Rückschritte bei KI: Echte Erfahrungsberichte von Führungskräften
KI-Lektionen: Viele Führungskräfte übersehen die wertvollen Erkenntnisse aus gescheiterten oder pausierten KI-Projekten, die entscheidende Einblicke liefern.
Pausieren statt Drängen: Unternehmen profitieren oft davon, KI-Initiativen zu pausieren, um grundlegende Prozesse und Datenqualität sicherzustellen.
Manuell zuerst: Automatisierung sollte erst nach manueller Durchführung erfolgen, um sicherzustellen, dass Prozesse klar definiert und verstanden sind.
Wirkung messen: Der Schlüssel zum Erfolg liegt darin, bestehende Prozesse und den potenziellen KI-Einfluss vor der Implementierung zu bewerten.
Relevanz der Dokumentation: Effektive Dokumentation sollte nicht nur Prozesse, sondern auch die Gründe für Entscheidungen und Ausnahmen erfassen.
Die meisten Geschichten über die Einführung von KI werden vom Siegertreppchen aus erzählt. Weitaus weniger Führungskräfte sprechen über den Moment, als sie den Stecker zogen – die Automatisierung, die abgebrochen wurde, die Einführung, die gestoppt wurde, der Pilot, der von Grund auf neu aufgebaut werden musste. Doch genau in diesen Geschichten stecken oft die wichtigsten Lektionen.
Wir haben drei Expert:innen gefragt, die das erlebt haben: Was wurde rückgängig gemacht, warum, und was würden Sie heute anders machen? Ihre Antworten liefen überraschend häufig auf das gleiche Fazit hinaus – das Problem ist fast nie die KI selbst.
Wann es klüger ist, zu pausieren statt voranzutreiben
Für die meisten Organisationen ist es unrealistisch, eine KI-Investition komplett zurückzunehmen, sobald das Geld investiert ist. Tejinder, Senior Manager bei Deloitte Consulting, sagt, ein kompletter Rückbau stand angesichts der bisherigen Kosten gar nicht zur Debatte – aber eine bewusste Pause schon. Als die Ergebnisse nicht überzeugten, „sind wir erstmal zurückgetreten und haben die Grundlagen überprüft,“ sagt er. Die Fragen waren: Sind die zugrundeliegenden Prozesse etabliert? Ist „die Datenqualität“ „gut“? Verstehen die Planer die Rollen von Agenten und ihren eigenen Aufgaben? „Ich denke, sobald diese Fragen geklärt waren, ergab die Wiederaufnahme Sinn.“
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, verantwortlich für Upskilling und Learning Prozesse an der Oregon State University, hat dieses Muster immer wieder beobachtet. „Ich habe bemerkt, dass etliche Organisationen bewusst die Ausweitung von KI-Initiativen verzögern, nachdem klar wurde, dass man operativ noch nicht bereit war.“ Der Rückzug war in diesen Fällen kein Scheitern – sondern eine Richtungsänderung. „Statt sofort KI weiter auszubauen, konzentrierte sich die Leitung darauf, das organisatorische Fundament zu stärken“, erklärt Dave. Das bedeutete: „Es wurde in die Dokumentation von Geschäftsprozessen, die Standardisierung von Workflows, eine bessere Datenverwaltung sowie den Aufbau von Kompetenzen durch strukturierte Lernangebote und Change Management investiert.“
Statt sofort KI weiter auszubauen, konzentrierte sich die Leitung darauf, das organisatorische Fundament zu stärken.
Automatisiere nichts, was du nicht zuerst manuell gemacht hast
Manchmal bedeutet ein Schritt zurück, ein Projekt vollständig abzubrechen – und zu entdecken, dass genau das die beste Entscheidung war. Jaime Gil Martinez, Gründer und Hauptberater bei Swift Ops Solutions, hat das auf die harte Tour gelernt. „Ich habe einmal eine Automatisierung gebaut, um Marketingmaterialien für einen Kunden zu erstellen, der den Prozess vorher nie selbst per Hand umgesetzt hatte“, erinnert er sich. „Da es für ihn neu war, dachten wir beide, es sei besser, direkt eine automatisierte Lösung zu bauen. Theoretisch klang das sinnvoll. Rückblickend war es ein Anfängerfehler.“
Das System funktionierte technisch gesehen. „Die Automatisierung lief“, sagt Gil Martinez. „Das Problem war, dass bei jedem Output wieder etwas angepasst oder überdacht werden musste (ein anderes Ziel, ein anderes Format, ein anderes Layout), sodass ich ständig alles neu bauen musste. Nach einigen Durchläufen war das Muster klar – ich automatisierte einen Prozess, den niemand definiert hatte.“
Nach ein paar Schleifen [mit Anpassungen] war klar: Ich automatisiere einen Prozess, den noch niemand definiert hatte.
