Einleitung

Künstliche Intelligenz wird oft als das große Herzstück der digitalen Transformation gefeiert. Doch hinter den glänzenden Schlagzeilen und viralen Demos verbirgt sich eine ganz andere, recht harte Wahrheit: Die meisten KI-Projekte in Unternehmen kommen leider nie über die Testphase hinaus! Eine Studie des MIT hat gezeigt, dass erstaunliche 95 % aller generativen KI-Piloten scheitern. Das ist ein riesiger Weckruf, der uns zeigt: Begeisterung allein reicht einfach nicht aus, wenn neue Technologien in komplexe und sicherheitsorientierte Organisationen integriert werden sollen.

In einem kürzlich geführten Podcast-Gespräch erklärte Edward Honour – ein super erfahrener Technologie-Experte, dessen Karriere von Oracle-Datenbanken in den 1980ern bis hin zu modernem maschinellem Lernen reicht –, dass diese hohe Misserfolgsquote nichts mit falschem Hype zu tun hat. Es liegt vielmehr an den Grundlagen der Umsetzung! Für ihn ging es bei KI schon immer um eine ganz bestimmte Sache: Daten! Genauer gesagt darum, wie sie gesammelt, verwaltet und genutzt werden. Ohne eine ordentliche Datenpflege und die Bereitschaft der Organisation sind selbst die fortschrittlichsten Modelle dazu verdammt, in sich zusammenzufallen.

In diesem Blog schauen wir uns gemeinsam an, warum so viele KI-Initiativen scheitern, welche tollen Lehren wir daraus ziehen können und wie Unternehmen ihr Denken verändern können, um aus vielversprechenden Experimenten echten, langfristigen Erfolg zu machen!

Die Wurzeln des Scheiterns

Aber warum scheitern denn eigentlich so viele Pilotprojekte? 

Hier kommen meistens mehrere Gründe zusammen. Der erste ist: falsche Erwartungen! Zu viele Projekte werden mit dem Versprechen gestartet, dass KI quasi über Nacht riesige Kosten einspart oder ganze Arbeitsabläufe komplett ersetzt. Solche Versprechungen helfen zwar, das Budget zu sichern, aber sie passen selten zur tatsächlichen Reife der eingesetzten Tools. Wenn die Chefetage sofortige Ergebnisse erwartet und die Entwickler sich plötzlich mit fehlerhaften Ausgaben (sogenannten Halluzinationen) oder holprigen Integrationen herumschlagen müssen, ist Enttäuschung vorprogrammiert!

Ein zweiter Punkt ist das Vernachlässigen von bewährten Prozessen. KI-unterstütztes Programmieren (auch bekannt als „Vibe Coding“) kann zwar helfen, super schnell lauffähigen Code zu schreiben – aber die ganzen Anforderungen drumherum in einem Unternehmen verschwinden dadurch nicht! Das Testen, die Bereitstellung, die Einhaltung von Regeln und die Freigabe durch die Nutzer gehören immer noch dazu. Viele Piloten stürzen sich voller Elan auf Prototypen, die zwar Code erzeugen, aber niemand weiß, ob dieser Code auch sicher betrieben und langfristig gepflegt werden kann. Edward Honour drückt es so aus: Die Unternehmen vergessen einfach, dass „das reine Schreiben von Code nur ein kleiner Teil davon ist, wie man Software in einem echten Unternehmen einführt.“

Der dritte Grund liegt im rasanten Wandel der Technologie selbst. Während ein einziges Projekt läuft, können sich die zugrunde liegenden Modelle und Systeme bereits mehrfach weiterentwickeln! Teams, die mit klassischen Sprachverarbeitungsmethoden gestartet sind, müssen plötzlich auf ganz neue, moderne Systeme umschwenken. Für große Unternehmen mit ihren langsamen Entscheidungswegen und langfristigen Plänen kann dieses extrem schnelle Tempo ganz schön verunsichernd sein.

Das zweischneidige Schwert des „Vibe Codings“

Der Trend des „Vibe Codings“ zeigt perfekt die Chancen und Tücken moderner KI-Entwickler-Tools. Indem man großen Sprachmodellen einfach per Textbefehl sagt, was sie tun sollen, kann man in wenigen Tagen Prototypen bauen, für die man früher Wochen gebraucht hätte! Doch dieser einfache Schein trügt. In der Praxis funktionieren diese Modelle oft viel besser mit älteren, bewährten Programmierumgebungen (wie PHP in Kombination mit MySQL) als mit hochmodernen Frameworks (wie React). Für uns Menschen fühlen sich neuere Frameworks zwar eleganter an, aber für die KI sind einfachere Umgebungen oft viel leichter fehlerfrei zu bedienen!

