Ich glaube, dass viele KI-Initiativen in Unternehmen in den nächsten Jahren scheitern werden.
Nicht, weil die Technologie nicht funktioniert.
Sondern weil Unternehmen versuchen, KI einzuführen, ohne die Organisation zu verändern.
Und wenn du in diesem Satz „KI“ durch „Blockchain“, „IoT“, „Cloud“ oder „API“ ersetzt, kommt mir das ziemlich bekannt vor.
Ich habe einige dieser Technologiewellen selbst miterlebt.
Das Muster ist erstaunlich ähnlich.
Nach der KI-Schulung kommt … nichts
Ich habe in den vergangenen Jahren KI-Schulungen für Unternehmen gegeben.
Wir haben über Large Language Models gesprochen, Prompting ausprobiert, Tools getestet und Anwendungsfälle diskutiert.
Irgendwann habe ich angefangen, am Ende eine einfache Frage zu stellen:
„Was macht ihr jetzt nach der KI-Schulung?“
Darauf gab es erstaunlich selten eine klare Antwort.
Wer übernimmt das Thema?
Was passiert nächste Woche?
Wer bringt die Mitarbeiter zusammen?
Wie werden die ersten Anwendungsfälle ausprobiert?
Wie werden Erfahrungen im Unternehmen geteilt?
Wie entscheiden wir, was funktioniert und was nicht?
Oft: keine Ahnung.
Genau deshalb habe ich irgendwann aufgehört, KI isoliert zu schulen.
Denn das Problem war nicht fehlendes Wissen über KI.
Das Problem war, dass niemand dafür verantwortlich war, was danach passiert.
Eine Schulung ist keine Veränderung
Das nächste Problem: Zeit.
Mitarbeiter sollen sich mit KI beschäftigen.
Aber zusätzlich zu ihrem normalen Job.
Dann gibt es vielleicht einen Workshop, einen Kurs oder ein paar interne Schulungen.
Drei Monate später ist das Wissen teilweise schon wieder veraltet.
Gerade bei KI sieht man das extrem.
Kaum hat jemand gelernt, wie ein bestimmtes Tool funktioniert, erscheint ein neues Modell. Funktionen, die gestern noch kompliziert waren, sind plötzlich Standard. Andere Tools verschwinden wieder.
Man kann deshalb nicht alle sechs Monate Wissen „auftanken“ und glauben, damit sei die Organisation wieder auf dem aktuellen Stand.
KI-Kompetenz ist kein Schulungsprojekt. Sie muss Teil der Arbeit werden.
Menschen brauchen Zeit zum Experimentieren.
Sie müssen Erfahrungen austauschen können.
Und sie müssen Fehler machen dürfen.
Dafür braucht es jemanden, der das Thema dauerhaft zusammenhält.
Nicht für drei Monate.
Eher für zwei oder drei Jahre.
Unternehmen brauchen einen KI-Verantwortlichen – nicht nur eine KI-Strategie
Damit meine ich nicht zwingend einen „Chief AI Officer“.
Der Titel ist ziemlich egal.
Entscheidend ist die Verantwortung.
Eine Person muss wissen:
Was probieren wir gerade aus?
Welche Teams arbeiten bereits mit KI?
Was funktioniert?
Was funktioniert nicht?
Wo entstehen Kosten?
Welche Erfahrungen sollten andere Teams kennen?
Welche Anwendungen sollten wir einstellen?
Und wo lohnt es sich, tiefer zu investieren?
Diese Person muss Mitarbeiter zusammenbringen und dafür sorgen, dass Wissen nicht in einzelnen Köpfen oder Abteilungen hängen bleibt.
Vor allem aber muss sie verstehen, dass Technologie kein einmaliges Projekt ist.
Viele Unternehmen benutzen KI, ohne sie wirklich zu verstehen
Das sehe ich besonders bei LLM-Anwendungen.
Für viele ist das eine Blackbox.
Man schreibt etwas hinein.
Es kommt etwas heraus.
Und irgendwo läuft eine Rechnung mit Tokens.
Solange die Kosten klein sind, interessiert das kaum jemanden.
Schwieriger wird es, wenn Unternehmen eigene Anwendungen darauf aufbauen.
Ein Beispiel sehe ich immer wieder:
„Wir wollen unser gesamtes Unternehmenswissen über einen Chatbot verfügbar machen.“
Also werden Dokumente gesammelt.
