"Wir brauchen dringend KI" - und dann scheitert das Projekt

Die Szene, die sich ständig wiederholt

Der CEO kommt aus einer Konferenz. Oder hat einen Artikel gelesen. Oder hat gehört, dass der Wettbewerber "was mit KI macht".

"Wir brauchen dringend KI."

Budget wird freigegeben. Ein Team wird zusammengestellt. Neun Monate später: Ein Modell liegt herum, das irgendetwas vorhersagt. Aber niemand nutzt es.

Warum? Weil die Vorhersage für niemanden wertvoll ist. Oder weil die Qualität nicht reicht. Oder weil es keinen Plan gab, wie die Leute das Ding tatsächlich nutzen sollen.

(Das klingt übertrieben? Ist es nicht. Wir sehen das alle paar Monate.)

Die unbequeme Statistik

Etwa 70% der unternehmensweiten KI-Initiativen bringen nicht den erhofften Business Value.

Nicht weil die Modelle schlecht sind. Nicht weil die Data Scientists nicht können. Sondern weil Unternehmen mit der falschen Frage anfangen.

"Wie setzen wir KI ein?"

Das ist die falsche Frage.

Die richtige Frage: "Welches konkrete Geschäftsproblem können wir damit lösen?"

Das klingt trivial. Ist es aber nicht. Die erste Frage führt zu Bottom-up: Du sammelst Tech-Experten, und sie suchen nach Problemen für ihre Lösung. Das ist rückwärts.

Die zweite Frage führt zu Top-down: Du fragst, wo es wehtut, wo Kosten entstehen, wo Kunden frustriert sind. Und dann prüfst du, ob KI helfen kann.

Die fünf Gründe, warum KI-Projekte scheitern

1. Hype statt Strategie

Der Druck, "nicht abgehängt zu werden", führt zu Investitionen ohne klares Ziel. "Wir müssen generative KI implementieren" ist keine Strategie. Das ist Panik.

2. Daten sind nicht das, was Unternehmen denken

"Wir haben ja so viel Daten!" Ja. Aber Daten im System zu haben ist nicht das gleiche wie saubere, strukturierte, für Machine Learning nutzbare Daten zu haben.

Die meisten Unternehmen unterschätzen den Aufwand für Data Preparation massiv. Es ist nicht sexy. Aber es ist entscheidend.

3. Keine Business Ownership

Viele KI-Projekte werden von der IT getrieben. Das ist ein klassischer Fehler. Wenn der Business Owner nicht dahinter steht - wenn die Person, die das Ergebnis nutzen soll, nicht aktiv involviert ist - dann baust du eine Lösung, die niemand will.

4. Change Management als Nachgedanke

Ein Modell zu bauen ist der einfache Teil. Menschen dazu zu bringen, es zu nutzen und ihre Prozesse anzupassen - das ist der schwere Teil.

Wir haben hochpräzise Vorhersagemodelle gesehen, die niemand nutzt. Weil die Nutzer nicht geschult wurden. Weil die Integration in ihre Workflows schmerzhaft ist. Weil niemand erklärt hat, warum das wertvoll sein soll.

5. ROI ist nicht definiert

Am Ende fragt jemand: "War das erfolgreich?" Und niemand weiss es. Weil vorher nicht definiert wurde, was "erfolgreich" bedeutet.

War es Zeiteinsparung? Revenue-Steigerung? Fehlerreduktion? Wenn das nicht klar ist, kannst du nichts messen. Und der nächste Manager sagt: "Das Projekt war teuer und hat nichts gebracht."

Was KI-Strategie wirklich bedeutet

KI-Strategie ist nicht "Wir implementieren KI." Das ist wie "Unsere Strategie ist, Software zu nutzen." Das sagt nichts.

KI-Strategie bedeutet:

Ein klares Ziel. Nicht "wir wollen KI nutzen", sondern "wir reduzieren die durchschnittliche Response Time im Customer Service von 24 Stunden auf 2 Stunden durch automatische Ticket-Klassifizierung."

Realistische Erwartungen. ChatGPT ist beeindruckend. Aber es halluziniert. Es versteht nuancierte Geschäftslogik manchmal nicht. Es funktioniert möglicherweise nicht auf deinen spezifischen Daten.

Ehrliche Readiness-Bewertung. Hast du die Daten? Hast du die Skills? Hast du die Infrastruktur? Das sind keine theoretischen Fragen - das sind praktische Blocker.

