Glaubt man Studien und Behauptungen im Internet, sind die Erfolgsaussichten von KI-Projekten eher gering. Oft heißt es, jedes Zweite scheitere, komme nicht über das Experimentierstadium hinaus oder bringe keinen relevanten Nutzen. Einer MIT-Untersuchung zufolge haben KI-Projekte sogar eine Fehlschlagquote von 95 %, und die Analysten von Gartner gehen davon aus, dass bis Ende 2027 mehr als 40 % der Projekte mit Agentic AI eingestellt werden.
Nach Erfahrung von Pegasystems ist ein strukturiertes Vorgehen entscheidend, um Risiken wie gerissene Deadlines oder aus dem Ruder laufende Kosten zu vermeiden. Mit dem folgenden Fahrplan erhöhen Unternehmen die Erfolgsquote ihrer KI-Projekte und stellen sicher, dass sie einen realen Business-Nutzen generieren:
Schritt 1 – Use Case auswählen
Statt krampfhaft nach einem Anwendungsfall für KI oder eine konkrete KI-Technologie wie GenAI oder Machine Learning zu suchen, sollten Unternehmen von konkreten Business-Problemen ausgehen. Wichtig ist es, Probleme zu identifizieren, deren Lösung einen geschäftlichen Mehrwert bietet, etwa kürzere Bearbeitungszeiten, geringere Kosten oder bessere Entscheidungen, und das regelmäßig und nicht nur im Einzelfall.
Anschließend können sie eruieren, ob und wann welche KI-Form tatsächlich das richtige Werkzeug ist, denn nicht jedes Problem braucht zwangsläufig KI – oft reichen auch Anwendungen mit klassischen Regeln oder Kombinationen. Sind mehrere Use Cases für den KI-Einsatz gefunden, lassen sich diese priorisieren.
Idealerweise starten Unternehmen nicht mit dem komplexesten, sondern einem einfach umsetzbaren Use Case, der einen hohen Nutzen bringt. Auf diese Weise sammeln sie schnell Erfahrungen und haben Erfolgserlebnisse, was die Lösung weiterer Business-Probleme erleichtert.
Schritt 2 – Anforderungen ableiten
Ausgehend vom Problem können Unternehmen die Anforderungen für die künftige Anwendung definieren. Neben funktionalen Anforderungen, die sich meist recht leicht ableiten lassen, spielen nicht-funktionale Anforderungen eine wichtige Rolle. Diese reichen von der Genauigkeit und Auditierbarkeit der KI-Ergebnisse über die Verfügbarkeit und Antwortzeit der Anwendung bis hin zur Skalierung und Sicherheit.
Optimal ist es, wenn Unternehmen auch schon KPIs festlegen, um den Nutzen der KI-Anwendung messbar und kontrollierbar zu machen. Verzichtet man auf KPIs, fällt es später schwer, Probleme zu erkennen und die KI-Anwendung zu verbessern.
Schritt 3 – Lösungsarchitektur definieren
Auf Basis der Anforderung ist es schließlich möglich, eine Lösungsarchitektur zu entwickeln. Hier wird festgelegt, welche KI-Technologien zum Einsatz kommen und welche Daten benötigt werden. Dabei geht es nicht nur um die Integration von Datenquellen wie CRM-System oder DMS, sondern auch darum, zu klären, ob die vorhandenen Daten aktuell, ausgewogen und vollständig sind.
Bei qualitativ minderwertigen Daten oder mangelhafter Wissensbasis kann auch die beste KI keine guten Antworten, Prognosen und Empfehlungen abgeben. Weitere architekturelle Entscheidungen betreffen die Governance: Unternehmen müssen festlegen, wo insbesondere personenbezogene Daten und sensible interne Informationen verarbeitet sowie gespeichert werden und ob eine Anonymisierung notwendig ist.
