GenAI ist ein Game Changer – daran besteht kein Zweifel. Deren Entwicklung vereinfachte den Zugang zu KI deutlich. Sie ermöglichte die Umsetzung von Anwendungsfällen, die zuvor entweder zu komplex oder zu teuer waren. Diese Demokratisierung löste eine regelrechte Welle von teilweise unkoordinierten Projekten in Unternehmen (auch Pilotitis genannt) aus – mit unterschiedlichem Erfolg.

So einfach sich auch einzelne Use Cases implementieren lassen, so stossen viele Projekte bei der firmenweiten Umsetzung doch schnell an ihre Grenzen. Silodenken, technische Komplexität oder Fragen der KI-Governance bremsen den Übergang vom Pilotprojekt zur skalierbaren, nachhaltigen Lösung. Kein Wunder also, dass laut einer Studie der Boston Consulting Group nur 26 Prozent der GenAI-Projekte über die Pilotphase hinauskommen und dauerhaften Mehrwert schaffen. Erfahrungen mit Kundenprojekten zeigen, dass gewisse Voraussetzungen erfüllt sein müssen, damit KI-Services skalieren und den erwarteten Geschäftsnutzen bringen.

• Strategie und Roadmap: Starkes Commitment des Managements, klare Ausrichtung auf die Firmenstrategie sowie eine realistische und verlässliche Roadmap auf Basis validierter Business Cases.
• Change Management: Frühzeitiger Einbezug und stete Begleitung aller Stakeholder auf der KI-Reise, Anpassung der Prozesse, Rollen und Verantwortlichkeiten.
• Conversational UX: Nutzerzentrierte Gestaltung und laufende Optimierung der Dialoge auf Basis definierter Personas und relevanter Business-Kontexte.
• KI-Plattform und Integration: Auswahl einer flexiblen und skalierbaren KI-Plattform, die mit der IT-Strategie kompatibel ist und eine nahtlose Implementierung von End-to-End-Anwendungsfällen unterstützt, die helfen, Prozesse zu automatisieren und Mitarbeitende zu befähigen.
• Compliance, Sicherheit und Datenschutz: Gewährleisten der Integrität und Sicherheit der Systeme sowie konsequenter Schutz personenbezogener und geschäftskritischer Daten durch geeignete Sicherheitskonzepte und -infrastruktur, Einführen einer Governance für KI-Lösungen zur Risikominimierung und Qualitätssicherung
• GenAI- und MLOps: Gewährleisten der Qualität, Zuverlässigkeit und operativen Effizienz von KI-Services durch systematische Auswahl der GenAI- und ML-Modelle, strukturierte Entwicklungsprozesse, automatisiertes Training und laufende Optimierung der Modelle im Betrieb.
• Daten: Sicherstellen einer dauerhaft hohen Datenqualität und -verfügbarkeit durch sorgfältige Auswahl, Aufbereitung und Governance der relevanten Quellen.

Mit einem ganzheitlichen Ansatz der «Pilotitis» vorbeugen

Es ist entscheidend, ein Projekt von Beginn an ganzheitlich anzugehen und alle wichtigen Elemente bereits bei der Umsetzung zu berücksichtigen.

Dieses Vorgehen sollte nicht isoliert von Projekt zu Projekt thematisiert werden, sondern in eine übergeordnete Vision und Initiative eingebettet sein. Ebenso sollte der Austausch zwischen den Projekten aktiv gefördert werden, um Synergien zu nutzen und Doppelspurigkeiten zu vermeiden. Genauso wichtig ist es, frühzeitig auf Symptome zu achten, die auf Schwächen in bestimmten Bereichen hindeuten – etwa das Fehlen eines fundierten Business Cases als strategisches Warnsignal oder die unkontrollierte Vermehrung von eingesetzten Tools im Unternehmen, insbesondere im Hinblick auf Auswahl und Betrieb der KI-Infrastruktur. So lässt sich das KI-Potenzial unternehmensweit Schritt für Schritt und nachhaltig entfalten. Damit ist auch die Gefahr der «Pilotitis» gebannt, dem Phänomen, dass viele Einzelinitiativen scheitern, weil sie nie über den Pilotstatus hinauskommen.

«Think big, start small – Erfolg mit KI braucht beides»

Wer KI erfolgreich einsetzen will, muss frühzeitig an Compliance, Business Value und Change ­Management denken. Warum sich ein iterativer Ansatz lohnt, erklärt Stéphane Mingot, Head AI Solutions bei Adnovum. Interview: Marc Landis

Mit welchen Herausforderungen sind Firmen bei ihren KI-Projekten konfrontiert?

