So sterben KI-Ambitionen

Roman Samborskyi | shutterstock.com

Anfang 2026 wurde ich gebeten, einen Vortrag über die KI-Transformation und ihre wirtschaftliche Tragfähigkeit zu halten. Es war ein brillanter Austausch. Das Publikum war engagiert, optimistisch und neugierig. Und zu Recht: KI verändert bereits jetzt, wie wir arbeiten, wie produktiv wir sind und wie schnell Ideen in Ergebnisse umgesetzt werden. Die meisten von uns nutzen die Technologie täglich – auch ich. Ehrlicherweise verfassen heute nur noch die wenigsten Führungskräfte lange Dokumente von Grund auf selbst.

Durchdachte Prompts und menschliches Urteilsvermögen vorausgesetzt, liefert KI vieles in kürzester Zeit. Das ist ohne Zweifel bahnbrechend. Aber das war nicht der eigentliche Punkt meines Vortrags. Denn die unangenehme Wahrheit ist, dass KI für eine durchgängige Geschäftstransformation noch immer zu unzuverlässig ist. Halluzinationen, erfundene Verweise, selbstbewusst formulierter Unsinn – jeder, der schon einmal Large Language Models (LLMs) genutzt hat, kennt diese Unwägbarkeiten. Das ist keine Kritik – diese Dinge liegen in der Natur probabilistischer Systeme, die auf unvollständigen Datensätzen trainiert wurden.

KI überrundet Readiness

LLMs wirken intelligent, aber ihr Wissen geht nicht über die Daten hinaus, auf denen sie trainiert wurden. KI-Modelle nachträglich zu trainieren, kann zwar helfen, ist aber immer noch von der Qualität, Struktur und Governance der Daten abhängig, die in diesem Rahmen einfließen. Wir sind wieder bei einer alten Regel angelangt, die sich in großem Maßstab verstärkt: „Garbage in, garbage out“. Diese Kluft zwischen KI-Ambitionen und Datenrealität ist der Punkt, an dem viele Unternehmen zu kämpfen haben. Genau das ist heute vielerorts sichtbar: Wir setzen KI taktisch ein – für spezifische Probleme, in begrenzten Bereichen des Unternehmens. Wir sehen erste Ergebnisse – etwa Produktivitätssteigerungen, schnellere Analysen und optimiertes Decision Making. Aber genau hier liegt der Haken: Jede taktische KI-Implementierung wird auf eine Infrastruktur aufgesetzt, die durch jahrelange technische und datenbezogene Schulden vorbelastet ist.

Die meisten Unternehmen haben bereits mehrere Wellen der digitalen Transformation durchlaufen: Kundenorientierte Plattformen, die Einführung von SaaS, unter Zeitdruck zusammengeflickte Integrationsschichten. Dann kam durch die COVID-Pandemie ein weiterer Layer hinzu: Technologien, die in aller Eile implementiert wurden, nur um das Business am Laufen zu halten. Ein Großteil dieser Infrastruktur wurde nie konsolidiert. Schatten-IT existiert nach wie vor. Business-Teams kaufen immer noch Tools und fragen erst später, ob diese auch integriert werden können. CIOs kennen dieses Muster nur zu gut: Es ist schwer, Nein zu sagen, selbst wenn wir es sollten – ein Spannungsfeld, das viele IT-Entscheider offen thematisieren, während sie versuchen, den Druck zur Einführung neuer Technologien mit der Legacy-Last in Einklang zu bringen. Das Ergebnis ist eine Infrastruktur, die zwar funktioniert – aber eben nur „gerade so“. Anders ausgedrückt: Sie ist teuer im Betrieb, schwer anzupassen und unter Druck anfällig.

