Voraussetzungen, Checklisten, Umsetzung.
Kommen wir an der KI vorbei? Und wenn nicht, wie kommen wir rein?
Betrachten wir KI sachlich. Sie ist die Schlüsseltechnologie des neuen digitales Zeitalters. KI ist schon dabei, Märkte komplett zu verändern, in einer bisher nie dagewesenen Geschwindigkeit. Während der Zugang zu ihr einfacher und kostengünstiger wird, fragen sich viele: Was bedeutet das für meine Branche und mein Unternehmen? Muss ich mich als Entscheider mit KI befassen und wenn ja, wie?
Die erste Frage erfordert ein klares Ja. KI wird in alle Lebensbereiche einziehen, sie wird alle Unternehmen auf kurz oder lang verändern. Die Frage ist deshalb viel mehr: Wir kann man KI nutzen, in Einklang mit den eigenen Unternehmenszielen und den eigenen Werten, um die nächste digitale Revolution mitzugestalten, anstatt abgehängt zu werden? Denn nicht die KI wird Ihnen Ihren Platz am Markt streitig machen. Es werden die Mitbewerber sein, die KI nutzen. Weil sie günstiger, schneller oder mehr produzieren, neue Produkte anbieten können oder das Fehlen von Fachkräften durch KI schneller kompensieren.
Kann KI alles gut machen – aber wenn nein, warum nicht?
KI ist keine Plug&Play-Technologie. Sie ist ein grandioses Hilfsmittel, um Prozesse leistungsfähiger zu gestalten: schneller, genauer, wirksamer.
Aber: KI ist keine Wundermedizin. Sie macht schlechte Prozesse nicht besser, sie kann die Konsequenzen einer schlechten IT-Infrastruktur nicht heilen. Mittelmäßige Prozesse bleiben auch mit einer KI mittelmäßig. Ein schlechter, betrunkener Autofahrer gewinnt keinen Grand Prix, nur weil man ihm eine Karosse mit 950 PS baut. Kann er aber fahren, und ist seine Aufgabe, schnell zu fahren, wird er vom neuen Fahrzeug ungemein profitieren.
KI hilft, gute Prozesse leistungsfähiger zu machen. Mit ihr verändert sich grundlegend, wie wir Daten analysieren, Entscheidungen treffen und Unternehmensprozesse gestalten.
Damit das klappt, müssen zunächst Voraussetzungen im Unternehmen geprüft und eventuell geschaffen werden. Dann kann KI Prozesse bereichern.
Häufige Fehler wie etwa die Einführung und der Betrieb von wirtschaftlich unrentablen KI-Prozessen, genauso wie der Versuch, „den einen großen KI-Business-Case“ mit einem großen Big Bang zu realisieren, führen oft zu Misserfolgen. Denn auch bei KI-Projekten gilt es auf die grundlegenden IT-Projekterfolgsfaktoren zu achten. Die wichtigsten Punkte haben wir in unserem Studienüberblick aufgelistet.
Was braucht es also, um sicher in ein erfolgversprechendes KI-Projekt zu starten?
Erfolgsfaktor Nummer eins ist die minutiöse Planung der KI-Projektumsetzung im Unternehmen. Dafür dient dieser Ratgeber zur Orientierung und als Checkliste. In 5 Schritten zeigen wir Ihnen, wie KI erfolgreich in Ihr Unternehmen integriert werden kann, welche Stolpersteine Sie vermeiden sollten und welche Voraussetzungen Sie schaffen können, damit der geplante Quantensprung mit KI für Ihr Unternehmen gelingt.
Wer sind die Autoren?
👋 Andreas Schrade und Max Führer von GATE5 sind KI-Enthusiasten, und haben bereits mit ihren Teams zahlreiche Projekte erfolgreich umgesetzt. Mehr über uns finden Sie unter „Services“.
Schritt 1: Eine KI-Strategie im Einklang mit Ihren Unternehmenszielen entwickeln
Die Chance, dass die Einführung von KI in Ihr Unternehmen erfolgreich ist, ist dann hoch, wenn diese mit den übergeordneten Unternehmenszielen übereinstimmt. Dazu gilt es eine umfassende Roadmap zu erstellen, überlegt und präzise.
