Die Kluft zwischen Dashboards und Entscheidungen, die ein Datenteam nicht schließen kann
KI-Erfolgsrate: Nur 5 Prozent der KI-Initiativen erreichen die gewünschten Geschäftsergebnisse – das deutet auf systemische Probleme hin.
Organisationale Bereitschaft: Das Scheitern von KI-Projekten liegt oft an einer fehlenden Vorbereitung der Organisation auf den Wandel.
Problemdiagnose: Unternehmen identifizieren das tatsächliche Problem häufig falsch, was zu fehlgeleiteten KI-Umsetzungen führt.
Einbindung der Stakeholder: Wenn Stakeholder frühzeitig eingebunden werden, kann Widerstand verhindert und die Akzeptanz von KI-Werkzeugen erhöht werden.
Governance-Kompetenz: Entscheidungsträger ohne technischen Hintergrund müssen den verantwortungsvollen Einsatz von KI verstehen.
Sie haben es inzwischen sicher schon gehört. Gartner schätzt, dass nur 5% der KI-Initiativen die versprochenen Geschäftsergebnisse liefern.
Diese Zahl wird häufig genannt, wenn wir über KI sprechen – entweder als Vorwurf gegen die Technologie oder als Kritik an unserer Fähigkeit, sie effektiv zu nutzen.
Beverly Wright beobachtet dieses Muster schon, seit es die meisten heutigen KI-Anbieter noch gar nicht gab. Sie begann Anfang der 1990er Jahre mit Entscheidungswissenschaften, als es landesweit drei Graduiertenprogramme gab und vielleicht 20 Absolventen pro Jahr.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
„Wir hatten ein ähnliches Problem“, sagte sie letzte Woche auf der Optimized AI Conference in Atlanta. „Aber jetzt ist das Problem skalierter und automatisierter. Es ist ein noch größeres Problem.“
Wright verbrachte Jahrzehnte in Data-Science-Rollen bei Southern Company und Cox Communications, bevor sie in die Executive Education an der Georgia State University wechselte. Ihre Analyse, warum KI-Investitionen immer wieder scheitern, steht im Gegensatz zu dem, was die meisten Technologieanbieter hören wollen: Das Problem liegt in der Organisation.
Tut mir leid, Anbieter. Das ist nicht Ihr Problem, das Sie lösen müssen.
Das eigentliche Problem ist selten das, mit dem man angefangen hat
Wright begann ihre Sitzung mit einer Geschichte über Aufzüge. Vor langer Zeit beschwerten sich Menschen, dass Aufzüge zu langsam seien. Die naheliegende Lösung: schnellere Aufzüge. Doch eigentlich war gar nicht die Geschwindigkeit das Problem. Es war Langeweile. Wer gezwungen ist, in Stille oder – schlimmer – mit Fremden zu warten, dessen Langeweile führt zu einem Unwohlsein, das die Wartezeit unnötig lang erscheinen lässt.
Was hat das Problem gelöst? Spiegel. Das war’s. Keine Ingenieursleistung nötig.
Diese Kluft zwischen dem präsentierten und dem eigentlichen Problem ist der Punkt, an dem die meisten KI-Initiativen aus dem Ruder laufen. Unternehmen formulieren eine geschäftliche Herausforderung, geben sie an ein Datenteam weiter und erwarten, dass das Modell die Diagnose übernimmt. Das tut es jedoch nicht.
„Das eigentliche Problem zu finden, ist viel schwieriger, als wir denken“, meinte Wright.
Auf KI zu setzen, bevor klar ist, welche Entscheidung sie unterstützen soll, ist in ihren Augen der erste von drei Gründen, warum 95% der Initiativen keinen Nutzen bringen.
Der zweite Punkt ist Nachvollziehbarkeit. Wenn ein Taschenrechner eine Antwort liefert, kann man sie grob auf Plausibilität überprüfen. Man kennt den Rahmen dessen, was man eingegeben hat. KI-Systeme, die auf neuronalen Netzen basieren, bieten diese Art der intuitiven Überprüfung nicht.
Das spielt überall eine Rolle, ist aber besonders relevant in regulierten Branchen, in denen eine menschliche Prüfung gesetzlich vorgeschrieben ist. Wright beobachtet in der Praxis, dass Organisationen diesen Punkt oft abhaken, indem sie KI zur Überprüfung von KI einsetzen. Der Mensch in der Kontrollschleife versteht nicht ausreichend, was das Modell tut, um Fehler zu erkennen.
Der dritte Fehlermodus ist der, für den niemand Verantwortung übernehmen möchte: Die Organisation war einfach nicht bereit.