Stéphane Mingot: Bei Kundenprojekten sehen wir primär drei Themengebiete, die die Einführung von KI bremsen. 1. Compliance, Datenschutz und Security: KI-Systeme nutzen oft sensible, personenbezogene oder geschäftskritische Daten. Deshalb müssen sie regulatorische Vorgaben erfüllen, insbesondere bezüglich Datenschutz, Qualität, Nachvollziehbarkeit und Fairness. 2. Strategie und Business Value: Immer wieder sind KI-Services nicht klar in die übergeordnete Firmenstrategie eingebettet. Dadurch fehlt ein eindeutiges Ziel. Zudem fällt es Unternehmen schwer, den konkreten Mehrwert ihrer KI-Services zu messen. 3. Organisation und Change Management: Die Einführung von KI-Lösungen bedeutet, dass sich Prozesse, Rollen und Arbeitsweisen verändern. Häufig unterschätzen Unternehmen das Ausmass dieser Veränderungen.

Wie sollen diese Hürden abgebaut werden?

Beim Thema Compliance, Datenschutz und Security hängt es stark vom Use Case, der Firma und Branche ab. Wichtig ist, von Anfang an die Anforderungen zu betrachten, die mehrheitlich technisch oder organisatorisch lösbar sind. Deshalb empfehlen wir, ein Pilotprojekt nicht als rein technischen PoC zu planen, sondern frühzeitig in die produktive Umgebung zu überführen. Das zwingt dazu, Compliance-, Datenschutz- und Security-Themen von Anfang an zu berücksichtigen – anstatt sie erst bei der Skalierung zu integrieren.

Beim Thema Strategie und Business Value wiederum empfehlen wir, die Firmenstrategie als Kompass zu verwenden und konsequent zu überlegen, wie KI die strategischen Ziele unterstützen kann. Danach bewerten wir die ermittelten Use Cases anhand von drei Dimensionen: strategische Relevanz, Business Value basierend auf Business Case und Machbarkeit. Die Use Cases werden priorisiert, gemäss einer Roadmap orchestriert und umgesetzt. Sie werden laufend den KPIs gegenübergestellt und bei Bedarf angepasst.

Und für das Thema Organisation und Change Management schliesslich gilt: Wie bei jedem IT-Projekt sollen alle Betroffenen involviert werden – vom Entscheidungsträger über die Betriebsverantwortlichen bis zu den Endnutzern. Dann geht es darum, die Auswirkungen auf Prozesse, Organisation und Benutzerverhalten zu antizipieren, zu begleiten und zu beobachten. Häufig müssen noch während der Test- und Einführungsphase Justierungen erfolgen. Denn neue KI-Lösungen führen oft zu nicht vorhersehbaren Verhaltensänderungen. Sicher ist: Je besser die Bedürfnisse der Betroffenen erkannt und abgedeckt werden, desto höher ist deren Akzeptanz.

Sie befürworten einen ganzheitlichen Ansatz. Wie gehen Sie mit dem Risiko um, dadurch Projekte zu lähmen?

Das Risiko besteht tatsächlich. Es ist jedoch unrealistisch oder sogar kontraproduktiv, darauf zu warten, dass alle Themen vorab vollständig geklärt sind. Die Einführung von KI ist eine iterative Reise, auf der Mitarbeitende und Firma gemeinsam lernen und wachsen. Ein schrittweises Vorgehen ist durchaus sinnvoll – vorausgesetzt, es ist eingebettet in eine klare Gesamtstrategie nach dem Prinzip «think big, start small». Um Risiken zu minimieren und zugleich den notwendigen Lernprozess zu ermöglichen, sollte man sich anfangs in einem Piloten, der eine zentrale Phase darstellt, bewusst auf einen kleinen, aber repräsentativen Teil des Use Cases und der Nutzergruppe konzentrieren. Ein gutes Beispiel dafür ist ein Projekt bei einer Schweizer Versicherung. Dort wurde ein Selfservice-Voicebot zunächst nur für rund 1 Prozent des täglichen Anrufvolumens aktiviert. Auf dieser Grundlage konnte der Service schrittweise weiterentwickelt und sowohl funktional als auch in der Reichweite ausgebaut werden.