KI ohne Hype. Was Entscheider wirklich wissen müssen.
Ein Unternehmen entscheidet sich, KI einzusetzen. Die Geschäftsführung ist begeistert, das Budget ist freigegeben, der Dienstleister ist beauftragt. Drei Monate später ist das Ergebnis ernüchternd. Der Output passt nicht. Die Mitarbeiter nutzen das System nicht. Das Projekt droht zu scheitern.
Kein Einzelfall. Sondern Alltag.
Alle Welt baut heute auf KI. Und das zu Recht. KI ist ein mächtiges Werkzeug das echten Mehrwert schaffen kann. Aber zwischen dem Versprechen und der Realität klafft oft eine große Lücke.
Die meisten KI-Projekte scheitern nicht an der Technologie. Sie scheitern an den Menschen und Prozessen dahinter. An falschen Erwartungen, schlechten Grundlagen und fehlender Vorbereitung.
Wie im ersten Artikel dieser Serie beschrieben, ist das Verständnis davon was KI kann und was sie nicht kann noch nicht richtig verankert. Das ist der Ausgangspunkt fast aller Probleme.
Ein Werkzeug ist nur so gut wie derjenige der es einsetzt. Wer einen Hammer falsch hält, schlägt daneben. Wer KI ohne Plan, ohne saubere Daten und ohne klares Ziel einsetzt, bekommt Ergebnisse die niemand brauchen kann.
Das Problem liegt selten in der KI selbst. Es liegt in der Vorbereitung, der Umsetzung und dem Mindset.
Ich komme aus der Ingenieurswelt. Um Systeme zu beschreiben, werden Lastenhefte erstellt. Lastenhefte enthalten eindeutige Anforderungen. Man muss Systeme richtig durchdenken und die richtigen Anforderungen entwickeln bevor man anfängt zu bauen.
Das gilt genauso für KI-Projekte. Man muss ein System ordentlich durchdenken bevor man einen Prompt schreibt. Ansonsten wird es zu unspezifisch. Die KI trifft Annahmen die man eigentlich nicht haben will. Man überlässt ihr zu viel Spielraum.
KI kann bei der Anforderungsentwicklung unterstützen und an Dinge erinnern die man selbst übersehen hat. Aber der Mensch muss die Hoheit behalten und die Ergebnisse kritisch hinterfragen.
Mein Grundsatz lautet: So viel KI wie nötig, so wenig wie möglich.
Automatisierungen ohne Variablen liefern immer denselben Output. Und genau das ist es was man im produktiven Einsatz möchte: Stabilität und Reproduzierbarkeit. Ein einfaches If-Then darf nicht von KI übernommen werden. Es muss in starre Gerüste und klare Logiken implementiert werden. KI bringt Variabilität ins System. Das ist manchmal gewollt, oft aber nicht.
KI kann nur so gut sein wie die Daten auf die sie zurückgreift. Veraltete Daten, inkonsistente Daten oder anderweitig verunreinigte Daten führen mit hoher Wahrscheinlichkeit zu einem Output der nicht das gewünschte Ergebnis bringt.
Bei Volkswagen hatten wir dafür einen direkten Spruch: Schickst du Schlechtes rein, bekommst du Schlechtes raus. Das gilt heute für KI genauso. Wer mit schlechten Daten in ein KI-Projekt startet, sollte sich nicht über schlechte Ergebnisse wundern.
KI ist auf dem Vormarsch und mittlerweile ein etabliertes Werkzeug. Dennoch gibt es in Unternehmen berechtigte Zweifel und eine gewisse Vorsicht im Umgang damit.
Das kann damit zusammenhängen, dass Mitarbeiter sich noch nicht mit KI beschäftigt haben. Aber auch damit, dass jemand befürchtet von KI ersetzt zu werden und lieber den Einsatz der Technologie blockiert, als zu lernen mit ihr umzugehen und Effizienzgewinne daraus zu ziehen.
Beides ist ein Risiko für den Projekterfolg. Wer KI einführt ohne die Menschen mitzunehmen, scheitert an der Umsetzung, nicht an der Technologie.
In meiner Zeit als Ingenieur im Automotive haben wir häufig von HiL gesprochen. Wir meinten damit Hardware in the Loop, das entsprechende Steuergerät eingebunden in einer Testumgebung.
Ich möchte die Abkürzung jetzt anders nutzen: Human in the Loop. Eines der wichtigsten Prinzipien im Rahmen eines KI-unterstützten Workflows.
Natürlich möchte man möglichst viel automatisieren. Aber es macht Sinn an bestimmten Stellen Kontrollpunkte einzubauen. Stellen, an denen ein Mitarbeiter die Ergebnisse prüft und freigibt. Eine Art Qualitätskontrolle des Workflows an kritischen Punkten. Nicht weil man der KI nicht traut, sondern weil Verantwortung beim Menschen bleiben muss.
Wer zum ersten Mal einen Prompt schreibt, erwartet oft sofort perfekte Ergebnisse. Die Enttäuschung folgt schnell.
Das liegt daran, dass der Prompt noch nicht sauber genug war. Zu viele Annahmen wurden getroffen. Die Aufgabe war zu breit formuliert. KI braucht präzise Inputs um präzise Outputs zu liefern. Prompt Engineering ist eine Disziplin für sich und braucht Iteration, Geduld und das Verständnis wie KI funktioniert.
Wer das versteht, nähert sich KI-Projekten mit dem richtigen Mindset: als ingenieursmäßiger Prozess, nicht als Knopfdruck.
Wer beide Artikel dieser Serie liest, könnte meinen ich bin gegen KI. Das bin ich nicht.
Ich finde KI außerordentlich sinnvoll. Aber man muss vorsichtig sein in der Art und Weise wie man KI technisch einsetzt. Denn das ist der Grund warum man KI einsetzt: Zeit sparen und sinnvolle, reproduzierbare Ergebnisse erzielen.
Wer das beherzigt, baut Systeme die wirklich funktionieren.
