Wie weit sind Sie auf Ihrem Weg zum datengetriebenen Unternehmen fortgeschritten?

Das Potenzial von Daten und künstlicher Intelligenz (KI) ist enorm und unbestritten. Schätzungen zufolge werden KI-Technologien bis 2030 rund 15,7 Bio. USD zur Weltwirtschaft beitragen. Obwohl die meisten Unternehmen in Daten- und KI-Projekte investieren, geben viele von ihnen an, sich das damit einhergehende Potenzial nicht in vollem Umfang zunutze zu machen. 

Wir haben eine Umfrage unter mehr als 110 internationalen Unternehmen durchgeführt, um besser zu verstehen, wie Entscheidungsträger zum Potenzial von Daten und KI stehen, wie weit Unternehmen bei der Transformation zum datengetriebenen Unternehmen fortgeschritten sind und welchen Hindernissen sie sich dabei gegenübersehen.
 

5 typische Hürden auf dem Weg zum datengetriebenen Unternehmen

1. Eine inaktive Dateninnovations-Pipeline  

Ein entscheidendes Merkmal eines datengetriebenen Unternehmens ist eine aktive Dateninnovations-Pipeline. Dies meint die kontinuierliche Planung und Umsetzung von Daten- und KI-Projekten, die einen Mehrwert für das Unternehmen generieren. In vielen Unternehmen ist diese Pipeline jedoch inaktiv, weil Geschäftsziele und Technologie nicht miteinander in Einklang stehen oder eine klar definierte Strategie fehlt.  

43,6 % der teilnehmenden Unternehmen waren der Ansicht, dass das Scheitern von KI-Initiativen auf eine unzureichende Berücksichtigung des Geschäftserfolgs oder eine zu starke Gewichtung der Technologie zurückzuführen sei. Der am zweithäufigsten genannte Faktor (33,6 %) war das Fehlen einer unternehmensweiten Daten- und KI-Strategie.  

2. Proof-of-Concepts, die auf der Strecke bleiben

Proof-of-Concept-Studien (PoC-Studien) dienen der Überprüfung der Umsetzbarkeit von Projekten. Viele Projekte bleiben aufgrund eines eng gefassten PoC oder unzureichenden Know-hows bezüglich der Operationalisierung von Anwendungsfällen in dieser Phase stecken. 

32,7 % der teilnehmenden Unternehmen gaben an, im Zuge ihrer KI-Initiativen Probleme im Zusammenhang mit PoCs gehabt zu haben. Der am häufigsten genannte Grund (40,9 %) war die schlechte Qualität von Daten und Modellen.  

Als Beispiel sei an dieser Stelle ein Anlagenbauer genannt, dem eine geeignete Infrastruktur für die Operationalisierung fehlte. Obwohl das Projektteam gute Modelle entwickelt hatte, kam es nicht über den PoC hinaus, da es keinen direkten Zugriff auf die Kundensysteme hatte. Das Schaffen einer entsprechenden Zugriffsmöglichkeit würde die Integration einer Reihe weltweit verteilter Systeme erfordern und Kosten in Millionenhöhe verursachen.

3. Technisch perfekte Lösungen, die nicht wie geplant genutzt werden

In einigen Fällen werden Anwendungen von der beabsichtigten Benutzergruppe nicht wie geplant genutzt. Mögliche Gründe dafür können beispielsweise mangelnde Praxistauglichkeit der Lösung, allgemeine Vorurteile gegenüber KI-Lösungen oder fehlende Benutzerfreundlichkeit sein.  

Die mangelnde Integration von KI-Lösungen war der am häufigsten genannte Grund (52,7 %) für die Nicht-Akzeptanz einer Lösung seitens der Benutzer. Als weitere Gründe wurden eine unzureichende Schulung der Endbenutzer sowie Misstrauen gegenüber KI-Lösungen genannt. 

Im Rahmen eines Projekts bei einem Fahrzeughersteller wurde eine MVP-KI-Pilotlösung entwickelt, um den Bedarf an Ersatzteilen zu prognostizieren. Es zeigte sich jedoch, dass die prognostizierten Teile entweder so klein waren, dass sie ohnehin stets vorrätig waren, oder aber so groß, dass sie extra bestellt werden mussten. Entsprechend bot die Lösung keinen Mehrwert für ihre Benutzer. 

4. Mangelnde technische Kompetenzen

Mangelnde technische Kompetenzen stellen ein großes Hindernis für die erfolgreiche Umsetzung von Daten- und KI-Projekten dar. Einige Unternehmen sind sich nicht darüber im Klaren, welche Fähigkeiten erforderlich sind.  Andere wiederum verfügen zwar über die richtigen Tätigkeitsprofile, aber nicht über die geeigneten Strukturen, die es ihren Mitarbeitenden ermöglichen, ihr Know-how auch anzuwenden.  

