Zwei zuverlässige Wege, ein KI-Projekt an die Wand zu fahren

Es gibt zwei zuverlässige Wege, ein KI-Projekt an die Wand zu fahren: am echten Problem vorbeibauen oder das richtige Problem mit Daten angehen, die nicht tragen.

Im Mittelstand ist KI angekommen. Laut der aktuellen Bitkom-Studie nutzen 41 Prozent der Unternehmen aktiv KI, doppelt so viele wie 2024. Woran es hakt, finde ich aber aufschlussreicher: 53 Prozent nennen fehlende KI-Kompetenz im Team, 33 Prozent hatten höhere Kosten als gedacht, und laut IDC kommen 88 Prozent aller Proof of Concepts nie in den echten Betrieb. Die meisten Gespräche drehen sich trotzdem um Modelle und Agenten. Zwei unbequeme Fragen kommen dabei zu kurz:

Tut das Problem wirklich weh?

und tragen die Daten dafür?

Bei uns hat sich genau dies als Standard etabliert. Wir fragen inzwischen beides zuerst. Ohne klaren Pain Point bauen wir am Bedarf vorbei, egal wie elegant die Lösung ist. Und selbst beim richtigen Problem entscheidet am Ende, ob die Daten vernünftig und an der richtigen Stelle liegen. Wir sind da selber nicht am Ziel, aber der Weg stimmt inzwischen eher.

Drei Dinge nehme ich daraus mit:

1. Vom Pain Point her denken. Erst das Problem, das echt weh tut, dann die Technik. Sonst entstehen Lösungen, die niemand vermisst.

2. Von den Daten her denken. Auch der beste Use Case scheitert, wenn die Daten nicht in der nötigen Qualität vorliegen.

3. Beides braucht jemanden, der sich zuständig fühlt, für den Nutzen wie für die Datenqualität. Sonst erledigt das im Pilot zufällig ein Mensch nebenbei und in Produktion niemand mehr.

Der Weg von Data to Value beginnt daher mit einer eher langweiligen Frage: Womit fangt ihr an, beim Problem oder bei den Daten?