Warum die meisten Investitionen in KI unter ihren Erwartungen bleiben oder scheitern

Menschen und Unternehmen sind von dem Potenzial der KI fasziniert, aber 80% der KI-Projekte werden scheitern – und es liegt nicht an mangelndem Willen oder Enthusiasmus.

Während die KI jeden Bereich und jede Branche durchdringt, liegt das Problem darin, dass Unternehmen sich nicht ausreichend auf diese technologische Veränderung vorbereiten.

Die Boston Consulting Group berichtet, dass ein Drittel der Unternehmen weltweit plant, mehr als 25 Millionen Dollar in KI zu investieren. Daher werden Millionen von Dollar verschwendet, wenn Unternehmen weiterhin in KI-Lösungen investieren, ohne vorher zu planen.

Allerdings können Unternehmen mit starken Change-Management-Initiativen und einem System, das neue Innovationen und messbare KPIs unterstützt, den Erfolg ihrer KI umdrehen.

Lassen Sie uns die drei wichtigsten Gründe untersuchen, warum KI-Initiativen scheitern.

Technologie vor Business

Hunderte von Berichten und Studien, insbesondere über generative KI, zeigen die Geschwindigkeit und die beeindruckende intellektuelle Beweglichkeit von KI-Algorithmen und -Programmen.

Viele Innovationen sind in die KI geflossen, was Unternehmen dazu bringt, sich blindlings auf die neuesten Prototypen zu stürzen und zu investieren. Allerdings besteht das Risiko, dass sie Millionen von Dollar für eine Lösung ausgeben, die zu einem unklaren Geschäftsziel oder keiner messbaren Auswirkung führt.

Tatsächlich prognostiziert Gartner, dass mindestens 30% der generativen KI-Projekte bis Ende 2025 aufgrund schlechter Datenqualität, unzureichender Risikokontrolle und steigender Kosten oder unklarer Geschäftswerte aufgegeben werden.

Schlechte Daten sind ein besonderes Hindernis, das die meisten Unternehmen nicht überwinden, insbesondere wenn es darum geht, die Effizienz und Effektivität von KI-Lösungen zu maximieren. Silo-Daten sind eines der prominentesten Probleme und ein Geschäftsproblem, das nicht ignoriert werden kann. Teams können Stunden damit verbringen, nach fehlenden Informationen zu suchen, die für strategische Entscheidungen entscheidend sind.

Und es sind nicht nur Teams, die untergraben werden, sondern auch Tools. Machine-Learning-Modelle beispielsweise können nicht ordnungsgemäß funktionieren, wenn die Daten nicht verbunden und fehlerhaft sind.

Um eine positive Rendite auf die Investition zu gewährleisten und bevor technische Arbeiten beginnen, müssen Unternehmen die spezifischen Geschäftsprobleme identifizieren, die die KI-Lösung lösen soll. Dazu gehören die Festlegung messbarer KPIs und Ziele, wie z.B. Kostenreduzierung, Umsatzsteigerung oder Effizienzverbesserungen wie die Reduzierung der Zeit, die zum Abrufen von Daten benötigt wird.

Insbesondere sollte die Geschäftsstrategie an erster Stelle stehen, und die Technologieimplementierung folgt entsprechend. Letztendlich sollten technologische Lösungen als Mittel zur Erreichung von Geschäftsergebnissen dienen. Darüber hinaus ist die Geschäftsnotwendigkeit im Wesentlichen der Rückgrat von KI- und anderen Technologieimplementierungen.

Zum Beispiel könnte ein Logistikunternehmen, das KI nutzen möchte, messbare Ziele für seine KI-Software festlegen, um die Nachfrageprognose zu optimieren und die Flottenverwaltung zu verbessern, die Anzahl der unterausgelasteten LKW um 25% innerhalb der ersten sechs Monate zu reduzieren und den Gewinn um 5% zu steigern.

Unternehmen benötigen messbare Ziele, um kontinuierlich zu überprüfen, ob die KI nicht nur die Effizienz verbessert, sondern auch messbar ist. Dies ist entscheidend, wenn man den Stakeholdern des Unternehmens erklärt, dass der teure KI-Einsatz nicht nur gerechtfertigt war, sondern dass sie auch die Daten haben, um es zu beweisen.

Überambitionierte KI-Implementierung

Die KI verspricht, alles zu revolutionieren, und wird oft in den Medien als silberne Kugel dargestellt. Dies kann bei Geschäftsführern ein Gefühl falscher Sicherheit erzeugen, was sie dazu bringt, zu glauben, sie könnten neue KI-Systeme nutzen und sie gleichzeitig in Geschäftsprozesse integrieren.

Allerdings führen überambitionierte Versuche, ein Problem auf einmal zu lösen, normalerweise zum Scheitern. Stattdessen sollten Unternehmen klein anfangen und strategisch skaliert werden, um bessere Ergebnisse zu erzielen.

Zum Beispiel hat Walmart machine-learning-Algorithmen schrittweise eingeführt, um das Lagermanagement zu optimieren. Das Ergebnis? Eine Reduzierung der Überbestände um 30% und eine Steigerung der Verfügbarkeit von Produkten um 20%.

Um dies zu unterstützen, sollten Unternehmen ein “Zone-to-Win”-Framework für die KI-Implementierung anwenden, eine bewährte Methode, die Teams hilft, zu verstehen, dass sie die aktuelle Operation mit zukünftiger Innovation ausbalancieren müssen.

Das Framework teilt die Geschäftsaktivitäten in vier Zonen ein: Leistung, Produktivität, Inkubation und Transformation. Die KI kann nicht alles auf einmal stören, und die Inkubationszone schafft einen dedizierten Raum für das Experimentieren mit KI-Technologien, ohne den Kern des Geschäfts zu stören.