Dann werden die Anstrengungen für die Umsetzung von KI auch messbare Ergebnisse liefern, die das Unternehmen weiterbringen.
Identifizieren Sie dazu die Bereiche, die am meisten von KI profitieren können, priorisieren sie die einzelnen Projekte und bewerten Sie diese anhand der beiden Schlüsselkrtiereien Business Impact und technische Machbarkeit.
-
- Business Impact: Dieser Faktor bewertet den Einfluss des Projekts auf die Erreichung von Unternehmenszielen wie beispielsweise Kostenreduktion oder Steigerung der Kundenzufriedenheit
- Technische Machbarkeit: Bei diesem Aspekt wird die grundsätzliche Machbarkeit und die damit verbundenen Aufwände (Entwicklungskosten sowie Betriebskosten) berücksichtigt.
Werden die Projekte und Wünsche anhand dieser beiden Kriterien bewertet, lassen sich die vielversprechendsten Projekte identifizieren und priorisieren.
Starten Sie am besten mit einem verhältnismäßig kleinen Projekt, um schnell in die Umsetzung zu kommen, ein positives Momentum zu schaffen und Bedenken im Unternehmen und bei Mitarbeitern auszuräumen. So können Sie die Akzeptanz im Unternehmen für weitere anstehende Veränderungen gewinnen.
Anschließend folgen weiterer Projekte. Das Ziel besteht darin, nicht nur handverlesen KI-Anwendungsfälle zu etablieren, sondern KI für die gesamte Entwicklung des Unternehmens in sich schnell verändernden Märkten zu nutzen und alle Stakeholder bei diesem Prozess mitzunehmen.
Schritt 2: Prüfen Sie Ihre AI-Readiness
Laut Gartner schaffen es nur 53 % der KI-Projekte vom Prototyp in den produktiven Einsatz. Ein Grund: Erfolge eines Proof of Concepts können im realen Betrieb nicht nachgestellt werden.
Darum gilt es, vor Umsetzung eines KI-Projektes den Status Quo im Unternehmen zu erfassen. Das AI Readiness Assesment gibt ein klares Bild auf den Reifegrad des Unternehmens hinsichtlich KI.
Was bedeutet das konkret? Die Bewertung des Unternehmens hinsichtlich seiner AI-Readiness zeigt, inwiefern das Unternehmen auf die Einführung von KI vorbereitet ist. Und was eventuell noch zu tun ist, bevor ein KI-Projekt in die Umsetzung geht – damit diese dann auch erfolgreich ist.
Das AI-Readiness-Assesment hilft dabei, Lücken zu identifizieren und Maßnahmen zu priorisieren
Dabei berücksichtigt es folgende Aspekte, die in den nächsten Abschnitten detaillierter beschrieben werden:
-
- Strategische Voraussetzungen
- Kulturelle Voraussetzungen
- Personelle Voraussetzungen
- Datenbezogene Voraussetzungen
- Infrastrukturelle Voraussetzungen
Strategische Voraussetzungen
KI muss den Zwecken es Unternehmens dienen. Sie ist kein Selbstzweck. Nur wenn im Vorfeld konkret messbare Metriken furmuliert werden und formuliert werden können, lässt sich exakt überprüfen und beziffern, ob die Einführung eines KI-Projektes sinnstiftend ist oder war.
Auch für KI-Projekte müssen Ziele SMART definiert werden können: spezifisch, messbar, mehrwertstiftend und realistisch. Ist das möglich, ist aus strategischer Sicht die AI Readiness gegeben.
Kulturelle Voraussetzungen
Kultur frisst Unternehmensstrategie zum Frühstück. Das gilt auch für die Einführung von KI.
Ganz gleich, wie sehr man die Strategie im Coaching, in All-Hand-Meetings, mithilfe von Frameworks, Tools und Co. bespricht, am Ende liegt es einzig allein daran, ob das Management die Zustimmung und das volle Engagement aller Mitarbeiter erhält.
