KI ist die Belohnung für operative Disziplin, aber sie schafft sie nicht
KI-Herausforderungen: Führungskräfte werden oft über die Fähigkeiten von KI in die Irre geführt und ignorieren grundlegende organisatorische Probleme, die den Einsatz beeinträchtigen.
Datenprobleme: Häufige Barrieren für eine effektive KI-Integration sind die Zustimmung des Managements, Datenqualität und organisatorische Kompetenz.
Infrastrukturbedarf: Erfolgreiche KI-Anwendungen benötigen eine robuste Infrastruktur, oft mit einem 12- bis 18-monatigen Fahrplan für die Umsetzung.
Führungsabstimmung: Die Zusammenarbeit der Geschäftsleitung ist entscheidend, um gemeinsame Probleme anzugehen, anstatt abteilungsinterne Einzelstrategien zu verfolgen.
Operative Disziplin: Echter, nachhaltiger KI-Erfolg resultiert aus einer disziplinierten Betriebsführung, nicht nur durch neue Technologien oder Tools.
In den letzten zwei Jahren haben sich die meisten Führungskräfte in der Chefetage eingeredet, dass sie ein KI-Problem haben. Der Vorstand möchte eine Strategie. Die Konkurrenz kündigt Pilotprojekte an. Der CFO fragt nach ROI-Zeitplänen. Also wurde ein Chief AI Officer eingestellt, eine Taskforce aufgestellt und mit der Suche nach Anbietern begonnen.
Doch all das löst nicht das eigentliche Problem.
Eric Gonzalez hat jahrelang als Interims-Chief Data Officer in Unternehmen gearbeitet und dabei geholfen, die Lücke zwischen den Vorstellungen von Führungskräften, was KI leisten kann, und den tatsächlichen Möglichkeiten der eigenen Abläufe zu schließen.
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
Immer wieder dieselben drei Antworten
Er erzählt die Geschichte eines Panels, das er vor einigen Jahren leitete. Das Publikum – ein Saal voller Daten- und Technologieverantwortlicher – wurde gebeten, die wichtigsten Hürden für eine gesunde Dateninfrastruktur zu nennen. Die Ergebnisse erschienen als Wortwolke. Immer tauchten die gleichen drei Hindernisse auf: Zustimmung des Managements, Datenqualität und Datenkompetenz.
„Hätten Sie diese Frage 2005 gestellt“, sagte Gonzalez auf der Optimized AI Conference in Atlanta, „würden Organisationen mit denselben Dingen kämpfen.“
Er hat recht. Und die Konsequenzen sind unangenehmer, als es die meisten Führungskräfte zugeben wollen.
Die organisatorische Altlast, die den KI-Einsatz so schwierig macht, ist nicht durch KI entstanden. Sie ist das Ergebnis jahrelanger fragmentierter Systeme, ungelöster Fragen der Governance, isolierter Teams und fehlgelenkter Anreize, die niemand behoben hat, weil die Kosten für die Lösung immer größer als die Kosten für Umgehungen erschienen.
Dann kam generative KI – und plötzlich wurde es sehr teuer, diese Probleme zu ignorieren.
Das Muster, das Gonzalez beschreibt, zeigt sich branchenübergreifend und unabhängig von der Führungsfunktion. Besuchen Sie Konferenzen über KI, Betrieb oder Personal, dann hören Sie vermutlich eine Variante davon: Organisationen rennen neuen Technologien hinterher, in der Hoffnung, dass diese Probleme lösen, die im Kern auf Menschen und Prozesse zurückgehen.
Das geschieht beim Data Engineering. Es geschah, als Data Science der „sexieste Beruf Amerikas“ genannt wurde. Und es geschieht wieder. Die Technologie wechselt, die grundlegenden Dysfunktionen bleiben bestehen.
Die Herausforderung von KI
Was dieses Zeitalter unterscheidet, ist die Größe des Einsatzes. KI-Investitionen sind größer, schneller und sichtbarer als alles zuvor.
