Die 5 größten Herausforderungen bei der Einführung von KI im Jahr 2025

Vor fünf Jahren haben Rob Thomas und Paul Zikopoulos von IBM ein Framework für die erfolgreiche Einführung künstlicher Intelligenz (KI) entwickelt, das als „KI-Leiter“ bezeichnet wird und einen „einheitlichen, präskriptiven Ansatz bietet, der [Führungskräften] dabei hilft, die KI-Journey zu verstehen und zu beschleunigen“. Das Framework wurde zu einem Buch, das mit einem Aufhänger beworben wurde, der heute eher altmodisch wirkt:

„Alle sprechen über KI. Aber warum ist das so? Nun, wir glauben, dass KI eine enorme Chance für Unternehmen jeder Größe und Branche darstellt.“

Wenn man sich die heutige KI-Landschaft ansieht, ist es schon komisch, sich eine Welt vorzustellen, in der Rob und Paul das Bedürfnis verspürten, die Leser davon zu überzeugen, dass KI eine große Sache werden würde. Bemerkenswert sind auch die „Sprossen“ der Leiter: modernisieren, sammeln, organisieren, analysieren und integrieren.

Im Jahr 2020 gab es zahlreiche Unternehmen, die noch nicht einmal damit begonnen hatten, die erste Stufe zu erklimmen. Nur fünf kurze Jahre später braucht man keinen McKinsey-Bericht mehr, um zu wissen, dass KI die Zukunft ist.

Praktisch jedes Unternehmen kann KI in gewissem Umfang nutzen. Neue technologische Fortschritte haben es einfacher gemacht, KI-Integrationen zu realisieren, die eine sofortige Rendite (ROI) erzielen.

Mangelnder Enthusiasmus für KI ist nie eine Frage der Unsicherheit über das Potenzial von KI, sondern eine Frage der richtigen Vorgehensweise.

Das IBM Institute of Business Value veröffentlichte einen Bericht, der einige interessante Daten zur Einführung von KI enthüllte, nämlich die Hindernisse, die Unternehmen immer noch daran hindern, mit generativer künstlicher Intelligenz (generative KI) voranzukommen. 

Fast die Hälfte der Befragten gab an, Bedenken hinsichtlich der Datengenauigkeit oder -verzerrung zu haben. Unternehmensleiter können solche Bedenken überwinden, indem sie gute Governance, Transparenz und KI-Ethik in den Vordergrund stellen.

KI-Governance ist unerlässlich, um einen Zustand der Compliance, des Vertrauens und der Effizienz bei der Entwicklung und Anwendung von KI-Technologien zu erreichen. Eine effektive KI-Governance umfasst Kontrollmechanismen, die Risiken wie Verzerrung, Datenschutzverletzungen und Missbrauch angehen und gleichzeitig Innovationen fördern und Vertrauen schaffen. 

Starke Governance-Strukturen, wie z. B. Ethikausschüsse für KI und die Einhaltung von regulatorischen Frameworks, tragen dazu bei, die Rechenschaftspflicht und die verantwortungsvolle Bereitstellung von KI zu gewährleisten.

KI-Ethik ist ein multidisziplinäres Fachgebiet, das untersucht, wie die positiven Auswirkungen von KI optimiert und gleichzeitig Risiken und negative Folgen reduziert werden können. Die KI-Ethik umfasst die Datenverantwortung und den Datenschutz, Fairness, Erklärbarkeit, Robustheit, Transparenz und andere ethische Überlegungen.

Fairness-Checks und andere Korrekturmaßnahmen fallen unter die KI-Ethik und tragen dazu bei, dass die Ergebnisse der KI zuverlässig und gerecht sind.

KI-Transparenz hilft Menschen, auf Informationen zuzugreifen, um besser zu verstehen, wie eine KI-Lösung erstellt wurde und wie sie Entscheidungen trifft. Forscher beschreiben KI manchmal als „Blackbox“, da es aufgrund der zunehmenden Komplexität der Technologie immer noch schwierig sein kann, KI-Ergebnisse zu erklären, zu verwalten und zu regulieren. KI-Transparenz hilft dabei, diese Blackbox zu öffnen, um die Ergebnisse der KI besser zu verstehen.