PDFs.
Handbücher.
Prozessbeschreibungen.
SharePoint.
Wiki.
Alles rein.
RAG davor.
Chatbot drauf.
Fertig ist das Unternehmenswissen.
Zumindest in PowerPoint.
In der Realität wird das System mit wachsender Wissensbasis komplexer. Retrieval, Chunking, Berechtigungen, Aktualität, Kontext und Qualität der Antworten müssen plötzlich sauber gelöst werden.
Und natürlich kostet die Nutzung Geld.
Vielleicht wäre die bessere Frage deshalb gar nicht:
„Wie bekommen wir unser gesamtes Unternehmenswissen in einen Chatbot?“
Sondern:
„Welches konkrete Wissen braucht welche Person für welche Aufgabe?“
Vielleicht braucht der Vertrieb einen kleinen Wissensassistenten.
Der Kundenservice einen anderen.
Die Produktion einen dritten.
Kleiner.
Begrenzter.
Messbarer.
Und wahrscheinlich deutlich einfacher zu verbessern.
Nicht möglichst viel KI.
Sondern möglichst viel Nutzen.
Dann kommt die Rechnung
Irgendwann werden Unternehmen anfangen, genauer hinzuschauen.
Was hat die Entwicklung gekostet?
Was kosten Plattformen und Modelle?
Was kosten Tokens?
Was kostet die Pflege?
Und vor allem:
Was bringt uns das eigentlich?
Wenn Entwicklungskosten, Plattformkosten und laufende Nutzung den wahrgenommenen Nutzen übersteigen, passiert etwas sehr Menschliches.
Die Technologie bekommt die Schuld.
„KI hat bei uns nicht funktioniert.“
Das habe ich schon einmal gesehen.
Bei Blockchain.
Bei IoT.
Bei der API-Ökonomie.
Und wahrscheinlich werden wir es auch bei KI sehen.
Dabei wäre die ehrlichere Aussage häufig:
Wir haben die Technologie eingeführt, ohne unsere Organisation darauf vorzubereiten.
Bei KI könnte es diesmal teurer werden
Ein Unterschied macht mir allerdings Gedanken.
Der Druck auf Unternehmen ist bei KI enorm.
Kaum eine Geschäftsführung möchte später erklären müssen, warum sie „das große Ding“ verpasst hat.
Also wird investiert.
Strategien werden geschrieben.
Lizenzen gekauft.
Chatbots gebaut.
Proof of Concepts gestartet.
Beratungen beauftragt.
Und natürlich gibt es genügend große und kleine Beratungsunternehmen, die diesen Bedarf gerne bedienen.
Das Problem beginnt, wenn Unternehmen investieren, bevor sie gelernt haben, die richtigen Fragen zu stellen.
Dann wird aus:
„Wo kann KI unser Geschäft tatsächlich verbessern?“
sehr schnell:
„Wo können wir überall KI einbauen?“
Das sind zwei komplett unterschiedliche Fragen.
Technologie braucht Verantwortung
Vielleicht ist das deshalb die wichtigste Lektion, die ich aus den vergangenen Technologiewellen mitgenommen habe:
Technologie einzuführen ist einfach. Verantwortung dafür aufzubauen ist schwierig.
Wenn ein Unternehmen KI ernsthaft nutzen möchte, würde ich nicht mit 50 Use Cases anfangen.
Ich würde mit einer verantwortlichen Person anfangen.
Dieser Person Zeit geben.
Ein kleines Budget geben.
Menschen aus unterschiedlichen Bereichen zusammenbringen.
Wenige konkrete Probleme auswählen.
Experimentieren.
Kosten messen.
Nutzen messen.
Wissen teilen.
Und Anwendungen auch wieder abschalten, wenn sie keinen Mehrwert bringen.
Dann das nächste Problem angehen.
Über Jahre.
Nicht über einen Workshop.
Denn vielleicht brauchen Unternehmen gar keine KI-Strategie.
Vielleicht brauchen sie eine Organisation, die gelernt hat, mit neuer Technologie umzugehen.
Dann ist es irgendwann auch ziemlich egal, ob die nächste Technologie KI, Blockchain, IoT oder irgendetwas ist, dessen Namen wir heute noch nicht kennen.
Die Technologie wird sich ändern.
Die Fähigkeit, damit umzugehen, bleibt.