138 Warum die meisten KI-Projekte scheitern, bevor sie überhaupt beginnen

00:00:00: Grandios, dass ihr wieder dabei seid zu einer neuen Folge von insights!

00:00:04: Mein Name ist Joubin Rahimi und heute mit dabei habe ich den Matthias Bauer.

00:00:08: Hi, Matthias. Hi, Grüß dich, Joubin.

00:00:10: Matthias ist bei uns einer der AI-Spezialisten und ich würde

00:00:15: sagen, auch meistens auf der Bühne und aufgrund deiner Größe und der Kompetenz

00:00:18: auch ein Leuchtturm in dem Thema.

00:00:21: Magst du zwei, drei Sätze zu dir sagen und dem Thema AI?

00:00:25: Ja, super, gerne.

00:00:26: Also zunächst zu mir Jahrgang 85, Ich bin irgendwann mal so 2007 herum ins

00:00:31: Berufsleben eingestiegen und mache eigentlich seitdem tatsächlich

00:00:35: nichts anderes als alles Mögliche rund Daten und KI.

00:00:39: Damals nannten wir das noch so Data Mining, Process Mining, Data Science,

00:00:43: aber letztlich haben sich die Methoden einfach nur weiterentwickelt

00:00:46: über die Zeit.

00:00:48: Und ansonsten: Verheiratet, zwei Kinder und begeisterter Pfadfinder.

00:00:54: Na, ist doch schön.

00:00:56: Matze ist einer der wenigen, die auch mal private Momente hier reinbringen.

00:01:02: Ich nehme mal den Schwenk weg von den Pfadfindern, aber vielleicht kommen

00:01:05: wir da auch noch im Gespräch zurück.

00:01:07: Du bist ja bei ganz, ganz vielen Kunden bei uns.

00:01:10: Matze ist ein Fellow.

00:01:12: Also Fellows sind ja diejenigen, die C-level Trusted Advisor

00:01:15: sind zu bestimmten Themen.

00:01:17: Was sind so die Themen, die auf Geschäftsführerebene besprochen

00:01:21: werden, die du so mitbekommst? Ja.

00:01:26: Ich versuche auch …

00:01:27: Das ist ja wie Pfadfinder.

00:01:28: Es heißt ja, Ja, tatsächlich.

00:01:30: Also Fahrt finden kommt ja ein Stück weit auch davon, den Lebensweg zu finden.

00:01:35: Das kann man natürlich auch aufs Unternehmen irgendwie übertragen.

00:01:38: Das ist eigentlich eine ganz gute Anekdote.

00:01:42: Also was mir tatsächlich begegnet, ist …

00:01:47: Wir sprechen hier von Insights.

00:01:48: Das heißt, volle, klare Sicht.

00:01:51: Und was mir sehr häufig begegnet, ist eigentlich eine sehr, sehr hohe

00:01:56: Erwartungshaltung an die künstliche Intelligenz,

00:01:59: weil man schnappt vielleicht auch das eine oder andere irgendwie auf.

00:02:02: Neulich wurde ich gefragt: „Wie weit sind wir denn jetzt weg von der

00:02:07: programmierbaren Materie?" Dann habe ich gesagt: „Davor kommt

00:02:12: vielleicht erst noch das Beamen." Und da muss man immer ein bisschen

00:02:15: aufpassen, weil letztlich haben wir natürlich eine Hochphase

00:02:20: eines Hypes jetzt durchlebt gerade.

00:02:22: Das hat begonnen im Oktober, November 2022 mit ChatGPT und ähnlichen Produkten, wie

00:02:29: beispielsweise eben aus dem Hause OpenAI.

00:02:31: Und man hat hier und da auch den Eindruck gehabt, dass das wirklich als die absolute

00:02:37: eierlegende Wollmilchsau oder das Panaceum für alle Probleme irgendwie.

00:02:41: Ja, packst du es rein und dann ist es super.

00:02:42: Hat mich so ein bisschen erinnert, Das waren so die Jahre 2012, 2013.

00:02:49: Damals ist ja IBM durch die Gegend gelaufen und hat mit Watson gewonnen.

