Warum KI-Projekte stagnieren, und was sie wirklich wieder voranbringt
Warum KI-Projekte stagnieren, und was sie wirklich wieder voranbringt
KI ist längst keine Frage des „Ob“ mehr. Fast jedes Unternehmen, mit dem wir sprechen, hat bereits entschieden, dass KI irgendwo im eigenen Geschäft zum Einsatz kommen soll. Die eigentliche Frage – und genau die lässt Projekte oft monatelang ins Stocken geraten – lautet: Wie?
In den vergangenen Monaten haben wir mit Kunden aus unterschiedlichsten Branchen immer wieder dieselben Gespräche geführt. Dabei zeichnet sich ein klares Muster ab: Selten ist die Technologie selbst der Engpass. Vielmehr sind es die Rahmenbedingungen: unklare Orientierung, nicht passende Tools, uneinige Stakeholder und Projektumfänge, die nie wirklich klar definiert werden.
Wir zeigen euch unsere Erfahrungswerte bei salestech Data & AI.
Vier Fragen, mit denen sich viele Unternehmen und Teams in der Praxis auseinandersetzen.
"Wir wissen, dass wir KI brauchen. Aber wir wissen nicht, wo wir anfangen sollen.“
Die meisten Unternehmen mangelt es nicht an Ambition, sondern an Orientierung. Der Markt bietet inzwischen mehr KI-Anbieter, Frameworks und „Lösungen“, als ein einzelnes Team realistisch bewerten kann. Der Druck, schnell voranzukommen, führt dabei häufig zu Entscheidungen, die stärker vom Hype als von der tatsächlichen Eignung für den jeweiligen Anwendungsfall geprägt sind.
Was wir anders machen: Wir starten beim Geschäftsproblem – nicht bei der Technologie. Bevor ein bestimmtes Modell oder eine Plattform überhaupt zur Diskussion steht, arbeiten wir gemeinsam mit unseren Kunden heraus, wie Erfolg in der Praxis konkret aussieht – operativ und messbar, nicht nur konzeptionell. Orientierung verstehen wir dabei nicht als einmalige Empfehlung, sondern als strukturierten, kontinuierlichen Prozess, der sich weiterentwickelt, sobald der Anwendungsfall konkreter wird.
"Welches Modell passt tatsächlich zu unserem Anwendungsfall?“
Nicht jeder Anwendungsfall benötigt ein großes, universell einsetzbares Modell, und nicht für jeden Anwendungsfall ist überhaupt ein KI-Modell erforderlich. Wir erleben regelmäßig, dass Unternehmen Lösungen mit Tools überdimensionieren, die leistungsfähiger (und teurer) sind, als es die eigentliche Aufgabe erfordert. Gleichzeitig wird unterschätzt, was ein Anwendungsfall tatsächlich in Bezug auf Datenqualität, Latenz oder Erklärbarkeit voraussetzt.
Was wir anders machen: Wir bewerten, welches Modell zum tatsächlichen Anwendungsfall passt, unter Berücksichtigung von Datenverfügbarkeit, Integrationsaufwand, Betriebskosten, Genauigkeitsanforderungen und der Frage, wie die Ergebnisse anschließend genutzt werden. Das Ziel ist nicht das beeindruckendste Modell, sondern das richtige Modell für die jeweilige Aufgabe.
"Jeder hat eine Meinung. Aber niemand übernimmt Verantwortung für den Prozess.“
Das ist oft der eigentliche Grund, warum Projekte scheitern. KI-Initiativen betreffen häufig mehrere Abteilungen – IT, Vertrieb, Operations und Führungsebene. Jede Stakeholder-Gruppe bringt dabei eigene Prioritäten, Erfolgskriterien und ein unterschiedliches Maß an KI-Kompetenz mit. Ohne aktives Stakeholder- und Prozessmanagement geraten Projekte schnell ins Stocken: Entscheidungen werden immer wieder neu diskutiert, Prioritäten verschieben sich im Projektverlauf und der anfängliche Schwung geht verloren.
Was wir anders machen: Wir verstehen die Abstimmung der Stakeholder als konkretes Projektergebnis, nicht als Nebenprodukt. Dazu gehören strukturierte Workshops, in denen unterschiedliche Prioritäten frühzeitig sichtbar und geklärt werden, eine klare Verantwortlichkeit für den gesamten Prozess sowie eine Kommunikation, die jede Stakeholder-Gruppe in den für sie relevanten Begriffen abholt, statt lediglich über technische Fortschritte zu berichten.
"Selbst die hinzugezogenen KI-Experten konnten den Projektumfang nicht stabil halten.“
Das ist ein unangenehmes Thema, über das man nicht gerne spricht – aber ein wichtiges: KI-Expertise allein löst ein Problem nicht automatisch, wenn die Erwartungen von Anfang an nicht klar definiert wurden. Wir erleben das häufig: Zeitpläne verschieben sich, der Projektumfang wächst schleichend und „Erfolg“ bedeutet für jede Person im Raum etwas anderes.
Was wir anders machen: Wir verstehen Scope- und Erwartungsmanagement als zentralen Bestandteil der Zusammenarbeit, nicht als nachgelagerten Schritt. Das bedeutet, klar zu definieren, was innerhalb und außerhalb des Projektumfangs liegt, realistische Zeitpläne auf Basis der tatsächlichen Komplexität statt auf Grundlage von Optimismus zu setzen und Erwartungen regelmäßig abzugleichen, anstatt stillschweigend davon auszugehen, dass alle weiterhin dasselbe Verständnis haben.
Der gemeinsame Nenner!
Keines dieser vier Probleme hat im Kern wirklich mit KI zu tun. Es geht vielmehr darum, wie Unternehmen Veränderungen gestalten, Menschen aufeinander ausrichten und mit Komplexität unter Unsicherheit umgehen. KI macht lediglich sichtbarer, wo die Herausforderungen und Lücken liegen.
Bei salestech Data & AI setzen wir genau hier an: Wir liefern nicht einfach ein Modell oder einen Proof of Concept. Wir sorgen dafür, dass Orientierung, passender Technologieeinsatz, Abstimmung und Prozess von Anfang an bis zur Umsetzung ineinandergreifen.
