Faktoren wirken sich direkt auf die Kostenstruktur sowie die ökologische Bilanz aus und machen deutlich, dass herkömmliche Architektur- und Optimierungsansätze nur begrenzt auf KI-spezifische Szenarien übertragbar sind.
• Zudem wird der aktuelle Stand der Forschung zu FinOps (Kostenoptimierung) und GreenOps (nachhaltige IT-Architekturen) untersucht, mit dem Ziel zu prüfen, inwieweit bestehende Optimierungsstrategien bereits spezifische Aussagen oder Handlungsempfehlungen für KI-Ressourcen enthalten.
• Ergänzend wird der aktuelle Forschungsstand zu der Nutzung von KI in der Energiewirtschaft dargestellt. Hierzu werden Studien zu einzelnen Anwendungsfällen wie Lastprognosen, Predictive Maintenance oder Netzstabilisierung mithilfe von KI untersucht und auf Ganzheitlichkeit insbesondere wirtschaftlicher und ökologischer Anforderungen geprüft.

5. Methodik

Zur Erarbeitung des Leitfadens werden folgende methodische Ansätze verfolgt:

• Literaturrecherche: Analyse bestehender IT-Architekturmodelle, FinOps- und GreenOps-Strategien sowie Nutzung von KI in der Energiewirtschaft
• Empirische Untersuchung: Experteninterviews mit IT-Architekten bei E.ON und EnBW, die KI-Ressourcen betreiben, zur Identifikation von Herausforderungen, Erfolgsfaktoren und Optimierungsstrategien.
• Fallstudienanalyse: Untersuchung realer KI-Anwendungen hinsichtlich ihrer Kosten- und Nachhaltigkeitspotenziale.
• Modellentwicklung: Ableitung eines praxisorientierten IT-Architekturleitfadens zur Realisierung kostenoptimierter und CO₂ -neutraler KI-Architekturen auf Basis der gewonnenen Erkenntnisse.
• Validierung: Zur Absicherung der Praxistauglichkeit wird der entwickelte Leitfaden den befragten IT-Architekten zur finalen Einschätzung vorgelegt. Ziel ist es, gezieltes Feedback zur Umsetzbarkeit, Relevanz und Vollständigkeit der Empfehlungen einzuholen und ggf. weiterführende Impulse zur Optimierung aufzunehmen.