00:02:58: Und insbesondere der Herstellervertrieb ist dann halt auch durch die Landung

00:03:01: gezogen und hat halt das so als Magic Blackbox verkauft.

00:03:04: Kipp alle deine Daten rein und alle deine Probleme werden gelöst.

00:03:08: So einfach ist es nicht, auch heute immer noch nicht, auch wenn natürlich

00:03:12: wir ganz neue Möglichkeiten haben, aber hohe Erwartungshaltung, stelle ich fest.

00:03:18: Aber ich stelle auf der anderen Seite auch fest, viele haben inzwischen erkannt,

00:03:22: na ja, es ist definitiv eine Chance auf Veränderung, auf Optimierung

00:03:28: innerhalb der eigenen Geschäftsprozesse, aber auch eine Transformation des eigenen

00:03:33: Geschäftsmodells oder das Erschließen komplett neuer

00:03:36: Geschäftsmodelle oder Produkte.

00:03:38: Also wenn ein C-Level auf dich dann zukommen, dann bekommst du erst mal mit:

00:03:43: Die Erwartungshaltung ist zu hoch, so nach dem Motto: Jetzt

00:03:47: machen wir ein bisschen so ein Open AI vor uns und dann ist es super.

00:03:50: Ich sage dann halt immer: Na ja gut, wenn es so einfach wäre,

00:03:53: wäre ich jetzt nicht da.

00:03:56: Und andere hätten schon gemacht und ihr hättet viel mehr Probleme.

00:04:00: Wahrscheinlich auch so, oder? Genau.

00:04:04: Was sind die typischen Fallstricke, die Unternehmen machen, die in diese Schritte

00:04:08: reingehen, in das Thema?

00:04:11: Also letztlich, ich sage immer so: Also erstens

00:04:16: ChatGPT als, ich sage mal, eine KI-Anwendungsklasse für sich

00:04:21: genommen, ist nur eine von sehr, sehr vielen unterschiedlichen Methoden, die

00:04:27: eigentlich die künstliche Intelligenz bietet.

00:04:30: Dinge wie klassisches Machine Learning oder vielleicht auch mal irgendwelche

00:04:34: Regressionsrechnungen beispielsweise für eine Cash-Flow-Prognose oder so was sind

00:04:38: nach wie vor immer noch genauso relevant wie vorher.

00:04:41: Oder auch das Nutzbar machen von Bildinformationen, Computer Vision.

00:04:45: Das sind alles verschiedene Gebiete, Teilgebiete der KI.

00:04:50: Und was sie alle natürlich gemeinsam haben, ist, sie brauchen

00:04:53: natürlich eine solide Datenbasis.

00:04:56: Das hört man natürlich überall, was ich aber feststelle, ist, ja, nach

00:05:03: dem Motto Das ist eine neue Methode.

00:05:05: Da müssen wir doch jetzt die alten Probleme überwunden haben.

00:05:08: Nein, die sind immer noch da.

00:05:10: Ich weiß gar nicht, ob wir das vielleicht später einblenden können.

00:05:13: Da gibt es so ein witziges Bild So ein Dilbert-Bild, oder?

00:05:16: Ja, so in der Art.

00:05:17: Auf der linken Seite sind da die Datentöpfe und dann kommen so

00:05:22: aufgelistet die verschiedenen Methoden, so Data Science, irgendwie Machine

00:05:26: Learning, AI, Gen AI, Agentic AI.

00:05:30: Und auf der rechten Seite hast du dann so Datenscheißhaufen in Einhornformen

00:05:36: oder in multiple Einhornformen.

00:05:38: Und das trifft es eigentlich super gut als Illustration.

00:05:41: Egal, welche Methode du da nutzt, du musst deine Daten irgendwie im Griff haben.

00:05:46: Nicht nur für die KI, letztlich ja eigentlich auch für die Organisation

00:05:49: selber, wenn man vorhat, auch mehr datengetrieben,

00:05:53: Entscheidungen treffen zu wollen oder wirtschaften zu wollen oder

00:05:56: Automatisierung überhaupt ermöglichen zu können.

00:05:58: Jetzt sagst du, Daten musst du im Griff haben.

