Rückzieher bei KI: Echte Geschichten von Führungskräften
KI-Lektionen: Viele Führungskräfte übersehen die wertvollen Lehren aus gescheiterten oder pausierten KI-Projekten, obwohl diese wichtige Erkenntnisse liefern.
Pausieren statt weitermachen: Unternehmen profitieren oft davon, KI-Initiativen zu pausieren, um grundlegende Prozesse und eine hohe Datenqualität zu schaffen.
Zuerst manuell: Automatisierung sollte erst nach der manuellen Durchführung erfolgen, damit Prozesse klar definiert und verstanden sind.
Auswirkungen messen: Entscheidend für den Erfolg ist, aktuelle Prozesse und mögliche Auswirkungen von KI zu bewerten, bevor die Umsetzung beginnt.
Bedeutung der Dokumentation: Eine wirksame Dokumentation sollte nicht nur Prozesse, sondern auch die Gründe hinter Entscheidungen und Ausnahmen festhalten.
Die meisten Geschichten über die Einführung von KI werden vom Siegerpodest aus erzählt. Weitaus weniger Führungskräfte sprechen über den Moment, in dem sie den Stecker gezogen haben – die Automatisierung, die eingestellt wurde, die Einführung, die pausiert wurde, das Pilotprojekt, das von Grund auf neu aufgebaut werden musste. Doch gerade in diesen Geschichten liegen oft die wertvollsten Erkenntnisse.
Wir haben drei Experten gefragt, die dies selbst erlebt haben: Was wurde rückgängig gemacht, warum, und was würden Sie anders machen? Ihre Antworten laufen auf ein überraschend einheitliches Thema hinaus – das Problem ist fast nie die KI selbst.
Wann es klüger ist, zu pausieren, statt weiterzumachen
Für die meisten Organisationen ist es unrealistisch, eine KI-Investition vollständig rückgängig zu machen, sobald das Geld ausgegeben wurde. Tejinder, Senior Manager bei Deloitte Consulting, sagt offen, dass eine vollständige Entfernung angesichts der bereits getätigten Investitionen nicht zur Debatte stand – eine bewusste Pause hingegen schon. Als die Ergebnisse nicht den Erwartungen entsprachen, trat sein Team einen Schritt zurück und „betrachtete zunächst die Grundlagen“. Dabei fragte es, ob die zugrunde liegenden Prozesse etabliert waren, ob „die Datenqualität“ „gut“ war und ob die Planer die Rolle von Agenten im Vergleich zu ihrer eigenen verstanden. „Ich denke, sobald diese Fragen beantwortet waren, ergab die Reaktivierung Sinn“, sagt er.
Kostenlos freischalten
Erstellen Sie ein kostenloses Konto, um diesen Beitrag zu Ende zu lesen und Teil einer Community zukunftsorientierter Führungskräfte zu werden, die Tools, Leitfäden und Insights für den Erfolg im Zeitalter der KI freischaltet.
Have an account? Log In
Priyanka Dave, PhD, Leiterin der Weiterbildung und Verantwortliche für Lernprozesse an der Oregon State University, hat dasselbe Muster wiederholt beobachtet. „Ich habe beobachtet, dass mehrere Organisationen die Ausweitung von KI-Initiativen bewusst verzögert haben, nachdem sie erkannt hatten, dass sie operativ noch nicht bereit waren.“ In diesen Fällen war der Rückzug kein Scheitern – sondern eine Neuausrichtung. „Anstatt die KI sofort auszuweiten, richtete die Führung ihren Fokus darauf, die organisatorischen Grundlagen zu stärken“, erklärt Dave. Das bedeutete, dass „Organisationen in die Dokumentation von Geschäftsprozessen, die Standardisierung von Arbeitsabläufen, die Verbesserung der Datenverwaltung und den Aufbau von Kompetenzen der Mitarbeitenden durch strukturiertes Lernen und Veränderungsmanagement investierten.“
Anstatt die KI sofort auszuweiten, richtete die Führung ihren Fokus darauf, die organisatorischen Grundlagen zu stärken.
Automatisieren Sie nichts, was Sie nicht manuell erledigt haben
Manchmal bedeutet ein Rückschritt, ein Projekt vollständig abzubrechen – und festzustellen, dass dies von Anfang an die richtige Entscheidung war. Jaime Gil Martinez, Gründer und leitender Berater bei Swift Ops Solutions, musste dies auf die harte Tour lernen. „Ich habe einmal eine Automatisierung zur Erstellung von Marketingmaterialien für einen Kunden entwickelt, der den Prozess noch nie manuell durchgeführt hatte“, erinnert er sich. „Da es für den Kunden neu war, dachten wir beide, es sei besser, es von Grund auf automatisiert zu entwickeln. Auf dem Papier ergab es Sinn. Im Nachhinein war es ein Anfängerfehler.“
Das System funktionierte technisch. „Die Automatisierung funktionierte“, sagt Gil Martinez. „Das Problem war, dass jedes Mal, wenn ein Ergebnis benötigt wurde, etwas überdacht oder angepasst werden musste (ein anderes Ziel, ein anderes Format, ein anderes Layout), sodass ich es ständig neu aufbaute. Nach einigen Durchläufen war das Muster offensichtlich – ich automatisierte einen Prozess, den noch niemand definiert hatte.“
Nach einigen Durchläufen [der Anpassungen] war offensichtlich, dass ich einen Prozess automatisierte, den noch niemand definiert hatte.
