Die meisten KI-Pilotprojekte skalieren nie. Sorgen Sie dafür, dass Ihr Projekt skaliert.

Ihre besten Mitarbeiter:Innen verschwenden ihr Talent mit stumpfer Routinearbeit. Stunden mit der manuellen Bearbeitung von Routinedokumenten, Wochen für die rechtliche Prüfung von Standardverträgen und unzählige verlorene Stunden durch die manuelle Eingabe von Daten in Systeme. Währenddessen wird Ihr Sicherheitsteam von Warnmeldungen überhäuft, die einzeln geprüft werden müssen.
 

Hierbei handelt es sich weder um ein Ressourcenproblem noch um einen Mangel an guter Technologie. Box CTO Ben Kus erklärt: „Wenn wir mit unseren Box Kund:Innen sprechen, hören wir häufig, dass sie eigentlich kein KI-Problem haben. Sie haben ein Datenproblem.“

 

Wenn wir mit unseren Box Kund:Innen sprechen, hören wir häufig, dass sie eigentlich kein KI-Problem haben. Sie haben ein Datenproblem.

Box CTO Ben Kus

Kus hat miterlebt, wie Hunderte von Unternehmen auf dasselbe Problem stoßen. Sie investieren Millionen in KI-Pilotprojekte. Sie führen Proof-of-Concepts durch. Sie präsentieren beeindruckende Tools. Und dann skaliert nichts.
 

In einer aktuellen Folge des Intelligence Squared Podcasts Practical AI Implementation in the Workplace: Beyond the Hype spricht Kus über den entscheidenden Wandel von dem theoretischen Hype rund um KI hin zu den praktischen, umsetzbaren Schritten, die Unternehmen ergreifen müssen, um ihre KI-Pilotprojekte erfolgreich zu skalieren.

 

Wesentliche Erkenntnisse:

  • KI-Fehlschläge sind Datenfehlschläge: Die meisten Pilotprojekte kommen zum Stillstand, weil die KI nicht auf kritische Geschäftsdaten zugreifen kann, die in Altsystemen verborgen sind.
  • Beginnen Sie mit einer soliden Datenbasis statt mit auffälligen Tools: Prüfen Sie, wo Ihre Daten gespeichert sind, und etablieren Sie Governance, bevor Sie KI einsetzen.
  • Kleine Erfolge führen zu großer Transformation: Wählen Sie einen Engpass aus, erfassen Sie echte Kennzahlen und bauen Sie daraus eine Dynamik auf.

 

Der eigentliche Grund, warum KI-Pilotprojekte scheitern, liegt in den Daten, nicht in der Technologie.

Jede Führungskraft weiß, dass KI Workflows transformieren könnte, doch nach Millioneninvestitionen in Pilotprojekte und Proof-of-Concepts stecken die meisten Unternehmen weiterhin im Experimentiermodus fest und können ihre KI-Initiativen nicht über einzelne Anwendungsfälle hinaus skalieren. Das Problem liegt nicht in der KI, sondern in ihrer Fähigkeit, auf die richtigen Daten und Systeme zuzugreifen.
 

Unternehmen kaufen KI-Tools, als würden sie Superstars einstellen, von denen sie überzeugt sind, dass sie ihre Probleme lösen. Und dann bleibt die KI in allen wichtigen Systemen außen vor. Das Ergebnis: Ihre KI kann nicht auf die Kundendaten zugreifen, die in einem veralteten CRM gespeichert sind. Sie kann nicht auf Finanzunterlagen zugreifen, die über verschiedene Abteilungen verteilt sind. Sie kann keine Verträge prüfen, die in veralteten Dateiservern feststecken.
 

Unter diesen Bedingungen könnte kein Mensch effizient arbeiten – und Ihre KI ebenfalls nicht. Doch die meisten Unternehmen gehen das Problem von hinten an. Sie starten mit dem modernsten KI-Tool und konzentrieren sich auf die komplexesten Workflows – und wundern sich dann, warum auf breiter Basis nichts funktioniert.

 

Die Datenbasis aufbauen, bevor die KI-Struktur entsteht

Kus erzählt die Geschichte eines konkreten Finanzunternehmens, das zunächst den traditionellen Ansatz verfolgte. Dieses Unternehmen wollte einen KI-Bericht erstellen, der seinen Berater:Innen umfassende Vorbereitung und Empfehlungen für Kundengespräche liefert. Es scheiterte – und das ist der Grund:
 

Als das Unternehmen das Projekt startete, stieß es auf ein unerwartetes Hindernis: Weder Mensch noch KI konnten die finanzielle Situation der Kund:Innen schnell erfassen. Die Kund:Innen hatten zwar alle ihre Daten eingereicht – doch sie lagen in Form von stark unterschiedlich formatierten Finanzberichten, Aktienübersichten und allen möglichen anderen Dateien vor. Kus erklärt: „Es gab selbst für die Mitarbeiter:Innen im Unternehmen praktisch keinen Weg, schnell nachzuvollziehen, was die Kund:Innen tatsächlich tun.“

 

Klein anfangen und sich auf grundlegende Fähigkeiten konzentrieren führt oft zu größerem Erfolg, als direkt zu komplexen KI-Implementierungen zu springen.