Etwa 42 % der Befragten gaben an, dass ihrer Meinung nach ihre Unternehmen keinen ausreichenden Zugang zu firmeneigenen Daten haben. Unternehmen können die große Herausforderung unzureichender hochwertiger Daten für die Anpassung generativer KI-Modelle durch eine Kombination aus Datenanreicherung, synthetischer Datengenerierung und strategischen Datenpartnerschaften bewältigen.

Ein effektiver Ansatz besteht darin, vorhandene Datensätze durch Techniken zur Erweiterung wie Paraphrasierung, Übersetzung oder Hinzufügen von Rauschen zu verbessern, um die Vielfalt zu erhöhen, ohne vollständig neue Daten zu sammeln.

Synthetische Daten, die künstlich durch Computersimulation oder durch KI-Algorithmen erzeugt werden, können reale Daten ersetzen. Die Daten können als Alternative oder Ergänzung zu realen Daten verwendet werden, wenn diese nicht ohne Weiteres verfügbar sind.

Eine weitere wichtige Strategie ist die strategische Partnerschaft und die Beteiligung an branchenweiten Initiativen zur Datennutzung. Die Zusammenarbeit mit nicht konkurrierenden Unternehmen, Forschungseinrichtungen oder Konsortien ermöglicht es Unternehmen, auf größere und vielfältigere Datensätze zuzugreifen, während ethische Bedenken vermieden und gesetzliche Standards eingehalten werden.

Föderiertes Lernen, bei dem Modelle über dezentrale Datenquellen hinweg trainiert werden, ohne dass Rohdaten ausgetauscht werden, ist eine weitere Möglichkeit, von externen Daten zu profitieren und gleichzeitig die Sicherheit und Compliance zu gewährleisten.

Generative KI ist noch neu, aber Unternehmen können unzureichende Fachkenntnisse im Bereich generative KI durch Investitionen in die Talententwicklung, strategische Partnerschaften und zugängliche KI-Tools beheben.

Einer der effektivsten Ansätze besteht darin, vorhandene Mitarbeiter durch spezialisierte Schulungsprogramme, Workshops und Zertifizierungen in KI und maschinellem Lernen (ML) weiterzubilden. Durch praktische Erfahrungen mit KI-Tools und die Förderung einer Kultur des kontinuierlichen Lernens können interne Qualifikationslücken geschlossen werden.

Neben dem Aufbau von internem Fachwissen können Unternehmen mit KI-Anbietern, Forschungseinrichtungen und Beratungsfirmen zusammenarbeiten, um Zugang zu Fachwissen zu erhalten.

Durch die Zusammenarbeit mit KI-Startups oder Technologieanbietern können Unternehmen externes Fachwissen nutzen, ohne alles von Grund auf neu aufbauen zu müssen. Die Teilnahme am Open-Source-Ökosystem kann auch wertvolle Erkenntnisse und vorgefertigte Modelle liefern, die die Komplexität der Umsetzung einer KI-Strategie verringern.

Eine andere Lösung besteht darin, KI-Plattformen mit Low-Code oder No-Code zu verwenden, die es Mitarbeitern mit begrenztem technischem Hintergrund ermöglichen, mit generativer KI zu arbeiten. Diese Tools vereinfachen die Bereitstellung und Anpassung von KI und erleichtern es Unternehmen, KI in ihre Workflows zu integrieren, ohne dass tiefgreifende Fachkenntnisse erforderlich sind.

Unternehmen sollten bei der finanziellen Rechtfertigung für die Erschließung von Initiativen im Bereich der generativen KI den Schwerpunkt auf Kosteneinsparungen, Umsatzwachstum, Wettbewerbsvorteile und Risikominderung legen.

Sie müssen spezifische Anwendungsfälle identifizieren, in denen die KI-Funktionen die Effizienz steigern können, wie z. B. die Automatisierung von Geschäftsprozessen, die Erstellung von Marketinginhalten oder die Beschleunigung der digitalen Transformation.

