Kommentar von Daniel Just, DXC Technology KI-Transformation – Unternehmen müssen dringend aus ihren Pilotphasen raus

Anbieter zum Thema

Board Deutschland GmbH

INFOMOTION GmbH

QUNIS GmbH

KI-Projekte stagnieren und Unternehmen berichten von fehlendem Mehrwert. Doch woran liegt das? Warum scheinen Unternehmen bei der Umsetzung wertschöpfender KI-Use-Cases auf der Stelle zu treten? Und was können sie tun, um diesbezüglich wieder an Fahrt aufzunehmen?

KI-gestützte Systeme sind mehr als praktische Werkzeuge: Als strategische Enabler machen sie Unternehmen agiler, robuster und zukunftsfähiger. Die Technologie bietet konkrete Hebel, mit denen sie ihre Effizienz, Resilienz und Innovationskraft steigern können – und zwar über nahezu alle Branchen sowie die gesamte Wertschöpfungskette hinweg.

Eine höhere Effizienz durch Prozessautomatisierung – wie die Verarbeitung von Daten und Dokumenten oder die Optimierung von Lieferrouten im Rahmen des Lieferkettenmanagements – ist wahrscheinlich der Mehrwert, den viele Unternehmen als erstes anstreben. Daneben sind KI-Systeme auch in der Lage, Unternehmen vor potenziellen Cyber-Bedrohungen in Echtzeit zu schützen und den Weg zu innovativen Services und neuen Geschäftsmodellen zu ebnen.

Prädiktive Analytik unterstützt zusätzlich die proaktive Entscheidungsfindung, da sich zukünftiges Verhalten oder Ereignisse auf Grundlage historischer Daten vorhersagen lassen. Unternehmen können dadurch frühzeitig feststellen, wann beispielweise bei Produktionsanlagen oder Fahrzeugen ein Wartungsbedarf entsteht und wann Engpässe oder Störungen innerhalb der Lieferkette auftreten.

KI-Transformation geht vielerorts die Puste aus

Dass diese Use Cases und damit verbundenen (potenziellen) Geschäftsmöglichkeiten bei Unternehmen auf Optimismus und Experimentierfreude stoßen, zeigen die Zahlen. Bis 2030 soll der globale KI-Markt einen Wert von schätzungsweise 1,81 Billionen US-Dollar erreichen. Laut dem aktuellen AI Radar der Boston Consulting Group (BCG) planen nämlich 73 Prozent der Unternehmen weltweit, noch stärker in die Technologie zu investieren. Und diese Ausgaben machen sich innerhalb der Belegschaft bemerkbar: Für die Mehrheit der Beschäftigten (72 Prozent) hat generative KI einen festen Platz im Arbeitsalltag – so die Ergebnisse einer globalen Studie der BCG.

Projektmanagement und Künstliche Intelligenz

10 häufige Fehler im Projektmanagement von KI-Projekten und wie man sie vermeidet

Zoomt man in die DACH-Region, offenbart sich auch hier ein regelrechter Investitions-Boom. So planen Unternehmen der jüngsten Studie von Cognizant zufolge durchschnittliche Ausgaben in Höhe von 37 Millionen US-Dollar. IT-Verantwortliche in der Region betrachten KI als eines der wichtigsten Investitionsfelder der kommenden Jahre. Und das nicht nur im Büro: Laut der aktuellen Studie „Securing a Digital Future 2025" von DXC Technology, für die 300 Fach- und Führungskräfte in der DACH-Region befragt wurden, halten die Befragten neue datenbasierte Geschäftsmodelle auf Basis von Künstlicher Intelligenz, wie digital vernetzte Plattformen, für wichtig (54 Prozent) bis sehr wichtig (32 Prozent).

Trotz dieser vielversprechenden Entwicklung und der Chancen scheinen Unternehmen in Sachen KI-Transformation nicht mehr wirklich voranzukommen. Nur ein kleiner Teil berichtet, dass ihre bisherigen KI-Projekte mittlerweile echten Nutzen bringen. Im Schnitt warten DACH-Unternehmen etwa 4,5 Jahre darauf, dass ihre Initiativen diesen Moment erreichen. Als hemmende Faktoren nennen Verantwortliche häufig Regularien und fehlende Expertise. Erschwerend kommt hinzu, dass 60 Prozent der Unternehmen ihren KI-Einsatz kaum messen und abbilden. Zudem spielt auch der begrenzte Reifegrad der Technologie sowie die eingeschränkte Skalierbarkeit eine maßgebliche Rolle. So verlassen laut der BCG über 70 Prozent der KI-Projekte nicht die Pilotphase.

