Wenn ein KI-Projekt scheitert, liegt es selten an der Technik. Es liegt daran, dass Abläufe und Daten nicht in einem Zustand sind, in dem eine Maschine damit arbeiten kann.
Die Erhebungen sagen das ziemlich deutlich.
Bitkom fragt Unternehmen ab 20 Beschäftigten nach den größten Hemmnissen beim KI-Einsatz: rechtliche Unsicherheit (53 %), fehlendes technisches Know-how (53 %), fehlende personelle Ressourcen (51 %).
Die DIHK fragt breiter nach Digitalisierung: Zeitmangel (60 %), Komplexität (54 %), Kosten (42 %).
Sieben Spitzenwerte. Die Leistungsfähigkeit der KI Modelle taucht in keinem davon auf.
Der naheliegende Einwand: Das sind Einstiegshürden. Wenn ein Projekt erst läuft, klemmt doch die Technik — gewachsene ERP-Landschaften, zweckentfremdete Felder, fehlende Schnittstellen.
Dazu die aktuellste Zahl, die ich kenne. Der VDMA hat 247 Industrieunternehmen in DACH zu generativer KI befragt. Größte Herausforderung, mit 25 %: mangelnde Qualität der eigenen Daten.
Also nicht das KI Modell. Es ist der Zustand der eigenen Daten und Abläufe, mit denen es arbeiten soll.
Und da stehen zwei Dinge nebeneinander, beide hausgemacht: Daten, die über Jahre so entstanden sind, wie sie entstanden sind — und ein Ablauf, der nie so beschrieben wurde, dass jemand anderes ihn ausführen könnte. Für Menschen reicht das. Erfahrene Mitarbeiter füllen die Lücken automatisch und merken es nicht einmal. Eine Maschine kann das nicht.
Fraunhofer-Forscher kamen 2021 zu demselben Befund. Vor ChatGPT, vor jedem heutigen KI Werkzeug. Modelle und Werkzeuge haben sich seitdem vollständig verändert. Der Befund nicht.
Wer ein KI-Projekt startet, entscheidet also nicht in erster Linie über Technik.
Welchen Ihrer Kernabläufe könnten Sie heute so beschreiben, dass eine Maschine ihn ausführen könnte?
Nr. 91 · Cord Cassel · Zuerst erschienen auf LinkedIn, hier in der Originalfassung.