Die langfristige Vision des Unternehmens muss dafür nicht nur klar kommuniziert sein, sie sollte von der Belegschaft auch geteilt sein. Lust auf Innovation, auf langfristigen Erfolg und die Bereitschaft, durch einen fruchtbaren Veränderungsprozess zu geben, sollte vorhanden oder gleichzeitig entwickelt werden. Wenn die Teams und Menschen im Unternehmen diese Perspektive teilen, kann sich KI auf alle Bereiche im Unternehmen positiv auswirken.
Personelle Voraussetzungen
Natürlich erfordert die erfolgreiche Einführung von KI auch personelle Rahmenbedingungen, selbst wenn die KI mit Hilfe eines externen Dienstleisters eingeführt wird, wie das ja häufig der Fall ist.
Interdisziplinäre Teams mit Kompetenzen im Bereich Software-Architektur, Softwareentwicklung, KI-Entwicklung (AI / Machine Learning), Data Science und Quality Assurance mit KI-Erfahrung sowie Führungskräfte, die technologische Entwicklungen verstehen und strategisch einordnen können, führen zum Erfolg des KI-Projektes.
Datenbezogene Voraussetzungen
KI erzeugt Ausgaben anhand von Eingaben. Je höher die Qualität der Eingaben ist, umso höher ist auch die Qualität der Ausgaben. Darum ist Datenqualität einer der Schlüsselfaktoren für den Erfolg der KI im Unternehmen, und eine schlechte Qualität von Ausgangsdaten ist unserer Erfahrung nach einer der häufigsten Gründe, warum Unternehmen mit dem Ergebnis von KI-Projekten am Ende unzufrieden sind.
Egal wie gut eine KI ist: Ihre Ergebnisse sind nur so gut wie die Daten, mit denen sie befüttert wurde, oder mit denen die arbeitet.
Für das Unternehmen bedeutet das: Daten werden auf Qualität überprüft, gegebenenfalls bereinigt und vervollständigt. Wenn hochwertige Daten vollständig und zugänglich im Unternehmen vorliegen, sind sie bereit für den Einsatz in einer KI.
Infrastrukturelle Voraussetzungen
Noch immer ist in Deutschland Praxis, dass in Unternehmen Daten verstreut gehalten werden. Häufig hat das historische Gründe. Verschiedene digitale Systeme arbeiten für sich. Das führt aber im Hinblick auf die Nutzung von KI zu der Schwierigkeit, dass wichtige Informationen zum Beispiel zur Kundensprache oder Problemstellungen vom Drittsystem nicht aufgreifen können und damit nicht genutzt werden können.
Damit eine KI wirkungsvoll für das Unternehmen genutzt werden kann, braucht es deshalb einen nahtlosen Datenaustausch zwischen den genutzten Systemen.
Schritt 3: Governance- und Compliance-Strukturen schaffen
Kurz gesagt: Wer von Anfang an regulatorischee Aspekte bei der Entwicklung der KI beachtet, muss später nicht nachbessern.
KI-Projekte bringen eine gewisse Komplexität mit sich. In der EU gilt es, den EU AI Act einzuhalten, hier gilt es, sich an sich kontinuierlich entwickelnden Vorschriften zu orientieren.
Führen Sie deshalb regelmäßig Audits durch, um die Einhaltung der gesetzten Anforderungen sicherzustellen und die rechtliche Integrität ihrer KI-Landschaft zu gewährleisten. Rechts- und IT-Abteilung müssen eng zusammenzuarbeiten und lernen, die gleiche Sprache zu sprechen.
Implementieren Sie Prozesse, um Audits möglichst zeit- und ressourcenschonend durchführen zu können.
Neben den rein regulatorischen Aspekten komme, wie schon anfangs angerissen, ethischen Fragestellungen eine wichtige Rolle zu. Außerdem Themen Datenschutz und Transparenz gegenüber Anwendern im Unternehmen und Kunden.
Diese Themen sollten vor Entwicklung und Integration der KI im Unternehmen und gegenüber den extern Mitwirkenden geklärt sein.