So gelingt der Übergang

Der Schritt weg vom Pilotprojekt hin zur unternehmensweiten KI-Strategie ist eine der größten Herausforderungen für Unternehmen, die KI produktiv und wertschöpfend einsetzen möchten. Dabei gibt es zahlreiche Gründe, warum viele von ihnen bereits in einer der frühen Phasen stecken bleiben: ein isolierter, technikgetriebener Projektaufbau, ohne die passenden Fachbereiche einzubinden, fehlende Infrastrukturen und Governance oder ein von Skepsis geprägtes Mindset innerhalb der Belegschaft.

Viele GenAI-Initiativen bleiben in der Konzeptphase stecken

Gartner: Hälfte aller GenAI-Projekte vor dem Aus

Wer seine KI-Initiativen jedoch unternehmensweit skalieren möchte, muss verhindern, dass sich diese Hürden zu unüberwindbaren Barrieren entwickeln. Dafür bieten sich die folgenden drei Herangehensweisen an:

1. Integration in die Geschäftsstrategie statt punktueller, explorativer Use Cases

Isolierte Use Cases, die einen Pain Point lediglich kurzfristig adressieren, haben keinen Platz in einer nachhaltig erfolgreichen KI-Strategie. Vielmehr sollte ein strategisch-systematischer Ansatz im Fokus stehen, bei dem Use Cases nach Business Impact und technischer Umsetzbarkeit priorisiert werden – zum Beispiel mithilfe einer Value-Feasibility-Matrix. Im Zuge dessen müssen Unternehmen sowohl alle betroffenen Fachbereiche als auch die IT frühzeitig einbinden.

2. Skalierbare Infrastruktur und durchdachte Governance statt Ad-hoc- und Insellösungen

Damit KI-Systeme den gewünschten Erfolg erzielen und sich auch langfristig und unternehmensweit skalieren lassen, sind folgende Bedingungen erforderlich: eine hohe Datenqualität sowie eine skalierbare Architektur. Im Idealfall setzen Unternehmen dafür unter anderem sowohl auf Cloud-native, modulare Plattformen, über die sich Rechenleistung und Storage skalieren lassen, als auch auf einen Data-Lake- oder Data-Mesh-Ansatz, um einen flexiblen Zugang zu allen notwendigen Daten gewährleisten zu können.

Wichtig: Da Daten einen wesentlichen Bestandteil der Infrastruktur bilden, dürfen Unternehmen den Governance-Aspekt nicht vernachlässigen. Dies umfasst die Definition von Datenschutzstandards, Ethik- und Transparenzrichtlinien sowie klaren Verantwortlichkeiten.

Daneben empfiehlt sich der Aufbau eines Machine-Learning-Operations-Teams (MLOps). Dessen Verantwortung liegt vorrangig bei der Automatisierung der Trainings, Tests und des Betriebs sowie des Monitorings der eingesetzten Modelle. Natürlich sollten Unternehmen messbare KPIs – wie Umsatzsteigerung, Kosteneinsparungen usw. – definieren und Modelle laufend überwachen, testen und verfeinern, damit sie den Erfolg ihrer KI-Strategie auch beziffern können.

3. Kulturwandel statt technologischem Druck

Einerseits gilt es, möglichen Ängsten und skeptischen Stimmen entgegenzuwirken und gleichzeitig die Akzeptanz zu steigern. Das gelingt vor allem durch transparente Kommunikation sowie ein nutzerzentriertes, augmentierendes Design. Andererseits müssen Unternehmen mögliche Kompetenzlücken schließen und die Weiterbildung verschiedener Stakeholder fördern. Zudem sollte das Change-Management einen Wandel hin zu einer datengetriebenen Unternehmenskultur anstreben.

Kommentar von Sascha Beck, GFT

KI-Nutzung im Mittelstand: Zwischen Wunsch und Wirklichkeit

Der Weg zur unternehmensweiten KI-Strategie gelingt nicht durch Technologie allein. Andernfalls ist das Risiko viel zu hoch, dass Initiativen keine Früchte tragen und viel zu lange in der Pilotphase verharren. Auch wenn diese Projekte erste Einsichten liefern, sind weitere Faktoren wie standardisierte Prozesse, die infrastrukturelle Datengrundlage, Governance sowie ein Kulturwandel für die nachhaltige, unternehmensweite Skalierung hinweg von gleichwertiger Bedeutung. Erst dann können DACH-Unternehmen KI zu einer tragenden Säule ihres Geschäfts machen.

(ID:50536113)