Als Process Excellence Consultant betrachte ich KI nicht als isoliertes Tool. Ich schaue darauf, wie sie sich in die Abläufe einer Organisation einfügt, wo die tatsächlichen Lücken liegen, wo Zeit und Geld verloren gehen und ob die Menschen, die sie nutzen werden, die Veränderung verstehen und bei ihrer Gestaltung mitwirken können. Dieser Artikel zeigt, wie das in der Praxis auf jeder Stufe der KI-Transformation aussieht, von der ersten ehrlichen Bereitschaftsprüfung bis zu dem, was geschieht, nachdem das erste Pilotprojekt erfolgreich war.
Wichtigste Erkenntnisse
- Laut BCG erzielen nur 5 % der Unternehmen mit KI Wertschöpfung im großen Maßstab, und 60 % schaffen trotz fortlaufender Investitionen überhaupt keinen wesentlichen Wert. Meiner Erfahrung nach sind die Gründe dafür häufiger organisatorischer als technischer Natur.
- Bevor eine Organisation den ersten Use Case auswählt, braucht sie ein klares Bild ihrer eigenen Bereitschaft in sechs Dimensionen: KI-Strategie, Daten, Technologie, Governance, Talente und Kultur.
- Ein guter erster Use Case löst ein konkretes, messbares Problem und passt zu dem Prozess, in den er eingebettet ist. Ein sichtbares Tool wie ein Chatbot kann gut funktionieren, sofern durchdacht ist, was mit seinen Ergebnissen geschieht.
- Ein Pilotprojekt ist nur dann sinnvoll, wenn es messbar und klar abgegrenzt ist und bereits vor seinem Start organisatorische Unterstützung hat, nicht erst danach.
- Die durch KI eingesparte Zeit schafft nicht automatisch Wert. Sie muss bewusst anderweitig eingesetzt werden, und die Zeit, die für die Prüfung von KI-Ergebnissen benötigt wird, gehört zu den Kosten.
- Ein Centre of Excellence kann Use Cases auswählen und priorisieren, doch die Führung bleibt für Richtung und Ergebnisse verantwortlich, und die Menschen, die die Arbeit leisten, sollten die Veränderung mitgestalten.
Warum geraten die meisten Unternehmen, die eine KI-Transformation beginnen, ins Stocken, bevor sie überhaupt startet?
Laut der Studie von BCG vom September 2025, für die weltweit mehr als 1.250 Unternehmen untersucht wurden, erzielen 60 % trotz fortlaufender Investitionen keinen wesentlichen Wert durch KI, und nur 5 % schaffen Wertschöpfung im großen Maßstab. Meiner Erfahrung nach entsteht diese Lücke häufig bereits bei der allerersten Entscheidung, wenn eine Organisation festlegt, wo sie beginnen soll.
Bereitschaft betrifft nicht nur die Einstellung, auch wenn sie ebenfalls wichtig ist. Als Process Excellence Consultant betrachte ich kein Puzzleteil isoliert. Ich schaue darauf, wie ein Ablauf die gesamte Organisation durchläuft, über Geschäftsbereiche hinweg, die jeweils ihr eigenes Tempo haben. Ein Teil eines Prozesses kann für sich genommen gut funktionieren, aber von anderen abhängen, für die keine Maßnahmen definiert sind, oder von Legacy-Systemen, für die die Dokumentation fehlt und deren Wissen in den Köpfen der Mitarbeitenden steckt.
Wenn ein gutes Tool auf einen fehlerhaften Workflow trifft
Ein Chatbot ist ein gutes Beispiel. Er kann ein hervorragender Use Case sein und wertvolles Feedback von Nutzenden sammeln. Wenn dieses Feedback jedoch bei einem Team landet, das zwei Wochen damit verbringt, es manuell durchzugehen, weil niemand standardisiert hat, wie es verarbeitet werden soll, geht der Wert im weiteren Verlauf verloren. Das Tool funktioniert. Der Workflow darum herum wurde nie darauf ausgelegt, seine Ergebnisse aufzunehmen.
