KI in Unternehmen: Warum Daten & Prozesse der wahre Engpass sind

KI gilt als Wachstumstreiber für die Organisation von Unternehmen und deren Projekte – doch in der Praxis scheitert eine gelungene Umsetzung oftmals an banalen, aber entscheidenden Hindernissen: schlechte Datenlagen, unklare Prozesse und fehlendes Bewusstsein für Regulatorien. So lange diese Hemmnisse nicht beseitigt sind, können KI-Modelle nicht ihr volles Potential entfalten. 

Der Prototypen-Mythos

Hat ein Unternehmen ein Interesse, ein neues KI-Modelle zu integrieren, so wird oftmals auf einen entsprechenden Prototypen der gewünschten Anwendung geschaut. Dabei glänzen KI-Prototypen mit ihren guten Leistungen, dadurch dass sie auf optimale oder gar bereinigte und begrenzte Datenquellen zugreifen. Doch die Datenlage in der tatsächlichen Projektumsetzung verhält sich oftmals ganz anders. Diese sogenannten "Live-Daten" sind nicht bereinigt, sondern unstrukturiert und komplex. Die KI kann hierdurch nicht so effizient arbeiten, wie es der Prototyp aufgezeigt hat. Folglich sehen die Leistungen der in der Praxis umgesetzten KI-Modelle deutlich schlechter aus. Das eigentliche Problem ist hierbei nicht das KI-Modell an sich, sondern seine Einbettung in eine nicht optimale Projektumgebung bzw. Datenlage.

Beispielhafte Projektumgebungen, die die KI in ihrer Arbeit behindern, sind somit ...

...Daten, die nicht taugen

Lückenhafte Datensätze, widersprüchliche Kennzahlen und veraltete Daten(-logiken) führen zu fehlerhaften Ergebnissen der KI. Diese werden oftmals durch die folgenden Fehlerquellen verursacht:

• Mess- und Erfassungsfehler
• Unvollständigkeit
• Dupletten und Inkonsistenzen
• Veraltete Daten
• Falsche Klassifikationen
• Bias und Verzerrungen
• Technische Probleme
• Manipulation und Fälschung
• Kontextverlust
• Übertragung von Speicherproblemen

...intransparente Prozesse 

Wer darf handeln, wer trägt Verantwortung? Ohne klare Antworten verpufft das beste Modell. Transparenz in den vorherrschenden Unternehmensprozessen sind Grundlage zur Identifikation von KI-Potentialen. Mögliche Hindernisse durch unklare Prozesslagen können sein:

• Unklare Zieldefinition
• Fehlerhafte Planung
• Unzureichende Kommunikation
• Mangelhafte Ressourcen
• Fehlende Schulung und Qualifikation
• Absichtliche Verstöße bzw. Manipulation
• Standardisierungsprobleme
• Fehlerhafte Schnittstellen
• Mangelnde Kontrolle und Monitoring
• Externe Einflüsse
• Veraltete Prozesse

...missachtete Regulatorik 

Späte Prüfungen durch Datenschutz oder Compliance führen oft zu Stopps kurz vor dem Go-Live. „Wir haben die Daten“ heißt nicht „Wir dürfen sie so nutzen“. Weitere Beispiele sind:

• Datenschtutz und Privatsphäre
• Urheberrecht und geistiges Eigentum
• Diskrimierungsverbote
• Ethik und Fairness (bspw. Nachhaltigkeits- oder Umweltaspekte)
• Transparenzpflichten
• Produkthaftung und Sicherheit
• Branchenspezifische Regulierungen
• KI-Spezifische Gesetze (bspw. EU AI Act)

Fazit

KI scheitert selten am Algorithmus. Die eigentlichen Ursachen liegen in den Daten, Prozessen und Regulatorien. Wer diese Herausforderungen früh erkennt, spart Lehrgeld und legt die Basis für echten Mehrwert. Es lohnt sich das eigene Unternehmen diesbezüglich vor der Einführung von KI-Modellen zu überprüfen.