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

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

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

Die Boston Consulting Group berichtet, dass ein von drei Unternehmen weltweit plant, über 25 Millionen Dollar in KI zu investieren. Daher werden Millionen von Dollar verschwendet, wenn Unternehmen weiterhin ohne Planung in KI-Lösungen investieren. 

Allerdings können Unternehmen mit starken Changemanagement-Initiativen und einem System, das neue Innovationen und messbare KPIs unterstützt, die Wende in ihrer KI-Erfolgsgeschichte herbeiführen.

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

Technologie vor Geschäft

Hunderte von Berichten und Studien, insbesondere im Hinblick auf 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 veranlasst, sofort einzuspringen und in die Nutzung von Prototypen der Spitzenklasse zu investieren. Das Risiko besteht jedoch darin, 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 Risikokontrollen 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 stundenlang damit verbringen, nach fehlenden Informationen zu suchen, die für strategische Entscheidungen wichtig sind. 

Und es sind nicht nur Teams, die geschwächt werden, sondern auch Werkzeuge. Machine-Learning-Modelle beispielsweise können nicht ordnungsgemäß funktionieren, wenn die Daten nicht verbunden sind und mit Fehlern behaftet sind. 

Um eine positive Rendite auf die Investition zu gewährleisten und bevor technische Arbeiten beginnen, müssen Organisationen 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 technologische Umsetzung entsprechend folgen. Letztendlich sollten technologische Lösungen als Mittel zur Erreichung von Geschäftsergebnissen dienen. Darüber hinaus ist das Geschäftsbedürfnis im Wesentlichen die Grundlage für KI- und andere Technologieumsetzungen. 

Beispielsweise könnte ein Logistikunternehmen, das KI nutzen möchte, messbare Ziele für seine KI-Software festlegen, um die Nachfrageprognose zu optimieren und das Flottenmanagement zu verbessern, die Anzahl der ungenutzten LKWs um 25% innerhalb der ersten sechs Monate zu reduzieren und so den Gewinn um 5% zu steigern. 

Unternehmen benötigen messbare Ziele, um ständig zu überprüfen, ob die KI nicht nur die Effizienz verbessert, sondern auch messbar ist. Dies ist unerlässlich, wenn man den Stakeholdern des Unternehmens erklären muss, dass der teure KI-Einsatz nicht nur gerechtfertigt war, sondern dass man auch die Daten hat, 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 Geschäftsleitern ein Gefühl falscher Sicherheit erzeugen und sie dazu verleiten, zu glauben, sie könnten neue KI-Systeme nutzen und sie gleichzeitig in alle Geschäftsprozesse integrieren. 

Allerdings führen überambitionierte Versuche, ein Problem auf einmal zu lösen, in der Regel zum Scheitern. Stattdessen sollten Unternehmen klein anfangen und strategisch skalieren, um bessere Ergebnisse zu erzielen. 

Beispielsweise hat Walmart Erfolge auf großem Maßstab erzielt, indem es maschinelle Lernalgorithmen schrittweise einführte, um das Lagermanagement zu optimieren. Das Ergebnis? Eine Reduzierung der Überbestände um 30% und eine Steigerung der Verfügbarkeit auf den Regalen 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 Betrieb 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 Kernbetrieb zu stören.

Beispielsweise könnte das ‘Zone-to-Win’-Framework wie folgt auf ein Kühllager-Logistikunternehmen angewendet werden, das KI implementiert:

• Leistungszone: Die Kerngeschäftsoperationen des Unternehmens, wie die Lagerplanung und die Warenverteilung, sind entscheidend für die Ertragsgenerierung. KPIs zur Verbesserung der LagerEffizienz, um die Verweilzeiten zu reduzieren und die Lieferungen zu erhöhen, sind Prioritäten. 
• Produktivitätszone: Hier werden interne Prozesse angegangen, um die Effizienz zu steigern und Kosten wie Abholungsentgelte durch die Integration von Datenwissenschaftskapazitäten wie Predictive Analytics und Echtzeit-Analytics-Tools zu reduzieren. 
• Inkubationszone: Das Unternehmen widmet Zeit, um datengetriebene Werkzeuge in bestimmten Lagern zu testen, sodass Teams bestimmen können, welche Innovationen zukünftige Ertragsströme werden könnten.
• Transformationszone: Hier erweitert das Unternehmen seine digitale Transformation auf eine organisationsweite Ebene, gefolgt von einer umfassenden digitalen Infrastruktur, die wiederkehrende Geschäftsergebnisse sicherstellt. 

Das Framework hilft der Führung bei der Entscheidungsfindung über die Ressourcenzuweisung zwischen der Aufrechterhaltung der aktuellen Betriebe und der Investition in KI-getriebene zukünftige Fähigkeiten. 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 fortschrittlichsten KI-Lösungen scheitern, wenn die Endbenutzer die Technologie nicht verstehen – alles hängt von Vertrauen und umfassender Schulung ab.

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

Andere Werkzeuge wie CRM 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. Generative KI hingegen arbeitet auf einer feineren ‘Aufgabenebene’ als auf einer umfassenden Prozessebene. Sie kann sporadisch innerhalb verschiedener Schritte unterschiedlicher Methoden eingesetzt werden; anstatt einen gesamten Arbeitsablauf zu unterstützen, kann jeder Benutzer die KI auf slightly unterschiedliche Weise für seine spezifischen Aufgaben einsetzen. 

Ruth Svensson, Partnerin bei KPMG UK, sagte Forbes: “Weil generative KI auf Aufgabenebene und nicht auf Prozessebene arbeitet, können Sie die Lücken in der Schulung nicht so leicht erkennen.” Als Ergebnis können Mitarbeiter die KI-Tools nutzen, ohne zu verstehen, wie sie in die umfassenderen Geschäftsziele passen, 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 sichergestellt wird, dass die von ihr generierten Daten richtig verwendet werden.

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

Ohne ordnungsgemäßes Changemanagement werden Unternehmen die Marke verfehlen, wenn es um die Akzeptanz von KI-Tools durch die Benutzer geht, während sie das Risiko erhöhen, Technologielücken zu verschärfen, was ein gefährlicher Abhang zu noch mehr Ineffizienzen, Fehlern und einem Scheitern bei der Ausschöpfung des Potenzials der KI-Lösung ist.

Damit Changemanagement-Initiativen funktionieren, benötigen sie ein dafür qualifiziertes Führungsteam, das die Bewegung anführt. Führungskräfte müssen Lücken in der Schulung auf Aufgabenebene identifizieren und speziell auf die Aufgaben zugeschnittene Schulungen für Mitarbeiter anbieten oder organisieren.

Das Ziel ist es, die Mitarbeiter zu befähigen und zu ermutigen, ein besseres Verständnis und mehr Vertrauen in das neue System zu haben. Erst dann wird Verständnis und Akzeptanz entstehen, was zu einer weit verbreiteten Akzeptanz und besserer Anwendung der Technologie führt.

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