Das widerspricht dem Glauben, dass die neuesten Technologien auch automatisch die besten Ergebnisse liefern. Viel schlauer ist es, klein anzufangen, früh verständliche Ergebnisse zu liefern und sicherzustellen, dass alles stabil läuft, bevor man es komplizierter macht. Ohne diese Disziplin entstehen schnell Prototypen, die nicht einmal die einfachsten Sicherheitsprüfungen überstehen. Und ohne eine sorgfältige Versionskontrolle können sich die kleinen Fehler, die eine KI einbaut, rasant vermehren und zu einem riesigen Problem für das ganze System werden!

Bildquelle: https://www.pendo.io/glossary/vibe-coding/ 

In seinen eigenen Projekten hat Edward Honour schon erlebt, dass eine KI ohne Rückfrage wichtige, gemeinsam genutzte Programmteile einfach überschrieben hat – ein Fehler, den selbst ein Berufseinsteiger niemals machen würde! Genau deshalb betont er, wie wichtig es ist, jeden kleinen Zwischenschritt in Systemen wie GitHub abzuspeichern. So kann man im Fehlerfall alles leicht wiederherstellen und lernt gleichzeitig, welche Befehle zu welchem Ergebnis geführt haben.

Der „Erst-kaufen-dann-bauen“-Ansatz

Die Lehren daraus gehen weit über das rein Technische hinaus. Unternehmen dürfen neu definieren, wie echter Erfolg mit generativer KI aussieht! Statt nach dem einen, riesengroßen Wunder-Projekt zu suchen, sollten wir uns lieber über viele kleine, stetige Fortschritte freuen. KI sollte als ein wunderbarer Helfer gesehen werden, der uns bei der täglichen Arbeit unterstützt, und nicht als ein Ersatz, der uns sofort komplett ablöst. Mit einer agilen Projektplanung, die auf ständige Verbesserung setzt, können Unternehmen die Ergebnisse der KI Schritt für Schritt einbauen, testen und optimieren.

Ein weiterer wichtiger Tipp für die Strategie lautet: Erst clever einkaufen, dann selber bauen! Viele alltägliche Aufgaben – wie das Weiterleiten von Kunden-E-Mails, das Sortieren von Support-Anfragen oder das Erkennen von Stimmungen in Texten – kann man ganz einfach als fertige Software einkaufen oder an erfahrene Partner abgeben. Das bringt super schnelle Erfolge, ohne dass man selbst tiefes Fachwissen aufbauen muss. Wenn es jedoch um Dinge geht, die das Unternehmen einzigartig machen und von der Konkurrenz abheben, ist der Zukauf riskant: Denn externe Agenturen verkaufen dieselben Lösungen natürlich auch an andere! 

Für den langfristigen Erfolg ist es daher Gold wert, die wichtigsten Kern-Systeme selbst zu entwickeln. So baut man nicht nur tolle eigene Tools auf, sondern auch das wertvolle Wissen im eigenen Team! Zum Starten ist Kaufen super praktisch, aber das große Ziel sollte sein, die wichtigsten Funktionen selbst im Griff zu haben.

Gemeinsam stark: Die Kraft von Communities und kontinuierlichem Lernen

Ein weiteres schönes Thema ist der wachsende Wert von gemeinschaftlichem Lernen als ideale Ergänzung zur klassischen Beratung. Die KI-Welt entwickelt sich einfach viel zu schnell, als dass ein einzelnes Unternehmen (oder ein einzelner Experte) alles alleine wissen könnte! Berater können zwar super Strukturen, Hilfe bei der Umsetzung und bewährte Vorlagen bieten, aber die echte Magie entsteht, wenn man dieses Wissen mit einer lebendigen Community teilt, in der sich Praktiker direkt und unkompliziert austauschen.

Solche Communities zeigen uns eine einfache Wahrheit: Kein Entwickler der Welt kann alle Bereiche der KI perfekt beherrschen! Von der Feinabstimmung der Modelle bis hin zum Bau von Datenleitungen ist das Feld einfach riesig. Wenn Unternehmen neben klassischer Beratung auch den lockeren Austausch fördern, entsteht ein tolles Umfeld, in dem alle voneinander lernen, Fehler offen besprochen werden und Wissen frei herumsprudelt. Sogar Fehlversuche werden so zu wertvollen Lektionen, die andere vor denselben Sackgassen bewahren!

Für Beratungsunternehmen liegt hier eine großartige Chance: Sie können nicht nur fertige Lösungen liefern, sondern auch die Netzwerke und Communities pflegen und begleiten, die diese Lösungen langfristig mit Leben füllen und weiterentwickeln!