KI ist die Belohnung für operative Disziplin, aber sie schafft sie nicht
KI-Herausforderungen: Führungskräfte lassen sich oft von den vermeintlichen Fähigkeiten der KI täuschen und übersehen grundlegende organisatorische Probleme, die sich auf die Einführung auswirken.
Datenthemen: Typische Hürden für eine effektive KI-Integration sind das Engagement der Führungsebene, die Datenqualität und die organisatorische Kompetenz.
Infrastruktur-Bedarf: Erfolgreiche KI-Anwendungen benötigen eine robuste Infrastruktur und häufig eine Umsetzungs-Roadmap von 12 bis 18 Monaten.
Führungsabstimmung: Die Zusammenarbeit im C-Level ist entscheidend, um gemeinsame Probleme anzugehen, anstatt isolierte Abteilungsstrategien zu verfolgen.
Operative Disziplin: Echte, nachhaltige KI-Erfolge entstehen aus disziplinierten Abläufen, nicht ausschließlich durch neue Technologien oder Tools.
Irgendwann in den letzten zwei Jahren haben die meisten Führungskräfte auf C-Ebene sich eingeredet, sie hätten ein KI-Problem. Der Vorstand will eine Strategie. Wettbewerber verkünden Pilotprojekte. Der CFO fragt nach ROI-Zeitleisten. Also wurde ein Chief AI Officer eingestellt, eine Taskforce gegründet und nach Anbietern gesucht.
All das löst das eigentliche Problem nicht.
Eric Gonzalez hat als Interims-Chief Data Officer jahrelang in Organisationen verbracht und Unternehmen dabei geholfen, die Kluft zwischen den Erwartungen der Führungsebene an KI und dem, was ihre Prozesse tatsächlich leisten können, zu überbrücken.
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
Die immer gleichen drei Antworten
Er erzählt von einer Paneldiskussion, die er vor einigen Jahren leitete. Das Publikum – ein Raum voller Daten- und Technikverantwortlicher – sollte die größten Hindernisse für eine gesunde Dateninfrastruktur benennen. Die Ergebnisse wurden als Wortwolke präsentiert. Es kristallisierten sich immer wieder die gleichen drei Punkte heraus: Engagement der Führungsebene, Datenqualität und Datenkompetenz.
„Wenn Sie diese Frage 2005 gestellt hätten“, sagte Gonzalez auf der Optimized AI Conference in Atlanta, „wären genau diese Dinge heute noch die gleichen Herausforderungen für Unternehmen.“
Er hat recht. Und die Konsequenzen sind unbequemer, als viele Führungskräfte wahrhaben wollen.
Die organisatorischen Altlasten, die KI-Einführungen so schwierig machen, wurden nicht von KI verursacht. Sie sind das Ergebnis von Jahren mit fragmentierten Systemen, ungeklärten Governance-Fragen, abgeschotteten Teams und Fehlanreizen, die niemand behoben hat, weil die Kosten einer Lösung immer höher erschienen als die Kosten der Umgehungen.
Dann kam generative KI – und plötzlich war es sehr teuer, diese Probleme zu ignorieren.
Das von Gonzalez beschriebene Muster findet sich branchen- und funktionsübergreifend. Besuchen Sie Konferenzen zu KI, Operations oder Personal, werden Sie vermutlich eine Variation davon hören: Organisationen jagen einer neuen Technologie hinterher, in der Hoffnung, dass sie Probleme löst, die grundsätzlich von Menschen und Prozessen handeln.
Das passiert im Data Engineering. Es passierte, als Data Science als attraktivster Job Amerikas bezeichnet wurde. Jetzt passiert es wieder. Die Technologie wandelt sich. Die zugrundeliegenden Missstände bleiben.
Die Herausforderung der KI
Was die aktuelle Situation unterscheidet, ist die Größe des Einsatzes. KI-Investitionen sind größer, schneller und sichtbarer als alles, was es zuvor gab.
