Das Risiko, mit KI-Projekten zu scheitern, ist gar nicht so groß

Pegasystemsy>/q>

Glaubt man Studien und Behauptungen 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. Die Analysten von Gartner (Website) gehen davon aus, dass bis Ende 2027 mehr als 40 Prozent der Projekte mit Agentic AI eingestellt werden.

Nach Erfahrung von Pegasystems (Website) ist ein strukturiertes Vorgehen entscheidend, um Risiken wie gerissene Deadlines oder aus dem Ruder laufende Kosten zu vermeiden. Mit dem folgenden Fahrplan erhöhen Unternehmen die Erfolgsquote ihrer KI-Projekte. Zudem stellen sie sicher, dass sie einen realen Business-Nutzen generieren.

Schritt 1 – Use Case auswählen

Unternehmen sollten 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. Denn nicht jedes Problem braucht zwangsläufig KI – 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 nicht mit dem komplexesten, sondern einem einfach umsetzbaren Use Case, der einen hohen Nutzen bringt. Auf diese Weise sammeln sie schnell Erfahrungen und haben Erfolgserlebnisse, was die Lösung weiterer Business-Probleme erleichtert.

Schritt 2 – Anforderungen ableiten

Ausgehend vom Problem können Unternehmen die Anforderungen für die künftige Anwendung definieren. Neben funktionalen Anforderungen 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 KPIs festlegen, um den Nutzen der KI-Anwendung messbar und kontrollierbar zu machen. Verzichtet man auf KPIs, fällt es später schwer, Probleme zu erkennen und die KI-Anwendung zu verbessern.

Schritt 3 – Lösungsarchitektur definieren

Auf Basis der Anforderung ist es schließlich möglich, eine Lösungsarchitektur zu entwickeln. Hier wird festgelegt, welche KI-Technologien zum Einsatz kommen und welche Daten benötigt werden. Dabei geht es nicht nur um die Integration von Datenquellen wie CRM-System oder DMS. Es ist auch zu klären, ob die vorhandenen Daten aktuell, ausgewogen und vollständig sind. Weitere architekturelle Entscheidungen betreffen die Governance. Unternehmen müssen festlegen, wo insbesondere 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-Anwendung einrichten, eine Verschlüsselung für Datenübertragung und -ablage festlegen sowie Guardrails für die KI definieren. Dabei handelt es sich um Kontrollmechanismen für Eingaben und Ausgaben. Diese sollen verhindern, dass die KI beispielsweise per Prompt Injection angegriffen werden kann, fachfremde Fragen beantwortet oder halluzinierte Ergebnisse ausgibt.

Schritt 4 – KI-Anwendung entwickeln

Um schnell eine Rückmeldung von den künftigen Anwendern zu erhalten, sollte zunächst ein MVP (Minimum Viable Product) oder MLP (Minimum Lovable Product) entwickelt werden. Das lässt sich anschließend kontinuierlich anpassen und verbessern. Eine moderne Plattform, die die Wiederverwendung von Software-Bausteinen wie Programmlogiken, KI-Modellen, User Interfaces erlaubt, kann den Entwicklungsprozess deutlich beschleunigen, weil Unternehmen nicht für jede Anwendung und Anwendungskomponente bei null anfangen müssen. Zudem können die einzelnen Bausteine gut zentral gepflegt werden, ohne jede Anwendung für Änderungen einzeln anzufassen.

Schritt 5 – Change Management nicht vergessen

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 zu definieren und die Akzeptanz der Anwendung zu steigern. Dabei müssen Unternehmen allerdings aufpassen, dass die neue Anwendung nicht einfach nur die Kopie einer alten Anwendung wird, die die Mitarbeiter liebgewonnen haben, aktuelle Anforderungen aber nicht mehr erfüllt. Fürchten Mitarbeiter, dass die KI sie irgendwann ersetzen könnte, bewerten sie die Ergebnisse tendenziell schlechter. Sind die Ergebnisse von Beginn an sehr gut, werden sie irgendwann nicht mehr kritisch bewertet und einfach abgenickt. In beiden Fällen müssen Unternehmen die Anwender sensibilisieren. Sie sollten schon beim Anwendungsdesign durch Monitoring-Funktionen sicherstellen, dass Trends wie peu a peu immer weniger vorgenommene Korrekturen frühzeitig sichtbar werden.

Schritt 6 – Lernschleifen implementieren

KI-Anwendungen sind nie fertig. Eine Eigenschaft von KI ist es, dass sie sich stetig verbessern kann – sei es durch rekursive Selbstverbesserung oder menschlich Anpassung. In beiden Fällen müssen Feedback-Schleifen implementiert werden, die Kennzahlen erfassen und Optimierungsmöglichkeiten aufzeigen.

Dass viele KI-Projekte per se scheitern, können wir in der Praxis nicht beobachten. Natürlich kann sich eine KI-Anwendung verzögern, das Budget überschreiten oder zunächst weniger Funktionalität haben, als ursprünglich geplant. Doch dass die Arbeiten komplett eingestellt werden und eine Anwendungsruine zurückbleibt, ist äußerst selten. Der Schlüssel für KI-Erfolge ist ein strukturiertes Vorgehen – von der Auswahl des Use Case bis zur Umsetzung der Lösung. Wer nichts überstürzt und Zeit in eine sorgfältige Vorbereitung investiert, kann Risiken minimieren und sicherstellen, dass KI-Anwendungen einen messbaren Business Value generieren.“

Florian Lauck-Wunderlich, Global Director Business Excellence bei Pegasystems