Lessons Learned - Aus gescheiterten KI-Projekten lernen

Künstliche Intelligenz wird die Zukunft der Arbeit ändern, da sind wir uns sicher. Damit dieser Wandel auch positiv verläuft und für das Unternehmen und dessen Ziele einen Mehrwert bietet, müssen KI-Projekte klar strukturiert geplant und umgesetzt werden. Trotzdem kommt es immer wieder zu KI-Projekten, die aus gewissen Gründen scheitern. Dieser Blogartikel soll genau diese Schwachstellen gescheiteter Projekte aufdecken und so ein Bewusstsein schaffen, um KI-Projekte richtig umzusetzen.

Künstliche Intelligenz als Technologie der Zukunft

Künstliche Intelligenz (KI) ist in aller Munde. Viele Unternehmen haben KI-gestützte Automatisation als eine der Haupttechnologien in ihrem Businessplan für die nächsten fünf bis zehn Jahre. Doch steckt hinter jeder Neueinführung von Technologien oft mehr als nur der wirtschaftliche Mehrwert. Wird zu schnell und unbesonnen an die Thematik herangegangen, kann das Risiken und Probleme mit sich bringen. Das zeigt sich gerade auch in Projekten zu künstlicher Intelligenz. In diesem Artikel wollen wir uns diese Gründe ansehen und herausfinden, welche Stellen eines Projekts lieber nochmal genauer durchdacht werden sollen.

Wieso KI-Projekte scheitern

Die Gründe wieso KI-Projekte scheitern sind so vielfältig, wie die Anwendungsfälle selbst. Wir haben uns gescheiterte KI-Projekte aus den verschiedensten Branchen angeschaut und 9 Schlüsselstellen identifiziert, wieso KI-Projekte scheitern. Die Ergebnisse wollen wir gerne mit euch teilen.

#1 Größe und Art des KI-Projekts

Es ist essenziell, ein KI-Projekt mit einem klar definierten Ziel und Ressourcen zu beginnen. Ein ehrgeiziges Projekt erfordert einen hohen technischen Aufwand und einige organisatorische Veränderungen. Deshalb ist es wichtig vor Beginn eines Projekts die Bereitschaft für eine solche Investition zu prüfen. Nicht nur finanziell, denn es kann durchaus vorkommen, dass unsaubere Datensätze erst einmal grundlegend bereinigt und organisiert werden müssen, bevor das KI-Projekt richtig starten kann. Denn um KI erfolgreich zu implementieren, müssen Unternehmen klare und konsistente Datensätze auswählen und sich auf Qualität und gründliche Katalogisierung konzentrieren.

Gleichzeitig sorgt eine genaue Definition des Projektziels auch für den nötigen Mehrwert. Hier sollte darauf geachtet werden, dass ein entscheidender Einfluss auf die Ziele des Unternehmens gegeben ist. Nur wenn sich ein Projekt mit den Geschäftszielen vereinbaren lässt und auf die Notwendigkeit konzentriert, rechtfertigt die Umsetzung die Risiken. Denn es darf nicht vergessen werden, dass Projekte auch scheitern können, z.B. an Datenmangel oder Ungenauigkeit der KI. Projekte können noch so lukrativ oder interessant sein, ohne ein klares Ziel führen sie nicht zum Erfolg. Denn nur wenige Unternehmen können sich die Kosten für Forschungsarbeiten zu KI dauerhaft leisten. Deshalb sollten die Anstrengungen klar auf der Anwendungsseite verortet werden.

#2 Realistische Erwartungen

Bevor ein neues KI-Projekt startet, sollte die Erwartungshaltung der verschiedenen Stakeholder geklärt werden. Denn einige Entscheidungstragende erhoffen sich zu schnell, qualitativ hochwertige Ergebnisse. Dies kann dafür sorgen, dass bei der Umsetzung nicht die nötige Achtsamkeit gewahrt wird und Projekte über kurz oder lang scheitern.
KI-Projekte können beispielsweise nicht mit agiler Softwareentwicklung verglichen werden, es ist nicht möglich alle zwei Wochen eine neue Version zu liefern.

Für eine erfolgreiche KI-Einführung muss die Unternehmenskultur Experimente, Lernprozesse und Misserfolge unterstützen. Des Weiteren benötigt sie Zeit, Ressourcen und eine große Menge an fundierten Daten. Die Erwartung menschlicher Genauigkeit zu Beginn oder die Forderung nach sofortigen Ergebnissen wird die Chancen auf einen Misserfolg nur erhöhen. Daher ist das Management der Erwartungen ein essenzieller Softskill in der Einführung von KI-Lösungen. Denn generell ist die Dauer nicht zu unterschätzen, die der Einsatz von KI benötigt, um einen geschäftlichen Mehrwert zu liefern.

#3 Dauer des KI-Projekts

Der Erfolg von KI-Projekten beruht auf dem Verständnis von Daten. Wird ein KI-Modell über ein zu kleines Zeitfenster trainiert kann es vorkommen, dass sie nicht mit seltenen Ereignissen umgehen kann, da diese bisher noch nicht aufgetaucht waren.
Die strategische Entscheidung, wie groß ein geeignetes Zeitfenster aussehen sollte und wann dieses gesetzt wird, sollte das Entwicklerteam zusammen mit denjenigen treffen, die später mit den Ergebnissen des Modells arbeiten. Es gilt einen Zeitraum zu wählen, der das richtige Maß an Veränderungen für den Kunden erfasst. Die Basis bildet hier am besten eine explorative Analyse.

#4 Compliance

Ein weiterer meist unterschätzter Punkt in KI-Projekten ist das Dateneigentum.  Teilweise nutzen Unternehmen Kunden- oder Maschinendaten, ohne dabei zu wissen, ob diese Daten verwendet werden dürfen. Es ist wichtig Unternehmen daran zu erinnern, dass, nur weil sie Zugang zu diesen Daten haben, sie diese nicht beliebig einsetzen und verwenden dürfen. Gerade durch die DSGVO werden Daten nicht nur zu einem Wertgegenstand, sondern auch zu einer Belastung.

Aussicht

Das waren jetzt erst einmal sehr allgemeine Punkte. Die Größe und Art eines Projekts, dessen Dauer und die Erwartungshaltung sollten vor Beginn des KI-Projekts gut durchdacht werden. Gleichzeitig muss auch geklärt sein, welche Daten dürfen rechtlich genutzt werden und welche nicht. Doch gibt es natürlich noch weitere Gründe wieso KI-Projekte scheitern. Hierzu gehören zum Beispiel der Datensatz, die Skalierbarkeit und auch der Implementationsprozess. Mit diesen und weiteren Themen werden wir uns im 2. Teil unser Blogserie beschäftigen.

Hier gehts weiter zu Teil 2.

Titelbild: © Koto Amatsukami, stock.adobe.com

Dies könnte Dich auch interessieren: