KI-Implementierung mit Strategie In sechs Schritten zum KI-Erfolg

Anbieter zum Thema

Pegasystems GmbH

Littlebit Technology GmbH

WatchGuard Technologies GmbH

mibeca GmbH – Mike Bergmann Akademie

KI-Boom oder Millionengrab? Jedes zweite KI-Projekt soll scheitern, laut MIT-Studie sogar 95 Prozent. Florian Lauck-Wunderlich, Global Director Business Excellence bei Pegasystems, hält dagegen – mit einem sechsstufigen Fahrplan zum KI-Erfolg.

Glaubt man Studien und Behauptungen im Internet, sind die Erfolgsaussichten von KI-Projekten eher gering. Oft heißt es, jedes Zweite scheitere, komme nicht über das Experimentierstadium hinaus oder bringe keinen relevanten Nutzen. Einer MIT-Untersuchung zufolge haben KI-Projekte sogar eine Fehlschlagquote von 95 Prozent, und die Analysten von Gartner gehen davon aus, dass bis Ende 2027 mehr als 40 Prozent der Projekte mit Agentic AI eingestellt werden. Doch scheitern KI-Projekte wirklich so oft, wie Studien behaupten? Florian Lauck-Wunderlich, Global Director Business Excellence bei Pegasystems, hat eine andere Erfahrung gemacht:

„Dass viele KI-Projekte per se scheitern, können wir in der Praxis nicht beobachten. Natürlich kann eine KI-Anwendung sich verzögern, das Budget überschreiten oder zunächst weniger Funktionalität haben, als ursprünglich geplant. Doch dass die Arbeiten komplett eingestellt werden und eine Anwendungsruine zurückbleibt, ist äußerst selten“, berichtet der Global Director Business Excellence bei Pegasystems

Nach Erfahrung von Pegasystems lassen sich Risiken wie gerissene Deadlines oder aus dem Ruder laufende Kosten vor allem durch ein methodisches Vorgehen vermeiden. Entsprechend sieht Lauck-Wunderlich den „Schlüssel für KI-Erfolge“ in einem „strukturierten Vorgehen“, das „von der Auswahl des Use Case bis zur Umsetzung der Lösung“ reichen und folgende sechs Schritte umfassen sollte.

Hindernisse bei der KI-Implementierung

KI-Agenten: 86 % Hype, nur 11% Realität – Woran fehlt es?

Schritt 1: KI Use Case identifizieren

Im ersten Schritt empfiehlt Lauck-Wunderlich, dass Unternehmen von konkreten Business-Problemen ausgehen sollten, deren Lösung regelmäßigen Mehrwert bringt . Diese können in etwa kürzere Bearbeitungszeiten, geringere Kosten oder bessere Entscheidungen sein. Erst danach sollten Unternehmen prüfen, ob und welche KI-Form wirklich das richtige Werkzeug ist, denn manchmal genügen auch klassische Regeln oder Kombinationen. Bei mehreren möglichen Use Cases empfiehlt er, nicht mit dem komplexesten, sondern mit einem einfachen, nutzenstarken Fall zu starten. Auf diese Weise können Unternehmen schnell Erfahrung und Erfolge für weitere Projekte sammeln.

Schritt 2: Anforderungen ableiten

Als zweiten Schritt empfiehlt er, aus dem Problem die Anforderungen an die künftige Anwendung abzuleiten. Neben funktionalen Anforderungen, die sich meist recht leicht ableiten lassen, sollten auch nicht-funktionale Anforderungen eine wichtige Rolle spielen. Diese können von der Genauigkeit und Auditierbarkeit der KI-Ergebnisse über die Verfügbarkeit und Antwortzeit der Anwendung bis hin zur Skalierung und Sicherheit reichen. Idealerweise legen Unternehmen dabei auch KPIs fest, um den Nutzen messbar zu machen. Denn ohne KPIs lassen sich spätere Probleme kaum erkennen und die KI-Anwendung schwer verbessern.

Schritt 3: Lösungsarchitektur entwickeln

Auf Basis der Anforderungen sollten Unternehmen im dritten Schritt eine Lösungsarchitektur entwickeln. Eine wichtige Frage, die sich Unternehmen dabei stellen sollten, ist: Welche KI-Technologien kommen zum Einsatz, welche Daten werden benötigt – und sind diese aktuell, ausgewogen und vollständig? Denn schlechte Datenqualität führt auch bei bester KI zu schwachen Ergebnissen. Weitere Architekturentscheidungen sollten die Governance betreffen: Wo werden personenbezogene und sensible Daten verarbeitet und gespeichert, ist eine Anonymisierung nötig? Zudem braucht es Zugriffskontrollen, Verschlüsselung für Übertragung und Speicherung sowie Guardrails, die die KI vor Angriffen wie Prompt Injection schützen und fachfremde Antworten oder Halluzinationen verhindern.

Hürden bei der KI-Implementierung

KI-Projekte im Sturzflug?

Schritt 4: KI-Anwendung entwickeln

Erst wenn alle drei Schritte abgeschlossen sind, sollte die Umsetzung der Anwendung im vierten Schritt tatsächlich starten. Um schnell eine Rückmeldung von den künftigen Anwendern zu erhalten, sollte zunächst ein MVP (Minimum Viable Product) oder MLP (Minimum Lovable Product) entwickelt werden, das sich dann kontinuierlich anpassen und verbessern lässt. Eine moderne Plattform, die die Wiederverwendung von Software-Bausteinen wie Programmlogiken, KI-Modellen, User Interfaces erlaubt, kann den Entwicklungsprozess deutlich beschleunigen, weil Unternehmen nicht für jede Anwendung und Anwendungskomponente bei null anfangen müssen. Zudem können die einzelnen Bausteine gut zentral gepflegt werden, ohne jede Anwendung für Änderungen einzeln anzufassen.

Schritt 5: Change Management nicht vergessen

Im vorletzten Schritt sollten Unternehmen Fachbereichs-Anwender frühzeitig einbinden, um echte Business-Probleme zu finden, Anforderungen richtig zu definieren und die Akzeptanz zu steigern – ohne dabei nur die alte, lieb gewonnene Anwendung zu kopieren. Oft übersehen wird die durch Human-in-the-Loop verursachte Verzerrung: Aus Angst vor Ersetzung bewerten Mitarbeiter KI-Ergebnisse schlechter, oder sie nicken bei durchweg guten Ergebnissen irgendwann unkritisch alles ab. Unternehmen sollten Anwender dafür sensibilisieren und bereits im Anwendungsdesign Monitoringfunktionen einplanen, die solche Trends – etwa immer weniger Korrekturen – frühzeitig sichtbar machen.

Schritt 6: Lernschleifen implentieren

Unternehmen sollten im letzten Schritt daran denken, dass KI-Anwendungen nie fertig sind. Die bedingt sich dadurch, dass KI sich stetig verbessern kann – sei es durch rekursive Selbstverbesserung oder menschlich Anpassung. In beiden Fällen sollten Feedback-Schleifen implementiert werden, die Kennzahlen erfassen und Optimierungsmöglichkeiten aufzeigen.

Strategie ist wichtiger als Tools

KI-Einsatz mit Ziel und Struktur

(ID:50925312)