Warum Ihr nächstes KI-Projekt nicht am Algorithmus scheitern wird29 | 10 | 26
KI-Modelle werden zunehmend so selbstverständlich wie Strom aus der Steckdose: Leistungsfähige KI lässt sich als Dienst einkaufen, und auch der Wettbewerber kann auf dieselben Basismodelle zugreifen. Entwickelt werden sie von einer Handvoll großer Tech-Konzerne. Der bloße Zugang wird damit immer weniger zum Alleinstellungsmerkmal: KI entwickelt sich zur Commodity.
Wie schnell die Entwicklung voranschreitet, zeigt der AI Index der Stanford University: Die führenden Modelle haben innerhalb eines einzigen Jahres 30 Prozentpunkte auf dem Benchmark „Humanity’s Last Exam“ zugelegt, der eigens dafür gebaut wurde, KI an ihre Grenzen zu bringen. Gleichzeitig rückt die Leistungsspitze enger zusammen.
Und trotzdem prognostiziert das amerikanische Beratungsunternehmen Gartner, dass bis Ende 2027 mehr als 40 Prozent der Projekte mit agentischer KI eingestellt werden. Klügere Modelle als je zuvor, und trotzdem scheitern viele Projekte. Dieser Widerspruch löst sich auf, sobald man aufhört, ausschließlich auf das KI-Modell zu schauen. Der Unterschied zwischen Erfolg und Scheitern liegt selten im Algorithmus. Entscheidend ist vielmehr, was Sie als Organisation mit dem „Strom aus der Steckdose“ anfangen.
Das Muster gilt auch für klassische Machine-Learning-, Prognose- und Optimierungsprojekte: Ein leistungsfähiges Modell allein löst noch kein Business-Problem. Projekte scheitern oft, wenn der Algorithmus isoliert betrachtet wird – als die zentrale Komponente, in der die „Magie“ steckt – ohne das eigentliche Business-Problem und die eigene Datenrealität zu durchdringen. Wer einen nicht beherrschten QM-Prozess automatisiert, macht das Chaos am Ende nur schneller.
| Erfahren Sie, wie Sie Künstliche Intelligenz im Qualitätsmanagement einsetzen können In einer zunehmend digitalisierten und datengetriebenen Welt spielt Künstliche Intelligenz eine Schlüsselrolle in vielen Unternehmensbereichen, darunter auch im Qualitätsmanagement, der Qualitätssicherung und der Einhaltung regulatorischer Vorgaben. Unsere Weiterbildungen im Bereich Künstliche Intelligenz unterstützen Sie für ihren beruflichen Alltag, indem sie wertvolle Einsichten zu Einführung und Anwendung von KI-Systemen bereitstellen. Jetzt informieren » |
Solution Engineering: Ihr eigentlicher Wettbewerbsvorteil
Wenn leistungsfähige Modelle weithin verfügbar sind, worin besteht dann noch Ihr Vorsprung? Nicht im bloßen Zugang zum Modell. Er entsteht durch die Fähigkeit, ein geeignetes Modell in die eigene Qualitätsrealität einzubetten. Solution Engineering bedeutet, Modell, Daten, Prozess, Systemintegration und tatsächliche Nutzung so zusammenzubringen, dass daraus eine messbare Verbesserung entsteht. Es beginnt deshalb nicht mit der Frage, welches Modell das leistungsfähigste ist, sondern mit dem Blick auf die gesamte Wirkungskette.
Der erste Blick gilt der Flughöhe. Es ist verlockend, jedes Detail eines Prozesses abbilden zu wollen. Doch jede zusätzliche Einflussgröße ist ein zusätzlicher Komplexitätstreiber. Ein robuster, vereinfachter Ansatz schlägt deshalb häufig eine Komplexität, die fachlich beeindruckend wirkt, im realen Betrieb aber schwer beherrschbar ist.
Der zweite Blick gilt den Daten, die Sie tatsächlich haben, nicht denen, die Sie sich wünschen. Sie dürfen nur so weit belastet werden, wie es ihre Qualität zulässt. Eine Größe, die nur lückenhaft oder ungenau erfasst wird, darf im Modell keine tragende Rolle spielen, egal wie plausibel sie fachlich erscheint. Datenqualität muss man anerkennen, nicht erträumen.
Der dritte Blick gilt dem Ergebnis. Die Erfolgsmetrik eines KI-Projekts ist nicht der Score des Modells. Ray Perrault vom Stanford AI Index bringt es sinngemäß auf den Punkt: 75 Prozent Genauigkeit in einem Benchmark für juristisches Schlussfolgern sagen wenig darüber aus, wie gut ein System in die Arbeit einer Kanzlei passt.
Für das QM gilt dasselbe. Erfolg ist, wenn sich ein realer Prozess messbar verbessert hat, wenn Reklamationen schneller geschlossen werden, Audits weniger Vorbereitung brauchen oder Fehlerursachen früher auffallen. Ein Modell mit 95 Prozent Genauigkeit, das niemand nutzt, hat null Prozent Wirkung.
Fazit: Die ganze Wirkungskette zählt
Flughöhe, Daten, Ergebnis: Diese drei Blicke zeigen, warum ein gutes Modell noch keine gute Lösung ergibt. Das Modell ist ein Glied der Wirkungskette, nicht die ganze Kette.
Neu ist dieser Gedanke übrigens nicht. Das DMAVO-Framework, mit dem ich diese Wirkungskette strukturiere, habe ich vor rund zehn Jahren in der Flughafenlogistik entwickelt, lange vor dem aktuellen KI-Hype. Die Fragen, an denen Projekte scheitern, haben sich seitdem kaum verändert. Verändert hat sich vor allem die Art der eingesetzten Modelle.
| Erfolgreiche KI-Projekte: Warum Business Verständnis wichtiger ist als perfekte Modelle Auf dem 9. DGQ-Qualitätstag am 19. November 2026 stelle ich Ihnen das DMAVO-Framework anhand von Praxisbeispielen vor: Warum Datenqualität und Modellierung wichtiger sein können als perfekte Algorithmen, wann sich Automatisierung lohnt und welche drei einfachen Fragen Sie Ihren eigenen KI-Projekten stellen sollten, um sie auf den Prüfstand zu stellen. Jetzt informieren » |
Über den Autor: Alexander Schaefer