00:06:00: Das heißt, die Daten sind nicht gut.

00:06:02: Wenn das ein C-Level hört, dann nickt er wahrscheinlich oder sie.

00:06:08: Aber was bedeutet das?

00:06:10: Wann sind die Daten nicht gut?

00:06:12: Weil wahrscheinlich wird dieser Person gesagt: Die Daten sind super, das sagen

00:06:14: seine Mitarbeiter, aber eigentlich sind sie nicht super.

00:06:16: In 9 von 10 Fällen sagen alle immer, unsere Daten sind super, aber tatsächlich

00:06:20: ist es so, wenn wir Projekte machen, beschäftigen wir uns ja mit irgendeinem

00:06:25: Business-Case, mit irgendeinem Use-Case.

00:06:28: Ich bringe mal vielleicht ein kleines Beispiel Hier eine kleine Anekdote rein.

00:06:32: Gerne.

00:06:33: Das war bei einem Hersteller für so Kunststofffasern,

00:06:38: ganz, ganz dünne Kunststofffasern.

00:06:40: Das ist im Prinzip das Vorprodukt, woraus später dann künstliche Membranen gewoben

00:06:44: werden, die im Dialysesystem, die Dialysesystemen, verwendet werden.

00:06:47: Okay.

00:06:48: Die hatten das Problem: 40 Produktionslinien,

00:06:53: teilweise Dreischichtbetrieb und es ist ständig vorgekommen, dass irgendwann in

00:07:00: innerhalb einer Woche oder so dieser blöde Faden abgerissen ist.

00:07:04: Dann läuft die Pampe da irgendwie in die Maschine rein,

00:07:07: musst du runterfahren, sauber machen, wieder kalibrieren, bla bla bla,

00:07:10: geht ein Haufen Geld verloren.

00:07:12: Dann wurden wir gerufen: Ja, Wir haben jetzt drei Jahre lang mit unseren

00:07:16: Ingenieuren versucht, da irgendwie herauszufinden, woran das liegt.

00:07:18: Wir wissen es nicht, kann man da was mit Daten machen?

00:07:20: Auch die Info alles super, unsere Daten sind klasse.

00:07:23: Wir haben ein MDE, ein BDE-System, wir haben ein MES, ein ERP und alle Daten sind

00:07:29: da irgendwie zusammen und das dürfte ja kein Problem sein.

00:07:32: Und dann sage ich: Ja, okay, case is cool.

00:07:35: Kann man ja wirklich auch mit Zahlen dagegen rechnen.

00:07:38: Aber bevor ich sage: Wir machen da irgendwas, würde ich gerne

00:07:42: mal die Daten angucken lassen.

00:07:43: Und das ist so, das Data Understanding nennen wir das dann im Prozess.

00:07:49: Ja, und da kam halt raus, dass die Daten halt nur so im

00:07:52: Zehn-Sekunden-Durchschnitts-Momentum quasi aufgezeichnet wurden.

00:07:56: Wo ich sage wenn ich herausfinden will, was ist eigentlich, welche

00:08:00: Wirkzusammenhänge sind dann eigentlich unmittelbar in diesem Abrisszeitpunkt,

00:08:04: sind diese Zehn-Sekunden-Durchschnittte nichts wert.

00:08:07: Absolut nichts.

00:08:09: Und dann kommen so: Ja, aber da kann man doch vielleicht näherungsweise was machen,

00:08:13: und dann sind wir eher diejenigen, die dann sagen: Also wir sind Dienstleister.

00:08:19: Wir verkaufen euch das Projekt, aber wir würden euch davon abraten.

00:08:23: Macht keinen Sinn.

00:08:24: Macht einfach keinen Sinn.

00:08:25: Und investiert lieber erst in ein bisschen

00:08:29: optimiertere Datenhaushaltung und befähigt euch, die notwendige

00:08:34: Auflösung der Daten zu erheben.

00:08:36: Das ist jetzt vielleicht ein bisschen plastisches Beispiel, aber

00:08:39: das erlebe ich wirklich sehr, sehr häufig.

00:08:41: Das musst du einfach im Griff haben.

00:08:43: Super Beispiel.

