Die Early Adopters haben herausgefunden, was bei KI nicht funktioniert. Dank ihrer Bemühungen entstehen nun wiederholbare Vorgehensmodelle, die sich für eine schnelle Umsetzung eignen.
Es ist fast vier Jahre her, dass die Ankündigung von ChatGPT den Startschuss für den Wettlauf um den Erfolg im Bereich der KI gab. Doch wie wir letzte Woche auf dem Gartner Application Innovation & Business Solutions Summit in London erfahren haben, haben nur 5 % der KI-Technologien die Produktionsreife erreicht.
Als das SnapLogic-Team im Juni den US-amerikanischen Gartner App Summit in Las Vegas besuchte, erfuhr es, dass Unternehmen dabei sind, den Schritt von KI-Experimenten hin zum produktiven Einsatz zu vollziehen, wobei Kontext, Umsetzung und Governance als entscheidende Anforderungen in den Vordergrund rücken.
Nun ist es September, und wie wir in London erfahren haben, haben sich diese Anforderungen zwar nicht geändert, doch der Markt wird immer konkreter, was die Umsetzung dieser Anforderungen angeht. Unternehmen haben ihre Pilotprojekte durchgeführt; nun suchen sie nach wiederholbaren Vorgehensweisen, um auf allen Ebenen der Technologiearchitektur einen Mehrwert zu erzielen.
Die Leistungsfähigkeit des Modells ist nur ein Faktor für den Erfolg der KI
Gartner-Analysten stellten fest, dass sich ein Großteil der Diskussion rund um KI noch immer in einer explorativen Phase befindet und sich zu sehr auf die Fähigkeiten der KI-Modelle konzentriert. Es ist zwar sinnvoll, dass Praktiker den Modellen Aufmerksamkeit schenken, da sie eine neue Komponente in der Gleichung darstellen, doch sind sie bei weitem nicht der einzige Faktor, der darüber entscheidet, ob die Einführung von KI erfolgreich ist (oder nicht).
Es stellt sich die Frage, ob der Workflow überhaupt für KI geeignet ist, aber auch, ob die Menschen ihm vertrauen werden oder ob die für die Governance zuständigen Teams ihm zustimmen werden. Genau diese Fragen musste David Holton, CIO bei der Cambridge & Counties Bank, beantworten, bevor er damit beginnen konnte, Agenten so zu koordinieren, dass die Kundenanbindung im Bereich der Anlagenfinanzierung beschleunigt wird.
Es mag auf den ersten Blick widersprüchlich erscheinen, dass der erste Referenzkunde in Europa für die „ AgentCreator “ von SnapLogic aus einer so streng regulierten Branche wie dem Bankwesen stammt, doch tatsächlich deckt sich auch dies mit dem, was Jason Wong und Brent Stewart uns in ihrer Eröffnungsrede erklärt haben. Governance sei keineswegs ein Hindernis, sondern vielmehr ein Wegbereiter für die Einführung, so die beiden.
Erst eine gute Unternehmensführung ermöglicht es, den Einsatz von KI in großem Maßstab voranzutreiben und die Technologie im gesamten Unternehmen zu implementieren – weit über die begrenzten Testumgebungen hinaus, in denen frühe Demos stattfanden.
Gute Unternehmensführung schafft Vertrauen
Das entscheidende Bindeglied zwischen Governance und Akzeptanz ist Vertrauen. Governance definiert die Voraussetzungen; gute Governance macht deren Erreichung sichtbar, sodass die Menschen Vertrauen in das Ergebnis haben können. Dazu gehört auch, den Fokus nicht darauf zu legen, menschliche Arbeitskräfte durch KI-Agenten zu ersetzen, sondern darauf, wie der Prozess der Zusammenarbeit zwischen beiden optimiert werden kann.
Es stellt sich also die Frage: „Wie viel mehr kann das Team aus Mensch und KI gemeinsam erreichen als jeder für sich allein?“
Das ist das „Zentauren-Modell“ der KI – ein Mensch, der eine leistungsstarke Maschine reitet und lenkt –, das auf die Ebene von Teams oder ganzen Organisationen übertragen wurde.
So etwas war schon immer die positive Seite des Geschäftsarguments für Automatisierung: nicht der euphemistische Begriff „Personalabbau“, sondern die Fähigkeit, mehr Mehrwert zu schaffen, indem alles automatisiert wird, was die Menschen von dem ablenkt, was sie am besten können.