Wir wollen künstliche Intelligenz nicht um ihrer selbst willen. Wir wollen ein konkretes Problem lösen. Ohne zu prüfen, wo die Lücke tatsächlich liegt und wo wir Zeit verlieren, gibt es keinen Grund anzufangen.
Was muss ein Unternehmen vor Beginn einer KI-Transformation vorbereitet haben?
Technologie ist wichtig, doch vieles, was über den Erfolg einer KI-Transformation entscheidet, liegt in ihrem Umfeld. Dazu gehören eine gemessene Baseline und eine klare Richtung durch die Führungsebene. Ebenso wichtig ist, ob die Menschen verstehen, warum die Veränderung stattfindet, und sie mitgestalten können.
Wie AI governance, Management und Transformation zusammenwirken
Diese Begriffe verschwimmen häufig, daher hilft es, sie voneinander zu trennen. AI governance betrifft die Richtung und Verantwortlichkeit: warum die Organisation überhaupt KI einführt, welchen Prioritäten sie dient, wer Entscheidungen darüber treffen kann und wer für das Ergebnis verantwortlich ist. Zur Governance gehört auch die Aufsicht, etwa zu wissen, welche KI-Tools wo und für welche Entscheidungen genutzt werden. Sie umfasst jedoch mehr als das. Management ist die tägliche Seite: die Tools im Rahmen der durch die Governance vorgegebenen Richtung planen, einführen und betreiben.
Eine KI-Transformation greift auf beides zurück. Sie umfasst die praktische Einführung von Tools, aber auch strategische Entscheidungen darüber, wie die Organisation arbeiten möchte. Deshalb muss die Führungsebene hier ein Verbündeter sein: Vorbild, Richtlinien und Strategie kommen von oben.
Die Unterscheidung wird sehr konkret, wenn Mitarbeitende das Gefühl haben, dass die Organisation zu langsam vorankommt. Oft beginnen sie dann, eigenständig öffentliche KI-Tools zu nutzen, manchmal mit Unternehmensdaten. Zu entscheiden, was unter welchen Bedingungen erlaubt ist, ist eine Governance-Frage. Sie braucht eine Antwort, bevor die Transformation selbst skaliert werden kann.
Die sechs Dimensionen der AI readiness
Bevor ich einen ersten Use Case auswähle, gehe ich mit einer Organisation sechs Bereiche durch:
- Abstimmung der KI-Strategie: eine klare Richtung, die mit konkreten Geschäftszielen verknüpft ist, keine isolierte KI-Initiative am Rand.
- Datenreife: Datenqualität und Data Governance, die solide genug sind, um das Tool zu unterstützen, nicht nur für das Reporting ausreichen.
- Technologieinfrastruktur: Systeme, die KI in bestehende Workflows integrieren können, statt neben ihnen zu laufen.
- Governance: klare Prioritäten, Entscheidungsbefugnisse und Verantwortlichkeiten für KI sowie Kontrolle darüber, wie Tools eingesetzt werden.
- KI-Kompetenzen: Menschen mit den passenden Fähigkeiten direkt in den Teams, die die Tools nutzen werden, nicht nur gebündelt in einer zentralen Funktion.
- Kultur: Menschen, die verstehen, warum die Veränderung stattfindet, und sie mitgestalten, statt sie nur zu tolerieren.
Warum die Datenqualität entscheidet, wie weit KI gehen kann
Aus Datenperspektive sind die meisten Organisationen hier besonders angreifbar. Die Gartner-Studie vom Februar 2025 ergab, dass 63 % der Organisationen entweder nicht über die richtigen Datenmanagementpraktiken für KI verfügen oder nicht sicher sind, ob dies der Fall ist.
Ein Chaos zu automatisieren, erzeugt weiterhin Chaos, nur schneller und sichtbarer. Bevor KI-Modelle zuverlässig mit einem Prozess arbeiten können, müssen die zugrunde liegenden Daten in Ordnung sein. Das Vertrauen in die Ergebnisse wächst schrittweise mit der Datenqualität, nicht umgekehrt.