00:08:44: Ich glaube, da noch mal richtig tiefer reinzudippen macht Sinn, oder?

00:08:48: Genau.

00:08:48: Also by the way, das ist jetzt eine Methode.

00:08:53: Also ich habe ja vorhin erzählt, seit 2007 oder so im Berufsleben unterwegs

00:08:57: und die kommt aus den 90ern.

00:08:59: Standmal für CRISP-DM, Cross-Industry Standard Process for Data

00:09:06: Mining oder inzwischen weiterentwickelt, CRISP-ML für Machine

00:09:09: Learning und so weiter.

00:09:10: Ja, aber es ist ein logischer Kreislauf.

00:09:12: Du beschäftigst dich quasi mit dem Business-Problem

00:09:15: und versuchst auch wirklich, das Businessproblem so zu benennen.

00:09:20: Das ist ja oft ein Prozessthema, letztlich.

00:09:23: Da müssen wir nicht im Prozess optimieren oder einen Teilprozess darüber

00:09:27: automatisieren, um irgendwie Kosten zu optimieren et cetera.

00:09:31: Da fragst du erst mal ganz scharf rein: Wie lässt sich das abgrenzen und was muss

00:09:35: eigentlich erreicht sein, um wirklich ein Business-Value,

00:09:38: eine Wertschöpfung zu erzielen?

00:09:40: Und dann guckst du dir die Daten an und wenn da alles passt, dann sagst du: Okay,

00:09:44: dann bauen wir Modelle oder nutzen Gen AI oder was auch immer.

00:09:48: Und dann kommen wir eigentlich zum zweiten Schritt.

00:09:52: Dann bauen wir wirklich Sachen.

00:09:54: Wie gut funktionieren diese im Unternehmen?

00:09:58: Also sind wir da gut dabei?

00:10:01: Oder können wir das noch optimieren?

00:10:04: Das ist ein Wunderpunkt, oder?

00:10:06: Das ist ein Wunderpunkt, weil das ist …

00:10:08: Wie soll ich sagen?

00:10:10: Ich komme ja aus einer Welt, die sich immer sehr damit beschäftigt hat,

00:10:16: Prozesse zu automatisieren, Geschäftsprozesse zu optimieren,

00:10:21: auch neue Businessmodelle aufzubauen.

00:10:24: Und da hast du halt häufig Situationen, dass du eigentlich in

00:10:27: irgendeinen Bestand kommst.

00:10:28: Es ist ja schon irgendwas da.

00:10:30: Das heißt, du musst dich ja irgendwo so …

00:10:32: Das heißt, viel Custom, Custom Solutions.

00:10:36: Und wenn ich jetzt schaue, was heute so an Standard-Tools auf dem Markt so verfügbar

00:10:41: ist und ich dann Rückmeldung bekomme: Oh, der

00:10:45: hat schon wieder irgendwie ein falsches Ergebnis gebracht.

00:10:47: Ich habe doch eigentlich mal einen OneDrive-Folder oder was auch immer

00:10:50: irgendwie mit der KI verknüpft, aber irgendwie findet er das trotzdem nicht.

00:10:53: Oder ich habe da neulich irgendwie eine Frage gehabt, wo ich genau wusste, da

00:10:57: liegt eine E-Mail in meinem Postfach und das Tool der Wahl sagt es einfach

00:11:03: nicht und das gibt es doch gar nicht.

00:11:06: Also so was kommt halt irgendwie ständig vor und da muss ich halt

00:11:10: sagen, das geht besser.

00:11:12: Das geht wirklich auch heute schon besser.

00:11:15: Allerdings muss ich ja sagen, es gibt halt einen Unterschied zwischen

00:11:18: einer sehr starken Domänenorientierung oder Geschäftsprozess oder auch

00:11:23: Geschäftsbereichorientierung versus Hersteller und Produkte, die halt

00:11:28: möglichst eine wirklich breite Basis versuchen, abzudecken.

