Quo vadis? KI im Realtitätscheck

Mit seinem Team hat Florian den AI Potential Check entwickelt, der es Unternehmen ermöglicht, schnell und unkompliziert die Potenziale von AI zu erkennen, erfolgreich umzusetzen und messbaren Mehrwert zu erzielen. Sofern Umsetzungen bereits laufen, kann der Check die Tragfähigkeit und den Erfolg der Vorhaben und der Roadmap verifizieren und absichern.

Zerstört künstliche Intelligenz zahlreiche Geschäftsmodelle, macht alle arbeitslos und übernimmt die Geschäftswelt? Oder geht auch dieser Hype spurlos vorüber? Die Wahrheit liegt wohl wieder einmal irgendwo in der Mitte.

von Florian Springer und Andreas Dietrich, Senacor

Einerseits können generative KIs bereits jetzt effizient Texte, Stimmen, Bilder, Videos und andere Inhalte in hoher Qualität erzeugen. Dadurch verändern sie Berufsbilder wie in der Kreativbranche oder der Kundenberatung sowie dem Customer Support mit unschlagbarem Tempo und Verfügbarkeit. Es ist also kein Wunder, dass sich viele Unternehmen mit diesem Thema beschäftigen. Andererseits beschränkt sich die derzeitige Nutzung in der Praxis oft auf vordefinierte Aufgaben („schwache KI”), sodass die Lösungen nicht universell einsetzbar sind („starke KI”). Auch haben die meisten befragten Unternehmen bisher kaum mehr als KI-Prototypen in Produktion ausgerollt.

Tag für Tag wird der Hype geerdet, das Thema liegt auf dem Tisch der Strategieabteilungen. Zu groß sind die Potenziale, und es wäre aus unternehmerischer Sicht unverantwortlich, sie zu ignorieren. Wer möchte schon in fünf Jahren feststellen, dass die Konkurrenz uneinholbar an einem vorbeigezogen ist?”

Viele Unternehmen wollen das Beste aus der aktuellen Situation machen und planen teils hohe Investitionen. Aber wo liegen die richtigen Hebel, damit sich diese auch auszahlen? Und wie findet man sie? Viele Unternehmen sind bei diesen Fragen aktuell noch überfordert und haben keine wirkliche KI-Strategie, die es Fach- und IT-Abteilungen ermöglicht, einen messbaren Nutzen zu heben.

Zeit also, sich die Fakten einmal in Ruhe anzuschauen.

 

Die Fakten sprechen für sich

43 Prozent der befragten deutschen Unternehmen betrachten generative KI als relevant bzw. sehr relevant und 37 Prozent haben zumindest erste Proofs of Concept umgesetzt. Diese Ergebnisse mitteln über alle Branchen und Unternehmensgrößen hinweg, wobei insbesondere bei Versicherungen und Banken ein auffällig hohes Interesse besteht. Die Befragten sehen aktuelle Vorteile vor allem bei konzeptionellen Arbeiten, Datenanalyse und neuen digitalen Services, längerfristige Potenziale außerdem bei Chatbots und in der Informationsrecherche. Andere Studien und Beispiele untermauern die Relevanz von KI. So planen laut Bitkom 74 Prozent aller deutschen Unternehmen Investitionen. Weltweit halten laut einer Deloitte-Studie sogar 94 Prozent KI für erfolgskritisch und PwC prognostiziert ein KI-getriebenes BIP-Wachstum von 15,7 Bio. $. Erste Unternehmen nutzen diese Potenziale bereits erfolgreich. So führte Klarnas KI-Kundenassistent nach Unternehmensangaben allein im ersten Monat 2,3 Mio. Unterhaltungen, was 700 Vollzeitstellen entspräche. Die Commerzbank geht noch einen Schritt weiter und generiert mittels KI einen Video-Avatar inklusive Sprachsteuerung anstelle von textbasierter Kommunikation. So werden nicht nur Prozesskosten gespart, sondern auch neue Vertriebswege und Gewinnpotenziale geschaffen.

