Der Weg zur eigenen KI-Strategie

Die Willenserklärung zur Entwicklung einer KI-Strategie muss von der Geschäftsführung kommen. Das ist bei allen großen IT-Projekten der Fall. Hier ist es aber noch etwas Besonderes, weil KI zu verschiedenen Zwecken eingesetzt werden kann.

Wir können zwischen generativen, steuernden und prozessoptimierenden sowie (positiv) disruptiven Einsatzzwecken unterscheiden. Auch die Zielrichtung macht einen Unterschied: Nutzen wir die KI nur intern oder wird sie auch für Kunden sichtbar. 

Die einzelnen Bereiche schließen einander nicht aus. Es macht aber sicher Sinn, eine gewisse Reihenfolge einzuhalten und Prioritäten zu setzen. Ein ganz wichtiger Punkt ist auch das Thema Cybersicherheit. Hier sind die CIOs oder CSIOs gefragt. 

Und dann müssen noch die Unternehmensrichtlinien für den Umgang mit KI definiert und kommuniziert werden. Dies erfolgt im Rahmen von Schulungen aller Mitarbeiter und Mitarbeiterinnen. Dieser Schritt ist durch das EU AI Act auch vorgeschrieben. Hierbei wird auch die Tool-Auswahl eine Rolle spielen. Sie ist aber nicht entscheidend.

Die Kernschritte zur KI-Strategie

1. Zielbild festlegen

• Was soll KI bringen? → Effizienz, Automation, neue Produkte, optimierte Prozesse, bessere Entscheidungsmöglichkeiten etc.
• generative KI oder disruptive KI? → Sollen Geschäftsprozesse optimiert und/oder neue Geschäftsbereiche erschlossen werden?
• Zielgruppe: Soll KI nur intern oder auch für Kunden sichtbar eingesetzt werden?

2. Ausgangslage analysieren

• Prozesse, Datenqualität, Schnittstellen, Security, Compliance
• Reifegrad bestimmen und notwendige Anpassungen erkennen und anpacken
• Das betrifft sowohl die Daten als auch die Prozesse
• Tipp: bestehende Prozesse nicht 1:1 mit KI abbilden wollen, sondern Prozesse gerne neu denken

3. Rollen & Governance klären

• Verantwortlichkeiten von Geschäftsführung und allen beteiligten Abteilungen festlegen
• Interdisziplinäre Teams definieren, die sich dann auch regelmäßig austauschen: Fachbereich + IT + Data Science
• Das ist wichtig für die o.g. neuen Prozesse
• Entscheidungsweg dokumentieren, regelmäßige Reviews

4. Datenstrategie aufsetzen

• Welche Daten existieren? Qualität? Herkunft?
• Welche Kontext- oder Beispiel-Daten werden zusätzlich zum Training der KI oder als “Nachschlagewerk” für Agents benötigt?
• Technische Basis: Datenplattformen, Schnittstellen, Cloud, Governance
• Menschliche Basis: Datenwissen des Teams, das (noch nicht) in Daten vorhanden ist
• Datenqualität unbedingt vor Start des Projekts optimieren. Schlechte Daten liefern schlechte Ergebnisse.

5. Use Cases priorisieren

• Kriterien: Wertbeitrag, Machbarkeit, strategische Relevanz
• Start: Ein PoC mit sichtbarem Nutzen, klare Done-Definition pro Use Case
• Tipp: Mit den “Low hanging fruits” beginnen. Schnelle Erfolge schaffen Akzeptanz und Vertrauen! Stichworte hier sind Machbarkeit und Datenqualität.
• Nicht alle Use Cases müssen von Anfang an bekannt sein. Sammelt erst einmal Erfahrungen und steigert dann den Komplexitätsgrad.

6. KI-Roadmap & Aktionsplan bauen

• Start mit einem klar definierten, machbaren Use Case
• Etappen, Ressourcen, Meilensteine, KPIs
• Agile Methoden für schnelles Feedback und Nachschärfung

7. Erfolg messen, lernen, skalieren

• Quantitative + qualitative KPIs
• Monatliches Review, Lessons Learned
• neue technische Möglichkeiten bewerten und ggf. in Strategieziele implementieren
• Roadmap laufend anpassen. Auch wenn die generellen Grundsätze bestehen bleiben: Die KI-Strategie ist ein lernendes, agiles System

8. Change Management & Schulungen

• Projektmarketing betreiben
• Erfolge und allgemeine Erfahrungen kommunizieren
• durch Transparenz Ängste nehmen
• andere früh an Erfolgen partizipieren lassen
• Schulungen durchführen
• Das ist hier nicht anders als in anderen IT-Projekten

9. Auswahl der Tools & LLMs

• Überlegt euch, für welche Zwecke ihr die KI benötigt, testet die Möglichkeiten und integriert auch die Kosten in eure Entscheidung
• Dieser Punkt erfolgt natürlich nicht zuletzt. Ich wollte ihm nur nicht zu viel Aufmerksamkeit widmen.

Typische Fallstricke bei der Umsetzung

• Technologie-Aktionismus
  Die Auswahl des LLMs oder KI-Tools allgemein ist wichtig, für den Erfolg aber nicht entscheidend. Wahrscheinlich wird zwei Wochen nach eurer Entscheidung ein neues, vermeintlich besseres Modell kommen – damit muss man einfach leben.
• Keine Datenstrategie
  Garbage in, garbage out. So gern man direkt loslegen möchte, zuerst muss die Datenqualität stimmen. Und mit Datenstrategie ist gemeint, dass sie auch in Zukunft stimmt. Hier braucht es klare Prozesse und Data Governance.
• Überzogene Erwartungen oder Ängste
  KI-Transformation erfolgt schrittweise und ersetzt bestehende Prozesse nicht 1:1. Die Umsetzung braucht Zeit und Geduld für Anpassungen und Freude am Neudenken.
• Unklare Verantwortlichkeiten
  Das betrifft Governance ganz allgemein: Prozesse, Daten, Menschen, Ziele
• Keine Kosten-Nutzen-Analyse
  Im Idealfall könnt ihr für eure Use Cases klare KPIs benennen. Wenn ihr ganz neue Use Cases umsetzt, können die Vorteile benannt werden. Wichtig ist, aus dem Ausprobieren-Modus in den strukturierten Business-Case-Modus zu kommen. 
• Fehlende Integration in IT-/Dateninfrastruktur
  KI braucht eine passende Architektur für Sicherheit und Skalierbarkeit.

Fazit: Jetzt KI strategisch verankern

KI ist bereits im Einsatz, eine Vielzahl der deutschen Unternehmen nutzen sie in Geschäftsprozessen. Echter Mehrwert entsteht nur mit einer sauberen KI-Strategie, die zu den Unternehmenszielen passt, die eigenen Stärken nutzt und Organisation und Governance mitnimmt.

Autor

Ralf Jung
SDZeCOM GmbH & Co. KG – Customer Success Manager

Tel.: +49 7361 594-569
E-Mail: r.jung@sdzecom.de