Außerdem erfordert die Integration von KI in die Unternehmensabläufe interne Richtlinien zu den Daten im Unternehmen: wie werden Daten gesammelt, gespeichert, aufbereitet und verwendet, damit Funktionalität, Datenschutz und Sicherheit im KI-Kontext langfristig gewährleistet sind?
Werden einzelne Punkte nicht berücksichtigt, kann auch ein gut gemeintes KI-Projekt zu einem Schuss in den Ofen werden und dem Ruf es Unternehmens oder seiner Bilanz schaden:
Beispiel: Falschauskunft vom Chat – Airline muss zahlen
Schritt 4: KI-Technologien und Tools evaluieren
Die Voraussetzungen für die Nutzung von KI sind gut? Dann geht es an den nächsten Schritt: Die Evaluierung der Technologien: Was ist zu entwickeln, um die Ziele des Unternehmens optimal zu unterstützen? Die Entscheidung wird abhängig vom Use Case getroffen.
Zwei Optionen stehen grundsätzlich zur Wahl:
- Nutzung von Standard-KI-Tools im Unternehmen
- Individuelle KI-Softwareentwicklung
Wir geben einen kurzen Einblick in beide Optionen und zeigen auf, welche Kriterien für eine gute Entscheidung entscheidend sind.
Standard KI-Tools
Für wiederkehrende Problemstellungen bieten zahlreiche Hersteller KI-gestützte Software-As-A-Service Lösungen an. Gilt es beispielsweise auf der Kundenwebseite einen Chat-Bot zu integrieren, der Kunden 24×7 in Bezug auf Fragen berät, so kann es sich eignen, einen Anbieter (SAAS) auszuwählen, der eine Lösung anbietet, die schon fertig ist und lediglich mit den firmenspezfisichen Daten gefüttert werden muss. Dann ist sie einsatzbereit.
Klarer Vorteil: Tempo und Initialkosten. Außerdem ist der Einsatz von Standard-Tools leicht planbar: Die Leistungsfähigkeit steht fest, auch der Zeiteinsatz.
Klare Nachteile: Viele Standard-Tools können nur minimal oder gar nicht individualisiert werden. Bei längerfristiger Betrachtung und beim Wunsch zur kontinuierlichen Weiterentwicklung einer KI-Lösung stößt man bei Standard-Tools oftmals schnell an Grenzen.
Individuelle KI-Softwareentwicklung
Die Applikation wird weitgehend individuell und passgenau auf die Anforderungen des Unternehmens entwickelt.
Auch hier unterscheiden wir zwei verschiedene Ansätze:
- Eine individuelle Softwareentwicklung basierend auf KI-Tools & Foundation-Models
- Eine grundlegend individuelle Softwareentwicklung
Beim ersten Punkt wird bereits existierende KI-Infrastruktur genutzt und darauf basierend eine eigene, firmenspezifische Anwendung entwickelt. In diesem Fall muss man sich weniger um die Architektur, den Trainings- und Finetuning-Prozess des Models kümmern. Die sind bereits vorhanden und werden angepasst.
Bestehende Foundation-Models ermöglichen, darauf basierende Business-Logik zu schreiben, die mit den bestehenden Unternehmensprozessen kommuniziert. Entweder lässt sich dann ein Anbieter wie OpenAi nutzen, um mittels einer Schnittstelle Zugriff auf KI-Modells zu erhalten, alternativ kann man Open-Source Foundation Models (z.B. Deepseek) in der eigenen Infrastruktur hosten und betreiben.
Entwickelt man die KI-getriebenen Software hingegen grundlegend selbst, werden ein zu lösendes Problem und die notwendigen technischen Möglichkeiten skizziert und in diesem Zuge eine Architektur für Neuronale Netze entworfen. Parallel braucht es dann auch Trainingsdaten, das Training durchzuführen, Iterationen anhand von Hyperparametern zu betreiben und die Qualität des Models zu evaluieren.
