Warum KI-Projekte scheitern: Drei typische Fehler
- Balz Zürrer
- vor 1 Tag
- 3 Min. Lesezeit
Oft gibt der Verwaltungsrat den Auftrag, „etwas mit KI zu machen“. Die Rahmenbedingungen sind jedoch schwierig: Das Budget soll klein bleiben, da man eine Blase vermutet, und gleichzeitig muss alles absolut sicher sein. So beginnen viele KI-Projekte und genau dort scheitern sie oft bereits.
In der Praxis zeigen sich immer wieder dieselben Muster. Hier sind drei sichere Wege, wie KI-Projekte in Schweizer Unternehmen scheitern, sowie die entsprechenden Lösungsansätze.
1. Fehler: Der Junior soll es richten
Ein motivierter, technisch versierter Mitarbeiter erhält den Auftrag, einen „internen ChatGPT“ zu bauen. Die Hoffnung: Durch Eigenprogrammierung spart man die Lizenzkosten (ca. 30 USD pro User) und behält die volle Kontrolle.
Aspekt | Details |
|---|---|
Das Beispiel | Ein Industrieunternehmen baute einen Bot intern, da das IT-Budget durch ERP-Kosten belastet war. |
Das Problem | Der Aufwand war massiv höher als geplant. Die Mitarbeiter nutzten privat weiterhin das bessere, bezahlte ChatGPT und belächelten die Firmenlösung. |
Das Ergebnis | Das Projekt wird ignoriert; es entsteht eine unkontrollierte „Schatten-KI“. |
Die Lösung
Kosten und Nutzen müssen fair abgewogen werden. Oft empfiehlt sich eine Mischung aus dem kostenlosen Microsoft M365 Copilot (in reduzierter Version) und den leistungsfähigen Bezahlversionen (ca. 30 USD/Monat), die mittlerweile auch auf interne Daten zugreifen können.
2. Fehler: Die IT als alleiniger Treiber
„KI ist Technik, also ist es ein IT-Thema“. In der IT sitzen zwar die Fans der Technologie, aber dort fehlt oft der Blick für die geschäftlichen Prozesse.
Aspekt | Details |
|---|---|
Das Beispiel | Ein Dienstleister wollte Supporttickets automatisch kategorisieren. |
Das Problem | Ungenügende Datenqualität und zu variable Kundensprache machten die Eigenlösung unbrauchbar. |
Die Erkenntnis | Standardlösungen wie der M365 Copilot waren am Ende leistungsfähiger und besser integriert. |
Die Lösung
KI-Projekte benötigen Business-Ownership. Es geht darum, End-to-End-Prozesse neu zu erfinden. Das erfordert tiefes Prozesswissen und eine enge Integration in bestehende Systeme wie ERP oder CRM (z. B. via Copilot Studio oder PowerPlatform).
3. Fehler: Die eigene „sichere“ KI bauen
Aus Angst vor Datenschutzrisiken versuchen Unternehmen, LLMs (wie Llama) lokal zu hosten, um keine Daten an externe Anbieter zu senden.
Aspekt | Details |
|---|---|
Das Beispiel | Ein Beratungsunternehmen im Gesundheitssektor wollte eine interne Wissensplattform auf Llama-Basis bauen. |
Das Problem | Lokale Hardware lieferte kaum brauchbare Antwortzeiten; die Lösung blieb eine isolierte „Silo-Lösung“. |
Das Ergebnis | Die Mitarbeiter sahen keinen Nutzen, und das Projekt wurde eingestellt. |
Die Lösung
Professionelle Lösungen auf Azure OpenAI bieten die gleiche Sicherheit wie gewohnte M365-Pakete (Outlook, Teams). In Zeiten von Cyberangriffen ist eine hochsichere Cloud-Lösung oft verlässlicher als eine selbst gehostete Infrastruktur.
Fazit: Nutzen, Nutzen, Nutzen
KI-Projekte verfolgen zwei Ziele: Effizienzsteigerung und die Entwicklung neuer Angebote. Den richtigen Use Case zu finden, ist eine anspruchsvolle Aufgabe, die Mut, Erfahrung und die richtigen Ansprechpartner erfordert.
Über den Autor Balz Zürrer
Balz Zürrer ist Group CEO der Online Group und unterstützt seit über 29 Jahren Führungskräfte dabei, technologische Trends in messbaren Geschäftsnutzen zu verwandeln. Als diplomierter Elektroingenieur (ETH) und Absolvent des Executive MBA der Universität St. Gallen (HSG) bewegt er sich sicher an der Schnittstelle zwischen komplexer IT und strategischer Unternehmensführung.
Heute leitet er eine Al-first Organisation und engagiert sich als Präsident des HSG Alumni AI Club, der grössten Business-KI-Community in der Schweiz, für die praxisnahe Einführung künstlicher Intelligenz. Sein Fokus liegt auf skalierbaren Lösungen, die über Pilotprojekte hinausgehen oder wie er es nennt: „Building AI solutions people love“.
Kommentare