Die Lösung bestand darin, zurückzugehen. „Also brachen wir das Projekt vollständig ab und kehrten zur manuellen Erstellung der Materialien zurück“, sagt er. „Das erwies sich als entscheidend: Jede manuelle Runde lieferte uns das, was uns gefehlt hatte, nämlich Beispiele nach Goldstandard und ein klares Bild davon, was variierte und was nicht. Später nahmen wir die Automatisierung wieder auf, und diese manuellen Ergebnisse wurden zur Wissensdatenbank, die wir der KI übergaben.“ Diese Erfahrung führte zu einer Regel, die er nun in seinem eigenen Unternehmen und für seine Kunden anwendet: „Automatisieren Sie nichts, bevor Sie es nicht mindestens dreimal manuell erledigt haben. Erst dann können Sie darüber nachdenken.“
Der Schritt, den alle überspringen: Messen, bevor Sie entwickeln
Fragt man Gil Martinez, was den meisten Plänen zur Einführung von KI fehlt, kommt seine Antwort sofort: „Messen, bevor man etwas entwickelt. Den meisten Unternehmen fehlen zu Beginn zwei Zahlen: Wie gut oder schlecht ihr aktueller Prozess tatsächlich ist und welche Auswirkungen KI realistischerweise darauf haben könnte. Ohne beides kann man nicht feststellen, wie effektiv die Umsetzung war oder ob die Kosten gerechtfertigt waren.“
Er verweist auf eine Gesundheitsklinik, die die Terminplanung automatisieren wollte – für mehr als 100 Patienten. „Sie wussten nicht, wie lange die Aufgabe dauerte, sondern nur, dass sie zeitaufwendig und frustrierend war“, sagt er. „Und wenn man nicht weiß, wie lange etwas dauert, weiß man auch nicht, wie viel es kostet.“ Bevor er also irgendetwas entwickelte, bestand sein erster Schritt darin, die für die Terminplanung aufgewendeten Stunden und den finanziellen Wert dieser Stunden zu berechnen. „Damit hatten wir die Ausgangsbasis: zwei Wochen vollständiger manueller Arbeit. Durch die Automatisierung wurde der Aufwand auf einen Tag KI-gestützter Arbeit reduziert – zu Kosten, die unter den bisherigen vergleichbaren Ausgaben lagen.“ Mit diesen Zahlen „ergab sich die Entscheidung von selbst“.
Dave sieht eine andere, aber ebenso kritische Auslassung: Bereitschaft dreht sich nicht nur um die Technologie. „Der Schritt, den Organisationen meiner Erfahrung nach am häufigsten übersehen, ist die Bewertung der Fähigkeiten ihrer Belegschaft vor der Einführung von KI“, sagt sie. Und die Lücken betreffen nur selten die Schulung im Umgang mit Werkzeugen. In mehreren Kompetenzbewertungen „zeigten die Analysen durchweg, dass die größeren Kompetenzlücken analytisches Denken, kritisches Denken, Datenkompetenz, beratende Kommunikation und Problemlösung betrafen“. Ihr Fazit: „Technologische Bereitschaft und die Bereitschaft der Belegschaft sind unterschiedliche Herausforderungen. Eine nachhaltige Einführung von KI erfordert beides.“
Wenn KI auf einen nicht bereiten Prozess trifft
Was geht tatsächlich schief, wenn KI auf einen unausgereiften Prozess aufgesetzt wird? Tejinder hat es selbst erlebt, als „KI in einen Geschäftsprozess (Auftragsbearbeitung und -zuweisung) integriert wurde, der noch nicht ausgereift genug war“ – das Ergebnis war eine von Fehlern durchsetzte Lösung. Er stellt jedoch klar, wo die Ursache lag: „Ich glaube nicht, dass die KI hier das Problem war“, sagt er und verweist stattdessen auf die Prozessreife, Probleme mit Stammdaten, nicht geschlossene Anforderungslücken und unzureichende Tests.
KI wurde in einen Geschäftsprozess (Auftragsbearbeitung und -zuweisung) integriert, der noch nicht ausgereift genug war.