Laut einer McKinsey-Studie würde generative KI allein im Bankensektor den weltweiten Umsatz um 340 Mrd. $ pro Jahr steigern.”

Dies ist unter anderem durch Chatbots und personalisierte Kommunikation möglich. Darüber hinaus hilft beispielsweise Machine Learning bei Entscheidungsprozessen. So optimiert Morgan Stanley mittels LeadIQ die Zuweisung der wichtigsten Sales Leads an die Beraterinnen und Berater mit der höchsten Abschlussquote. Das Beispiel zeigt auch, dass häufig gar keine eigene Implementierung notwendig ist. Plattformen wie Salesforce, ServiceNow oder Microsoft Copilot – um nur einige zu nennen – bieten fertige Lösungen für einen niederschwelligen Einstieg. Doch wie optimiert man dabei erfolgreich Kosten und Gewinne? Und wie begegnet man Risiken und Vorbehalten?

Bei der Umsetzung hakt es oft

Das Thema ist verstanden, die Potentiale sind erkannt und die Roadmap muss nur noch umgesetzt werden. Eigentlich doch alles ganz einfach – oder? Der unabhängige Blick widerlegt diese These oder Selbstwahrnehmung leider meist! Die Ursachen dafür liegen oft in einigen wiederkehrenden Mustern

1.Informationsflut: Nachdem auch die Sendung mit der Maus die kreative Schaffenskraft künstlicher Intelligenz erklärt hat, halten viele selbst ernannte Expertinnen und Experten das Thema für kinderleicht. Als Konsequenz existiert eine Fülle von Literatur, Veranstaltungen und Informationen, nach deren Konsum Kundinnen und Kunden oftmals nicht schlauer sind als vorher.
2.Governance, Risiken & Compliance: Beide Extreme sind problematisch. Wer zu akribisch das Haar in der Suppe sucht, wird vom Wettbewerb abgehängt. Wer dagegen zu nachlässig agiert, kann nicht skalieren und riskiert Reputationsschäden oder gar Strafen.
3.Denken statt machen: Eine ausgedehnte KI-Strategiephase mündet in Erkenntnissen, die schnell veralten angesichts veränderlicher Rahmenbedingungen. Sie verschlingt Budgets, ohne vorzeigbare erste Projekte und damit messbaren Mehrwert zu schaffen.
4.Überschätzte Aufwände: Kundinnen und Kunden überschätzen die Umsetzungskomplexität häufig maßlos, insbesondere für die ersten Schritte. So vergehen oft viele Monate für die Umsetzung einfachster Lösungen, die eigentlich binnen weniger Tage verfügbar sein können.
5.Mehrwert bzw. Skalierbarkeit fehlen: Wenn dann doch erste Proofs of Concept vorliegen, gehen diese häufig an den fachlichen Bedarfen vorbei oder erzielen keinen messbaren Mehrwert und werden nicht weiterverfolgt. Die Ursache liegt oft in einer nicht erfolgten oder falschen Potenzialanalyse, Widerständen in der Organisation oder einer ungeeigneten Zielarchitektur.
6.Betriebsblindheit: Während des alltäglichen Geschäfts fehlt der Blick über den Tellerrand. Dadurch übersehen Expertinnen und Experten in den Unternehmen oft ungenutzte Potentiale und Entwicklungen im Marktumfeld, die ihnen später auf die Füße fallen.

Unternehmen, die sich in keinen dieser sechs Fallstricke verwickeln, haben alle Aussicht zu den Gewinnern des KI-Booms zu gehören. Aus der tagtäglichen Betriebspraxis heraus – auf Basis von Projekterfahrung – ist das in den Augen von Senacor-Beratern aber eher die Ausnahme. Ein klares Vorgehensmodell hilft, die beschriebenen Fehler zu vermeiden. Best Practices und Methoden liefern einen konkreten Fahrplan zur risikoarmen Umsetzung für messbaren Mehrwert.

Fünf Schritte führen zum Erfolg

Mit den folgenden fünf Schritten können typische Fehler bei der Einführung von KI vermieden werden, insbesondere Sunk Cost und Zeitverlust.