Die Lösung war, einen Schritt zurückzugehen. „Also haben wir das Projekt ganz gestrichen und sind zurück zur händischen Erstellung der Materialien gegangen“, sagt er. „Das war schließlich der Punkt: Jede manuelle Runde lieferte uns das, was uns gefehlt hatte, nämlich Beispiel-Arbeiten auf höchstem Niveau und einen klaren Überblick darüber, was sich änderte und was nicht. Später haben wir die Automatisierung wieder aufgenommen, und diese manuellen Ergebnisse wurden zur Wissensbasis, die wir der KI übergeben haben.“ Aus dieser Erfahrung hat er eine Regel abgeleitet, die er nun in seinem Unternehmen und bei Kund:innen anwendet: „Automatisiere nichts, bevor du es nicht mindestens dreimal manuell gemacht hast. Erst dann solltest du es in Betracht ziehen.“
Der häufig übersehene Schritt: Erst messen, dann bauen
Fragt man Gil Martinez, was in den meisten KI-Einführungsplänen fehlt, kommt die Antwort prompt: „Messen, bevor man baut. Den meisten Unternehmen fehlen zu Beginn zwei Zahlen: Wie gut oder schlecht ihr aktueller Prozess tatsächlich ist und welchen realistischen Einfluss KI darauf haben könnte. Ohne beides kann man nicht beurteilen, wie wirksam die Einführung war oder ob sich die Kosten gelohnt haben.“
Er verweist auf eine Klinik im Gesundheitswesen, die die Terminplanung automatisieren wollte – für mehr als 100 Patient:innen. „Sie wussten nur, dass es zeitaufwändig und frustrierend war, aber nicht, wie lange es tatsächlich dauerte“, sagt er. „Und wenn man nicht weiß, wie lange etwas dauert, weiß man auch nicht, wie teuer es ist.“ Also hat er als ersten Schritt berechnet, wie viele Stunden mit der Planung verbracht wurden und welchen finanziellen Wert diese Stunden hatten. „Das gab uns die Basis: zwei Wochen reine Handarbeit. Die Automatisierung reduzierte das auf einen Tag Arbeit mit KI-Unterstützung – zu geringeren Kosten als zuvor.“ Mit diesen Zahlen „war die Entscheidung eindeutig“.
Dave sieht eine andere, aber ebenso entscheidende Lücke: Vorbereitung betrifft nicht nur die Technologie. „Der Schritt, den Organisationen am häufigsten übersehen, ist die Bewertung der Fähigkeiten der Belegschaft, bevor KI eingeführt wird“, sagt sie. Und die Lücken betreffen selten nur die Bedienung der Werkzeuge. Aus mehreren Kompetenzanalysen berichtet sie: „Die Analysen zeigten immer wieder: Die größten Fähigkeitslücken lagen bei analytischem Denken, kritischem Denken, Datenkompetenz, beratender Kommunikation und Problemlösung.“ Ihr Fazit: „Technologische und personelle Bereitschaft sind unterschiedliche Herausforderungen. Nachhaltige KI-Einführung erfordert beides.“
Wenn KI auf einen Prozess trifft, der nicht bereit ist
Was geht tatsächlich schief, wenn KI in einen unreifen Prozess eingebracht wird? Tejinder hat es selbst erlebt, als „KI in einen Geschäftsprozess (Auftragsbearbeitung und Zuteilungen) eingebettet wurde, der nicht ausgereift genug war“ – das Resultat war eine fehlerbehaftete Lösung. Doch er weiß genau, wo das Problem lag: „Ich glaube nicht, dass KI hier das Problem war“, sagt er und verweist stattdessen auf Prozessreife, Probleme mit den Stammdaten, nicht geschlossene Anforderungslücken und unzureichende Tests.
KI wurde in einen Geschäftsprozess (Auftragsbearbeitung und Zuteilungen) integriert, der nicht ausgereift genug war.
