Pegasystems erklärt Hintergründe Warum KI-Projekte scheitern

Anbieter zum Thema

Vogel IT-Medien GmbH

Fujitsu Technology Solutions GmbH

Xpand Solutions GmbH

Pegasystems GmbH

Der Low-Code- und KI-Spezialist Pegasystems hat sich mit der Frage beschäftigt, warum KI-Projekte nicht immer den gewünschten Erfolg erbringen oder sogar komplett scheitern. Die Ursachen reichen demnach von falschen Erwartungen bis hin zu mangelnder Datenqualität.

Künstliche Intelligenz (KI) ist nicht nur Trendthema, sondern gilt weithin als wichtige Zukunftstechnologie. Dementsprechend groß ist das Interesse von Unternehmen an KI-Lösungen, um etwa Abläufe zu optimieren, Entscheidungen datenbasiert zu treffen oder schlicht die Angestellten von Routineaufgaben zu entlasten.

Die Erwartungshaltung ist oft groß. Das gilt auch für die einsetzende Ernüchterung, falls die neuen Systeme und Anwendungen nicht die in sie gesetzten Ansprüche erfüllen. Wie Pegasystems berichtet, sind die Gründe dafür vielfältig.

Falsche Tools für spezifische Probleme

Unternehmen nutzen häufig eine bestimmte Technologie oder ein besonderes KI-Werkzeug, um ihre Anwendungsfälle unbedingt damit umzusetzen. Nach dem Motto „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 sollten jedoch nicht die Augen vor möglichen Herausforderungen und Einschränkungen verschließen und gezielt nach geeigneten KI-Werkzeugen für ihre drängenden geschäftlichen Probleme suchen. Laut Pegasystems ist eine Kombination beider Ansätze am besten geeignet, um einen Pool mit KI-Anwendungsfällen aufzubauen und diese hinsichtlich ihrer Umsetzbarkeit zu priorisieren.

Ängste und falsche Erwartungen

Das Thema KI umrankt eine gewisse Mystik, die zu sehr gegensätzlichen Vorstellungen und Erwartungen führt. Einerseits empfinden Menschen KI als latente Bedrohung, 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. Andererseits 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.

Fehlendes Wissen und Erfahrung

Smarte Unternehmensprozesse bestehen meist aus einer Mischung von KI- und Logik-basierten Komponenten, unter anderem für Automatisierung und Entscheidungsfindung. Unternehmen benötigen dafür nicht nur KI-Experten und Entwickler, sondern auch Fachbereichsmitarbeiter, die den Wert der Komponenten aus dem KI-Baukasten für spezifische Geschäftsprozesse identifizieren können. Zudem sind sie in der Lage, 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.

Mangelhafte Daten und Datenqualität

KI basiert auf Daten und liefert nur dann sinnvolle Ergebnisse, wenn Daten in ausreichender Menge und Qualität zur Verfügung stehen. Das ist nicht bei jedem Anwendungsfall gegeben. Immer wieder fällt erst im Laufe des Projekts auf, dass vorhandene 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.

(ID:49240603)