Warum KI-Projekte scheitern
![](https://www.silicon.de/wp-content/uploads/2022/07/working-on-a-laptop-2021-09-02-06-05-34-utc-684x513.jpg)
Groß ist die Erwartungshaltung der Unternehmen und groß ist auch die Ernüchterung, wenn KI-Projekte die Erwartungen nicht erfüllen.
Unternehmen sollten sich nicht überhastet in KI-Projekte stürzen, sondern genau abwägen, welche Anwendungsfälle sie mit welchen Lösungen umsetzen können und welches Know-how sie dafür benötigen. Aber auch dann sind KI-Projekte kein Selbstläufer. Letztlich ist KI nur so gut, wie die Daten, mit denen sie gefüttert wird, und sie macht einen schlechten Prozess nicht automatisch besser. Oft ist es sinnvoll, erst einmal den Prozess auf den Prüfstand zu stellen und zu optimieren, bevor man sich an dessen Digitalisierung macht und KI integriert.
Die Gründe für Fehlschläge sind vielfältig. Nach unseren Erfahrungen scheitern KI-Projekte meist an den folgenden Dingen:
Problem und Werkzeug passen nicht zueinander
Häufig haben Unternehmen eine bestimmte Technologie oder ein besonderes KI-Werkzeug im Auge und versuchen, ihre Anwendungsfälle unbedingt damit umzusetzen. Getreu dem Zitat „Wer als Werkzeug nur einen Hammer hat, sieht in jedem Problem einen Nagel“ sind sie blind für alternative Lösungen, die womöglich besser zu ihren konkreten Anwendungsfällen passen würden. Dabei ist der Ansatz, ausgehend vom Tool nach Einsatzmöglichkeiten im Unternehmen zu suchen, keineswegs per se verkehrt. Unternehmen dürfen jedoch nicht die Augen vor möglichen Herausforderungen und Einschränkungen verschließen. Sie sollten daher auch gezielt nach geeigneten KI-Werkzeugen für ihre drängenden geschäftlichen Probleme suchen. Erfahrungsgemäß ist eine Kombination beider Ansätze am besten geeignet, um einen Pool mit KI-Anwendungsfällen aufzubauen und diese hinsichtlich ihrer Umsetzbarkeit zu priorisieren.
KI weckt Ängste und falsche Erwartungen
Bis heute rankt sich eine gewisse Mystik um KI und führt zu sehr gegensätzlichen Vorstellungen und Erwartungen. Auf der einen Seite empfinden Menschen KI als latente Bedrohung und lehnen sie ab, etwa weil sie sich überwacht fühlen oder fürchten, überflüssig zu werden. Das kann die Mitarbeit bei der Einführung KI-basierter Lösungen behindern und dafür sorgen, dass Anwender neue Tools nicht annehmen.
Auf der anderen Seite sehen Menschen in KI eine übermächtige Technologie, die geeignet ist, jedwedes Problem zu lösen. Einfach einen Algorithmus mit Daten füttern, der dann auf wundersame Weise einen Zusammenhang oder eine Anomalie erkennt und optimal entscheidet. Die Folge dieser Denkweise sind Herausforderungen bei der Implementierung der neuen Lösungen, da Erwartungshaltung und Realität voneinander abweichen. Beiden Fehleinschätzungen begegnen Unternehmen am besten durch gezielte Kommunikationsmaßnahmen und Schulungen, die den Nutzen von KI aufzeigen und ein realistisches Bild davon liefern, was die Technologie zu leisten imstande ist.
Es fehlt an KI-Wissen und Erfahrung
Smarte Unternehmensprozesse bestehen in der Regel aus einer Mischung von KI- und Logik-basierten Komponenten, unter anderem für Automatisierung und Entscheidungsfindung. Unternehmen benötigen nicht nur KI-Experten und Entwickler, die diese Komponenten erstellen, sondern auch Mitarbeiter in den Fachbereichen, die erkennen, welche Komponenten aus dem KI-Baukasten in ihren spezifischen Geschäftsprozessen einen Mehrwert liefern. Und die in der Lage sind, diese Prozesse zu modellieren und mit verschiedenen Komponenten abzubilden. Dieses Wissen fehlt oft und muss erst in Schulungen aufgebaut werden. Die Etablierung eines Center of Excellence oder Lab für KI kann helfen, Wissen und Erfahrungen zu bündeln und die Nutzung von KI im Unternehmen besser zu skalieren.
Daten und Datenqualität reichen nicht aus
KI basiert auf Daten und liefert nur dann sinnvolle Ergebnisse, wenn Daten in ausreichender Menge und ausreichender Qualität zur Verfügung stehen. Das ist nicht bei jedem Anwendungsfall gegeben, und immer wieder fällt erst im Laufe des Projekts auf, dass die vorhandenen Daten ungenügend sind. Weitere Daten zu generieren oder zu erheben, kostet allerdings Zeit, sodass Unternehmen entscheiden müssen, ob sie das Projekt pausieren oder ihren Ansatz überarbeiten. Beides ist nicht ideal und lässt sich meist durch Vorstudien oder Vorprojekte vermeiden, in denen genau analysiert wird, welche Daten benötigt werden und wie sie sich beschaffen lassen.
ist Senior Project Delivery Leader bei Pegasystems.