Unternehmen investieren massiv in künstliche Intelligenz, doch der erhoffte Erfolg bleibt oft aus. Aktuellen Studien zufolge schafft nur etwa ein Drittel aller KI-Pilotprojekte den Sprung in den echten Geschäftsbetrieb. Lediglich rund 20 Prozent der Projekte erreichen ihren angestrebten Return on Investment.
Einer der häufigsten Fehler: KI-Projekte werden als reine IT-Initiativen aufgesetzt, ohne die Fachabteilungen einzubinden. "Die IT kennt die spezifischen Probleme in Fachbereichen wie Finanzen, Produktion oder Vertrieb in der Regel nicht", erklärt ein Experte.
Wie computerwoche.de berichtet, blenden viele Unternehmen die Fähigkeiten großer Sprachmodelle wie ChatGPT. Dabei sind diese keine Wissensdatenbanken und haben kein Langzeitgedächtnis - was zu falschen Erwartungen und Enttäuschungen führt.
Der Hauptgrund für das Scheitern liegt oft in einer grundlegenden Diskrepanz: Pilotprojekte laufen meist in isolierten Umgebungen mit bereinigten Daten. Der Live-Betrieb stellt aber viel höhere Anforderungen - von Computing-Ressourcen über Systemintegration bis hin zu Compliance.
"Unternehmen sollten nicht den Fehler begehen, die Betriebskosten eines Prototyps als Metrik für den Betrieb der Live-Anwendung zu nehmen", warnen Fachleute. Jeder API-Call und jeder menschliche Prüfschritt verursacht zusätzliche Kosten.
Am häufigsten mangelt es an einer integrierten Datenbasis, die über Abteilungs- und Prozessgrenzen hinweg funktioniert. Ohne sie ist die KI nur begrenzt nutzbar, weil sie den Gesamtkontext einer Aufgabe nicht berücksichtigen kann.
KI-Vorreiter haben das erkannt: Laut einer McKinsey-Studie verfügen 46 Prozent der Unternehmen mit erfolgreichen KI-Anwendungen über eine zentralisierte Dateninfrastruktur und entsprechende Governance. Das Resultat: höhere Produktivität, automatisierte Routinetätigkeiten und gesteigerte Kundenzufriedenheit.
Für Mittelständler gilt: Eine Standard-KI mit sauber kuratierten Unternehmensdaten schlägt fast immer eine teure Lösung, die mit chaotischen Daten gefüttert wurde.
