Warum so viele KI-Piloten versanden
Künstliche Intelligenz ist längst im Mittelstand angekommen. 41 Prozent der Unternehmen ab 20 Beschäftigten setzen KI bereits ein, weitere 48 Prozent planen oder diskutieren den Einsatz, wie Zahlen aus Deutschland belegen. Doch zwischen Testphase und dauerhafter Anwendung klafft eine deutliche Lücke.
Laut IBM werden nur 16 Prozent der KI-Initiativen unternehmensweit skaliert. Bis Ende 2025 wurde mindestens jedes zweite GenAI-Projekt nach dem Proof of Concept aufgegeben. «Viele Unternehmen haben inzwischen bewiesen, dass KI technisch funktioniert. Die eigentliche Herausforderung beginnt aber erst danach», erklärt Artur Heidt, Geschäftsführer der KAMIE Solution Factory Deutschland GmbH. «Ein Proof of Concept zeigt, was möglich ist. Er beantwortet aber noch nicht die Frage, ob eine Lösung wirtschaftlich betrieben, in bestehende Prozesse integriert und im Alltag eingesetzt wird.»
Der Pilot ist nur der Anfang
Ein Proof of Concept arbeitet meist mit wenigen Nutzern, ausgewählten Daten und klar abgegrenzten Prozessen. Im Produktivbetrieb steigen die Anforderungen deutlich: Schnittstellen müssen stabil funktionieren, Zugriffsrechte geregelt sein, Daten laufend aktualisiert und Ergebnisse zuverlässig reproduziert werden. «Im Pilotprojekt lassen sich viele Schwächen noch manuell auffangen. Im Produktivbetrieb funktioniert das nicht mehr», so Heidt. «Wenn Mitarbeiter Ergebnisse ständig prüfen, Daten nachbearbeiten oder Fehler korrigieren müssen, kann eine Demo trotzdem überzeugen. Im täglichen Einsatz wird daraus aber schnell ein Kostenfaktor.» Deshalb sollte die spätere Produktivsetzung bereits beim Start mitgedacht werden. Entscheidend ist nicht nur, ob eine Anwendung technisch funktioniert, sondern ob sie sich dauerhaft und mit vertretbarem Aufwand betreiben lässt.
Ohne klaren Nutzen bleibt KI ein Experiment
Ein weiterer Grund für versandende KI-Projekte ist ein fehlender Business Case. Gartner nennt neben unzureichender Datenqualität und mangelnden Risikokontrollen auch steigende Kosten und einen unklaren Geschäftsnutzen als zentrale Ursachen für gescheiterte GenAI-Projekte. «Nach dem Proof of Concept darf die Frage nicht nur lauten: Funktioniert die KI? Entscheidend ist: Was verbessert sich wirtschaftlich?», betont Heidt. «Ohne klare Kennzahlen lässt sich später kaum beurteilen, ob eine Anwendung wirklich erfolgreich ist.» Der Nutzen kann in kürzeren Bearbeitungszeiten, weniger Fehlern, höherer Produktivität, besser verfügbarer Information oder zusätzlichen Umsätzen liegen. Gleichzeitig müssen Unternehmen die Gesamtkosten berücksichtigen. Dazu zählen neben Lizenzen auch Integration, Datenaufbereitung, Betrieb, Monitoring, Support und Schulungen. Dass sich KI wirtschaftlich auszahlen kann, zeigen aktuelle Zahlen: 52 Prozent der Unternehmen, die KI bereits einsetzen, berichten von einem messbaren Beitrag zum Unternehmenserfolg. 77 Prozent sehen ihre Wettbewerbsposition verbessert.
Daten als Engpass beim Skalieren
Viele Pilotprojekte funktionieren mit einem sorgfältig vorbereiteten Datensatz. Im Regelbetrieb müssen KI-Systeme dagegen mit den tatsächlichen Unternehmensdaten arbeiten. Gerade im Mittelstand liegen diese häufig verteilt in ERP, CRM, Dokumenten, E-Mails, Excel-Dateien oder Fachanwendungen. «Eine KI kann im Test mit ausgewählten Daten hervorragende Ergebnisse liefern. Entscheidend ist, ob sie auch jeden Tag zuverlässig mit den realen Daten des Unternehmens arbeiten kann», erklärt Heidt. IBM zufolge halten 72 Prozent der befragten CEOs ihre eigenen Unternehmensdaten für entscheidend, um den Wert generativer KI zu erschliessen. Unternehmen sollten daher früh klären, welche Daten benötigt werden, wo sie liegen, wie aktuell sie sind und wer für ihre Qualität verantwortlich ist. Dafür muss nicht sofort die gesamte Datenlandschaft modernisiert werden. Für einen ersten Anwendungsfall reicht häufig ein klar abgegrenzter Datenbereich, der gezielt für den produktiven Einsatz zur Verfügung steht.
Produktivsetzung braucht klare Verantwortung
KI-Projekte dürfen ausserdem nicht allein bei der IT liegen. Die Geschäftsführung definiert Ziele und Prioritäten, der Fachbereich kennt Prozesse und Anforderungen, die IT verantwortet Integration, Sicherheit und technische Stabilität. «Ein Pilot kann in einem kleinen Team funktionieren. Ein Produktivsystem braucht klare Zuständigkeiten», so Heidt. «Wer überwacht die Qualität? Wer entscheidet über Änderungen? Wer verantwortet Daten, Betrieb und Ergebnisse? Wenn solche Fragen erst nach dem Pilot gestellt werden, entstehen Verzögerungen.» Gerade im gehobenen Mittelstand treffen kurze Entscheidungswege häufig auf komplexe IT-Landschaften. Neue KI-Anwendungen müssen daher nicht nur schnell eingeführt werden können, sondern auch dauerhaft zu bestehenden Systemen und Prozessen passen.
Klein starten, produktiv denken
Für mittelständische Unternehmen bleibt ein klar begrenzter Pilot häufig der richtige Einstieg. Er sollte jedoch nicht als technische Spielwiese verstanden werden. «Unternehmen müssen nicht sofort ein grosses Transformationsprogramm starten», fasst Heidt zusammen. «Aber sie sollten bereits beim Proof of Concept an Wirtschaftlichkeit, Daten, Integration und Verantwortlichkeiten denken. Nur dann wird aus einer guten Idee auch eine produktive Anwendung.» Der eigentliche Erfolg eines KI-Projekts zeigt sich deshalb nicht in einer gelungenen Demo. Er zeigt sich erst dann, wenn die Anwendung dauerhaft genutzt wird und einen messbaren Beitrag zum Geschäft leistet.
Quelle: KAMIE Solution Factory Deutschland GmbH
Dieser Beitrag erschien ursprünglich auf m-q.ch - https://www.m-q.ch/de/warum-so-viele-ki-piloten-versanden/
