Vergessen Sie „Plug-and-Play-KI“: So unterscheiden sich erfolgreiche KI-Projekte

Nur 5 % der KI-Geschäftsprojekte sind erfolgreich. So machen sie es richtig.

Wichtige Erkenntnisse

Nur 5 % der KI-Projekte werden erfolgreich umgesetzt. Es kommt auf die Fähigkeit zur Anpassung an.
Durch Partnerschaften verdoppeln sich die Erfolgschancen für KI.
Stellen Sie die richtigen Fragen, bevor Sie sich für Bauen oder Kaufen entscheiden.

Es besteht eine enorme Lücke zwischen den Ambitionen im Bereich KI und tatsächlich erfolgreichen Projekten - dies wurde in einer kürzlich vom MIT veröffentlichten Studie deutlich, der zufolge nur 5 Prozent der Generative-KI-Projekte einen messbaren Nutzen für Unternehmen erbracht haben. Was machen diese Top-5-Prozent anders? Ihr gemeinsamer Nenner ist, dass ihre Technologie-Teams die Kunst und Wissenschaft beherrschen, KI maßgeschneidert auf die Bedürfnisse ihrer Unternehmen anzupassen - zudem setzen sie auf Partnerschaften statt auf einen alleinigen Ansatz.

Sie gehen tief - sehr tief.

Worin unterscheiden sich erfolgreiche KI-Projekte?

Laut dem Forschungsteam der Studie - bestehend aus Aditya Challapally, Chris Pease, Ramesh Raskar und Pradyumna Chari - konzentrieren sich erfolgreiche KI-Anwendungen „auf begrenzte, aber wertvolle Anwendungsfälle, werden tief in bestehende Arbeitsabläufe integriert und skalieren durch kontinuelles Lernen statt durch umfangreiche Feature-Sets“. „Fachwissen im jeweiligen Bereich sowie eine gute Integration in die Arbeitsabläufe sind wichtiger als ein ansprechendes Benutzererlebnis.“

Letztendlich geht es nicht darum, KI einfach nur zu entwickeln oder zu kaufen - sondern darum, wie das Unternehmen von der KI profitieren kann. Anstatt „mit veralteten SaaS-Vorgehensweisen zu kämpfen“, müssten Fachleute „die Aufmerksamkeit der Unternehmen gewinnen, indem sie aggressiv anpassen und sich an echte geschäftliche Probleme orientieren“, fügten sie hinzu. „Die erfolgreichsten Akteure sind nicht diejenigen, die allgemeingültige Werkzeuge entwickeln, sondern diejenigen, die sich in bestehende Arbeitsabläufe integrieren, sich an den jeweiligen Kontext anpassen und von kleinen, aber hochwertigen Ansatzpunkten aus skalieren.“

Es ist bemerkenswert, dass „Plug-and-Play-KI ein Mythos ist“, sagte Paul McDonagh-Smith, Senior-Lecturer für Informatik am MIT Sloan Executive Education, gegenüber Windows-Office.net. (McDonagh-Smith war nicht direkt an der Studie beteiligt.) „Externe Tools sparen Zeit, doch die eigentliche Arbeit besteht darin, KI-Tools so anzupassen, dass sie zu unseren Arbeitsabläufen passen - also bei der sogenannten ‚Plug-and-Personalize AI‘.“

Der Grund, warum generative KI-Tools wie ChatGPT in Pilotprojekten erfolgreich sind, „liegt in ihrer Flexibilität“, fügte er hinzu. „Allerdings scheitern sie oft bei missionskritischen Aufgaben - unter anderem aufgrund mangelnden Speichervermögens, was ihre Fähigkeit zum Lernen, Anpassen und zur individuellen Konfiguration einschränkt - sodass sie sich nicht in ausreichendem Maße in unsere alltäglichen Arbeitsabläufe integrieren lassen.“

Die Eingehung strategischer Partnerschaften zur Weiterentwicklung der KI macht laut der MIT-Studie einen erheblichen Unterschied. Die Mitautoren stellten fest, dass es deutlich mehr Initiativen zur Zusammenarbeit als zur eigenständigen Entwicklung gab; zudem waren Partnerschaften in zweifacher Hinsicht erfolgreicher als interne Entwicklungsbemühungen. Solche Partnerschaften führten oft zu „einerem schnelleren Nutzen, geringeren Gesamtkosten sowie einer besseren Abstimmung auf die betrieblichen Abläufe“. Unternehmen konnten so den Aufwand eines Neubaus vermeiden und dennoch maßgeschneiderte Lösungen erreichen.

Wann selbst bauen und wann kaufen?