In unseren Gesprächen mit unseren eigenen Kunden haben wir immer wieder beobachtet, wie sich genau die von Gartner beschriebene Abfolge vollzieht. Tatsächlich stimmen die Empfehlungen von Gartner sehr gut mit den Leitlinien überein, die wir aus unseren praktischen Erfahrungen bei der Implementierung von KI in der Produktion bei unseren Kunden abgeleitet haben. Meine Kollegin Sinem hat diese ausführlicher dokumentiert, aber hier sind sie in groben Zügen:
- Eine manuelle Punkt-zu-Punkt-Integration ist nicht skalierbar
- Zuerst die Datenbereitschaft: Das Fundament, ohne das KI-Initiativen tatsächlich ins Stocken geraten
- Die Reihenfolge umkehren: Erst einführen, dann bereitstellen
- Behandeln Sie MCP und die Koordination von Agenten als Governance-Problem
Diese Empfehlungen decken sich mit den Erkenntnissen, die die Gartner-Analysten im Laufe der beiden Tage vermittelt haben, insbesondere hinsichtlich des schnellen Bewertungszyklus erfolgreicher Unternehmen. Wir haben erfahren, dass die erfolgreichsten Einführungsbeispiele, bei denen mehrere verschiedene Anwendungsfälle im Produktivbetrieb genutzt werden, äußerst flexibel damit umgehen, dass auch Mitarbeiter außerhalb der zentralen IT-Abteilung Anwendungsfälle vorschlagen können – ganz im Sinne des Paradigmas des „Citizen Integrators“.
Natürlich funktioniert diese Flexibilität nur dank solider Steuerungsmechanismen und Richtlinien. Sobald diese anfänglichen Anforderungen jedoch erfüllt sind, werden die Anwendungsfälle kontinuierlich geprüft und bewertet.
ist die von Gartner empfohlene Vorgehensweise, um Initiativen ohne Aussicht auf eine Produktionsreife zu beenden.
Ich werde das Letzte noch einmal wiederholen, denn in diesem Moment war im Saal ein hörbares Raunen zu vernehmen: Wenn eine KI-Initiative keinen klaren Weg zur Produktionsreife innerhalb von 90 Tagen aufzeigt, ist es an der Zeit, sie einzustellen und weiterzumachen.
Nur so lässt sich der derzeitige Zustand überwinden, in dem 90 % der KI-Technologien in der Pilotphase stecken geblieben sind.
Neunzig Tage mögen gemessen an den Maßstäben historischer IT-Projekte in Unternehmen unmöglich kurz erscheinen, und die vollständige Einstellung der Initiative mag abrupt wirken. Dennoch ist diese kurze Durchlaufzeit die entscheidende Erkenntnis, die Spätanfänger noch nicht vollständig verinnerlicht haben.
Der Wert der KI liegt nur zum Teil in der schnellen Umsetzung; ein großer Teil davon besteht darin, rasch zu erkunden, was neu möglich sein könnte oder was nun verbessert werden kann. Der beste Zeitpunkt, um mit der Einführung von KI-Projekten zu beginnen, war vor einem Jahr; der zweitbeste Zeitpunkt ist genau jetzt. Legen Sie den Umfang eng fest, setzen Sie das Projekt um, beobachten Sie, was passiert, lernen Sie daraus und probieren Sie etwas anderes aus.
Noch besser ist es, viele dieser Zyklen parallel laufen zu lassen. Experimente scheitern nicht; im schlimmsten Fall lehren sie uns, was nicht funktioniert. Achte einfach darauf, dass du die jeweiligen Erkenntnisse frühzeitig ziehst und nicht auf einem Weg stecken bleibst, der ins Leere führt.
Ein gut formuliertes Problem ist schon halb gelöst.
Natürlich ist die Umsetzung in die Produktion nur ein Teil der Geschichte. Was auch immer geliefert wird, sollte zudem den geschäftlichen Anforderungen des jeweiligen zu automatisierenden Prozesses entsprechen. Hier kommt die oben genannte Bedingung ins Spiel, Projekte genau abzugrenzen.
KI kann auf allen Ebenen einen Mehrwert schaffen – vom großen RAG-Projekt in einem Großunternehmen bis hin zu den taktischen Verbesserungen, die von Experten in einem bestimmten Fachgebiet umgesetzt werden. Die IT-Prozesse in Unternehmen sind jedoch meist nur auf den erstgenannten, von oben nach unten gerichteten Ansatz bei Großprojekten ausgelegt. Die Art der von unten nach oben gerichteten, geschäftsgetriebenen Einführung, wie sie im letzteren Fall zum Ausdruck kommt, liegt außerhalb der Erfahrungswelt der meisten dieser Gruppen.