Dieser Schritt ist im Vergleich zum vorherigen Schritt (also der Nutzung existierender KI-Tools / Foundation-Models) zeitintensiver und benötigt spezielle fachliche Expertise sowie viel praktische Erfahrung. Wann immer ein Foundation-Model nicht über die erforderliche Leistungsfähigkeit verfügt, sollte dieser Schritt aber in Betracht gezogen werden. Langfristig kann er weitaus günstiger sein, und zwar sowohl, was die eingesetzten finanziellen wie auch die zeitlichen und personellen Ressourcen betrifft.
Unabhängig davon, ob man sich für ein Standard-KI-Tool oder eine individuelle Softwareentwicklung entscheidet: in beiden Fällen sollte zunächst in einem kleinen Testprojekt (Proof of Concept) die zu verwendende Technologie evaluiert und auf Passung zu den Unternehmensbedürfnissen getestet werden. So bewahrt man die Kontrolle über Entwicklung und Ressourcen.
Schritt 5: Projektumsetzung und Skalierung
Nun geht es in die konkrete Umsetzung des ersten KI Business-Case.
Achten Sie darauf, dass Ihre Agentur die üblichen Best-Practices der IT-Projektumsetzung anwendet. Sie sind gerade bei der KI-Integration besonders wichtig. Die neue Technologie hat einen großen Impact. Wir gehen auf die allgemeinen IT-Best Practices an dieser Stelle nicht weiter ein, beraten aber gern.
Es gibt aber gerade bei der Entwicklung von KI-Anwendungen weitere Risikofaktoren, die in der Projektumsetzung berücksichtigt werden müssen:
Quality Assurance
Wann immer Software im Unternehmen eingesetzt wird, sollten entsprechende Test-Fälle bereitgestellt werden, die völlig automatisch gezielte Test-Szenarien prüfen und die fehlerfreie Funktionsweise sicherstellen.
Im Umgang mit KI und insbesondere den weit-verbreiteten Large-Language-Models verhält es sich komplexer. Denn diese Models sind probabilistisch, aber nicht völlig deterministisch. Diese Unschärfe gilt es in der Quality Assurance als auch im Monitoring des laufenden Produktivbetriebs zu beachten, also über einen längeren Zeitraum.
Schnelllebigkeit
Die Weiterentwicklung des KI-Ökosystems erfolgt in rasantem Tempo. Deshalb ist ein dauerhaftes Monitoring wichtig, das klärt, ob und wann neue und bessere Lösungen zur Verfügung stehen. Gerade bei der Nutzung von Standard-Tools oder Foundation-Models hilft das bei der Qualitätssicherung auch in Zukunft. Es gilt sich also die technologische Flexibilität offen zu halten, die IT-Architektur also so zu konzipieren, dass man zum Beispiel KI-Drittanbieter-Lösungen mit geringem Aufwand austauschen kann, sofern dies aus fachlicher oder finanzieller Sicht sinnvoll ist.
Qualitätsunschärfe
Bei klassischer Software lässt sich vor der Umsetzung präzise feststellen, in welcher Form das anskizzierte Projekt realisierbar ist und falls ja, mit welchen konkreten Arbeitsqualität. Bei komplexeren KI-Projekten ist – trotz der Durchführung von POC – oft erst annäherungsweise abschätzbar, in welcher Qualität die mithilfe von KI unterstützten Prozesse vorliegen werden.
Skalierung
Sobald der erste KI-Business Case erfolgreich in Betrieb genommen wurde, so gilt es dessen Performance anhand der zuvor gesteckten Ziele zu messen.
KI ist keine Magie. Deshalb sollte man in der Umsetzung von KI-Projekten immer einen Puffer für Feinjustierungen vorsehen. Kleine Anpassungen am Prompting können zum Beispiel dann noch deutliche Qualitätsunterschiede bewirken.
Wenn dann der erste Business-Case erfolgreich abgeschlossen ist, gilt es die priorisierte Liste an weiteren Business-Cases strategisch anzugehen.
Wenn Sie Unterstützung bei der Analyse von Potenzialen im Unternehmen, im Mitarbeiter-Coaching oder in der Einführung von KI in Ihrem Unternehmen suchen, so stehen wir als Ihre Agentur für KI im Großraum München (als auch in restlichen Teilen des DACH-Raum) gerne zur Verfügung.
Sprechen Sie uns hierzu an!