Mit technischen Schulden verhält es sich wie mit finanziellen: Auf der einen Seite steht der Kapitalbetrag – die Arbeit, die erforderlich ist, um die Grundlagen zu reparieren. Auf der anderen die Zinsen – die laufenden Kosten, die durch doppelte Ausgaben, Cloud-Wildwuchs, langsame Deployments, Security-Risiken und überlastete Teams entstehen. Doppelte Ausgaben lassen sich zwar oft messen, bringen jedoch auch versteckte Auswirkungen auf die Agilität mit sich – unsere Fähigkeit, neue Produkte und Technologien einzuführen und daraus Wert zu schöpfen. Dieser Verlust an Agilität ist weitaus schwerer zu quantifizieren, gleichzeitig entfaltet er im Zeitverlauf große Schäden. Korrekturmaßnahmen aufzuschieben, mindert an dieser Stelle nicht die Kosten, sondern vervielfacht sie im Laufe der Zeit.

Und dann sind da noch die Daten: Qualität, Ownership, Governance, Provenance – das sind die Dinge, an denen die meisten KI-Ambitionen still und leise scheitern. Das ist zwar nicht allein die Schuld des IT-Entscheiders, liegt aber klar in deren Verantwortungsbereich. Die Business-Teams stehen allerdings unter dem gleichen Druck wie die IT. Auch sie kämpfen mit schwindendem Personal, knapperen Budgets und höheren Anforderungen. Deshalb werden kritische Daten oft priorisiert, während alles andere in den Hintergrund rückt. Bis eine dringende Anfrage auftaucht.

Dazu kommen lange vernachlässigte Grundlagen wie Informationsarchitektur, Taxonomie und sinnvolle Namenskonventionen. Dinge, die zum Vertrauen in die Daten dazu beitragen, diese effektiv zu nutzen. KI verstärkt diese Realität: Schlechte Daten führen nicht nur zu schlechten Ergebnissen – sie führen zu selbstbewusster, skalierbarer Fehlbarkeit. So stagnieren viele KI-Initiativen nicht, weil die Modelle schwach sind, sondern weil die Grundlagen nicht stimmen. Und: Umso autonomer KI agiert, desto mehr vergrößern ungelöste (daten)technische Schulden das Risiko, statt den Mehrwert.

KI kann mehr

Dieser Artikel ist kein Plädoyer für eine radikale Transformation. In vielen Unternehmen wäre das unverantwortlich. Vielmehr ist er ein Plädoyer für gezielte, taktische Investitionen, um sich auf das vorzubereiten, was kommt. Genau wie bei finanziellen Schulden wartet man nicht auf perfekte Bedingungen, um den Zinseszins zu stoppen. Man trifft bewusste Entscheidungen, um Risiken zu reduzieren, Spielraum zu schaffen und zukünftige Handlungsmöglichkeiten zu sichern. Das bedeutet in erster Linie:

• Kernplattformen zu vereinfachen,
• ausufernde Integrationen einzudämmen, sowie
• in Datenqualität und -governance zu investieren.

Das eigentliche Problem ist aber, dass die meisten Unternehmen ihre Transformationsinitiativen nie zu Ende führen. Sie packen sie in eine Schublade, machen weiter und setzen die nächste Initiative einfach oben auf. Mit der Zeit verfestigt sich die Komplexität zu Schichten, die niemand mehr zu entwirren wagt. KI läuft Gefahr, der nächste Layer zu werden. Aber das muss nicht sein: KI kann mehr sein als nur ein weiteres System, das integriert werden muss. Gezielt eingesetzt kann sie dabei unterstützen, aufzudecken, wo:

• Komplexität den Arbeitsfluss behindert,
• Daten nicht vertrauenswürdig sind, und
• Teams Zeit damit verbringen, fehlerhafte Grundlagen glattzuziehen.

Die Technologie kann Licht in Bereiche bringen, die Führungskräfte bisher nur schwer durchdringen konnten. Noch wichtiger ist, dass KI Führungskräften auch ermöglicht, zu handeln. Denn die Technologie entfaltet Dynamik. Die kann entweder genutzt werden, um endlich die unspektakuläre Arbeit anzugehen, die seit Jahren aufgeschoben wurde – oder verschwendet werden. (fm)

Dieser Beitrag wurde im Rahmen des englischsprachigen Expert Contributor Network von Foundry veröffentlicht. Alle Infos zum deutschsprachigen Experten-Netzwerk finden Sie hier.