Klare Metriken. Bevor du anfängst: Was bedeutet Erfolg? Wie misst du das? Wann weisst du, ob es funktioniert hat?

Generative KI: Die Realität hinter dem Hype

Generative KI (ChatGPT, Claude, etc.) ist kein Wundermittel. Es ist ein leistungsfähiges Tool für spezifische Use Cases.

Wo es gut funktioniert:

- Zusammenfassungen von langen Dokumenten

- Content-Generierung (mit menschlicher Review)

- Q&A auf Basis von Wissensdatenbanken

- Code-Generierung (der Code muss reviewt werden)

- Klassifizierung und Extraktion

Wo es schlecht funktioniert:

- Finanzielle oder kritische Entscheidungen, wo Genauigkeit entscheidend ist

- Hochspezialisierte Domains, wo das Modell halluzinieren könnte

- Privacy-kritische Use Cases, wenn Datenschutz nicht gewährleistet ist

Was die meisten unterschätzen:

Halluzinationen sind real. Generative Modelle können erfundene Fakten präsentieren, als wären sie wahr. Das ist kein kleines Problem.

Datenschutz ist komplex. Wenn du ChatGPT direkt nutzt (nicht die Enterprise-API), können deine Daten potenziell fürs Training verwendet werden. Das ist ein GDPR-Problem.

Kosten skalieren. "Generative KI ist kostenlos" ist ein Mythos. Bei einer Million API-Calls pro Monat wird das schnell fünfstellig.

Der pragmatische Weg

Wenn du KI ernsthaft angehen willst:

1. Fang mit dem Problem an, nicht mit der Technologie

Was sind die drei grössten Schmerzen in deinem Unternehmen? Wo entstehen die meisten Kosten? Wo verlieren Kunden Zeit? Wo sind Fehlerquoten hoch?

Erst wenn du das weisst, fragst du: Kann KI hier helfen?

2. Bewerte deine Readiness ehrlich

Hast du die Daten? Sind sie sauber? Hast du jemanden, der das treiben kann? Ist das Business dahinter?

Wenn die Antwort auf mehrere dieser Fragen "Nein" ist - dann fang dort an, nicht mit dem KI-Projekt.

3. Starte klein

Nicht "wir transformieren alles mit KI". Sondern: Ein Pilot. Ein Problem. Klare Metriken. Wenn das funktioniert, skalieren. Wenn nicht, lernen.

4. Definiere Erfolg vorher

Was bedeutet es, wenn das Projekt erfolgreich ist? Wie misst du das? Schreib es auf, bevor du anfängst.

5. Nimm Governance ernst

Die EU AI Act ist nicht optional. Wenn dein Modell in sensiblen Bereichen läuft - Recruiting, Kredite, Medizin - dann gibt es regulatorische Anforderungen. Die zu ignorieren ist teuer.

Was du tun kannst

1. Liste die drei grössten Geschäftsprobleme auf - nicht IT-Probleme, Geschäftsprobleme. Wo verliert ihr Geld? Wo sind Kunden frustriert? Wo entstehen Fehler?

2. Frag dich bei jedem: Könnte KI hier helfen? Sei ehrlich - manchmal ist ein simples regelbasiertes System besser als Machine Learning.

3. Bewerte eure Daten-Situation - Wenn du morgen ein Modell trainieren wolltest, könntest du dem Data Scientist die Daten geben? Sind sie sauber? Strukturiert?

4. Sprich mit dem Business - Nicht nur IT. Würde jemand aus dem Fachbereich das Ergebnis nutzen? Ist dort echtes Interesse?

Der Punkt

KI ist kein magisches Ding. Es ist ein Werkzeug. Ein sehr leistungsfähiges, aber ein Werkzeug.

KI schafft Wert, wenn du die richtigen Probleme löst. Wenn du realistisch bist über Möglichkeiten und Grenzen. Wenn deine Daten in Ordnung sind. Wenn das Business dahinter steht.

Die Unternehmen, die mit KI erfolgreich sind, haben nicht die beste Technologie. Sie haben die klarsten Ziele. Sie wissen, was sie erreichen wollen. Sie messen, ob es funktioniert.

Das ist nicht sexy. Das ist nicht Hype. Aber es funktioniert.

Du willst KI strategisch angehen - nicht als Hype-Projekt? Wir helfen Schweizer Unternehmen dabei, die richtigen Probleme zu finden und echten ROI zu erzielen. Sprich mit uns.