Durch die Quantifizierung der Vorteile von KI – wie z. B. geringere Arbeitskosten durch Automatisierung der Lieferkette, schnellere Markteinführung oder verbesserte Kundenbindung – können Unternehmen die Kapitalrendite abschätzen.

Unternehmen sollten auch das volle Potenzial für neue Einnahmequellen in Betracht ziehen, wie z. B. KI-gestützte Produktangebote, personalisierte Customer Experiences oder Echtzeit-Entscheidungsfindung. Wenn Sie mit kleinen Pilotprojekten mit geringem Risiko beginnen, können Sie greifbare Ergebnisse erzielen, die weitere Investitionen rechtfertigen.

Die Risikobewertung spielt auch bei der finanziellen Rechtfertigung eine Rolle. Unternehmen müssen die Kosten der Inaktivität abwägen, einschließlich des Verlusts von Marktanteilen an KI-gestützte Wettbewerber oder Ineffizienzen, die durch KI-Projekte behoben werden könnten.

Datenschutzbedenken stellen nach wie vor ein großes Hindernis für die Implementierung von generativer KI dar. Auch hier spielen Data Governance und verantwortungsvolle KI-Prinzipien eine Rolle. Ein entscheidender erster Schritt besteht darin, die Offenlegung sensibler Daten zu begrenzen, indem Datenverwaltungstechniken wie Anonymisierung, Differential Privacy und Verschlüsselung eingesetzt werden, bevor Informationen in KI-Modelle eingespeist werden.

Hierdurch wird das Risiko der Offenlegung personenbezogener Daten (PII) oder geschützter Geschäftsdaten reduziert. Unternehmen sollten auch sicherstellen, dass KI-Systeme strengen Zugriffskontrollen und Prüfmechanismen unterliegen. So kann nachvollzogen werden, wer mit den Daten interagiert und wie sie verwendet werden.

Föderiertes Lernen kann ein effektiver Ansatz sein, der es ermöglicht, KI-Modelle über mehrere dezentrale Datensätze hinweg zu trainieren, ohne die Daten selbst zu verschieben, wodurch die Privatsphäre gewahrt bleibt.

Regulatorische Compliance ist ein weiterer wichtiger Faktor. Unternehmen müssen die Nutzung von KI an globale Datenschutzgesetze wie die DSGVO, den CCPA und branchenspezifische Vorschriften anpassen. Die Durchführung regelmäßiger Datenschutz-Folgenabschätzungen und die klare Dokumentation des Umgangs mit Daten durch KI-Anwendungen kann Unternehmen dabei helfen, die Vorschriften einzuhalten und das Vertrauen der Kunden zu gewinnen. 

Erfreulicherweise sind viele Unternehmen auf dem besten Weg, diese Herausforderungen zu meistern:

• 80 % der Befragten haben einen separaten Teil ihrer Risikofunktion, der sich mit Risiken im Zusammenhang mit KI oder generativer KI befasst.

• 81 % führen regelmäßige Risikobewertungen durch, um potenzielle Sicherheitsbedrohungen durch generative KI zu identifizieren.

• 78 % führen eine solide Dokumentation, um die Funktionsweise und das Training von Modellen der generativen KI besser erklären zu können.

• 76 % schaffen klare Organisationsstrukturen, Richtlinien und Prozesse für die Steuerung der generativen KI.

• 72 % entwickeln Richtlinien und Verfahren für die Datenverwaltung und den Umgang mit potenziellen Risiken.

Die Bewältigung gemeinsamer Herausforderungen bei der Einführung von KI erfordert einen ganzheitlichen Ansatz, der nicht nur KI-Entwicklungsteams, sondern auch Stakeholder aus den Bereichen Technologie, Finanzen, Sicherheit und Recht einbezieht. Wenn man jedoch bedenkt, wie schnell sich die Technologie weiterentwickelt, ist heute der beste Zeitpunkt für Nachzügler, um anzufangen.