Ein Modell wird angebunden, die Antwortzeiten sinken, die Trefferquote steigt. Ein halbes Jahr später steht davon kaum etwas in der Ergebnisrechnung. Das ist kein Technikfehler, sondern ein Muster. PowerGate Software hat zusammengetragen, an welchen Stellen KI-Projekte hinter den eigenen Erwartungen zurückbleiben.
Die Modelle selbst sind selten das Problem. Sie werden schneller, günstiger und vielseitiger. Das verleitet zu der Annahme, die Einführung sei vor allem eine Frage der richtigen Auswahl. Der Aufwand steckt woanders: bei der Frage, welches Problem überhaupt gelöst werden soll, bei den Daten, bei der Einbettung in bestehende Abläufe und bei der Definition von Erfolg. Ein Bild aus dem Bauwesen hilft. Eine hocheffiziente Heizungsanlage in einem Haus mit undichten Rohren und ungedämmten Wänden heizt am Ende die Straße. Die Anlage ist gut, das Gebäude passt nicht zu ihr.
Ein Chatbot ist noch kein Geschäftsproblem
Oft steht die Technologie am Anfang. Ein Unternehmen beschließt, dass es einen Chatbot, einen KI-Assistenten oder einen Agenten braucht, weil diese Systeme gerade überall auftauchen. Dann wird ein Anwendungsfall gesucht. Umgekehrt wäre besser: erst das Problem, dann das Werkzeug. So entstehen Projekte, die technisch laufen und geschäftlich wenig bewegen.
Ein Assistent, der Fragen von Mitarbeitenden sauber beantwortet, klingt nach einem Erfolg. Nutzt ihn kaum jemand oder hängen die Antworten nicht an der täglichen Arbeit, bleibt der Nutzen klein. Zurück zum Bild: Erst klären, welche Räume kalt sind und wo Wärme verloren geht. Dann entscheiden, ob eine neue Anlage die richtige Antwort ist. Praktisch heißt das, den Punkt zu suchen, an dem Zeit, Geld oder Chancen verloren gehen, und dann zu prüfen, ob KI dort hilft.
Datenqualität entscheidet mehr als die Modellwahl
KI-Systeme hängen von Qualität, Zugänglichkeit und Governance der Daten ab, mit denen sie arbeiten. In vielen Organisationen liegen diese Daten über verschiedene Systeme verteilt, in unterschiedlichen Formaten, mit Dubletten, an Stellen, die sich nur schwer erschließen lassen. IBM nennt Datenqualität und Datenreife, fragmentierte Datenlandschaften, Governance und Sicherheit als zentrale Hürden, sobald Unternehmen über das Experimentierstadium hinausgehen.
Deutlich wird das bei Systemen, die auf internem Wissen aufbauen. Ein leistungsfähigeres Modell gleicht unvollständige, widersprüchliche oder schlecht verwaltete Daten nicht aus, so wie ein stärkerer Brenner kein Leck in der Leitung schließt. Die Daten vorzubereiten, klare Zugriffsregeln zu setzen und die relevanten Quellen anzubinden, ist deshalb keine Vorarbeit für später, sondern die Arbeit selbst. Wer hier spart, zahlt mit Fehlern, Nacharbeit und Vertrauensverlust.
KI in bestehende Arbeitsabläufe integrieren
Zwischen einem funktionierenden Werkzeug und der tatsächlichen Arbeitsweise von Mitarbeitenden liegt oft eine Lücke. Eine Anwendung erledigt eine Aufgabe für sich genommen gut, während Informationen weiterhin manuell zwischen dem KI-Tool und dem CRM, dem ERP oder der Dokumentenablage hin- und hergeschoben werden. Jeder dieser Schritte kostet Zeit und erzeugt Fehlerquellen, die den ursprünglichen Nutzen auffressen.
Eine gute Workflow-Integration verbindet die Fähigkeiten des Modells mit den vorhandenen Prozessen und Systemen und entfernt überflüssige Handgriffe. Häufig reicht es nicht, das bestehende Verfahren unverändert zu lassen und KI daneben zu stellen. Der Prozess selbst muss angepasst werden, sonst kommt der unterstützende Beitrag an der falschen Stelle an. McKinsey verweist in diesem Zusammenhang auf das Redesign von Workflows, um aus der Einführung generativer KI tatsächliche Geschäftswirkung zu machen.
Realistische Erwartungen an KI-Projekte
Die Fähigkeiten der Systeme haben sich schnell verbessert, und mit ihnen die Erwartungen. Manche Organisationen glauben, ein neues Werkzeug übernehme einen kompletten Prozess von Anfang bis Ende, obwohl sich nur einzelne Schritte zuverlässig abdecken lassen. Andere erwarten unmittelbare Kosteneinsparungen und blenden Implementierung, Integration, Überwachung und laufenden Betrieb aus.