1. Strategie und Rahmenbedingungen verstehen: Ein wertschöpfender KI-Einsatz erfordert ein klares gemeinsames Verständnis von Kerngeschäft, der aktuellen und geplanten Ausrichtung des Unternehmens sowie der IT-Landschaft und -Strategie. Dabei sollten Zielkonflikte früh erkannt und beim Vorgehen berücksichtigt werden. Voraussetzung dafür ist eine zentrale Verankerung bestehender KI-Initiativen. Das resultierende gesamtheitliche Verständnis bildet die Grundlage für eine zielgerichtete Lösungsfindung.
2. Anwendungsfälle identifizieren und bewerten: Einige allgemeine Anwendungsfälle generativer KI wurden in der vorliegenden Studie bereits genannt. Der tatsächliche Mehrwert hängt jedoch stark von Ihrem Geschäftsmodell ab und ist individuell zu bewerten. Klar definierte KPIs helfen bei der Entscheidung und Priorisierung der möglichen Anwendungsfälle und damit verbundener Projekte. Ein unabhängiger Blick von außen kann dabei getroffene Annahmen widerlegen oder auch härten und damit sicherstellen, dass die Initiativen in die richtige Richtung laufen. Auch prüft dieser Blick die bisherigen Überlegungen auf Vollständigkeit und verhindert, dass wichtige Trends verschlafen werden.
3. Leuchtturm-Projekte umsetzen: Viele Standard-Lösungen lassen sich mit geringem Einsatz von Zeit und Budget in den IT-Bestand z. B. per API integrieren. Statt theoretischer Diskussionen erhalten Sie so Praxiserfahrungen zu echtem Nutzen und Pain Points. Reicht die Datenqualität vielleicht gar nicht aus, um einen geschäftskritischen Anwendungsfall zu realisieren? Ein MVP zeigt Lücken auf und liefert Anhaltspunkte für notwendige Design-Entscheidungen zur Zielarchitektur, z. B. hinsichtlich KI-Technologien, Betriebsmodellen, Datenquellen und Vendoren. Die anschließende iterative Weiterentwicklung reduziert das Lieferrisiko von Stufe zu Stufe.
4. Organisatorischen Impact erkennen und proaktiv managen: Governance, Regularien, Risiken, Compliance und damit zusammenhängend Organisationsstrukturen, (Support-)Prozesse und insbesondere die Akzeptanz durch Kundschaft und Kollegium stellen meist hohe Anforderungen an die Projekte. Sie schaffen in der Regel keinen unmittelbaren Mehrwert, sind aber unverzichtbar für einen erfolgreichen Go-Live. Die gute Nachricht: Wer diese von vornherein ernst nimmt und proaktiv im Rahmen des Projekts berücksichtigt, erlangt einen realistischen Blick auf den die Lieferung und behält die Kontrolle über den Projekterfolg.
5. KI-Strategie und -Roadmap definieren und validieren: Wie die Software selbst sollten auch KI-Strategie und -Roadmap iterativ weiterentwickelt werden. Veränderliche Rahmenbedingungen, neue Anwendungspotenziale, Learnings aus Umsetzungsprojekten und Feedback aus der Organisation sind fortwährend zu validieren. Dabei werden messbare Ziele in Form von KPIs für die Erfolgsbewertung definiert und ihre Erreichung regelmäßig überprüft, damit sich die geplanten Investitionen auch wirklich auszahlen.

Mit diesen Prüfkriterien behalten Unternehmen die wichtigsten „Störer“ bei der Umsetzung von KI-Initiativen im Blick und können diese überwinden.

Zentrale Leitfragen helfen, den Return on Investment nicht aus den Augen zu verlieren.”

Welche langfristigen Betriebskosten erwarten Sie, wenn Ihre KI-Anwendungen skalieren? Und haben Sie vollständig verstanden, wie sich der EU AI Act auf Ihre KI-Initiativen auswirkt.Florian Springer und Andreas Dietrich, Senacor