Warum scheitern KI-Use-Cases?

Viele Unternehmen experimentieren aktuell mit KI. Chatbots hier, Automatisierung da, erste Pilotprojekte laufen, aber ein klares Zielbild fehlt oft. Genau diese Lücke zwischen einzelnen Use Cases und echter Unternehmensstrategie steht im Zentrum des Gesprächs mit Christian Temath, der KI.NRW am Fraunhofer-Institut leitet und täglich sieht, wie unterschiedlich weit Unternehmen beim KI-Einsatz sind. Während einige Organisationen bereits produktive Anwendungen nutzen, verharren viele noch in einer Testphase ohne klare Transformationslogik.

„Es geht weniger darum, wo KI nur ein Enabler ist, sondern vielmehr darum, wie transformativ und disruptiv diese Technologie wirklich ist.“

KEY FACTS

Die meisten Unternehmen stecken noch im Use-Case-Modus statt KI strategisch im gesamten Unternehmen zu verankern
Erfolgreiche Organisationen behandeln KI als Teil der Unternehmensstrategie, nicht als IT- oder Finance-Projekt
Datenqualität und -struktur sind oft der eigentliche Engpass, nicht die KI-Tools selbst
Frontrunner bauen zentrale KI-Kompetenzteams mit Data Engineers, Architekten und Business-Übersetzern auf
Unternehmen brauchen KI-Champions in den Fachbereichen, um Skalierung überhaupt zu ermöglichen

▶ Video abspielen

KI zwischen Experiment und Unternehmensrealität

In vielen Organisationen ist KI noch kein durchgängiges Betriebssystem, sondern eine Sammlung einzelner Initiativen. Temath beschreibt diese Phase als kritisch: Bewusstsein ist da, aber die Umsetzung bleibt fragmentiert. Unternehmen testen, transformieren aber noch nicht. Viele Projekte funktionieren technisch, sind jedoch nicht in Prozesse oder Entscheidungslogiken integriert und bleiben damit isoliert. Der Unterschied liegt nicht im Verständnis der Technologie, sondern in ihrer organisatorischen Verankerung. KI wird oft als Tool gesehen, statt als Veränderung der Arbeitsweise. Organisationen müssen KI aber dringend als strukturellen Wandel begreifen, inklusive neuer Rollen und Verantwortlichkeiten.

Warum Daten wichtiger sind als Modelle

Nicht die KI selbst ist meist der limitierende Faktor, sondern die Datenbasis. Viele Unternehmen kämpfen mit gewachsenen Systemen, unklaren Strukturen und fehlender Governance. Daten sind oft verteilt, inkonsistent oder nicht nutzbar für KI-Anwendungen. Wer KI skalieren will, muss zuerst die Grundlage schaffen, nämlich saubere und zugängliche Daten. Ohne diese Basis bleiben selbst gute Modelle wirkungslos. Datenarbeit ist dabei kein Nebenthema, sondern ein strategischer Kernprozess, der über die Wirksamkeit von KI entscheidet.

Frontrunner denken KI strategisch, nicht operativ

Erfolgreiche Unternehmen unterscheiden sich vor allem darin, dass sie KI nicht als IT-Thema sehen, sondern als strategischen Hebel für das gesamte Geschäftsmodell. Sie starten nicht bei Tools, sondern bei der Frage, wie KI ihr Geschäft verändert. Daraus entsteht eine klare Priorisierung von echter Umsetzung statt reiner Experimente. Diese Organisationen bauen KI-Kompetenzzentren auf, in denen Datenexperten und Fachbereiche zusammenarbeiten. Entscheidend ist die Übersetzung zwischen Technologie und Business. Ohne diese Verbindung bleiben Projekte technisch korrekt, aber wirtschaftlich ohne Wirkung.

Von Champions, Skills und echter Skalierung

Ein zentrales Erfolgsmodell sind KI-Champions in den Fachbereichen. Sie sorgen dafür, dass KI nicht nur zentral gesteuert, sondern dezentral angewendet wird. So entsteht ein Netzwerk, das Praxiswissen in die Organisation trägt und Skalierung ermöglicht. Zudem rückt der Fokus stärker auf Skills statt Tools. Mitarbeiter brauchen konkrete Anwendungslogiken für ihren Alltag, nicht nur Zugang zu Systemen. Entscheidend ist, ob KI reale Arbeit verbessert, denn genau dort entsteht der Produktivitätseffekt.

Was verändert sich wirklich?

KI wird zunehmend von einem Technologieprojekt zu einer Organisationsfrage. Erfolgreiche Unternehmen verankern sie in ihrer Gesamtstrategie statt sie isoliert zu betrachten. Dadurch verändern sich Strukturen, Entscheidungen und Prioritäten im gesamten Unternehmen. Die Transformation liegt weniger in der Technik als in der Beweglichkeit der Organisation. Das spiegelt sich in besseren Datenstrukturen, klaren Kompetenzen und schnelleren Entscheidungen. Wer das schafft, ist nicht nur vorbereitet, sondern kann schneller reagieren. Entscheidend ist am Ende nicht das Tool, sondern die Geschwindigkeit der Integration in Geschäftsmodelle und Prozesse.

‍