55,5 % der teilnehmenden Unternehmen bezeichneten die fehlende Zusammenarbeit als großes Problem. Dies zeigt, wie wichtig der Einsatz interner Datenberater ist, die entsprechende Erfahrung in Bezug auf die Projektimplementierung mitbringen und die Zusammenarbeit zwischen den Teams fördern können.  

Wie weit sind Unternehmen auf ihrem Weg fortgeschritten?

Im Rahmen einer Clusteranalyse haben wir drei verschiedene Reifegrade identifiziert, die Aufschluss darüber geben, wie weit die Transformation zum datengetriebenen Unternehmen jeweils fortgeschritten ist. 

 1. „Innovation“: Unternehmen, die alle fünf Hürden als Herausforderung erleben  

Diese Unternehmen sind sich des Potenzials und der Bedeutung von Daten und KI bewusst, jedoch fehlen ihnen ganzheitliche Konzepte für die Umsetzung.  

 
2. „Grundlage“: Unternehmen, die die letzten beiden Hürden als Herausforderung erleben  

Diese Unternehmen sind auf ihrem Weg zum datengetriebenen Unternehmen bereits weiter fortgeschritten, müssen sich jedoch Herausforderungen bezüglich der Schaffung bestimmter Grundlagen, die für ein datengetriebenes Unternehmen wichtig sind, stellen. 

 
3. „Datengetrieben“: Unternehmen, die diese Bezeichnung bereits verdienen   

Diese Unternehmen sind auf ihrem Weg zum datengetriebenen Unternehmen am weitesten fortgeschritten und erwarten für die nahe Zukunft eine weitere Intensivierung des Einsatzes von Datenanalysen und KI.

So wird die Transformation zum datengetriebenen Unternehmen ein voller Erfolg

Aus den ermittelten Hürden lassen sich die folgenden Erfolgsgrundsätze für Daten- und KI-Projekte ableiten: 

• Unternehmensweite Planung und Orchestrierung 
• Geschäftsorientierung 
• Frühe Einbeziehung der Benutzer in KI-Lösungen 
• Schnelle und agile Umsetzung sowie die Bereitschaft, als Unternehmen dazuzulernen 

Diese Grundsätze lassen sich in drei einfachen Schritten in das Rahmenkonzept eines datengetriebenen Unternehmens integrieren:  

1. Ausformulieren der Ziele auf der obersten Führungsebene  

Betrauen Sie ein Kernteam, das sich aus Mitgliedern der Managementebene zusammensetzt, damit, eine überzeugende Vision zu entwickeln und die Ergebnisse, die das Unternehmen erreichen soll, auszuformulieren. Auf diese Weise wird sichergestellt, dass alle Unternehmensmitglieder auf dieselben Ziele hinarbeiten. 

2. Festlegen der Datenstrategie und Verwaltung des KI-Portfolios  

Entwickeln Sie aufbauend auf der Unternehmensstrategie eine Datenstrategie und operationalisieren Sie diese mithilfe eines Portfolios aus konkreten Projekten und Initiativen. Darüber hinaus kann ein Portfolioprozess als Impulsgeber für die Projekt-Pipeline fungieren. 

3. Kontinuierliche, schrittweise Schaffung der Grundlagen bei gleichzeitiger Implementierung wertschöpfender Lösungen  

Legen Sie Schritt für Schritt die Grundlagen, während Sie parallel dazu Projekte implementieren. Zu den Grundlagen zählen Datenplattformen, Strukturen und Prozesse, die auf konkreten Anwendungsfällen basieren und für den praktischen Einsatz geeignet sind. Wählen Sie für die Erstumsetzung Anwendungsfälle mit soliden Erfolgsaussichten. Diese Projekte dienen als eine Art Leuchtfeuer und stärken die interne Akzeptanz für die Unternehmenstransformation.

 
„Die Zeit für Experimente im Bereich KI ist vorbei. Investitionen in KI müssen greifbare Ergebnisse liefern. Wir sind davon überzeugt, dass ein integrierter, ganzheitlicher Ansatz der Weg zum Ziel ist.“ 

Indem sie die richtigen Grundlagen legen und eine Kultur der Offenheit fördern, können Unternehmen beachtliche Fortschritte im Hinblick auf die Transformation zum datengetriebenen Unternehmen erzielen. Das Ergebnis sind Effizienzsteigerungen, erhöhte Wettbewerbsfähigkeit sowie eine erfolgreiche digitale Zukunft.  
 

Dieser Artikel wurde ursprünglich in Ausgabe 90 des Orient Magazine, der offiziellen Zeitschrift der britischen Handelskammer in Singapur, veröffentlicht.