Das heißt nicht, dass KI wirkungslos wäre. Es heißt, dass der Zuschnitt eines Projekts zum Problem und zum Reifegrad der Technik passen muss. Die Heizungsanalogie trägt auch hier: Wer ein ganzes Gebäude auf einmal umrüstet, trägt hohes Risiko und merkt erst spät, ob die Auslegung stimmt. Ein einzelner Raum, sauber geplant und gemessen, liefert schneller belastbare Erkenntnisse. Ein kleinerer, messbarer Anwendungsfall ist deshalb oft der realistischere Weg zu einer breiteren Nutzung.
Erfolg von KI-Projekten messen
Ein weiteres Problem entsteht vor dem Start: Es wird selten festgelegt, woran Erfolg gemessen werden soll. Technische Kennzahlen wie Antwortzeit, Genauigkeit oder Anzahl der Nutzenden sind leicht zu erheben, sagen aber wenig darüber aus, ob das Projekt dem Geschäft hilft.
Ein Kundenservice-Chatbot kann eine hohe Trefferquote haben und trotzdem die Supportlast nicht senken. Ein KI-Assistent für die Softwareentwicklung kann breit genutzt werden und kaum Wirkung auf Entwicklungskosten oder Lieferzeiten haben. Aussagekräftig sind betriebswirtschaftliche Größen: kürzere Durchlaufzeiten, geringere Betriebskosten, schnellere Reaktionszeiten, höhere Abschlussquoten, weniger manuelle Fehler. Welche davon bei dir zählen, hängt vom Anwendungsfall ab. Sie müssen vor dem Start definiert werden, nicht nachträglich aus dem, was sich ohnehin messen ließ.
Was einen pragmatischen Ansatz auszeichnet
Ein Patentrezept gibt es nicht, aber ein paar Prinzipien senken das Risiko. Erstens: ein Geschäftsproblem wählen, dessen Nutzen sich benennen lässt. Zweitens: vor der Entwicklung prüfen, wie es um Qualität und Zugänglichkeit der Daten steht. Drittens: von Anfang an mitdenken, wie sich die Lösung in bestehende Systeme und Abläufe einfügt, statt sie als isoliertes Werkzeug zu behandeln.
Nach dem Start ist das Projekt nicht beendet. Anforderungen, Datenbestände, Nutzerverhalten und Modelle verändern sich, weshalb fortlaufende Beobachtung und Nachbesserung die Regel sind. Aus Sicht der Softwareentwicklung geht es deshalb selten um das beste Modell. Es geht darum, ob die Technik zum Geschäftskontext passt.
Chung Tran, Technologieexperte bei PowerGate Software, sagt: KI-Projekte schaffen mehr Wert, wenn sie an ein klares Geschäftsziel und einen bestehenden Arbeitsablauf angebunden sind. Unternehmen müssen nicht mit einer groß angelegten Implementierung beginnen. Ein fokussierter Anwendungsfall, verlässliche Daten und klare Erfolgskriterien sind ein praktikablerer Ausgangspunkt. Das deckt sich mit einer Verschiebung im Markt: Unternehmen gehen zunehmend über kleine Experimente hinaus, doch Skalierung verlangt Aufmerksamkeit für Daten, Prozesse, Infrastruktur, Governance und die Akzeptanz der Nutzenden, nicht nur für das Modell. IBM beobachtet bei Organisationen auf dem Weg zu breiterer KI-Nutzung ähnliche Herausforderungen rund um Daten, Governance, Wirtschaftlichkeit, Fachkräfte und die Einbindung in Workflows.
Damit verschiebt sich die Frage. Sie lautet nicht mehr, ob KI eingesetzt wird, sondern an welcher Stelle sie ein echtes Problem löst und wie sich ihre Wirkung belegen lässt. Das braucht kein großes Strategiepapier und keine komplexe Architektur. Oft genügt ein überschaubarer Anwendungsfall, an dem sich prüfen lässt, ob ein konkreter Prozess besser läuft. Aus Nutzerfeedback und gemessenen Ergebnissen lässt sich dann entscheiden, ob sich der Ansatz ausweiten lässt.
KI kann Unternehmen realen Nutzen bringen. Nur entsteht er selten durch das bloße Hinzufügen eines Werkzeugs. Er entsteht, wenn am Anfang ein praktisches Problem steht, die Daten tragen, die Erwartungen zur Technik passen und der Erfolg an Größen gemessen wird, die im Geschäft zählen. Die Heizung bleibt das passende Bild: Entscheidend ist nicht die Leistung auf dem Datenblatt, sondern ob das Gebäude am Ende warm wird.
Quelle: designbeep.com