Das Unternehmen machte einen Schritt zurück und begann statt mit einem KI-Berichtsgenerator mit etwas viel Einfacherem: KI zu nutzen, um Daten aus Kundendokumenten zu extrahieren und in standardisierte Formate zu überführen „Es stellte sich heraus, dass die eigentliche Herausforderung darin bestand, die Situation dieser Kund:Innen überhaupt erst zu verstehen – angesichts der Vielfalt der Daten“, bemerkte Kus.
 

Der zweite Versuch des Unternehmens:

Die Datenauswertung wurde zum Ausgangspunkt und legte die Grundlage dafür, dass das Unternehmen schließlich seine ursprüngliche KI-Vision realisieren konnte. Klein anfangen und sich auf grundlegende Fähigkeiten konzentrieren führt oft zu größerem Erfolg, als direkt zu komplexen KI-Implementierungen zu springen.

 

Das 5-Schritte-Framework für die erfolgreiche Skalierung von KI

Nach der Analyse von Mustern aus diesem und anderen erfolgreichen KI-Einsätzen zeigt sich: Das machen die erfolgreichen Skalierer richtig:
 

  1. Die Datenrealität prüfen: Bevor sie ein KI-Tool implementieren, analysieren sie, wo ihre Daten tatsächlich gespeichert sind. Für die meisten Unternehmen sind 90 % der Daten unstrukturierte Inhalte , die in verschiedenen Systemen und Ordnerstrukturen verborgen liegen. Diese isolierten Inhalte machen es unmöglich, KI effektiv und sicher auf die Automatisierung von Workflows anzuwenden.
     
  2. Eine einzige verlässliche Datenquelle schaffen: Sie müssen nicht jedes System über Nacht ersetzen, aber Ihr KI-Tool muss auf das Wesentliche zugreifen können. Mit einer einzigen verlässlichen Datenquelle für Ihre unstrukturierten Inhalte können Sie anschließend Berechtigungsstrukturen aufbauen, um eine gute Governance sicherzustellen und Datenlecks zu verhindern. Denken Sie daran: KI bewahrt keine Geheimnisse. Ohne Governance teilt sie alles mit allen. Kus sagt: „Es ist absolut entscheidend, dass Sie der KI keinen Zugriff auf Informationen geben, auf die eine Person ebenfalls keinen Zugriff hätte.“
     
  3. Klein anfangen (wirklich klein): Kus erwähnt eine Einkaufsleiterin, die die Analyse von Lieferantendokumenten automatisierte und die Bearbeitungszeit von 10 Stunden auf 20 Minuten verkürzte. Sie wurde zur KI-Botschafterin ihres Unternehmens und skalierte den Ansatz unternehmensweit. Wählen Sie einen Engpass. Bestimmen Sie eine verantwortliche Person. Legen Sie klare Kennzahlen fest.
     
  4. Agenten einsetzen, keine Chatbots: Der Unterschied wird sichtbar, sobald KI aufhört, Fragen zu beantworten, und eigenständig arbeitet. Moderne KI-Agenten bearbeiten Workflows asynchron, greifen auf mehrere Systeme zu und arbeiten selbstständig – ganz ohne Aufsicht. KI kann inzwischen komplette Funktionen eigenständig erstellen.
     
  5. Den echten Wert messen: Vergessen Sie oberflächliche Kennzahlen. Dokumentierte Verbesserungen: 10 Stunden → 20 Minuten Kostenersparnis pro Workflow berechnen. Zufriedenheit der Mitarbeiter:Innen messen. Diese taktischen Erfolge summieren sich zu einer Transformation.

 

Den Schritt in die Praxis machen – mit KI im Alltag

Die Kluft zwischen KI-Experimentierenden und KI-Anwender:Innen wächst täglich. Unternehmen, die KI als reines Technologieprojekt statt als unternehmerische Transformation betrachten, werden weiter zurückfallen.
 

Kus betont noch einmal: „Setzen Sie sich große Ziele, aber fangen Sie klein an.“ Das ist auf jeden Fall eines der Themen, auf die sich typischerweise diejenigen konzentrieren, die in ihren Projekten erfolgreicher sind.“
 

Ihre KI ist nur so leistungsfähig wie die Daten, auf die sie zugreifen kann. Der Leitfaden existiert. Die Tools funktionieren. Aber zuerst müssen Sie Ihre Datenbasis in Ordnung bringen. Wenn das gelingt, automatisieren Sie nicht nur bestehende Arbeit. Sie erschließen völlig neue Arbeitsweisen.
 

Hören Sie den Podcast auf Apple Podcasts oder Spotify.