Wie KI-Projekte wachsen

Die KI-Welle rollt durch die Unternehmen. Selten waren die Erwartungen in eine neue Technologie so enorm. Laut der McKinsey-Studie »State of AI« nutzten im Vorjahr bereits 88 Prozent der weltweit befragten Unternehmen künstliche Intelligenz zumindest in einem Prozess. Zwei Drittel befinden sich jedoch nach wie vor in der Experimentier- oder Pilotphase und wenden KI nur in kleinen, isolierten Projekten an. Lediglich ein Drittel hat damit begonnen, KI systematisch auszurollen, etwa über Abteilungen und einzelne Geschäftsbereiche hinweg, oder hat KI fest in Kernprozesse integriert.

Der Übergang vom Pilotprojekt zum Standard ist der zentrale Engpass. Die Mehrheit der KI-Anwendungen wird nie in den Regelbetrieb überführt. Die meisten Unternehmen scheitern aber nicht an der Technologie selbst, sondern an Organisation, Prozessen und Infrastruktur im Rahmen der Skalierung. Auf dem langen Weg von der Datenerfassung und -aufbereitung, über die Modellierung des Systems und des Trainings bis zur Validierung, Optimierung und Überwachung geht so manchem Unternehmen die Luft oder das Geld aus. Allein diese komplexen Abläufe zu koordinieren und zu synchronisieren, bringt vor allem kleinere und mittlere Unternehmen an ihre Grenzen. Neben technischen und organisatorischen Herausforderungen sind zudem auch etliche rechtliche Fragen zu beachten.

Datenbasis als Stolperstein
Der größte Fehler wird bereits im Vorfeld gemacht. Statt zu fragen »Welches Problem lässt sich mit KI sinnvoll lösen?«, sehen sich viele Unternehmen durch den Technologie-Hype in Zugzwang, frei nach dem Motto: Her mit der KI, der geschäftliche Nutzen wird sich schon von selbst ergeben. So verwundert es nicht, dass rund 60 Prozent aller KI-Projekte nicht den erwarteten ROI (Return on Investment) erreichen. Fehlende Zieldefinition, unklare Methodik, kein konkreter Anwendungsfall – somit bleibt die beste Technologie wirkungslos.

Problematisch ist oft schon die Datenbasis. Im Proof of Concept bleiben Fehler oft verborgen, da die Modelle mit ausgewählten Testdaten arbeiten. Im betrieblichen Produktionsalltag trifft die KI jedoch auf fragmentierte, veraltete und uneinheitliche Datensätze. »Das System bekommt nicht mehr nur ›gute‹ Daten, sondern alle Daten. Es muss mit Randfällen umgehen, zusätzliche Kontextinformationen einbeziehen und auch dann zuverlässig bleiben, wenn viele Anfragen parallel verarbeitet werden«, erklärt Heiko Beier, Geschäftsführer von moresophy und Professor für künstliche Intelligenz an der SDI München. »Kleine Ungenauigkeiten, die im Pilot tolerierbar sind, werden plötzlich relevant, wenn Entscheidungen automatisiert weiterverarbeitet werden.« Damit sinkt auch die Qualität der Ergebnisse und diese stellt letztlich das gesamte Projekt infrage.

Verwirrte KI
Dabei beginnen KI-Projekte in der Regel sehr ambitioniert und vielversprechend. Ein geeigneter Use Case, beispielsweise die Automatisierung interner Prozesse oder die Analyse von Kundenfeedback, ist meist rasch gefunden und die ersten Versuche zeigen beeindruckende Ergebnisse: Das Modell funktioniert und liefert Antworten, die bisher langwierig manuell erarbeitet werden mussten. Die internen Erwartungen schrauben sich hoch. Doch in der Praxis, außerhalb des kontrollierten Umfelds, läuft es plötzlich nicht mehr wie geschmiert – die Prozesse sind langsamer, fehleranfälliger und schwerer kontrollierbar.

Der Grund sind Inkonsistenzen, wie es sie in fast jedem Unternehmen gibt. Schon die Verwendung unterschiedlicher Bezeichnungen führt zu Unstimmigkeiten, die ein Mensch mit seinem Fachwissen problemlos erkennt, das KI-System aber ohne Anweisung nicht auflösen kann. Implizite Regeln oder Ausnahmen, die in Unternehmen oftmals nicht ausreichend dokumentiert sind, sorgen zusätzlich für digitale Verwirrung.