Auch ist die Reife selten gleichmäßig verteilt. In einer Organisation fragte eine interne Umfrage offen danach, welche KI-Tools die Menschen nutzen, wie häufig sie dies tun und ob sie sich selbst als Enthusiasten sehen oder KI lieber gar nicht anfassen würden. Eine Funktion hatte sich kaum damit beschäftigt, während Mitarbeitende in der Softwareentwicklung bereits aus eigener Initiative mit KI-Assistenten programmierten.
Diese Unterschiede sind normal und oft das deutlichste Signal dafür, wo die Bereitschaft für Veränderungen bereits vorhanden ist. Wo Menschen bereits experimentieren, ist es sinnvoll, dies zu formalisieren und darauf aufzubauen. Die Bewertung muss auf der Ebene konkreter Teams und Abläufe erfolgen, nicht als einheitliches Urteil über das gesamte Unternehmen.
Warum Menschen die Veränderung mitgestalten müssen
In den meisten Organisationen erlebe ich gleichzeitig zwei Gruppen: Enthusiasten, die bereits erste Experimente durchführen, und Skeptiker, von denen einige befürchten, dass KI ihnen den Arbeitsplatz wegnimmt. Beide Reaktionen sind verständlich, besonders angesichts der vielen Schlagzeilen darüber, dass KI Rollen ersetzt. Wird eine Transformation einfach von oben angekündigt, wird jemand, der eine Aufgabe seit Jahren auf dieselbe Weise und gut erledigt, das neue Tool kaum öffnen. Die fortschrittlichste Lösung hilft nicht, wenn die Menschen, die sie nutzen sollen, keinen Grund dafür sehen.
Deshalb geht es bei der KI-Transformation ebenso sehr darum, Menschen und Emotionen zu führen, wie um Technologie. Menschen müssen verstehen, warum die Veränderung stattfindet, und sie mitgestalten können, statt danach beurteilt zu werden, ob sie dafür bereit sind. Dieselbe Logik gilt für KI-Expertise: Sie wirkt am besten, wenn sie in jeder Geschäftsfunktion verankert ist, nah an der täglichen Arbeit, statt in einer zentralen Gruppe gebündelt zu werden.
AI Readiness Assessment
Verschaffen Sie sich einen klaren Überblick darüber, wie gut Ihre Daten darauf vorbereitet sind, KI-Initiativen in Ihrer Organisation zu unterstützen und zu skalieren.
Wie identifiziert ein Unternehmen den richtigen ersten Use Case, um seine KI-Transformation zu starten?
Der Impuls, „KI zu haben“, unterscheidet sich vom Impuls, „etwas zu lösen“. Werden beide vermischt, gehen viele erste Use Cases schief. Ich beginne immer damit, mich mit jemandem auf C-Level zusammenzusetzen, der überzeugt ist, dass KI bei einem konkreten Problem helfen wird, statt lediglich auf allgemeinen Druck zu reagieren, etwas mit KI tun zu müssen. Es ist ein wenig wie in der Therapie: Wenn Sie wissen, wo es schmerzt, können Sie es richtig untersuchen und sich darum kümmern.
Was macht einen Prozessschritt zu einem guten Kandidaten?
In der Praxis suche ich nach einem Schritt, der messbar und klar abgegrenzt ist und von den Menschen unterstützt wird, die dafür verantwortlich sind. Wiederkehrende, standardisierte Schritte sind gute Kandidaten für die Automatisierung. Schritte, die menschliches Urteilsvermögen erfordern, etwa ein Code Review oder eine abschließende Entscheidung, sollten bei einer Person im Workflow bleiben. Ein sichtbares Tool wie ein Chatbot kann eine ausgezeichnete erste Wahl sein, solange es ein konkretes Problem löst und zum umgebenden Prozess passt.
