HÜRDEN BEI DER KI-IMPLEMENTIERUNG KI-PROJEKTE IM STURZFLUG?
30.04.2026 Von 3 min Lesedauer
Anbieter zum Thema
Viele KI-Projekte in Unternehmen heben mit großem Tempo ab – und gehen kurz
darauf in den Sturzflug. Damit die KI-Implementierung gelingen kann und zum
Produktivitätsmotor wird, braucht es jedoch mehr als Pioniergeist, sondern vier
Grundvoraussetzungen.
Vom Start zum Sturzflug ist es bei oft nur ein kurzer Weg. Das zeigen auch die
Zahlen einer Umfrage von DXC Technology. Demnach stellt KI für 77 Prozent der
befragten Führungskräfte zwar eine Priorität dar, jedoch können 65 Prozent
keinen klaren Business Case für ihr Unternehmen definieren. 94 Prozent stehen
sogar vor erheblichen Herausforderungen, KI im großen Maßstab einzusetzen. Dies
wird durch eine MIT-Studie bestätigt, der zufolge 95 Prozent der
KI-Pilotprojekte scheitern.
Viele Unternehmen verfallen in KI-Aktionismus: Pilotprojekte werden gestartet,
während entscheidende Faktoren vernachlässigt werden. Die Folge: Was im Labor
funktioniert, scheitert in der Praxis. Um dies zu ändern, sind laut Jacqueline
Fechner, General Managerin bei DXC Technology DACH, folgende vier
Voraussetzungen entscheidend, die den Unterschied zwischen gescheiterten
KI-Projekten und KI-Projekten mit messbarem Mehrwert ausmachen.
ZUR METHODIK DER STUDIE:
Die DXC Technology Studie wurde im August 2025 durchgeführt und umfasste 2.496
Teilnehmer, die in globalen Unternehmen in 23 Ländern Führungspositionen in den
Bereichen Technologie und Wirtschaft innehaben.
1. DEFINIERTE BUSINESS CASES
In der KI-Welt sieht es aktuell so aus: Unternehmen führen Tools ein und
erwarten, dass sich daraus ein Selbstläufer entwickelt. Das mag in einzelnen
Fällen funktionieren, strategisch fundiert ist es aber nicht.
Stattdessen sollte zu Beginn einer KI-Strategie eine ehrliche Analyse von
Funktionen stehen, bei denen KI einen Mehrwert unter realen Geschäftsbedingungen
liefern kann:
* Dazu sollte man beispielsweise auf die Einschränkungen eingehen, wie
beispielsweise Datenschutz und Fehleranfälligkeit.
* Zudem ist zu berücksichtigen, dass sich in Human‑in‑the‑Loop-Prozessen sowohl
der menschliche Arbeitsaufwand als auch die benötigten Fähigkeiten verändern
und diese Verschiebungen in eine Gesamtproduktivitätsrechnung einbezogen
werden müssen.
* Je nach individueller Situation eines Unternehmens oder Branchenvorgaben
können selbstverständlich noch weitere kritische Punkte hinzukommen.
2. AUSREICHENDE INFRASTRUKTUR
Dass KI enorme Rechenleistungen benötigt, ist allgemein bekannt. Wie diese
bereitgestellt werden soll, bleibt eine schwierige Frage – vor allem, wenn
Unternehmen die Kontrolle über ihre Daten behalten wollen oder müssen. Häufig
mangelt es in Unternehmen an der erforderlichen Infrastruktur, um
KI-Pilotprojekte weiterzuentwickeln und in den produktiven Betrieb zu
überführen.
Um dem entgegenzuwirken, sollten Unternehmen auf Cloud-native, modulare
Plattformen setzen, die eine flexible Skalierung von Rechen- und
Speicherkapazitäten ermöglichen. Ebenso entscheidend ist der uneingeschränkte
Zugriff auf relevante Daten. Wenn den Modellen die notwendigen Daten fehlen,
kann die KI nicht sinnvoll in reale Prozesse eingebunden werden. Durch den
Einsatz moderner - oder Data-Mesh-Ansätze können Unternehmen eine Infrastruktur
etablieren, die eine reibungslose Interaktion mit KI unterstützt. Darüber hinaus
sollte eine modulare Architektur auch - und Cloud-Ressourcen integrieren, um
komplexe Geschäftsprozesse ganzheitlich abzubilden.
3. TRANSPARENTE CHANGE-PROZESSE
Was bei Diskussionen rund um KI gerne übersehen wird: Es geht nicht nur um
technische Fragen, sondern auch um jeden Rollout, welcher von einem
Change-Prozess begleitet wird. Dass diese häufig scheitern, ist keine Neuigkeit:
Vor mehr als zehn Jahren bezifferte McKinsey bereits den Anteil der
fehlgeschlagenen Veränderungsprozesse auf 70 Prozent. Alles was mit KI zu tun
hat, ist zudem kein herkömmlicher Change-Prozess; das Thema wird breit in der
Gesellschaft diskutiert und ist emotional aufgeladen wie kaum eine andere
Technologie. Umso wichtiger ist es, den Rückhalt der Mitarbeitenden zu gewinnen
und zu halten, wenn KI-Projekte wirklich produktiv werden sollen.
Unternehmen sollten deswegen vermeiden, dass Mitarbeitende sich als „Betroffene“
einer Entwicklung wahrnehmen, auf die sie keinen Einfluss haben. Andernfalls
können schnell Unsicherheiten und Ängste entstehen – beispielsweise die Sorge, .
Dem lässt sich entgegenwirken, indem die Belegschaft frühzeitig und aktiv in
KI-Initiativen eingebunden wird. Wichtig ist zudem, dass die Geschäftsführung
Ziele, Zuständigkeiten und Rahmenbedingungen transparent kommuniziert. Ergänzend
dazu können gezielte Weiterbildungsangebote Mitarbeitende dabei unterstützen,
sich auf die Zusammenarbeit mit KI vorzubereiten.
4. DATENSCHUTZ VS. BLACK BOX: EIGENE MODELLE ALS AUSWEG?
Ein weiteres Problem kann der -Charakter generativer KI für Unternehmen
darstellen, die mit sensiblen Daten arbeiten oder wertvolles geistiges Eigentum
verwalten. Vor einer Implementierung sollte sichergestellt werden, dass es keine
ungewollten bzw. unkontrollierten Datenabflüsse gibt. Klare Richtlinien sind
daher Pflicht, doch darüber hinaus sollten auch technische Barrieren etabliert
werden. In einigen Fällen sollten Unternehmen auch darüber nachdenken, eigene
Modelle zu betreiben, die nur auf interne Daten zugreifen und nicht mit dem
öffentlichen Internet verbunden sind. Hierbei stellt sich wiederum die Frage der
ausreichenden Infrastruktur.
(ID:50828850)