Wright unterscheidet zwischen technischer und kultureller Befähigung und stellt fest, dass Unternehmen beides eher nacheinander als parallel angehen. Sie bauen erst, und fragen dann, ob ihre Leute bereit sind, das Gebaute zu nutzen. Zu diesem Zeitpunkt ist die Antwort meistens nein, und die Investition landet in der Schublade.
Sie griff zum Vergleich mit Tornados: Nur etwa 0,1% richten ernsthaften Schaden an, aber die Angst vor diesem Bruchteil bestimmt, wie alle damit umgehen. Widerstand gegen Veränderungen funktioniert genauso. Das gefühlte Risiko, etwas Neues einzuführen, wiegt schwerer als das tatsächliche Risiko, alles beim Alten zu belassen, selbst wenn die Zahlen eine andere Sprache sprechen.
Es gibt meistens mehr Schaden, wenn man nichts tut. Sie denken, sie seien risikoscheu, aber es besteht ein höheres Risiko, nichts zu tun.
Es sollte niemals ein "Ta-Da!" geben
Wenn Wright über das spricht, was tatsächlich funktioniert, gibt es keine Diskussion über Technologieinvestitionen. Stattdessen beschreibt sie, wie Unternehmen ihre Beziehung zwischen Einsicht und Handlung neu gestalten.
Beginnen Sie mit der Entscheidung, nicht mit dem Tool
Wright spricht offen über die Dynamik des Vorstands, in der Unternehmen KI-Initiativen ankündigen, um ihren Aktienkurs zu beeinflussen, und die Ankündigung zum Ziel wird.
„Das ist der falsche Grund, ein KI-Projekt anzugehen“, sagte sie. „Man muss mit einer echten Strategie beginnen, die festlegt: So wollen wir Probleme lösen – und vielleicht setzen wir dabei KI ein, vielleicht aber auch nicht.“
Treffen Sie das Unternehmen dort, wo es steht
Dies steht im Gegensatz zu dem vorherrschenden, von Aspirationen getriebenen Denken, das die meisten Digitalisierungsdiskussionen bestimmt. Organisationen erstellen Fahrpläne für einen zukünftigen Zielzustand und versuchen dann, ihre aktuellen Abläufe daran anzupassen.
Wrights Argumentation geht in die entgegengesetzte Richtung: Verstehen, was tatsächlich vorhanden ist, und KI-Lösungen entwickeln, die diesen Gegebenheiten zugutekommen.
Binden Sie die Interessengruppen von Anfang an ein
„Es sollte keinen Ta-da-Moment geben“, sagte sie. Das Enthüllungsmodell am Ende, bei dem ein Datenteam isoliert arbeitet und dann ein fertiges Produkt präsentiert, führt zuverlässig zur Ablehnung.
Bis zu dem Zeitpunkt, an dem ein Tool die Menschen erreicht, die es benutzen sollen, hatten sie keinerlei Einfluss darauf, was es kann. Widerstand ist nicht irrational. Er ist das vorhersehbare Ergebnis von Ausgrenzung.
Das Governance-Problem
Wright unterscheidet zwischen zwei Arten von KI-Nutzern, die mittlerweile in den meisten Organisationen vertreten sind: diejenigen, die aus dem Bereich Daten und Analytik stammen und sich durch ihre technische Kompetenz mit KI vertraut gemacht haben, sowie diejenigen mit einem operativen oder funktionalen Hintergrund, denen oft die Grundlage fehlt, um zu erkennen, wenn etwas nicht stimmt. Die Entwicklung einer KI-Readiness-Strategie setzt das Verständnis dieser verschiedenen Nutzertypen voraus.
Diese Lücke ist ein Governance-Problem und liegt in der Verantwortung derjenigen, die das Unternehmen führen – nicht beim Datenteam. Wenn die Menschen, die KI-Ergebnisse überprüfen sollen, nicht verstehen, was sie bewerten, dann ist die Überprüfung reines Theater. Und Theater, das sich in genügend Initiativen wiederholt, ist die Ursache für eine Erfolgsquote von 5 %.
Die von Wright empfohlene Lösung ist Bildung, nicht vollständiges Eintauchen. Betriebsleiter müssen keine neuronalen Netze verstehen. Sie müssen wissen, wie verantwortungsvoller Einsatz aussieht, welche Leitplanken bestehen und warum sie existieren.
„Es macht es tatsächlich unmöglich, etwas zu vermasseln“, sagte sie und beschrieb, wie dieser Rahmen bei nicht-technischen Zielgruppen ankommt. „Und das gilt für uns alle.“
Die meisten Organisationen haben ein Jahrzehnt lang in Dateninfrastrukturen investiert. Die Kluft zwischen dieser Investition und tatsächlichen Geschäftsentscheidungen ist organisatorisch – und kein Plattform-Upgrade kann sie schließen.