Wenn ein Pilot scheitert, liegt es meist daran, dass die zugrunde liegenden Daten unzuverlässig sind, niemand die klare Verantwortung für die eingesetzten Modelle übernimmt oder zwei Abteilungen völlig unterschiedliche Annahmen darüber haben, was das Tool eigentlich leisten soll.
Gonzalez verweist auf ein bemerkenswertes Beispiel: Ein Krankenversicherer mit über 25 Millionen Versicherten setzte generative KI nicht für die Entscheidung von Leistungsfällen, sondern zum Verfassen von Ablehnungsschreiben ein – eine Compliance-Anforderung, die zuvor enorme manuelle Aufwände verursachte. Das Ergebnis war eine Reduzierung des Aufwands für diesen Prozess um 80–90 %. Kein multimodaler Agent. Kein autonomes System für das gesamte Unternehmen. Ein eng umrissenes, klar definiertes Problem mit ausreichend sauberen Daten für eine echte Lösung.
Zunächst kam die unspektakuläre Arbeit. Fast immer entstehen so echte Erfolge.
Die Voraussetzungen für Wertschöpfung
Die Führungskräfte, die echten Fortschritt machen, haben eine besondere Disziplin gemeinsam: Sie hören auf zu fragen, wo KI eingesetzt werden kann, und beginnen damit, zu fragen, was erfüllt sein muss, damit KI hier wirklich einen Mehrwert liefert. Die Unterscheidung klingt subtil – ist sie aber nicht.
Die erste Frage führt zu einer Vielzahl von Pilotprojekten, die nie über die Konzeptphase hinauskommen. Die zweite zwingt zu einer ehrlichen Bestandsaufnahme, ob das Fundament – Datenqualität, Governance, funktionsübergreifende Abstimmung, klare Verantwortung – wirklich gegeben ist.
Meistens ist das nicht so. Und die ehrliche Antwort auf „was muss erfüllt sein“ ist ein 12- bis 18-monatiger Fahrplan, der mit Infrastruktur beginnt, die niemand finanzieren will, weil sie in keiner Demo sichtbar wird.
Hier kommt die Ausrichtung der Chefetage stärker zum Tragen als jede einzelne Fachstrategie. Die Personalchefin, die sich um die Störung der Belegschaft sorgt, der CIO, der technische Altlasten verwaltet, der COO, der Abläufe neu gestaltet, der CFO, der Renditen bewertet – sie sehen nicht verschiedene Probleme, sondern ein und dasselbe aus unterschiedlichen Blickwinkeln.
Wenn diese Perspektiven nicht zusammenkommen, werden KI-Investitionen oft falsch priorisiert, Verantwortlichkeiten verwischen und die Lücke zwischen Erwartung und Ergebnis wird immer größer, bis schließlich das Budget gekürzt wird.
Gonzalez bringt die verbindende Einschränkung klar auf den Punkt.
„Technologie ist selten das, was Organisationen aufhält“, sagte er. „Es sind politische Strukturen, abgeschottete Verantwortlichkeiten, konkurrierende Prioritäten und fehlende Anreize, die sie aufhalten. Das sind Führungsprobleme. Sie verlangen nach Führungsstärke – nicht nach einem weiteren Anbieter, nicht nach einem besseren Modell, nicht nach einem glänzenderen Tool.“
Nachhaltiger Fortschritt sieht von außen langweilig aus. Es geht darum, Plattformen neu zu gestalten, seit Jahren schwelende Fragen der Datenverwaltung zu lösen und die schwierigen Abwägungen zu treffen, die mit der Zentralisierung der Verantwortung für die Entwicklung und den Einsatz von KI einhergehen. Nichts davon lässt sich in einem Quartalsbericht gut präsentieren. Alles davon addiert sich jedoch auf Dauer.
Aber KI belohnt operative Disziplin. Sie schafft sie nicht.
