Zuviel Experiment, zu wenig Richtung: Warum Firmen mit KI scheitern
Unternehmen, die Künstliche Intelligenz (KI) in ihre Abläufe integrieren wollen, müssen bereit sein, tief in die Tasche zu greifen. Das FOMO-Phänomen ist in diesem Bereich weiterhin sehr stark, Aktionäre setzen Manager unter Druck, die Technologie für Effizienzsteigerungen nutzbar zu machen. Vergangenen Monat bremsten jedoch markige Schlagzeilen über die angeblich schlechte Rentabilität von KI-Investitionen diesen Hype – überzogen, teilweise verzerrend.
Im August meldeten internationale Medien Ergebnisse einer MIT-Studie, wonach 95 Prozent der Organisationen, die KI eingeführt hatten, daraus keinerlei finanziellen Nutzen zogen. Da die Börsenrallye der vergangenen Jahre vor allem vom Glauben an generative KI getrieben wurde, trafen diese Meldungen die Kurse von Nvidia, Arm oder Palantir spürbar. Das Beratungsunternehmen Gartner erklärte jüngst, generative KI befinde sich inzwischen in der „Phase der Ernüchterung“ – der dritten von fünf Phasen im Zyklus technologischer Adoption. Doch in den Schlagzeilen ging auch Wesentliches unter. Einzelne Mitarbeiter können mit KI tatsächlich produktiver werden. Zudem hatten Teams, die fertige Tools einkauften, größere Erfolge als jene, die eigene Testsysteme entwickelten. MIT-Forscher betonen, dass vor allem junge, agile Start-ups die Technologie am besten nutzen: Sie können mit KI in Rekordzeit von null auf 20 Millionen Dollar Umsatz wachsen. Nathan Furr und Andrew Shipilov, Professoren der Business School INSEAD, erklärten in der Harvard Business Review, viele Firmen machten mit KI denselben Fehler wie bei der digitalen Transformation vor zehn Jahren: zu viel Experimentieren ohne klare Richtung. „Obwohl Experimente an sich sinnvoll sind, erfüllen sie ohne eine reale Geschäftschance zwangsläufig nicht die Erwartungen. Es mag banal klingen, doch wenn wir KI als eine Technologie betrachten, die alles grundlegend verändert, vergessen wir oft ihre Verbindung zu dem wichtigsten Ziel jedes Unternehmens: ein konkretes Kundenproblem zu lösen“, heißt es dort.
Hohe Kosten durch KI
Für Unternehmen entstehen KI-Kosten in zwei Dimensionen. Erstens: Die Technologie verlangt zusätzliches Fachpersonal, das versteht, wie Modelle arbeiten, und diese anpassen kann – Experten, die teuer sind. „Ich rate Studierenden, sich die Gehälter in den USA anzuschauen – wenn Sie KI-Spezialist sind, werden Sie dort vermutlich rund 160.000 Dollar brutto im Jahr verdienen“, sagt Vidas Raudonis, Professor an der Technischen Universität Kaunas (KTU) und KI-Experte. „In Litauen sind die Sätze niedriger, aber auch hier bleibt es teuer.“ Zweitens: die Kosten der Nutzung. Wer Modelle wie OpenAI oder Anthropic über die Cloud einsetzt, zahlt pro Anfrage. Eine einzelne Anfrage kostet wenig, doch bei großem Volumen summieren sich die Ausgaben schnell auf mehrere tausend Euro pro Monat.
Unternehmen, die Open-Source-Modelle im eigenen Haus betreiben, müssen in Server und Prozessoren investieren. Nvidia-H100-Chips kosten ab 25.000 Dollar. Hinzu kommen Ausgaben für die Datenaufbereitung und Speicherung. „Man muss verstehen, dass diese Modelle auf riesigen Rechenressourcen laufen, die Millionen Kilowattstunden Strom pro Monat verbrauchen. Auch die Anbieter müssen ihre Kosten decken. Man muss sich damit abfinden, dass das teuer ist“, so Raudonis. Kleinere Modelle sind zwar günstiger, erfordern aber ebenfalls Fachkräfte. „Wenn wir ein allgemeines Modell wollen, dann müssen wir Geld ausgeben“, sagt der KTU-Professor. Aliaksej Ščiurko, CEO der Telematikfirma Gurtam, bestätigt: Der Zugang zu hochentwickelten Cloud-Modellen sei teuer, selbst für größere Unternehmen. „Anstatt einen ‚intelligenten‘ KI-Dienst zu nutzen, der alles kann, ist es besser, in einen einzelnen Prozess, dann in einen weiteren zu investieren. Wenn man die fortschrittlichsten Modelle verwendet, ist der Preis ziemlich hoch.“
Vom Chatbot zum Paradox
Für den Einstieg empfiehlt Ščiurko, zunächst Unternehmensdaten aufzubereiten, um auf dieser Basis Chatbots für interne Prozesse einzusetzen. „In unserem Unternehmen haben die meisten Abteilungen ihre eigenen Chatbots“, erklärt er. „Die Automatisierung von Arbeitsprozessen ist eine sehr komplexe Aufgabe – bevor man damit beginnt, sollte man alles vereinfachen und mit beratenden Diensten starten, sodass die KI auf Basis der Unternehmensdaten Antworten geben kann. Wenn ein Mitarbeiter zum Beispiel Informationen über Urlaub braucht, muss er nicht den Direktor oder den HR-Leiter fragen. Er kann einfach den Chatbot befragen.“ Der Druck auf Manager bleibt enorm. „Zu uns kommen ‚Interessenten‘, die von ihren Aktionären unter Druck gesetzt werden, und sie fragen uns: Können wir irgendetwas mit den Daten machen, die wir haben? Ich brauche, dass die KI irgendetwas tut. Wenn die Anfrage so gestellt ist, lohnt es sich überhaupt nicht“, sagt Raudonis.
Entscheidend sei, konkrete Probleme zu finden, die sich nicht mit Standardmethoden lösen lassen. „Ein Röntgenbild versteht nur ein Radiologe. Geben Sie mir als Informatiker dieses Bild, ich werde es nicht verstehen und kann die KI nicht so programmieren, dass sie es korrekt erkennt“, erklärt er. Traditionelle Industrien sollten sich daher fragen: Gibt es im Produktionsprozess Engpässe? Lassen sie sich von Menschen beheben? Falls nicht, könnte Automatisierung helfen. „Manager erwarten, dass ein Algorithmus die Arbeit um zehn Prozent effizienter macht. Aber das passiert nicht unbedingt. Das Paradox ist: Die Arbeit wird effizienter, aber um den Prozess aufrechtzuerhalten, braucht es Mitarbeiter mit höherer Qualifikation“, fasst Raudonis zusammen.