Dave beschreibt die gleiche Dynamik aus ihren Analysen: verschiedene Abteilungen erledigen dieselbe Arbeit unterschiedlich, unvollständige Dokumentation und Ausnahmen, die nur in den Köpfen der Mitarbeitenden existieren. „Die Sorge war, dass KI einfach die inkonsistenten Praktiken im ganzen Unternehmen reproduzieren würde“, sagt sie. Das führt zu einem Grundsatz, auf den sie immer wieder zurückkommt: „KI löst keine Organisationsprobleme. Sie verstärkt bestehende Systeme. Wenn Prozesse uneinheitlich oder schlecht dokumentiert sind, skaliert KI meist genau diese Unstimmigkeiten statt sie zu verbessern.“ Ihre Schlussfolgerung: „Die wiederkehrende Lektion lautete, dass Organisationen Prozesse verbessern sollten, bevor sie versuchen, sie zu automatisieren.“
Wenn Prozesse uneinheitlich oder schlecht dokumentiert sind, skaliert KI meist genau diese Unstimmigkeiten statt sie zu verbessern.
Auch Gil Martinez kennt solche Erfahrungen – eine Anwendung zur Leadgenerierung, die „beim ersten Versuch komplett gescheitert ist“. Es wurde von halbmanuellen Abläufen direkt zu komplett automatisierter Arbeit gewechselt – ohne definierte Anforderungen oder Tests. „Mein Fehler war, darauf zu vertrauen, dass KI einige der Logiken selbst erkennt, weil sie offensichtlich und einfach schienen“, gibt er zu. Dann lief alles aus dem Ruder. „Der Code wurde unüberschaubar und lag alleine in KI-Hand, sodass ich nicht mehr zu einem sicheren Meilenstein zurückkehren konnte. In dem Moment wusste ich, dass er strukturell kaputt war, nicht nur fehlerhaft.“
Die Lösung erforderte einen kompletten Neustart. „Die Korrektur war so schmerzhaft wie offensichtlich: noch einmal von vorne anfangen“, sagt er. „Diesmal habe ich jede Anforderung und einen Test dazu schriftlich festgelegt, schrittweise gebaut und der KI klare Anweisungen gegeben, Fehler wie auch Erfolge zu protokollieren – inklusive sauberer Versionskontrolle.“ Der disziplinierte zweite Versuch „hat ungefähr die Hälfte der Zeit gebraucht, die ich beim ersten Versuch verschwendet hatte, um zu einer funktionsfähigen, produktionsreifen Lösung zu gelangen.“
Wie gute Dokumentation für KI tatsächlich aussieht
Unter allen drei Geschichten liegt der gleiche Lösungsansatz: Dokumentation, die abbildet, wie Arbeit tatsächlich abläuft. Für Dave bedeutet das mehr als nur Aufgabenlisten. „Gute Prozessdokumentation erklärt nicht nur, was Menschen tun, sondern auch, warum sie bestimmte Entscheidungen treffen“, sagt sie. Und das Wertvollste steht meist nirgendwo geschrieben. „Einer der häufigsten Fehler von Organisationen ist es, nur den Standardablauf zu dokumentieren. Das meiste organisatorische Wissen liegt in den Ausnahmen, Ermessensentscheidungen und Kontextfaktoren, wie sie erfahrene Mitarbeitende treffen.“
Gil Martinez betrachtet es aus einer Perspektive, die Projektmanager immer öfter wiedererkennen werden: „Gute Prozessdokumentation spiegelt die Vorgehensweise beim Prompt Engineering wider. Die gleichen Elemente, die wir für eine KI in einem Prompt verwendet haben (Rolle, Kontext, Aufgabe, Anweisungen, Rahmenbedingungen), sollten auch auf Projektebene vorkommen.“ Dieser Wandel hat Auswirkungen darauf, wie Fachleute ihre Zeit verbringen. „Die Ausführungszeit für Menschen verschwindet, sie wird an KI ausgelagert. Deshalb müssen wir den Fokus aufs gute Planen und Validieren der Resultate legen. Wir müssen uns verhalten wie KI-Manager.“
Fazit: Die Reihenfolge ist die Strategie
Keiner dieser Führungskräfte bereut die Investition in KI. Was sie bereuen – oder bei anderen beobachten konnten – ist die Reihenfolge der einzelnen Schritte. Tejinder fasst es zusammen: „Die Einführung von KI im Unternehmen scheitert, wenn das Modell vor den operativen Grundlagen implementiert wird. Die richtige Reihenfolge ist zunächst Prozessreife, Datenqualität und Rollenklarheit. KI kommt danach. Wenn Organisationen diese Reihenfolge umkehren, geben sie häufig der KI die Schuld, aber das eigentliche Problem ist fast immer das Umfeld, in das die KI eingeführt wurde.“ Rückschritte sind also kein Scheitern – es ist ein Fehler, zu früh zu starten.
Möchten Sie weitere Einblicke wie diese erhalten? Melden Sie sich für ein kostenloses DPM-Konto an, um von weiteren Experten zu hören.
