Hürden bei der KI-Implementierung KI-Projekte im Sturzflug?

Anbieter zum Thema

DXC Technology

Sangfor Technologies

WatchGuard Technologies GmbH

mibeca GmbH – Mike Bergmann Akademie

Viele KI-Projekte in Unternehmen heben mit großem Tempo ab – und gehen kurz darauf in den Sturzflug. Damit die KI-Implementierung gelingen kann und zum Produktivitätsmotor wird, braucht es jedoch mehr als Pioniergeist, sondern vier Grundvoraussetzungen.

Vom Start zum Sturzflug ist es bei KI oft nur ein kurzer Weg. Das zeigen auch die Zahlen einer Umfrage von DXC Technology. Demnach stellt KI für 77 Prozent der befragten Führungskräfte zwar eine Priorität dar, jedoch können 65 Prozent keinen klaren Business Case für ihr Unternehmen definieren. 94 Prozent stehen sogar vor erheblichen Herausforderungen, KI im großen Maßstab einzusetzen. Dies wird durch eine MIT-Studie bestätigt, der zufolge 95 Prozent der KI-Pilotprojekte scheitern.

Viele Unternehmen verfallen in KI-Aktionismus: Pilotprojekte werden gestartet, während entscheidende Faktoren vernachlässigt werden. Die Folge: Was im Labor funktioniert, scheitert in der Praxis. Um dies zu ändern, sind laut Jacqueline Fechner, General Managerin bei DXC Technology DACH, folgende vier Voraussetzungen entscheidend, die den Unterschied zwischen gescheiterten KI-Projekten und KI-Projekten mit messbarem Mehrwert ausmachen.

1. Definierte Business Cases

In der KI-Welt sieht es aktuell so aus: Unternehmen führen Tools ein und erwarten, dass sich daraus ein Selbstläufer entwickelt. Das mag in einzelnen Fällen funktionieren, strategisch fundiert ist es aber nicht.

Stattdessen sollte zu Beginn einer KI-Strategie eine ehrliche Analyse von Funktionen stehen, bei denen KI einen Mehrwert unter realen Geschäftsbedingungen liefern kann:

• Dazu sollte man beispielsweise auf die Einschränkungen eingehen, wie beispielsweise Datenschutz und Fehleranfälligkeit.

• Zudem ist zu berücksichtigen, dass sich in Human‑in‑the‑Loop-Prozessen sowohl der menschliche Arbeitsaufwand als auch die benötigten Fähigkeiten verändern und diese Verschiebungen in eine Gesamtproduktivitätsrechnung einbezogen werden müssen.

• Je nach individueller Situation eines Unternehmens oder Branchenvorgaben können selbstverständlich noch weitere kritische Punkte hinzukommen.

KI-Datenstrategien

Adesso: Warum KI-Einführung mehr als ein Technologieprojekt ist

2. Ausreichende Infrastruktur

Dass KI enorme Rechenleistungen benötigt, ist allgemein bekannt. Wie diese bereitgestellt werden soll, bleibt eine schwierige Frage – vor allem, wenn Unternehmen die Kontrolle über ihre Daten behalten wollen oder müssen. Häufig mangelt es in Unternehmen an der erforderlichen Infrastruktur, um KI-Pilotprojekte weiterzuentwickeln und in den produktiven Betrieb zu überführen.

Um dem entgegenzuwirken, sollten Unternehmen auf Cloud-native, modulare Plattformen setzen, die eine flexible Skalierung von Rechen- und Speicherkapazitäten ermöglichen. Ebenso entscheidend ist der uneingeschränkte Zugriff auf relevante Daten. Wenn den Modellen die notwendigen Daten fehlen, kann die KI nicht sinnvoll in reale Prozesse eingebunden werden. Durch den Einsatz moderner Data-Lake- oder Data-Mesh-Ansätze können Unternehmen eine Infrastruktur etablieren, die eine reibungslose Interaktion mit KI unterstützt. Darüber hinaus sollte eine modulare Architektur auch IoT- und Cloud-Ressourcen integrieren, um komplexe Geschäftsprozesse ganzheitlich abzubilden.

3. Transparente Change-Prozesse

Was bei Diskussionen rund um KI gerne übersehen wird: Es geht nicht nur um technische Fragen, sondern auch um jeden Rollout, welcher von einem Change-Prozess begleitet wird. Dass diese häufig scheitern, ist keine Neuigkeit: Vor mehr als zehn Jahren bezifferte McKinsey bereits den Anteil der fehlgeschlagenen Veränderungsprozesse auf 70 Prozent. Alles was mit KI zu tun hat, ist zudem kein herkömmlicher Change-Prozess; das Thema wird breit in der Gesellschaft diskutiert und ist emotional aufgeladen wie kaum eine andere Technologie. Umso wichtiger ist es, den Rückhalt der Mitarbeitenden zu gewinnen und zu halten, wenn KI-Projekte wirklich produktiv werden sollen.

Unternehmen sollten deswegen vermeiden, dass Mitarbeitende sich als „Betroffene“ einer Entwicklung wahrnehmen, auf die sie keinen Einfluss haben. Andernfalls können schnell Unsicherheiten und Ängste entstehen – beispielsweise die Sorge, dass KI langfristig den eigenen Arbeitsplatz ersetzen könnte. Dem lässt sich entgegenwirken, indem die Belegschaft frühzeitig und aktiv in KI-Initiativen eingebunden wird. Wichtig ist zudem, dass die Geschäftsführung Ziele, Zuständigkeiten und Rahmenbedingungen transparent kommuniziert. Ergänzend dazu können gezielte Weiterbildungsangebote Mitarbeitende dabei unterstützen, sich auf die Zusammenarbeit mit KI vorzubereiten.

Hindernisse bei der KI-Implementierung

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

4. Datenschutz vs. Black Box: Eigene Modelle als Ausweg?

Ein weiteres Problem kann der Black-Box-Charakter generativer KI für Unternehmen darstellen, die mit sensiblen Daten arbeiten oder wertvolles geistiges Eigentum verwalten. Vor einer Implementierung sollte sichergestellt werden, dass es keine ungewollten bzw. unkontrollierten Datenabflüsse gibt. Klare Richtlinien sind daher Pflicht, doch darüber hinaus sollten auch technische Barrieren etabliert werden. In einigen Fällen sollten Unternehmen auch darüber nachdenken, eigene Modelle zu betreiben, die nur auf interne Daten zugreifen und nicht mit dem öffentlichen Internet verbunden sind. Hierbei stellt sich wiederum die Frage der ausreichenden Infrastruktur.

(ID:50819097)