KI-Implementierung

Ein Computerprogramm, das aus Beispielen selbst Regeln ableitet, nennt man ein KI-System. Solche Systeme gibt es fertig zu kaufen oder zu mieten. Damit sie in einem Unternehmen wirklich Arbeit übernehmen, muss viel mehr passieren. Man muss entscheiden, welche Aufgabe das System erledigen soll. Man muss es an die vorhandenen Programme und Daten anschließen, die Ergebnisse prüfen und die Mitarbeiter darin einweisen. Genau diesen gesamten Weg von der Idee bis zum stabilen Alltagsbetrieb bezeichnet man als KI-Implementierung.

Warum die meisten KI-Projekte nicht an der Technik scheitern

Über KI wird meist geredet, als wäre das Modell die Hauptsache. In der Praxis ist das Modell oft der einfachste Teil. Ein Chatbot lässt sich in wenigen Tagen an eine Webseite hängen. Dass er verlässlich richtige Antworten über die eigenen Produkte gibt, kostet Monate.

Beratungshäuser berichten seit Jahren, dass ein großer Teil der KI-Pilotprojekte nie in den echten Betrieb kommt. Die Gründe sind selten mathematisch. Meistens sind die Daten unvollständig, die Zuständigkeiten unklar oder niemand nutzt das neue Werkzeug freiwillig. Ein Pilotprojekt mit zehn wohlwollenden Testern beweist wenig über den Alltag mit tausend Nutzern.

Für Anleger ist das ein wichtiger Unterschied. Ein Unternehmen kann viel Geld für KI ausgeben, ohne dass sich die Kosten je senken. Erst eine gelungene Implementierung schlägt sich in Zahlen nieder. Deshalb fragen Analysten heute weniger „Nutzt ihr KI?“ und mehr „Wo genau spart sie euch Zeit oder Geld?“.

Die typischen Stufen von der Idee zum Dauerbetrieb

Am Anfang steht ein konkreter Anwendungsfall. Also nicht „wir machen was mit KI“, sondern zum Beispiel: eingehende E-Mails automatisch der richtigen Abteilung zuordnen. Dann prüft man, ob die nötigen Daten überhaupt vorhanden und ausreichend sauber sind. Fehlerhafte oder lückenhafte Daten sind die häufigste Bremse.

Danach wählt man die Technik. Man kann ein fertiges Modell eines Anbieters über eine Schnittstelle mieten, also über eine festgelegte Verbindung zwischen zwei Programmen. Man kann ein offen verfügbares Modell auf eigenen Rechnern betreiben. Oder man passt ein bestehendes Modell mit eigenen Beispielen an. Die Entscheidung hängt an Kosten, Datenschutz und daran, wie speziell die Aufgabe ist.

Dann folgt der Teil, den man leicht unterschätzt: Einbindung und Betrieb. Das System muss in die Programme eingebaut werden, mit denen die Leute ohnehin arbeiten. Ein Mensch muss heikle Fälle prüfen können, bevor eine Entscheidung nach außen geht. Und nach dem Start hört es nicht auf. Modelle werden schleichend schlechter, wenn sich die Wirklichkeit ändert. Man braucht also Messwerte, die anzeigen, ob die Qualität noch stimmt.

KI-Implementierung in Firmen, Behörden und Aktienmeldungen

Am sichtbarsten ist das im Kundenservice. Wenn ein Onlineshop dir eine Rückfrage in Sekunden beantwortet und dich bei komplizierten Fällen an einen Menschen weitergibt, steckt dahinter genau so ein Projekt. Ähnlich in der Softwareentwicklung: viele Firmen haben Programmierassistenten eingeführt und messen anschließend, ob die Arbeit tatsächlich schneller geht.

In Geschäftsberichten und Börsenmeldungen ist „KI-Implementierung“ ein Standardbegriff geworden. Vorstände nennen Zahlen wie „zehn Prozent weniger Bearbeitungszeit im Support“. Solche Angaben lohnen ein zweites Hinsehen. Interessant ist, ob ein System im Regelbetrieb läuft oder erst getestet wird, und wie viele Mitarbeiter es wirklich nutzen.

Ein häufiger Irrtum ist, KI-Implementierung mit dem Training eines Modells zu verwechseln. Training heißt, ein Modell aus Daten überhaupt erst zu bauen. Das machen wenige, sehr große Anbieter. Die Implementierung dagegen betrifft fast jedes Unternehmen, weil dort fertige Modelle in bestehende Abläufe eingepasst werden. In öffentlichen Verwaltungen kommt eine weitere Hürde hinzu: Regeln wie die europäische KI-Verordnung schreiben für riskante Einsatzbereiche Dokumentation und menschliche Kontrolle vor.