Für den nächsten Schritt, der Übertragung in den produktiven Betrieb, reicht es aber nicht aus, ein Modell in Details zu optimieren. Für die Verarbeitung der enormen Datenmengen ist eine belastbare Infrastruktur mit entsprechender Rechenleistung, Speicherlösungen und stabilen Netzwerken mit niedriger Latenz erforderlich. Insbesondere Large-Language-Models (LLMs) benötigen spezielle Prozessoren mit hohen Kapazitäten. Viele Unternehmen fokussieren sich indessen weiter auf das Modell, aber nicht auf das System, das es dauerhaft tragen soll. Somit bleibt das KI-Projekt isoliert, ohne Anbindung an das Produktionssystem oder zentrale Datenquellen. Ohne nahtlose Einbettung und vollständige Datenflüsse entsteht jedoch kein Mehrwert für das Unternehmen, auch wenn die Technologie an sich unter Laborbedingungen gut funktioniert.

Testing als Schlüssel
Mit den unterschiedlichen Tools steigt auch die Zahl der Schnittstellen – für IT-Fachleute eine bekannte Problematik. »Integration war immer eine Herausforderung«, bestätigt Roman Zednik, Field CTO bei Tricentis. »Wir setzen jetzt auf den Standard MCP (Model Context Protocol), den ich gerne als ›USB-C für KI‹ beschreibe. Anstatt stundenlang Code für eine Integration zu schreiben, reicht heute ein Prompt. Man kann der KI sagen: ›Schau in Jira nach neuen Requirements der letzten zwei Tage und synchronisiere sie mit unserem Testmanagement.‹ Das spart extrem viel Zeit und macht die Arbeit auch für fachliche Mitarbeiter*innen ohne Programmierkenntnisse zugänglich.«

Strukturiertes Testing ist der Schlüssel, um KI-Projekte aus dem Pilotstatus in den produktiven Betrieb zu überführen. Ein Stresstest unter Live-Bedingungen stellt sicher, dass das System wachsende Datenmengen und eine große Anzahl gleichzeitig eintrudelnder Anfragen bewältigen kann, ohne an Genauigkeit einzubüßen. Um KI verlässlich zu skalieren, nutzen Unternehmen sogenannte MLOps-Pipelines (Machine Learning Operations), die das kontinuierliche Trainieren und Ausrollen von Modellen automatisieren. Fehlerhaftes Verhalten wird abgefangen, bevor es in die Produktion gelangt.

Systeme, die auf KI basieren, wurden lange Zeit als »Blackbox« gesehen – es war nicht im Detail nachvollziehbar, wie ein Ergebnis zustande kommt. »Früher hatte man eine saubere Spezifikation und konnte 1:1 prüfen. Bei KI-Komponenten bekommt man bei zwei gleichen Anfragen oft unterschiedliche Antworten. Der Prozess bis zum Ergebnis ist hier nicht mehr rein deterministisch abbildbar, vielmehr muss man mit Wahrscheinlichkeiten und Risikofaktoren arbeiten«, erklärt Tricentis-Experte Zednik. »Unser Ansatz des ›Risk-Based-Testing‹ – also zu hinterfragen, wie businesskritisch etwas ist – passt hier besser denn je. Abgesehen von der Methodik hängt dann noch vieles vom Prompting ab. Das wird das Testing grundlegend verändern.«

KI als Führungsaufgabe
Ein oftmals unterschätzter Erfolgsfaktor in der Skalierung ist die laufende Kontrolle von KI-Prozessen. Bewährt haben sich »Human-in-the-Loop«-Schleifen: Mitarbeiter*innen prüfen Ergebnisse, trainieren Modelle weiter, definieren Grenzen und behalten die regulatorischen Vorgaben von der DSGVO bis zum AI Act im Blick. In manchen Organisationen entwickeln unterschiedliche Teams parallel KI-Lösungen für ihren jeweiligen Bereich oder einzelne Anwendungen – ohne gemeinsames Ziel und standardisierte Sicherheitsrichtlinien. Um eine fragmentierte KI-Landschaft zu unterbinden, braucht es von Anfang an klare Verantwortlichkeiten, Governance-Richtlinien und Datenstandards. KI-Transformation ist somit weniger ein Technologieexperiment, sondern eine komplexe Führungsaufgabe.

