Das Problem
Unternehmen experimentieren intensiv mit KI, aber nur wenige KI-Piloten werden zu einem festen Teil der Arbeit. Gartner erwartete, dass mindestens 30% der Projekte mit generativer KI nach der Pilotphase eingestellt werden, unter anderem wegen schlechter Daten, ungenügender Risikokontrolle, steigender Kosten oder eines unklaren Ertrags.
Warum es immer wieder passiert
- Die Technik steht im Vordergrund. "Wir müssen etwas mit KI machen" statt "dieser Prozess kostet zu viel Zeit".
- Zu breit angefangen. Ein Assistent, der alles können muss, kann am Ende nichts gut genug.
- Nicht zuverlässig genug. Ein KI-Pilot funktioniert in der Demo, aber im echten Betrieb sind die Fehler zu teuer.
- Nicht eingebettet. Die Anwendung steht neben der Arbeit statt mittendrin.
Unser Vorgehen
- Zuerst der Ertrag. Welcher Prozess kostet nachweislich Zeit oder Geld? Was ist es wert, wenn er schneller oder besser läuft?
- Eine klar abgegrenzte Aufgabe. Zum Beispiel Fragen zu den eigenen Dokumenten beantworten oder Daten aus Rechnungen auslesen. Klein genug, um sie richtig hinzubekommen.
- Zuverlässig machen. Rechnen per Code, Antworten prüfen lassen, Unsicherheit offen melden und den Menschen entscheiden lassen.
- In die Arbeit bringen. Die Anwendung kommt in die Systeme, in denen die Leute schon arbeiten, nicht in ein separates Hilfsmittel.
- Erst dann ausbauen. Es geht weniger um den Code und mehr um gute Entscheidungen: Was bauen wir, und was nicht?
Worauf Sie achten sollten
- Messen Sie vorher und nachher. Ohne Nullmessung lässt sich kein Ertrag nachweisen.
- Wählen Sie Daten, die in Ordnung sind, oder bringen Sie sie zuerst in Ordnung.
- Halten Sie die Kosten planbar, zum Beispiel mit lokaler KI zu festen Hardwarekosten.
Wünschen Sie Beratung zu KI-Piloten, die Rendite bringen? Fordern Sie ein kostenloses Beratungsgespräch an.
Quellen
Aktualisiert am