Warum KI-Einführung an schlechten Daten scheitert, an diffusen Zielen
- bhoffmann
- 11. Feb.
- 4 Min. Lesezeit
Liest man die Vorteile, die für eine KI-Einführung in Unternehmen sprechen, dann scheint von vorneherein der konkrete Nutzen im Vordergrund zu stehen. Ich stelle mir vor, wie alle Bereiche des Unternehmens darauf warten, bis endlich die anstehenden Probleme gelöst werden. Sei es in der Industrie mit vorausschauender Wartung, seien es im Handel die Chatbots für den Kundenservice, im Bildungswesen das personalisierte Lernen. (Routine-)Arbeiten werden ausgelagert, Zeit eingespart, Kosten gesenkt.
Allerdings scheitern enorm viele KI-Rollouts. Sowohl in großen als auch in kleinen und mittleren Unternehmen (KMU). Woran liegt das?
Einschub: Hier muss ich noch kurz auf die kursierenden 95 Prozent an gescheiterten KI-Einführungen eingehen. Denn die Zahl basiert auf fragwürdigen Erhebungen. Die Range in den USA war sehr klein, der Bewertungszeitraum zu kurz. Daher habe ich bei ChatGPT nachgefragt. Und hoffe, nun über realistischere Zahlen zu verfügen, aber man weiß ja nie ... Auf jeden Fall sind einige Quellen angegeben. (siehe Infokasten unten).
In Zahlen: Scheitern* von KI-Rollouts
*Scheitern bedeutet meist fehlender wirtschaftlicher Nutzen. Quellen (Auswahl): MIT Sloan / BCG, Gartner, McKinsey, Bitkom |
Die Ziele des KI-Rollouts sind nicht abgesteckt
Die häufigsten Gründe für das Scheitern von KI-Projekten sind - laut Google-KI-Suche- unrealistische Erwartungen, und die schlechte Datenqualität. Das ist mit der Datenqualität ist ja mein Thema, aber das hebe ich mir bis zum Schluss auf.
Es geht sowohl um Chatbots, die nur Fragen beantworten, KI-Agenten, die auf Dauer Aufgaben autonom übernehmen. Dazwischen KI-Piloten, die mit Menschen zusammenarbeiten, Texte zusammenfassen, Recherchen erledigen.
Kommen wir zurück auf meine anfänglichen Ausführungen. Zum einen scheiterten Firmen, weil ihnen die konkreten Ziele fehlten. Also das Gegenteil von dem, was ich erwartet hatte: Es werde kein spezifisches Problem angepackt. Wie das? – Wird das Thema denn nicht ständig reflektiert? Gibt es nicht ausreichend Berater, ob Software-Unternehmen oder Unternehmensberater, auch Institute und Initiativen für den Mittelstand? Für mich bleibt die Frage erst mal offen.
Die Erwartungen an schnelle Lösungen sind zu hoch
Das Nächste: Erwartet wird, dass künstliche Intelligenz sofort wirkt. Da kann ich auch nur vermuten, dass zu schnell zu viel erwartet wird. KI-Agenten etwa muss man Zeit lassen für die Lernprozesse.
Nicht zuletzt werden auch die Mitarbeiter angeführt, die nicht mitziehen wollen. Das höre ich bei Veranstaltungen zu dem Thema immer wieder, ob bei renommiertem Institut oder Mittelstandsberatung. Die fehlende Motivation der Mitarbeiter wird angesprochen und meist der Geschäftsführung angelastet, die es nicht schaffe, ihre Angestellten mit ins Boot zu nehmen. Dabei beschäftigen sich die meisten von uns doch bereits privat mit KI, und sei es nur mit Chatbots, die für uns recherchieren, uns beraten, Texte schreiben. Und nicht wenige befassen sich in ihrer Freizeit tiefergehend mit der Materie.
KI-Einführung: Neben schlechten Daten - Technologie wird falsch eingesetzt
Sind es, nach meiner Einschätzung, nicht die Angestellten, so ist es nach allgemeinem Verstehen auch nicht die Technik. Außer man setzt sie falsch ein.
Dann nämlich, wenn Unternehmen künstliche Intelligenz wie herkömmliche Software behandelten, so ein Artikel des Bayerischen Rundfunks. Doch KI-Agenten etwa sind kein statisches System, dass man einfach nur mit Daten füllt, wie Excel oder ein Redaktionssystem. Die Tools verändern sich, lernen dazu. Auch der Umgang mit KI-Piloten muss gelernt werden, die Chatbots getestet.
Die Mensch-Maschine-Routine muss erst eingeübt werden
Daraus ergibt sich: KI wird in Unternehmen oft nicht optimal eingesetzt. Man könne nicht einfach nur Routinearbeiten auf die KI übertragen. Mensch und Maschine müssten zusammenarbeiten, sich ergänzen. Die Piloten beispielsweise müssten in den betrieblichen Kontext passen. Siehe BigData-Insider.
Ein Tipp dazu: Es müsse definiert werden, wie Teams gemeinsam mit KI vorgehen, wohl dosiert, mit kleinen konkreten Fallbeispielen, Vorlagen. Dabei müssten klar die Zuständigkeiten, die Verantwortung, die Regeln vorgegeben werden.
Überhaupt, so ein Handelsblatt-Artikel, sollten Unternehmen ihre Partner, Kunden und Mitarbeiter im Vorfeld nach konkreten Problemen befragen. Etwa nach Engpässen, mangelnder Kundenbetreuung, nach besserem Monitoring. Oft werde KI isoliert betrachtet, dabei müssten alle Bereiche des Unternehmens involviert sein. ‚Beispielsweise könnte ein KI-Chatbot, der spezielle Fragen beantwortet, zunächst nur für eine kleine Kundengruppe eingesetzt und später auf größere Gruppen ausgeweitet werden‘, heißt es in dem Artikel.
Die Daten müssen bereit sein, korrekt und inhaltlich klug aufbereitet
Jetzt komme ich – endlich – auf mein Thema zurück, schlechte Daten bei der KI-Einführung. Elisabeth L’Orange, KI-Partnerin bei Deloitte äußert sich so: ‚Der erste Schritt ist ganz klar die sogenannte Data Readiness. Unternehmen müssen ihre Daten in strukturierter Form ablegen, idealerweise in maschinenlesbaren Formaten. Momentan sieht man häufig, dass wichtige Informationen noch physisch in Aktenordnern im Keller schlummern. Diese müssen eingescannt und in moderne Datenbanken überführt werden.‘
Des Weiteren, und das ist mein Anliegen, müssen Daten formal-inhaltlich aufbereitet werden. Sie müssen korrekt sein, aktuell, einheitlich; Informationen können zudem – jetzt ist die Gelegenheit! – klug aufbereitet werden.
Hier ein Überblick über meinen Service. Und hier mein Vorschlag für einen umfassenden Leitfaden, der alle Bereiche des Unternehmens umfasst. Jedem eine Richtlinie in die Hand gibt. Und hier noch eine Motivation, ein guter Grund, sein Unternehmen besser kennenzulernen.