Plattformen helfen dabei, Prozesse zu automatisieren und mit bestehenden Strukturen zu verzahnen. Unternehmen, die diese Architektur von Anfang an mitplanen, erleichtern spätere Modelländerungen und Updates. »Der Erfolg von KI bemisst sich nicht an Modellen im Testbetrieb, sondern daran, ob sie Prozesse verbessern, Kosten senken und neue Geschäftsfelder erschließen«, ist Florian Richter, Market Leader Solutions & Services Group DACH bei Lenovo, überzeugt. »Wer skalierbare Infrastrukturen aufbaut, verkürzt Time-to-Market-Zeiten, senkt Betriebskosten und erhöht die Nutzerakzeptanz.«

Nicht jede Innovation beginnt mit einem eigenen Produkt und nicht jedes Unternehmen muss das Rad neu erfinden. Erprobte Anwendungen zeigen, was möglich ist – oftmals lassen sich diese für den eigenen Betrieb adaptieren. Wer KI nutzen will, sollte zunächst hinterfragen, wo im Unternehmen Potenziale mit echtem Hebel liegen. Dann wird KI nicht bloß ein Prestigeprojekt, sondern zum Business Case, der sich wirklich rechnet.

Vier Schritte zur erfolgreichen Implementierung

Strategie
Bevor einzelne Anwendungsfälle identifiziert werden, müssen zentrale Fragen geklärt sein: Wo schaffen KI-Systeme echten Wettbewerbsvorteil? Welche Geschäftsbereiche haben Priorität? Welche Governance-Prinzipien gelten?

Fokus
Statt unzähliger isolierter Tests sollten Unternehmen gezielt auf wenige, strategisch relevante Projekte setzen. Das bündelt Ressourcen, erhöht die Sichtbarkeit von Erfolgen und verhindert Innovationsmüdigkeit in den Teams.

Verantwortung
KI-Projekte scheitern häufig an unklaren Zuständigkeiten. Skalierung gelingt nur, wenn Rollen eindeutig definiert sind – etwa durch Programmmanager oder Steuergremien mit klaren Mandaten.

Datenbasis
In vielen Unternehmen liegen geschäftskritische Informationen in unstrukturierten Systemen. Diese Inhalte nutzbar zu machen, ist häufig das fehlende Bindeglied zwischen Pilotprojekt und Performance.

Use Case KI, Quelle: Nagarro

Unternehmen: Ein großer Automobilhersteller mit mehr als 700 Lieferanten, mehreren Werken und tausenden Maschinen.

Herausforderung: Die Fabriken arbeiteten bereits effizient, doch Entscheidungen wurden noch immer mit der Geschwindigkeit menschlicher Prozesse getroffen. Das Ziel war, durch eine veränderte Steuerung und Verteilung von Intelligenz innerhalb der operativen Abläufe einen messbaren finanziellen Mehrwert zu schaffen.

ROI-Messung: Die Ausgangsbasis wurde auf Basis folgender historischer Wartungsprotokolle analysiert: Stillstandskosten pro Produktionsstunde, Nacharbeitskosten für Defekte (Qualitätsmängel), Energieintensität je Produktionseinheit sowie Verzögerungszeit für Fehlererkennung und Reaktion. Eine einheitliche KI-Datenplattform mit vorausschauender Wartung, Qualitätsüberwachung, Energietracking und Lieferantenintegration wurde eingeführt. Nach Implementierung lieferte diese Betriebsplattform die Messdaten in Echtzeit, keine separate Berichtsebene war erforderlich.

Ergebnisse:

−25 % ungeplante Ausfallzeiten

−27 % Defektrate

−15 % Energiekosten

−35 % Zeit bis zur Fehlererkennung

−22 % Gesamtbetriebskosten

Interview: »Nicht jedes Mal bei null anfangen« 

»Irgendetwas mit KI« lautete in den letzten Jahren häufig die Aufgabenstellung für die IT-Abteilung. Inzwischen häufen sich in Unternehmen Fragen zum tatsächlichen Mehrwert der Technologie. Paul Haberfellner, Managing Director und Co-Founder bei Nagarro, warnt vor »blinden Flecken« – Unternehmen, die KI lediglich als Spielwiese sehen, würden vor allem eines tun: Geld verbrennen.

https://www.report.at/tech/ki/ki-und-das-fehlende-wozu