„No Hype KI“ wird unterstützt von ACP, EY, ITSV, KEBA Group, Lenovo, Microsoft, ONTEC AI und der Universität Graz.

„KI ist so eine Silverbullet, von der man glaubt, sie löst alles. Das ist natürlich nicht so. Es ist ein ganz normales Projekt und da gehört auch ganz viel harte Arbeit dazu“, sagt Christian Casari, Head of AI Partnerships & Sales bei ONTEC AI. Aber worin besteht diese harte Arbeit genau? Die Erfolgsfaktoren für die Umsetzung von KI-Projekten im Unternehmen waren das Thema der sechsten Folge der aktuellen Staffel der brutkasten-Serie „No Hype KI“.

Wie transformierend solche Projekte sein können, illustriert Casari an einem Verlagshaus, das sich durch den Einsatz von KI-Agenten wandelte. Basierend auf 20.000 kuratierten Fachartikeln einer Apotheken-Fachzeitschrift beantwortet ein Chatbot nun medizinische Nutzerfragen, etwa zu Medikamenten-Wechselwirkungen, wodurch sich das Unternehmen laut Casari „von einem Informationsdienstleister zu einem Service Provider“ weiterentwickelt.

Die Illusion der perfekten Daten und der 100-Prozent-Automatisierung

Doch der Weg zu derart neuen Geschäftsmodellen ist oftmals steinig, nicht zuletzt wegen der eigenen Datenbasis. In der Praxis sei das Warten auf den perfekten Datensatz laut Casari oft nur eine Ausrede; man müsse mit den vorhandenen Daten starten und diese iterativ verbessern. Dennoch darf der initiale Aufwand nicht unterschätzt werden. Katrin Freihofner, Co-Founderin des Linzer Startups Straion, das Unternehmen mit seiner Plattform hilft, KI-generierten Code gemäß Firmenrichtlinien zu nutzen, gibt offen zu: „Wir haben uns das wesentlich einfacher vorgestellt, Daten zu sammeln. Es braucht viel Bereinigung, damit wir sie wirklich verwenden können.“

Neben der Qualität entscheidet auch die bloße Menge der Daten über Erfolg oder Misserfolg. Hannes Kaufmann, CTO von KEBA Digital, erinnert sich an ein frühes Projekt zur Predictive Maintenance bei Bohrspindeln. Dieses Unterfangen sei schlichtweg daran gescheitert, dass es in der Praxis zu wenige Fehlerfälle – also tatsächliche Bohrbrüche – gab, um das Modell mit ausreichend Trainingsdaten zu füttern.

Auch bei den Erwartungen an die Technologie selbst ist Realismus gefragt. Moritz Mitterer, Aufsichtsratsvorsitzender der ITSV und Generaldirektor-Stellvertreter der ÖGK, erzählt über ein KI-Projekt, in dem jährlich über zehn Millionen Wahlarztrechnungen verarbeitet werden. Obwohl das System seit 2017 im Einsatz ist, habe man keine absolute Vollautomatisierung erreicht. Mitterer bewertet die Situation pragmatisch: „Haben wir Vollautomatisierung? Nein. Aber haben wir einen wesentlich besseren Prozess? Ja. Und das war es eigentlich schon wert“.

Der Faktor Mensch als Zünglein an der Waage

Selbst wenn Datenlage und Automatisierungsgrad stimmen, steht und fällt der Erfolg mit der Belegschaft. Laut Mitterer durchlaufen die Mitarbeitenden klassische Phasen des Change-Managements – von der anfänglichen Verunsicherung bis hin zum Vertrauensaufbau. Eine Anekdote aus seinem Haus verdeutlicht das: Zu Beginn hätten sich Sachbearbeiter:innen sogar gefreut, wenn die KI einen Fehler machte, da sie so ihre eigene Expertise und Unverzichtbarkeit bestätigt sahen.

In der Softwareentwicklung verhält es sich mit der Skepsis ähnlich. Kaufmann rät Führungskräften dazu, ihre Entwickler:innen gezielt dort abzuholen, wo der Leidensdruck am höchsten ist: „Man kann die Entwickler eigentlich mit lästigen Aufgaben abholen, die sie nie machen wollen, wie Unit-Tests oder Dokumentationen“. Wenn der Zeitgewinn spürbar werde, steige die Akzeptanz ganz von selbst. Freihofner nennt einen weiteren psychologischen Hebel für mehr Zustimmung im Team: „Ein wichtiger Faktor ist, dass die Mitarbeitenden die Tools selbst auswählen dürfen und auch zwischen mehreren wählen können, um wirklich ihren Toolstack ganz persönlich zur Verfügung zu haben“.

Make or Buy: Eine strategische Weichenstellung

Eng verbunden mit den personellen Ressourcen ist die weitreichende Frage, ob KI-Lösungen selbst entwickelt („Make“) oder eingekauft („Buy“) werden sollten. Für die österreichische Sozialversicherung ist diese Antwort stark von Regulierungen getrieben: Aufgrund sensibler Gesundheitsdaten und einer extrem hohen Fehlerintoleranz setzt Mitterer bei Kernprodukten auf Eigenentwicklungen im eigenen Haus.

Für mittelständische Unternehmen warnt Casari jedoch vor zu viel Eigenbau bei generalistischen Systemen. Ohne dediziertes KI-Team funktioniere vielleicht ein erster Prototyp, der Weg in den stabilen, produktiven Betrieb sei jedoch eine „ganz andere Nummer“, die oftmals scheitere. Kaufmann differenziert hierbei für die Industrie: Wenn Unternehmen über eigene Data-Science-Teams verfügen, könnten selbsttrainierte Modelle gegenüber Standardlösungen durchaus „die letzten Prozent Mehrwert“ liefern. Dies setze jedoch ein tiefgreifendes Verständnis für den IT-Betrieb und die Wartung der Modelle voraus.

Pragmatismus statt Perfektionismus

Aus all dem leiten sich auch klare Handlungsempfehlungen ab. Technologie darf, so der Konsens der Diskutant:innen, kein Selbstzweck sein. Freihofner warnt eindringlich davor, in technologischen Aktionismus zu verfallen: „Man sollte sich sehr genau überlegen, bevor man ein Projekt anfängt, was wirklich das Problem ist, das man lösen möchte, und nicht krampfhaft alles mit KI lösen“. Es brauche außerdem einen nutzerzentrierten Ansatz, der sich in kleinen, iterativ erreichbaren Zwischenerfolgen beweisen muss, um die Motivation hochzuhalten, meint Casari. Und er spricht einen Appell für mehr Umsetzungswillen aus: Um die Potenziale der Technologie überhaupt heben zu können, brauche es schlichtweg den „Mut, vielleicht nicht die perfekte Lösung zu haben“.