Das Problem dabei ist: Wenn Menschen als Verbindungsglied zwischen verschiedenen Systemen und Teilaufgaben fungieren, sind sie sehr gut darin, Lücken zu überbrücken und Hindernisse zu umgehen. Diese vor Ort vorgenommenen Anpassungen des Prozesses finden jedoch selten ihren Weg zurück in die Dokumentation. Wenn es darum geht, Teile des Prozesses zu automatisieren, kann diese Diskrepanz zwischen dem „dokumentierten Prozess“ und dem „umgesetzten Prozess“ die Automatisierungsbemühungen vereiteln.
Dies ist ein weiterer Grund, warum die Unternehmens-IT nicht alleiniger Träger von KI-Projekten sein kann. Abgesehen von ihrem rasanten Entwicklungstempo, das sie für die Art von nüchternen Technologiebewertungen, wie sie die IT gewohnt ist, völlig ungeeignet macht, muss sie zudem in Situationen implementiert werden, die weitaus weniger steril und klar definiert sind als die makellosen Architekturen der Vergangenheit.
Unstrukturierte Daten, implizites Wissen und Entscheidungsprozesse, die nie formell festgehalten wurden, bedeuten, dass die Spezifikation selbst ein lebendiges, sich ständig weiterentwickelndes Dokument sein muss, um mit den Veränderungen in der realen Welt Schritt zu halten.
Aus „Best Practices“ werden „Worst Practices“
Und das war das dritte Thema, das sich wie ein roter Faden durch ein Gespräch nach dem anderen auf dem Gipfel zog: Nichts davon ist statisch. Natürlich entwickelt sich die KI (Modelle, Schnittstellen und Anwendungsmöglichkeiten) vor unseren Augen weiter – so schnell, dass es schwer sein kann, mit dem Tempo des Wandels Schritt zu halten. Aber auch alles andere in diesem Zusammenhang befindet sich im Wandel, von der technologischen Infrastruktur bis hin zu den Geschäftsprozessen selbst.
In diesem Umfeld ist es im Grunde unmöglich, die Zukunft über einen kurzen Zeitraum hinaus mit irgendeiner Genauigkeit vorherzusagen, aber wir können daran arbeiten, robuste Standardkomponenten mit flexiblen Verbindungen untereinander einzurichten, die genau diese sehr schnelle Iteration ermöglichen. Dies gilt sowohl für die traditionelle Technologie als auch für die Art und Weise, wie mit ihr gearbeitet wird und wie mit den Menschen umgegangen wird, die darauf angewiesen sind.
Dabei ging es nicht nur darum, dass Gartner-Analysten auf der Bühne ihre Meinungen darlegten. Die Teilnehmer hörten auch von Praktikern, die den einen oder anderen Teil dieser Empfehlungen umgesetzt hatten, und verteilten sich anschließend auf der Messe, um ihre eigenen Erfahrungen miteinander zu besprechen. Für uns als Anbieter ist es immer ein Privileg, an diesen Gesprächen teilzunehmen, aber die Teilnehmer schätzten es sehr, von Erfahrungen aus der Praxis zu hören. Nicht nur die reinen Erfolgskennzahlen, sondern auch, was nötig war, um dorthin zu gelangen, und einige der Wendungen, die wir auf diesem Weg genommen haben.
Genau das meinen wir, wenn wir sagen, dass wir wiederverwendbare Runbooks haben: Sie sind keine „Black Boxes“, die man unverändert hinnehmen muss, sondern eine Kombination aus wiederverwendbaren Komponenten und hart erarbeiteten Erkenntnissen darüber, was funktioniert, was (noch) nicht funktioniert und welche Faktoren (sowohl menschliche als auch technologische) bei der Planung berücksichtigt werden müssen.
Die gute Nachricht ist jedoch, dass sich solche wiederholbaren Vorgehensweisen allmählich abzeichnen und sich in der Praxis bewähren. Ein Einzelfall mag ein Zufall sein, aber ein branchenspezifischer KI-Anwendungsfall, der bereits zweimal in der Produktion eingeführt wurde und gerade in zwei weiteren Kundenumgebungen implementiert wird, während ich diese Zeilen schreibe, ist derzeit das deutlichste Signal, das es gibt.
Einige dieser Geschichten werden wir im Rahmen unserer „IntegrateAI 2026 World Tour“ näher beleuchten, die uns unter anderem an folgenden Orten Station macht:
- Dallas, Texas, am 6. Oktober
- San Francisco, Kalifornien, am 28. Oktober
- London, Großbritannien, am 17. November
Wir hoffen, dass eine Veranstaltung in Ihrer Nähe stattfindet, an der Sie teilnehmen können. Wir sehen uns dort!