Eine hilfreiche Übung besteht darin, einen konkreten Prozess im Marketing, Rechnungswesen oder Kundenservice zu nehmen und zu fragen, wie Sie ihn von Grund auf gestalten würden, wenn Sie die heute verfügbaren KI-Fähigkeiten kennen. Dieses Gedankenexperiment zeigt den tatsächlichen Kandidaten meist schneller als ein langer Workshop.
Wie kann ein Unternehmen einen internen Business Case für den Start einer KI-gestützten Transformation aufbauen?
Vorstände und die Menschen, die sich für KI einsetzen, betrachten dieselbe Investition oft aus unterschiedlichen Blickwinkeln. Wer der Technologie nahesteht, konzentriert sich eher darauf, was sie leisten kann. Ein Vorstand hingegen, der das Budget gegen andere Prioritäten abwägt, fragt sich, ob sich die Investition auszahlen wird.
Die beiden Perspektiven weisen nicht immer in dieselbe Richtung. Als Nutzerin könnte ich den größten Nutzen in einer zentralen Anlaufstelle sehen, an der ich eine Frage stellen und auf das gesamte Wissen der Organisation zugreifen kann. Die Führungsebene könnte bei demselben Budget entscheiden, das Geld stattdessen in den Entwicklungsprozess zu investieren, weil der Nutzen dort klarer erkennbar ist. Sie könnte zudem bevorzugen, dass Menschen ihr Wissen weiterhin direkt miteinander teilen.
Keine der beiden Sichtweisen ist falsch. Entscheidend ist, dass die Führungsebene eine klare Richtung vorgibt und die Menschen, die die Arbeit leisten, diese verstehen und erkennen können, wie ihre eigenen Bedürfnisse darin berücksichtigt werden. Ein überzeugender Business Case greift diese Richtung auf: was die Investition kostet, welchen Ertrag sie voraussichtlich bringt und in welchem Zeitraum.
Über 1 Mrd. £ an Buchungen, 90 % der Kampagnenparameter automatisiert
ITV benötigte eine Plattform zur Verwaltung von Werbung, die manuelle Arbeit reduziert, ohne die Komplexität zu erhöhen. Wir haben Planet V mit zwei funktionsübergreifenden Teams entwickelt. Die Plattform wird inzwischen von mehr als 1.000 Nutzern monatlich und über 200 Agenturen genutzt. ML-gestützte Prognosen übertreffen menschliche Vorhersagen um 20 %.
Was Vorstände von KI-Investitionen erwarten
Die Umfrage von Deloitte aus dem Jahr 2025 unter mehr als 1.850 Führungskräften ergab, dass ein typischer KI-Use-Case innerhalb von zwei bis vier Jahren einen zufriedenstellenden ROI erreicht. Nur 13 % der erfolgreichsten Projekte amortisieren sich innerhalb von zwölf Monaten. Diese Zahl ist hilfreich für Gespräche mit dem Vorstand, weil sie die Erwartung korrigiert, dass sich KI-Investitionen wie eine typische Software-Einführung verhalten.
Warum eingesparte Zeit nicht dasselbe ist wie geschaffener Wert
Zeitersparnis dient oft als Grundlage für den Business Case, doch man muss damit sorgfältig umgehen. Sie können in einem Team hundert Stunden pro Woche freisetzen und am Ende trotzdem nichts dafür vorweisen können, denn eingesparte Zeit schafft für sich genommen keinen Wert. Sie muss gezielt in wertvollere Arbeit fliessen, sonst wird sie einfach anderweitig absorbiert.
Eine zweite Falle betrifft das Vertrauen. Als PeopleCert die ITIL-Community fragte, welche Herausforderungen das Skalieren von KI mit sich bringt, wiesen Praktiker darauf hin, dass die erwarteten Einsparungen faktisch verschwinden, wenn die Prüfung von KI-Ergebnissen bedeutet, die Arbeit erneut erledigen zu müssen. Jede ehrliche Bewertung des Nutzens muss die Zeit einbeziehen, die für die Prüfung und Korrektur der Tool-Ergebnisse benötigt wird, nicht nur die eingesparte Zeit.
