KI-Projekte gelten als riskant: Studien sprechen von Ausfallraten zwischen 50 und 95 Prozent. Viele Initiativen enden im Experimentierstadium, ohne messbaren Nutzen. Florian Lauck-Wunderlich, Global Director Business Excellence bei Pegasystems, hält solche Zahlen für irreführend. In der Praxis, so seine Erfahrung, scheitern Projekte selten komplett. Zeit- und Budgetüberschreitungen ließen sich dagegen durch ein methodisches Vorgehen vermeiden. Sein sechsstufiger Fahrplan beschreibt den Weg vom ersten Use Case bis zur lernenden Anwendung – und liefert ein Rezept für den KI-Erfolg.
Der sechsstufige Fahrplan zum KI-Erfolg
Schritt 1: Den richtigen Use Case identifizieren
Am Anfang steht nicht die Technologie, sondern das konkrete Business-Problem. Lauck-Wunderlich rät, nach wiederkehrenden Herausforderungen zu suchen: längere Bearbeitungszeiten, hohe Kosten, suboptimale Entscheidungen. Erst dann prüft das Unternehmen, ob KI das richtige Werkzeug ist. Oft genügen klassische Regeln oder hybride Ansätze. Bei mehreren möglichen Use Cases empfiehlt er, mit einem einfachen, aber nutzenstarken Fall zu starten. So sammelt das Team schnell praktische Erfahrungen und Erfolge, die den Boden für komplexere Projekte bereiten. Wichtig ist, dass der geschäftliche Mehrwert regelmäßig und nicht nur im Einzelfall entsteht.
Schritt 2: Anforderungen systematisch ableiten
Aus dem identifizierten Problem leiten Unternehmen die Anforderungen an die spätere KI-Anwendung ab. Dabei sind funktionale Aspekte oft leicht zu erfassen. Die nicht-funktionalen Anforderungen sind jedoch mindestens ebenso entscheidend: Genauigkeit, Auditierbarkeit, Verfügbarkeit, Antwortzeit, Skalierung und Sicherheit. Idealerweise definiert das Team von Anfang an klare KPIs. Ohne messbare Ziele lassen sich spätere Probleme kaum erkennen und Verbesserungen nicht steuern. Die Metriken bilden die Grundlage für den späteren Erfolgsnachweis.
Schritt 3: Die Lösungsarchitektur entwickeln
Im dritten Schritt geht es um die technische Konzeption. Unternehmen müssen entscheiden, welche KI-Technologien zum Einsatz kommen, welche Daten benötigt werden und ob diese aktuell, ausgewogen und vollständig sind. Schlechte Datenqualität führt selbst bei ausgefeilten Modellen zu schwachen Ergebnissen. Architekturentscheidungen betreffen auch die Governance: Wo werden personenbezogene oder sensible Daten verarbeitet und gespeichert? Ist eine Anonymisierung nötig? Zugriffskontrollen, Verschlüsselung und Guardrails gegen Prompt Injection oder Halluzinationen sind obligatorisch. Die Architektur muss von Anfang an Sicherheit und Compliance gewährleisten.
Schritt 4: Die KI-Anwendung entwickeln – mit MVP und Plattform
Erst wenn die ersten drei Schritte abgeschlossen sind, beginnt die eigentliche Umsetzung. Lauck-Wunderlich empfiehlt, mit einem Minimum Viable Product (MVP) oder Minimum Lovable Product (MLP) zu starten. So erhalten die späteren Anwender frühzeitig eine Rückmeldung, und das Team kann kontinuierlich anpassen. Eine moderne Plattform, die die Wiederverwendung von Software-Bausteinen, KI-Modellen und User Interfaces erlaubt, beschleunigt die Entwicklung erheblich. Statt bei null zu beginnen, greifen Entwickler auf zentral gepflegte Komponenten zurück. Das reduziert Aufwände und vereinfacht spätere Änderungen.
Schritt 5: Change Management aktiv gestalten
Der Faktor Mensch entscheidet oft über Erfolg oder Misserfolg. Unternehmen sollten Fachanwender frühzeitig einbinden – um echte Business-Probleme zu erkennen, Anforderungen richtig zu formulieren und Akzeptanz aufzubauen. Wichtig: Die neue Lösung sollte nicht einfach die alte Anwendung kopieren. Eine oft übersehene Gefahr ist die Verzerrung durch den Human-in-the-Loop. Aus Angst vor Ersetzung bewerten Mitarbeiter KI-Ergebnisse schlechter, oder sie nicken bei durchweg guten Resultaten unkritisch ab. Das Team muss für diese Effekte sensibilisiert werden. Monitoringfunktionen in der Anwendung können Trends wie nachlassende Korrekturen frühzeitig sichtbar machen.
Schritt 6: Lernschleifen implementieren
KI-Anwendungen sind nie fertig. Sie können sich durch rekursive Selbstverbesserung oder menschliche Anpassung stetig weiterentwickeln. Unternehmen sollten daher Feedback-Schleifen einbauen, die Kennzahlen erfassen und Optimierungsmöglichkeiten aufzeigen. Nur so bleibt die Lösung relevant und liefert nachhaltigen Mehrwert. Lauck-Wunderlich betont, dass dieser iterative Prozess von Anfang an mitgedacht werden muss – nicht als nachträgliche Aufgabe.
Der Fahrplan zeigt, dass der Schlüssel zum KI-Erfolg weniger in der Technologie selbst liegt, sondern in der Disziplin des Vorgehens. Wer Zeit in die Vorbereitung investiert, vom Use Case über die Architektur bis zum Change Management, minimiert Risiken und maximiert den messbaren Business Value. In einer Zeit, in der Agentic AI und Large Language Models immer schneller auf den Markt drängen, ist ein strukturierter Ansatz der einzige Weg, um aus dem Hype echte Produktivitätsgewinne zu erzielen.