Wenn ein Pilotprojekt scheitert, dann oft, weil die zugrundeliegenden Daten unzuverlässig sind, niemand klare Verantwortlichkeiten für die eingesetzten Modelle festgelegt hat oder weil zwei Abteilungen völlig unterschiedliche Vorstellungen davon hatten, was das Tool leisten sollte.
Gonzalez verweist auf ein bezeichnendes Beispiel. Ein Krankenversicherer mit mehr als 25 Millionen Mitgliedern setzte generative KI nicht für die Leistungsprüfung ein, sondern für das Verfassen von Ablehnungsbescheiden – eine Compliance-Anforderung, die zuvor enorme manuelle Arbeit bedeutete. Das Ergebnis: 80-90% weniger Overhead in diesem Prozess. Kein multimodaler Agent. Kein unternehmensweiter autonomer Betrieb. Ein eng umrissenes, klar definiertes Problem, mit ausreichend sauberen Daten, um es tatsächlich zu lösen.
Die unspektakuläre Arbeit kam zuerst. Fast immer sind es genau diese Schritte, die echten Erfolg ermöglichen.
Die Voraussetzungen für echten Nutzen
Die Führungskräfte, die wirklich vorankommen, teilen eine besondere Disziplin: Sie haben aufgehört, danach zu fragen, wo KI eingesetzt werden kann, und stellen stattdessen die Frage, was erfüllt sein muss, damit KI hier tatsächlich einen Wertbeitrag leisten kann. Der Unterschied klingt subtil, ist er aber nicht.
Die erste Frage führt zu einer Vielzahl von Pilotprojekten, die nie über das Konzept hinauskommen. Die zweite Frage zwingt zur ehrlichen Bestandsaufnahme, ob die Basis – Datenqualität, Governance, bereichsübergreifende Abstimmung, klare Verantwortlichkeiten – überhaupt vorhanden ist.
Oft ist sie das nicht. Und die ehrliche Antwort auf "Was muss erfüllt sein?" ist meist ein 12- bis 18-monatiger Fahrplan, beginnend mit Infrastruktur, die niemand finanzieren will, weil sie in keiner Demo sichtbar wird.
Hier zählt die Ausrichtung innerhalb der Führungsriege mehr als die Strategie einzelner Funktionsbereiche. Der CHRO, der sich um die Auswirkungen auf die Belegschaft sorgt, der CIO, der technische Altlasten managt, der COO, der Abläufe neu gestaltet, der CFO, der die Rendite prüft – sie schauen nicht auf verschiedene Probleme, sondern auf das gleiche Problem aus unterschiedlichen Blickwinkeln.
Wenn diese Perspektiven nicht zusammenfinden, werden KI-Investitionen oft falsch getaktet, Verantwortlichkeiten verwischen und die Lücke zwischen Erwartung und Ergebnis wächst, bis jemandes Budget gekürzt wird.
Gonzalez bringt die alles entscheidende Begrenzung auf den Punkt.
Technologie ist selten das, was Organisationen aufhält", sagt er. „Politische Strukturen, abgegrenzte Zuständigkeiten, konkurrierende Prioritäten und fehlende Anreize hindern sie. Das sind Führungsprobleme. Sie brauchen Führungs-Lösungen, keinen weiteren Anbieter, kein besseres Modell, kein schickeres Tool."
Nachhaltiger Fortschritt sieht von außen langweilig aus. Es bedeutet, Plattformen neu zu strukturieren, seit Jahren bestehende Fragen der Datenverwaltung zu klären und die schwierigen Kompromisse einzugehen, die mit einer zentralisierten Kontrolle der Entwicklung und Einführung von KI einhergehen. All dies macht sich in einer Quartalspräsentation nicht gut. Doch alles zahlt sich mit der Zeit aus.
Aber KI belohnt operative Disziplin. Sie schafft sie nicht.