Zum Beispiel könnte dies so aussehen, wie die “Zone-to-Win”-Framework auf ein Kaltlager-Logistikunternehmen angewendet wird, das KI implementiert:

• Leistungszone: Die Kerngeschäftsoperationen des Unternehmens, wie z.B. die Lagerplanung und die Warenverteilung, sind entscheidend für die Erträge. KPIs zur Verbesserung der LagerEffizienz, um die Verweilzeiten zu reduzieren und die Lieferungen zu erhöhen, sind Prioritäten.
• Produktivitätszone: Hier werden interne Prozesse angepasst, um die Effizienz zu steigern und Kosten wie z.B. Detentionsgebühren durch die Integration von Datenwissenschaftsfähigkeiten wie Predictive Analytics und Echtzeit-Analyse-Tools zu reduzieren.
• Inkubationszone: Das Unternehmen widmet Zeit, um datengetriebene Tools in bestimmten Lagern zu testen, um Teams zu ermöglichen, zu bestimmen, welche Innovationen zukünftige Ertragsströme werden könnten.
• Transformationszone: Hier erweitert das Unternehmen seine digitale Transformation auf ein organisationsweites Maß, gefolgt von einer umfassenden digitalen Infrastruktur, die wiederkehrende Geschäftsergebnisse sicherstellt.

Das Framework hilft der Führung, Entscheidungen über die Ressourcenallokation zwischen der Aufrechterhaltung der aktuellen Operation und der Investition in KI-getriebene zukünftige Fähigkeiten zu treffen. Dieses Bewusstsein hilft, das Problem und das unvermeidliche Scheitern zu vermeiden, wenn KI-Investitionen zu dünn über zu viele Abteilungen und Prozesse verteilt sind.

Mangelnde Benutzerakzeptanz

Unternehmen sind dabei, alle Vorteile der KI und des maschinellen Lernens zu nutzen, ohne zuerst die Menschen zu berücksichtigen, die sie nutzen. Selbst die anspruchsvollsten KI-Lösungen scheitern, wenn die Endbenutzer die Technologie nicht verstehen – es hängt alles von Vertrauen und umfassender Schulung ab.

Der entscheidende Faktor für die Integration von KI ist die Operationalisierung. Das bedeutet, dass KI-Tools in die Arbeitsabläufe integriert und zum Mainstream der Geschäftsprozesse gemacht werden.

Andere Werkzeuge, wie z.B. CRM-Systeme, optimieren und kontrollieren einen gesamten Prozess von Anfang bis Ende. Dies macht die Schulung einfach, da jeder Schritt des Prozesses gezeigt und erklärt werden kann. Allerdings arbeitet die generative KI auf einer feineren “Aufgabenebene” und nicht auf einer umfassenden Prozessebene. Sie kann sporadisch innerhalb verschiedener Schritte unterschiedlicher Methoden verwendet werden; anstatt einen gesamten Arbeitsablauf zu unterstützen, kann jeder Benutzer die KI leicht unterschiedlich für seine spezifischen Aufgaben anwenden.

Ruth Svensson, eine Partnerin bei KPMG UK, sagte Forbes: “Weil die generative KI auf einer Aufgabenebene und nicht auf einer Prozessebene arbeitet, können Sie die Lücken in der Schulung nicht so leicht erkennen.” Als Ergebnis können Mitarbeiter die KI-Tool verwenden, ohne zu verstehen, wie es in die umfassenderen Geschäftsziele passt, was zu versteckten Lücken in der Schulung führt. Diese Lücken können ein mangelndes Verständnis dafür umfassen, wie die Fähigkeiten der KI vollständig genutzt werden können, wie mit dem System effektiv interagiert werden kann oder wie die von der KI generierten Daten korrekt verwendet werden.

In diesem Fall wird effektives Change-Management entscheidend für die Benutzerakzeptanz. Change-Management ermöglicht es Organisationen, sicherzustellen, dass ihre Mitarbeiter nicht nur die neue Technologie annehmen, sondern auch ihre volle Bedeutung für ihre Aufgaben und Geschäftsprozesse verstehen.

Ohne angemessenes Change-Management werden Unternehmen die Benutzerakzeptanz von KI-Tools verpassen und das Risiko erhöhen, Technologielücken zu verschärfen, was zu mehr Ineffizienzen, Fehlern und einem Versagen, das Potenzial der KI-Lösung zu maximieren, führen kann.

Damit Change-Management-Initiativen funktionieren, benötigen sie ein qualifiziertes Führungsteam, das die Bewegung vorantreibt. Führungskräfte müssen Lücken in der Schulung auf der Aufgabenebene identifizieren und spezielle Schulungen für Mitarbeiter anbieten oder organisieren, basierend auf den spezifischen Aufgaben, für die sie KI verwenden werden.

Das Ziel ist es, Mitarbeiter zu befähigen und zu ermutigen, ein besseres Verständnis und mehr Vertrauen in das neue System zu haben. Erst dann werden Verständnis und Akzeptanz kommen, was zu einer umfassenden Akzeptanz und besseren Anwendung der Technologie durch Unternehmen führt.

Es ist klar, dass die KI die definierende Technologie dieses Jahrzehnts ist, aber ohne Operationalisierung wird ihre Wirkung weiterhin verschwendet. Durch die Verbesserung von Change-Management-Initiativen, die schrittweise Implementierung von KI-Initiativen und die Verwendung messbarer KPIs werden Unternehmen nicht nur in KI investieren, sondern auch davon profitieren.