Dennoch müssen Befürworter und Entwickler von KI abwägen, wann es sinnvoll ist, selbst zu entwickeln, und wann es besser ist, mit Partnern wie Lieferanten oder Netzwerkpartnern zusammenzuarbeiten. Bei der Entscheidungsfindung ist laut McDonagh-Smith „der Wendepunkt erreicht, wenn Geschwindigkeit, Skalierbarkeit oder spezielles Fachwissen erforderlich sind - und die eigenen Teams nicht in der Lage sind, die vom Unternehmen geforderten Zeitpläne einzuhalten“. „Eine interne Entwicklung lohnt sich, wenn das Projekt entscheidend für den Wettbewerbsvorteil ist; doch wir müssen vorsichtig sein - Stolz kann zu Fehlern führen.“

Obwohl die Befürchtung besteht, dass die Verwendung externer Lösungen die Möglichkeiten für die nötige Anpassung einschränkt, ist diese Sorge laut McDonagh-Smith unbegründet. „Es geht weniger um ‚Plug-and-Play-KI‘, sondern vielmehr darum, die KI so anzupassen, dass sie zu den bestehenden sowie neu entstehenden Arbeitsabläufen passt. Ich bin der Ansicht, dass der Erfolg der KI nicht davon abhängt, welche externen KI-Tools wir wählen, sondern von unserer internen Fähigkeit, sie an die Denkweise, Arbeitsweisen und Handlungsmuster unserer Unternehmen anzupassen.“

Andere Branchenführer stimmen darin überein, dass der Erfolg von KI von den jeweiligen Umständen abhängt. „Die Entscheidung, ob man interne Teams einsetzt oder die Arbeit an externe Anbieter auslagert, hängt davon ab, was das Unternehmen mit der KI erreichen will“, sagte David Friend, CEO und Mitbegründer von Wasabi Technologies. „Falls eine Technologie - sei es KI oder eine andere - ein zentraler Bestandteil der Wettbewerbsvorteile des Unternehmens ist oder dem Unternehmen ermöglicht, im Preiswettbewerb zu bestehen, sollte sie intern entwickelt und verwaltet werden. Ist sie jedoch kein wesentlicher Bestandteil des Angebots des Unternehmens, sollte sie ausgelagert werden. Was Sie von anderen unterscheidet, sollten Sie selbst erledigen - alles andere kann ausgelagert werden.“

Dieser Prozess muss ebenfalls damit beginnen, die richtigen Fragen zu stellen. „Die Frage ist nicht, ob sie die Technologie entwickeln können, sondern ob sie es tun sollten“, betonte Adrian Murray, Gründer und CEO von Fisent Technologies. „Man mag über sehr kompetente und gut finanzierte Technologie-Teams verfügen, doch deren Kapazitäten sind von Natur aus begrenzt und müssen auf die wertschöpfungsintensivsten Aufgaben konzentriert werden. Die Teams müssen ihre Bemühungen dort ansetzen, wo sie einen wirklichen Mehrwert schaffen können. Man sollte diese Technologien auf konkrete Geschäftsprobleme anwenden - anstatt eine Kern-Technologieinfrastruktur aufzubauen, die man auch problemlos von einem Lösungsanbieter lizenzieren könnte.“

Die Art der Partnerschaft ist ebenfalls ein entscheidender Faktor für den Erfolg von KI - sie muss mehr sein als nur eine rein transaktionale Vereinbarung. Laut dem MIT-Bericht „behandelten die wichtigsten Kunden KI-Startups eher wie Anbieter von Geschäftsdienstleistungen und weniger wie Softwareanbieter; sie setzten ihnen dabei Standards, die eher denen für Beratungsunternehmen oder Anbieter von Geschäftsprozessoptimierungen entsprechen“. Dazu gehört auch eine tiefgreifende Anpassung der KI-Lösungen an die internen Prozesse und Daten - wobei diese wiederum mit konkreten Ergebnissen verknüpft sind.

„Stellen Sie sicher, dass bestehende sowie neu entstehende Arbeitsabläufe zerlegt werden, auf Muster untersucht werden, die mit GenAI funktionieren - oder auch nicht - und anschließend weiterentwickelt sowie neu kombiniert werden, sobald GenAI bereit ist“, riet McDonagh-Smith.

Graswurzel-Adaption von KI in Unternehmen

Die Studie zeigte außerdem, dass erfolgreiche KI-Initiativen oft auf der Basis von Aktivitäten im unteren Managementbereich beginnen. „Viele der erfolgreichsten Unternehmenseinsätze von KI begannen mit Power-Usern - Mitarbeitern, die bereits mit Tools wie ChatGPT oder Claude zur Steigerung ihrer eigenen Produktivität experimentiert hatten“, berichteten die Mitautoren der Studie. Diese Personen „verstanden intuitiv die Fähigkeiten und Grenzen der generativen KI und wurden zu frühen Befürwortern intern genehmigter Lösungen. Anstatt sich auf eine zentrale KI-Abteilung zu verlassen, die geeignete Anwendungsfälle identifizieren sollte, ermöglichten erfolgreiche Unternehmen es Budgetsverantwortlichen sowie Fachbereichsleitern, Probleme aufzudecken, Tools zu prüfen und deren Einführung zu leiten.“

Laut der Studie entstehen zudem Architekturen für agentenbasierte KI, die durch Frameworks wie das Model Context Protocol (MCP), Agent-to-Agent (A2A) und NANDA unterstützt werden. Diese Frameworks ermöglichen die Interoperabilität und Koordination von Agenten. „Diese Frameworks bilden die Grundlage des entstehenden ‚Agentic Web‘ - eines Netzwerks aus interoperablen Agenten und Protokollen, das monolithische Anwendungen durch dynamische Koordinierungsebenen ersetzt.“

Der kulturelle Wandel, der für KI erforderlich ist