Darüber hinaus müssen sie Zugriffskontrollen auf Daten und KI-Anwendung einrichten, eine Verschlüsselung für Datenübertragung und -ablage festlegen sowie Guardrails für die KI definieren. Dabei handelt es sich um Kontrollmechanismen für Eingaben und Ausgaben, die verhindern, dass die KI beispielsweise per Prompt Injection angegriffen werden kann, fachfremde Fragen beantwortet oder halluzinierte Ergebnisse ausgibt.
Schritt 4 – KI-Anwendung entwickeln
Erst wenn alle Vorarbeiten abgeschlossen sind, kann die Umsetzung der Anwendung tatsächlich starten. Um schnell eine Rückmeldung von den künftigen Anwendern zu erhalten, sollte zunächst ein MVP (Minimum Viable Product) oder MLP (Minimum Lovable Product) entwickelt werden, das sich dann kontinuierlich anpassen und verbessern lässt.
Eine moderne Plattform, die die Wiederverwendung von Software-Bausteinen wie Programmlogiken, KI-Modellen, User Interfaces erlaubt, kann den Entwicklungsprozess deutlich beschleunigen, weil Unternehmen nicht für jede Anwendung und Anwendungskomponente bei null anfangen müssen. Zudem können die einzelnen Bausteine gut zentral gepflegt werden, ohne jede Anwendung für Änderungen einzeln anzufassen.
Schritt 5 – Change Management nicht vergessen
Unternehmen sollten die Anwender aus den Fachbereichen möglichst frühzeitig in den gesamten Prozess einbeziehen. Das ist wichtig, um echte Business-Probleme zu finden, geschäftliche Anforderungen korrekt zu definieren und die Akzeptanz der fertigen Anwendung zu steigern.
Dabei müssen Unternehmen allerdings aufpassen, dass die neue Anwendung nicht einfach nur die Kopie einer alten Anwendung wird, die die Mitarbeiter lieb gewonnen haben, aktuelle Anforderungen aber nicht mehr erfüllt. Was beim Change Management gerne übersehen wird, sind durch den Human-in-the-Loop verursachte Verzerrungen: Fürchten Mitarbeiter, dass die KI sie irgendwann ersetzen könnte, bewerten sie die Ergebnisse tendenziell schlechter.
Sind die Ergebnisse von Beginn an sehr gut, werden sie irgendwann nicht mehr kritisch bewertet und einfach abgenickt. In beiden Fällen müssen Unternehmen die Anwender sensibilisieren, sollten aber auch schon beim Anwendungsdesign durch Monitoringfunktionen sicherstellen, dass Trends wie peu à peu immer weniger vorgenommene Korrekturen frühzeitig sichtbar werden.
Schritt 6 – Lernschleifen implementieren
KI-Anwendungen sind nie fertig, denn eine Eigenschaft von KI ist es, dass sie sich stetig verbessern kann – sei es durch rekursive Selbstverbesserung oder menschlich Anpassung. In beiden Fällen müssen Feedback-Schleifen implementiert werden, die Kennzahlen erfassen und Optimierungsmöglichkeiten aufzeigen.
„Dass viele KI-Projekte per se scheitern, können wir in der Praxis nicht beobachten. Natürlich kann ein KI-Anwendung sich verzögern, das Budget überschreiten oder zunächst weniger Funktionalität haben, als ursprünglich geplant. Doch dass die Arbeiten komplett eingestellt werden und eine Anwendungsruine zurückbleibt, ist äußerst selten“, berichtet Florian Lauck-Wunderlich, Global Director Business Excellence bei Pegasystems.
„Der Schlüssel für KI-Erfolge ist ein strukturiertes Vorgehen – von der Auswahl des Use Case bis zur Umsetzung der Lösung. Wer nichts überstürzt und Zeit in eine sorgfältige Vorbereitung investiert, kann Risiken minimieren und sicherstellen, dass KI-Anwendungen einen messbaren Business Value generieren.“