Team arbeitet an einem Projekt - 3 Gründe, warum KI-Projekte scheitern

3 Gründe, warum KI-Projekte scheitern

Von künstlicher Intelligenz versprechen Unternehmen sich eine ganze Menge: von stärkerer Produktivität über erhöhte Automatisierung bis zu verkürzten Produkteinführungszeiten. Unbestritten liegt in KI-Projekten das Potenzial, diese Erwartungen zu erfüllen. Doch wie bei allen neueren Technologien ist noch kein breiter Erfahrungsschatz vorhanden, auf den Teams zurückgreifen können.

Das Risiko für gescheiterte Projekte ist im Bereich der künstlichen Intelligenz entsprechend hoch. Dies bestätigt eine von der International Data Corporation (IDC) im Mai 2019 durchgeführte Studie. Für die IDC-Studie wurden 2.473 Unternehmen weltweit befragt. Misserfolge im Rahmen der KI-Projekte wurden von den meisten Befragten genannt – ein Viertel der Unternehmen gab eine Fehlerquote von 50 Prozent an.

Doch warum scheitern so viele KI-Projekte?

Eine besonders wichtige Frage für Unternehmen, die ein KI-Projekt planen oder bereits in der Umsetzung sind. Folgende drei Gründe führen häufig dazu, dass KI-Projekte sich nicht so erfolgreich wie gewünscht entwickeln oder sogar fehlschlagen.

1) Zu geringe Investition in Mitarbeiter

Das weltweit führende Forschungs- und Beratungsunternehmen Gartner sieht den größten Vorteil von künstlicher Intelligenz darin, dass Mitarbeiter sich künftig überwiegend anspruchsvollen und wesentlichen Tätigkeiten widmen können.

Zum einen werden also hochqualifizierte Kräfte wie zum Beispiel Data Scientists benötigt. Zum anderen sollten auch all jene Mitarbeiter, die in KI-Projekten mitwirken und bisher keine Erfahrung in diesem Bereich haben, über „Data Literacy“ verfügen und weiterqualifiziert werden. Mit „Data Literacy“ ist die Fähigkeit gemeint, Daten zu lesen, mit ihnen zu arbeiten, sie zu analysieren und als Entscheidungsgrundlage zu verwenden.

Nicht zuletzt sollten die unterschiedlichen Hintergründe und Erfahrungswerte der Mitarbeiter berücksichtigt werden. Beim so genannten Business- und IT-Alignment geht es darum, unterschiedliche Experten zusammenzubringen und einen gemeinsamen Weg einzuschlagen, der zur Unternehmensstrategie passt.

2) Strategie ist nicht ausgereift

Laut der IDC-Studie haben nur 25 Prozent der befragten Unternehmen eine unternehmensweite KI-Strategie entwickelt – und dies obwohl zwei Drittel von ihnen eine „AI First“-Kultur angaben. Diese Tendenz bestätigt eine diesjährige Studie durch das Marktforschungs- und Beratungsunternehmen Lünendonk & Hossenfelder. In dieser wurden 33 CIOs, CDOs und KI-Verantwortliche aus Großunternehmen und Konzernen befragt. Nur jedes vierte der analysierten Großunternehmen verfügt demnach über eine dezidierte KI-Strategie oder überhaupt über eine Definition für KI. Nicht einmal jedes zweite der wenigen KI-Projekte befindet sich im Produktivbetrieb der befragten Unternehmen.

Ohne klares Ziel und definierte Prozesse ist es schwierig, die hohen Erwartungen an KI-Projekte zu erfüllen. Die Gründe für eine fehlende Strategie können vielschichtig sein – von fehlenden Fachkräften über Silodenken bis zu Vorbehalten innerhalb interner Strukturen.

3) Mangelnde Datenqualität

Zu den größten Herausforderungen zählt für viele Unternehmen die Datenqualität. Diese muss hervorragend sein, da andernfalls Machine Learning-Algorithmen nicht korrekt trainiert werden können. Vorhersagen bzw. Handlungsempfehlungen wären zudem bei mangelhafter Qualität entsprechend ungenau oder falsch.

Veraltete Daten, Doubletten, fehlerhafte oder sogar fehlende Informationen führen zwangsläufig dazu, dass KI-Projekte scheitern. In einem ersten Schritt ist es also Aufgabe in jedem KI-Projekt, die Daten zu bereinigen und aus verschieden strukturierten oder unstrukturierten Quellen in ein sauberes System zu bringen.

Sie benötigen Unterstützung bei der Organisation Ihrer Daten? Sprechen Sie uns an!