Reality Check KI – KI-Projekte richtig starten

21. Juli 2021

Viele KI-Projekte in der Industrie scheitern nach dem Proof-of-Concept. Erfolgreich werden sie erst mit klaren Use Cases, verlässlichen Daten und Integration in Prozesse.

Technische Hürden sind selten der Grund für gescheiterte KI-Projekte. Meist fehlen klare Ziele, Datenqualität und organisatorische Anbindung. Mit diesem Beitrag zeige ich, wie Unternehmen den richtigen Start schaffen.

Symbolfoto für einen erfolgreichen Start von KI-Projekten

Ein neuer Artikel von mir auf der Plattform Industry of Things.

Industrieunternehmen starten zunehmend vielversprechende KI-Projekte. Doch nach dem Proof-of-Concept stockt es: Wichtige Daten fehlen, die Ergebnisse enttäuschen oder der konkrete Use Case ist unklar. Was Unternehmen dagegen tun können.

Leben im Hier und Heute

5:43 Uhr: Der Wecker klingelt, weil er eine Leichtschlafphase im gewünschten Zeitraum erkennt. Sofort greifen wir zum Handy, das sich per Gesichtserkennung entsperrt. Ein Gedanke wird diktiert und direkt als Text gespeichert. Das Smartphone meldet einen Kommentar auf Instagram – ein Klick genügt, um die Nachricht aus dem Kyrillischen ins Deutsche übersetzen zu lassen. Am Schreibtisch zeigt der Laptop die wichtigsten Aufgaben: Der Geburtstag eines guten Freundes steht an. Schnell bei Amazon vorbeischauen und direkt eines der vorgeschlagenen Geschenke bestellen.

Diese Beispiele zeigen: Künstliche Intelligenz ist längst im Alltag angekommen. Doch wie sieht es in Unternehmen aus? Die Erfahrung der letzten Monate zeigt: Viele Unternehmen tun sich erstaunlich schwer, KI-Projekte in die Praxis zu bringen. Sie starten mit Begeisterung, bleiben aber nach den ersten Schritten stehen. Der Grund sind weniger technische Hürden als vielmehr unklare Use Cases, fehlende oder unzuverlässige Daten und mangelnde Integration in Geschäftsprozesse.

Unterschiede: private und geschäftliche KI-Anwendungen

Doch worin liegt der Unterschied zwischen Consumer- und Business-KI-Lösungen? Für Privatnutzer:innen gilt meist:

Es geht um ein kleines, klar umrissenes Problem.
Die Anwendung hat eine enorm große Nutzerbasis.
Entsprechend gibt es viele und vielfältige Daten genau zu diesem Problem.
Der Anbieter löst mit der KI genau ein konkretes Problem.

In der Industrie hingegen gibt es zahlreiche Use Cases wie Predictive Maintenance, Chatbots oder Automatisierung. Diese sind individuell – und oft vielschichtig. Die Datenqualität ist extrem unterschiedlich. Daten liegen unstrukturiert oder isoliert vor, häufig fehlt entscheidende Information.

Hinzu kommt: Ansprechpersonen und Expert:innen fehlen oder haben andere Prioritäten. Ein Mangel an Domänenwissen erschwert die Analyse. Prozesse sind schwer zu integrieren. Zudem gibt es organisatorische Hürden wie Silodenken oder unklare Verantwortlichkeiten. Dazu kommt fehlendes Vertrauen in Ergebnisse sowie Fehlalarme bei unzureichender Datenbasis, falschem Training oder ungeeigneten Algorithmen. Unternehmen können jedoch mit den folgenden Erfolgsfaktoren die Grundlage für ihre KI-Projekte schaffen.

…

Den vollständigen Artikel finden Sie hier: KI-Projekte richtig starten