Glaubt man Studien und Berichten im Internet, sind die Erfolgsaussichten von KI-Projekten eher gering. Oft heißt es, jedes Zweite scheitere, komme nicht über das Experimentierstadium hinaus oder bringe keinen relevanten Nutzen. Einer MIT-Untersuchung zufolge haben KI-Projekte sogar eine Fehlschlagquote von 95 Prozent, und die Analysten von Gartner gehen davon aus, dass bis Ende 2027 mehr als 40 Prozent der Projekte mit Agentic AI eingestellt werden.
Es steht jedoch keinesfalls fest, dass derart viele Projekte scheitern. Nach Erfahrung von Pegasystems, einem Anbieter für Enterprise-KI, trägt ein strukturiertes Vorgehen dazu bei, Risiken wie gerissene Deadlines oder aus dem Ruder laufende Kosten zu vermeiden. Mit den nachfolgenden sechs Tipps erhöhen Unternehmen die Erfolgsquote und stellen sicher, dass sie einen realen Business-Nutzen generieren.
Schritt 1 – Use Case auswählen
Statt krampfhaft nach einem Anwendungsfall für KI oder eine konkrete KI-Technologie wie GenAI oder Machine Learning zu suchen, sollten Unternehmen von konkreten Business-Problemen ausgehen. Wichtig ist es, Probleme zu identifizieren, deren Lösung einen geschäftlichen Mehrwert bietet, etwa kürzere Bearbeitungszeiten, geringere Kosten oder bessere Entscheidungen, und das regelmäßig und nicht nur im Einzelfall. Anschließend können sie eruieren, ob und wann welche KI-Form tatsächlich das richtige Werkzeug ist. Nicht jedes Problem braucht zwangsläufig Künstliche Intelligenz. Oft reichen auch Anwendungen mit klassischen Regeln oder Kombinationen. Sind mehrere Use Cases für den KI-Einsatz gefunden, lassen sich diese priorisieren. Idealerweise starten Unternehmen mit einem einfach umsetzbaren Use Case, der einen hohen Nutzen bringt. So sammeln die Teams Erfahrungen und haben Erfolgserlebnisse, was die Lösung weiterer Business-Probleme erleichtert.
Schritt 2 – Anforderungen ableiten
Ausgehend vom Problem sollten Unternehmen die Anforderungen für die künftige Anwendung definieren. Neben funktionalen Anforderungen, die sich meist recht leicht ableiten lassen, spielen nicht-funktionale Anforderungen eine wichtige Rolle. Diese reichen von der Genauigkeit und Auditierbarkeit der KI-Ergebnisse über die Verfügbarkeit und Antwortzeit der Anwendung bis hin zur Skalierung und Sicherheit. Optimal ist es, wenn Unternehmen Schlüsselkennzahlen (Key Performance Indicators/KPIs) festlegen, um den Nutzen der jeweiligen Anwendung messbar und kontrollierbar zu machen. Verzichtet man auf KPIs, fällt es später schwer, Probleme zu erkennen und die Anwendung im nächsten Schritt zu verbessern.
Schritt 3 – Lösungsarchitektur definieren
Auf Basis der Anforderung lässt sich eine Lösungsarchitektur entwickeln. Die Systemarchitekten legen dabei fest, welche KI-Technologien und welche Daten zum Einsatz kommen. Dabei geht es nicht nur um die Integration von Datenquellen wie CRM-System oder Dokumentenmanagement-System, sondern auch darum, zu klären, ob die vorhandenen Daten aktuell, ausgewogen und vollständig sind. Bei qualitativ minderwertigen Daten oder einer mangelhaften Wissensbasis kann auch die beste KI keine guten Antworten, Prognosen und Empfehlungen abgeben.
Weitere architekturelle Entscheidungen betreffen die Governance und den Datenschutz: Unternehmen müssen festlegen, wo personenbezogene Daten und sensible interne Informationen verarbeitet sowie gespeichert werden und ob eine Anonymisierung notwendig ist. Darüber hinaus müssen sie Zugriffskontrollen auf Daten und KI-Anwendungen einrichten, eine Verschlüsselung für Datenübertragung und -ablage festlegen sowie Leitplanken für die KI definieren. Dabei handelt es sich um Kontrollmechanismen für Eingaben und Ausgaben, die verhindern, dass die KI beispielsweise per Prompt Injection angegriffen werden kann, fachfremde Fragen beantwortet oder halluzinierte Ergebnisse ausgibt.
Schritt 4 – Die Anwendung entwickeln
Erst wenn alle Vorarbeiten abgeschlossen sind, kann die Umsetzung der Anwendung starten. Um schnell eine Rückmeldung von den künftigen Anwendern zu erhalten, sollte zunächst ein Minimum Viable Product (MVP) entwickelt werden, das sich dann kontinuierlich anpassen und verbessern lässt. Eine moderne Plattform, die die Wiederverwendung von Software-Bausteinen wie Programmlogiken, KI-Modellen, User Interfaces erlaubt, beschleunigt den Entwicklungsprozess, weil Unternehmen nicht für jede Anwendung und Anwendungskomponente bei null anfangen müssen. Zudem lassen sich die einzelnen Bausteine gut pflegen, ohne jede Anwendung für Änderungen einzeln anzufassen.
Schritt 5 – Change Management definieren
Unternehmen sollten die Anwender aus den Fachbereichen möglichst frühzeitig in den gesamten Prozess einbeziehen. Das ist wichtig, um echte Business-Probleme zu finden, geschäftliche Anforderungen korrekt zu definieren und die Akzeptanz der fertigen Anwendung zu steigern. Wichtig ist es dabei, dass die neue Anwendung nicht einfach nur die Kopie einer alten Anwendung darstellt, die Mitarbeiter lieb gewonnen haben, die jedoch aktuelle Anforderungen nicht mehr erfüllt. Beim Change Management unterschätzen Unternehmen häufig die Verzerrungen, die durch den Human-in-the-Loop entstehen können: Fürchten Mitarbeiter, dass die KI sie irgendwann ersetzt, bewerten sie deren Ergebnisse tendenziell schlechter. Umgekehrt prüfen sie sehr gute Ergebnisse oft weniger kritisch und übernehmen sie irgendwann ungeprüft. In beiden Fällen müssen Unternehmen die Anwender sensibilisieren. Sie sollten aber schon beim Anwendungsdesign durch Monitoring-Funktionen sicherstellen, dass Trends wie schrittweise abnehmende Korrekturen frühzeitig sichtbar werden.