Auch das Gegenteil kann passieren. Wenn ein Team bisher 90 % seiner Kapazität genutzt hat und mit KI-Tools plötzlich 110 % leisten soll, bleibt kein Raum, um die Ergebnisse der Tools zu prüfen. Dann gelangen ungeprüfte Ergebnisse in den Prozess. Die Verifizierung braucht einen geschützten Platz im Workflow, mit einem Menschen im Prozess und vereinbarten Qualitätsschwellen, statt durch höhere Zielvorgaben verdrängt zu werden.
Wie sollte das erste KI-Pilotprojekt eines Unternehmens aussehen?
Ein Pilotprojekt muss seinen Nutzen vor dem Start belegen, nicht erst danach. Die Disziplin, die ich dabei als Process Excellence Consultant anwende, ähnelt dem, was manchmal als „Success Contract“ bezeichnet wird: Metrik benennen, Baseline messen, Erfolgsschwelle festlegen und im Voraus entscheiden, was geschieht, wenn das Pilotprojekt diese verfehlt. Als grobe Orientierung kann ein einzelner, klar abgegrenzter Workflow oft innerhalb weniger Monate zu einer Entscheidung über den Produktivbetrieb führen, beispielsweise in 60 bis 90 Tagen. Der richtige Zeitrahmen hängt jedoch vom Umfang, den Daten und den beteiligten Personen ab.
Wenn sich der Ausgangspunkt nicht messen lässt oder das Team die Veränderung nicht will, verschiebe ich das Pilotprojekt lieber, als es durchzudrücken. Ein so aufgesetztes Pilotprojekt wird kein Ergebnis liefern, dem Sie vertrauen können, unabhängig davon, wie es ausgeht.
Warum zu schnelles Vorgehen ein eigenes Risiko darstellt
Das Tempo ist selbst ein Risiko. In der Gartner-Studie vom April 2026 zu KI in der IT-Infrastruktur und im IT-Betrieb erzielten nur 28 % der Projekte den zugesagten Ertrag. Viele der Führungskräfte, die über ein Scheitern berichteten, sagten, sie hätten „zu viel, zu schnell erwartet“. Die Daten beziehen sich auf einen bestimmten Bereich, doch meiner Erfahrung nach gilt dieselbe Erkenntnis breiter: Wenn das erste Pilotprojekt klein genug bleibt, ist sein Ergebnis vertrauenswürdig, unabhängig davon, wie es ausgeht.
Nichts wird erzwungen. Wenn wir erkennen, dass die Organisation bei den Daten oder den Menschen noch nicht bereit ist, halten wir inne. Das Budget für ein Pilotprojekt zu verbrennen, das nie auf Erfolg ausgerichtet war, hilft niemandem.
Woran erkennt ein Unternehmen, ob seine erste Initiative zur KI-Adoption erfolgreich war?
Um zu beurteilen, ob ein Pilotprojekt erfolgreich war, muss die Baseline mit dem Ergebnis abgeglichen werden. Zudem gilt es, die tatsächlichen Kosten zu verstehen, einschliesslich aller Kosten rund um das Tool selbst und nicht nur der Lizenzgebühr, sowie nachzuverfolgen, ob Menschen es nutzen, ohne dazu aufgefordert zu werden.
Was das Evaluierungspaket enthalten sollte
Eine fundierte Evaluierung umfasst sechs Aspekte:
- Messung der Baseline des Prozesses vor der Einführung von KI.
- KI-Performance, gemessen anhand derselben Baseline und in denselben Einheiten.
- Gap-Analyse, die zeigt, was sich tatsächlich verbessert hat, statt nur besser auszusehen.
- Gesamtkosten, einschliesslich Lizenzen, Implementierung sowie des Zeitaufwands für die Prüfung und Korrektur der Ergebnisse, den Einsparungen gegenübergestellt.