Dave beschreibt aus ihren Bewertungen dieselbe Dynamik: Verschiedene Abteilungen erledigten dieselbe Arbeit auf unterschiedliche Weise, die Dokumentation war unvollständig und Ausnahmen existierten nur in den Köpfen der Mitarbeitenden. „Die Befürchtung war, dass KI einfach uneinheitliche Praktiken in der gesamten Organisation reproduzieren würde“, sagt sie. Das ist eine Folge eines Grundsatzes, auf den sie immer wieder zurückkommt: „KI löst keine organisatorischen Probleme. Sie verstärkt bestehende Systeme. Wenn Prozesse uneinheitlich oder schlecht dokumentiert sind, wird KI diese Uneinheitlichkeiten häufig skalieren, statt sie zu verbessern.“ Die Schlussfolgerung lautet in ihren Worten: „Die wiederkehrende Erkenntnis war, dass Organisationen ihre Prozesse verbessern sollten, bevor sie versuchen, sie zu automatisieren.“
Wenn Prozesse uneinheitlich oder schlecht dokumentiert sind, wird KI diese Uneinheitlichkeiten häufig skalieren, statt sie zu verbessern.
Gil Martinez hat in diesem Bereich ebenfalls schmerzhafte Erfahrungen gemacht – mit einer Anwendung zur Lead-Generierung, die „beim ersten Mal dramatisch scheiterte“. Die Entwicklung sprang ohne klar definierte Anforderungen oder Tests von einer halbmanuellen zu einer vollständig automatisierten Lösung. „Mein Fehler war, anzunehmen, dass die KI einen Teil der Logik selbst herausfinden würde, weil die Logik offensichtlich und einfach erschien“, räumt er ein. Von da an geriet alles außer Kontrolle. „Der Code wurde unbeherrschbar und lag vollständig in der Verantwortung der KI, sodass ich nicht mehr auf einen sicheren Meilenstein zurückgehen konnte. In diesem Moment wusste ich, dass die Struktur grundlegend fehlerhaft war und es sich nicht nur um einzelne Fehler handelte.“
Die Behebung erforderte einen vollständigen Neustart. „Die Lösung war ebenso schmerzhaft wie offensichtlich: noch einmal von vorn beginnen“, sagt er. „Diesmal formulierte ich jede einzelne Anforderung und einen Test dafür, entwickelte schrittweise und gab der KI klare Anweisungen zur Protokollierung von Fehlern und Erfolgen sowie für eine ordnungsgemäße Versionskontrolle.“ Der disziplinierte zweite Versuch „benötigte ungefähr halb so viel Zeit, wie ich beim ersten Versuch verschwendet hatte, um eine funktionsfähige, produktionsreife Lösung zu erreichen“.
Wie gute Dokumentation für KI tatsächlich aussieht
Allen drei Geschichten liegt dieselbe Lösung zugrunde: eine Dokumentation, die festhält, wie die Arbeit tatsächlich erledigt wird. Für Dave bedeutet das, über Aufgabenlisten hinauszugehen. „Eine gute Prozessdokumentation erklärt nicht nur, was die Mitarbeitenden tun, sondern auch, warum sie bestimmte Entscheidungen treffen“, sagt sie. Und das wertvollste Material ist normalerweise genau das, was nie aufgeschrieben wird. „Einer der häufigsten Fehler von Organisationen besteht darin, nur den Standardablauf zu dokumentieren. Das größte Organisationswissen findet sich häufig in den Ausnahmen, Ermessensentscheidungen und kontextbezogenen Entscheidungen, die erfahrene Mitarbeitende treffen.“
Gil Martinez betrachtet es aus einer Perspektive, die PMs zunehmend vertraut sein wird: „Eine gute Prozessdokumentation ähnelt dem Prompt Engineering. Dieselben Elemente, die wir gelernt haben, einer KI in einem Prompt mitzugeben (Rolle, Kontext, Aufgabe, Anweisungen, Einschränkungen), sollten auch auf Projektebene auftauchen.“ Diese Veränderung hat Auswirkungen darauf, wie Fachleute ihre Zeit verbringen. „Die Ausführungsarbeit für Menschen verschwindet und wird an die KI ausgelagert, daher müssen wir unseren Fokus darauf verlagern, gut zu planen und Ergebnisse zu validieren. Wir müssen uns wie KI-Manager verhalten.“
Fazit: Die Reihenfolge ist die Strategie
Keine dieser Führungskräfte bereut die Investition in KI. Was sie bereuen – oder bei anderen beobachtet haben –, ist die Reihenfolge der Maßnahmen. Tejinder fasst es zusammen: „Die Einführung von KI in Unternehmen scheitert, wenn das Modell vor den grundlegenden betrieblichen Voraussetzungen eingesetzt wird. Die richtige Reihenfolge lautet: zuerst Prozessreife, Datenqualität und Rollenklarheit. Dann KI. Wenn Organisationen diese Reihenfolge umkehren, geben sie der KI die Schuld, aber das zugrunde liegende Problem ist fast immer das Umfeld, in das die KI eingeführt wurde.“ Wie sich herausstellt, ist das Zurückgehen auf vorherige Schritte nicht das Scheitern. Es ist der Einsatz, bevor man bereit ist.
Möchten Sie mehr Einblicke wie diese? Registrieren Sie sich für ein kostenloses DPM-Konto, um von weiteren Experten wie diesen zu hören.