- Nutzeradoption, ehrlich nachverfolgt statt anhand eines Dashboards angenommen.
- Eine klare Entscheidung: skalieren, erweitern oder stoppen.
Bei den Gesamtkosten kommt der Prüfpunkt aus dem Business Case wieder ins Spiel. Ein Pilotprojekt, das den Zeitaufwand für die Prüfung von KI-Ergebnissen ignoriert, kann auf einem Dashboard erfolgreich aussehen, in der Praxis jedoch nur sehr wenig bewirken.
Wer für welche Kennzahl verantwortlich ist
Das Mess-Framework von QuantumBlack von April 2026 von McKinsey ordnet jeder Wertebene einen klar benannten Verantwortlichen zu: Die finanziellen Auswirkungen liegen bei Finance, die strategischen Ergebnisse beim Leiter der Business Unit, operative KPIs beim Prozesseigentümer, die Nutzeradoption beim verantwortlichen Manager an der Frontlinie und die technische Performance beim Delivery-Team. Ich nutze eine schlankere Variante derselben Logik: Ohne einen benannten Verantwortlichen für jede Ebene prüft niemand die Kennzahl, und die Evaluierung findet stillschweigend nicht statt.
Die KI wird dennoch von Zeit zu Zeit Fehler machen. Das angemessene Mass an Vertrauen hängt vom Use Case ab und sollte auf Evidenz und fortlaufender Evaluierung beruhen. Saubere, gut organisierte Daten, ein funktionierender Human in the Loop, wo Urteilsvermögen erforderlich ist, sowie Monitoring, das nach Ende des Pilotprojekts fortgesetzt wird, helfen dabei, dieses Mass an Vertrauen zu rechtfertigen. Sie garantieren jedoch nicht, dass jedes Ergebnis korrekt ist.
Was folgt auf das erste Pilotprojekt und wie gelingt einem Unternehmen der Übergang vom Start zur nachhaltigen Umsetzung von KI?
Ein erfolgreiches Pilotprojekt schafft Glaubwürdigkeit. Diese Glaubwürdigkeit sollten Sie gezielt nutzen, statt sie ungenutzt zu lassen. Eine im Juni 2025 veröffentlichte Gartner-Studie ergab, dass 45 % der Organisationen mit hoher KI-Reife KI-Projekte drei Jahre oder länger im Produktivbetrieb halten, gegenüber lediglich 20 % der Organisationen mit geringer Reife. Regelmässige Wertmessung trägt dazu bei, die Ergebnisse nach einem Pilotprojekt zu sichern. Ebenso wichtig sind die Auswahl der Use Cases, Governance und Engineering-Praktiken.
Wo die meisten Organisationen beim Skalieren von KI an Schwung verlieren
Meiner Erfahrung nach ist das Pilotprojekt selbst selten der schwierige Teil. Was Organisationen bremst, liegt zwischen einem funktionierenden Proof of Concept und der vollständigen Einführung: Wer verantwortet das Ergebnis, halten die Daten auch in grösserem Massstab stand und waren die Menschen, die das Tool nutzen werden, an seiner Gestaltung beteiligt? Das sind eher organisatorische als technische Fragen. Gerade deshalb werden sie so leicht unterschätzt.
Ein Centre of Excellence aufbauen, das hilft
In dieser Phase stellt sich die strukturelle Frage, wie mit der Idee eines Centre of Excellence umzugehen ist. Es ist ein attraktives Modell und kann gut funktionieren. Das Risiko besteht darin, dass es zu einer bequemen Stelle wird, an die jede Entscheidung weitergereicht wird, während die Menschen, die die Arbeit erledigen, nicht einbezogen werden. Ein Centre of Excellence kann und sollte echte Befugnisse haben, einschliesslich des Rechts, Use Cases auszuwählen und zu priorisieren. Es sollte jedoch nicht die Verantwortung übernehmen: Die Führungsebene bleibt Eigentümer und Sponsor der Transformation und verantwortet deren Richtung und Ergebnisse.
Ein Centre of Excellence sollte meines Erachtens aus engagierten Personen bestehen, die bereits in den einzelnen Funktionen tätig sind: Jemand im Marketing, der KI bereits täglich nutzt und dies in einer internen Umfrage angegeben hat, wird zum Botschafter für das Marketing. Diese Person gestaltet den Wandel mit, kennt die Arbeitsweise des Teams bereits und spricht dessen Sprache, wenn es um Adoption geht.
Dieselbe Disziplin, die den ersten Use Case ausgewählt hat, muss auch hier fortgeführt werden: Führungsebene und die Menschen, die die Arbeit erledigen, auf eine gemeinsame Richtung ausrichten und dem Drang widerstehen, KI um ihrer selbst willen zu skalieren. Eine Transformation, die sich selbst trägt, löst weiterhin konkrete Probleme, Schritt für Schritt und messbar. Sie erklärt nicht nach dem ersten Pilotprojekt den Sieg und hört dann auf zu prüfen.
FAQ
Wie lange sollte ein erstes KI-Pilotprojekt dauern?
Es gibt keine feste Regel. Als grobe Orientierung kann ein einzelner, klar abgegrenzter Workflow oft innerhalb von 60 bis 90 Tagen eine Entscheidung über den Produktivbetrieb ermöglichen. Der Zeitrahmen hängt jedoch vom Umfang, den Daten und den beteiligten Personen ab. Wichtiger ist, die Baseline und die Erfolgsschwelle zu definieren, bevor das Pilotprojekt beginnt.
Was ist das grösste Hindernis für einen erfolgreichen ersten KI-Use-Case?
Häufiger liegt es an der organisatorischen Bereitschaft als an der Technologie: Daten, die nicht in Ordnung sind, Teams, die nicht an der Gestaltung der Veränderung beteiligt waren, oder ein Use Case, der wegen seiner Sichtbarkeit statt wegen der Lücke ausgewählt wurde, die er schließt.
Ist ein Chatbot ein guter erster KI-Use-Case?
Das kann es sein. Ein Chatbot ist ein starker erster Use Case, wenn er ein konkretes Problem löst und in den umfassenderen Prozess passt, einschließlich dessen, was mit den gesammelten Informationen geschieht. Wenn seine Ergebnisse bei einem Team landen, das dann alles manuell bearbeiten muss, geht der Wert später im Prozess verloren.
Wie messen Sie, ob ein KI-Pilotprojekt erfolgreich war?
Es kann Use Cases auswählen und priorisieren und sollte dies oft auch tun. Die Verantwortung für die Transformation selbst, ihre Ausrichtung und ihre Ergebnisse bleibt bei der Führungsebene. Das Centre of Excellence funktioniert am besten, wenn es gemeinsam mit den Menschen aufgebaut wird, die die Arbeit erledigen.
Muss ein Pilotprojekt operative Effizienzgewinne zeigen, bevor es sich skalieren lässt?
Nicht für sich allein. Operative Effizienz, etwa eine kürzere Durchlaufzeit oder niedrigere Kosten pro Fall, ist ein Signal. Sie muss jedoch an den Gesamtkosten, einschliesslich der Zeit für die Verifizierung, und an der tatsächlichen Adoption durch die Nutzenden gemessen werden. Ein Pilotprojekt, das nur Effizienzgewinne zeigt, ohne diese beiden Prüfungen, ist noch nicht bereit, skaliert zu werden.
Was erfordert eine verantwortungsvolle KI-Einführung in der Praxis?
Klare Verantwortlichkeiten für Entscheidungen und Ergebnisse, definierte Grenzen dafür, was KI tun darf und was nicht, ein funktionierender Human-in-the-Loop, wenn Urteilsvermögen gefragt ist, Daten mit guter Governance sowie die Überwachung dessen, was nach der Einführung geschieht, nicht nur während des Pilotprojekts.