00:11:33: Und das wird zwar natürlich jetzt, wenn man so in den nächsten Jahren schaut, was

00:11:37: da so eine Pipeline auch bei den großen Herstellern steht, auch für so

00:11:40: Standardprodukte, absehbar, dass das besser wird, aber im

00:11:44: Moment habe ich bei vielen eher das Gefühl, dass viele feststellen: Da haben

00:11:49: wir einen ganzen Stall vor Lizenzen gekauft.

00:11:50: Das funktioniert irgendwie gar nicht so, wie gedacht.

00:11:53: Das fahren wir irgendwie wieder runter und so weiter.

00:11:54: Die kommen jetzt wieder auf uns zu und sagen: Ihr habt doch mal vor einem Jahr

00:11:58: irgendwie erklärt, dass das auch besser geht.

00:12:00: Und tatsächlich ist das auch so.

00:12:03: Treppenwitz.

00:12:03: Wir haben vor ChatGPT, ich glaube, sogar vor Corona war das,

00:12:10: ein Projekt gehabt, wo wir anhand von Produktdaten, die die Produktstammdaten

00:12:16: von neuen Produkten errechnet haben, dann Ersatzprodukte und auch

00:12:21: Empfehlungsprodukte und ergänzende Produkte auch berechnet haben.

00:12:26: Super. Das Projekt kam nie zum Einsatz.

00:12:30: Alle haben gezweifelt, dass es geht.

00:12:32: Es war ein Forschungsprojekt, hat funktioniert und dann hieß es: Wir

00:12:36: bekommen es gar nicht in den Vertrieb rein.

00:12:39: Da dachte ich: Krass, die verbrennen einfach mal so eine halbe Million.

00:12:44: Jetzt wissen die, dass es geht.

00:12:45: Aber machen sie es nicht.

00:12:47: Wenn du da noch eine ähnliche Story hören willst, bringe ich gerne auch noch eine

00:12:50: rein, ist ein Dienstleister für die Abrechnung

00:12:56: von privatärztlichen Dienstleistungen.

00:13:01: Wir kamen da irgendwie rein, langer Sales-Cycle gehabt.

00:13:05: Da hieß es: Ja, wir wollen das jetzt mal ausprobieren.

00:13:08: Und dann haben wir gesagt: Ja, wir probieren das mal mit einem

00:13:12: Teilschritt aus.

00:13:13: Ich glaube, da ging es irgendwie um die automatisierte Extraktion von

00:13:18: Daten aus Durchgangsarztberichten. Egal.

00:13:23: Die haben uns entsprechend Daten gegeben.

00:13:26: Wir haben einen kleinen POC aufgebaut. Mega erfolgreich.

00:13:32: Erkennungsquote, ich glaube, bei 97, 98%.

00:13:35: Ist alles über 80, ist ja schon gut.

00:13:37: Aber damit waren wir tatsächlich besser als die ENI, die natürliche Intelligenz,

00:13:42: die eine höhere Fehlerquote hatte im Prozess.

00:13:44: Das ging aber nicht. Genau, genau.

00:13:47: Und wir haben das alles vorgestellt, war ein großer Konferenzraum und ist ja

00:13:53: super, aber wir müssen Ihnen sagen, wir machen das Projekt nicht.

00:13:57: Macht die schlechter, mach die schlechter, die kann ich.

00:13:59: wieso nicht?

00:14:02: Ja, irgendeiner hätte ausgerechnet, weil über 50% der Durchgangsarztberichte

00:14:10: kommen noch per Papier rein.

00:14:12: Und sie haben ausgerechnet, es sei von den Prozesskosten her teurer,

00:14:19: wenn irgendjemand die Büroklammer abmacht oder diese Nadel da irgendwie rausmacht

00:14:26: und das in den Scanner legt, als wenn es einer manuell abtippt.

00:14:30: Das ist aber auch echt eine Einwandbehandlung und ein Vorwand.

00:14:33: Da denke ich: Moment mal.

00:14:35: Das war der gleiche Kunde, der irgendwie drei, vier Monaten früher noch gesagt hat:

00:14:40: Wir müssen was verändern, weil wir finden immer weniger Leute, die

00:14:43: Lust auf so einen Job haben.

00:14:45: Und wenn wir da nichts daran ändern und mehr Automatisierung reinbringen, dann

00:14:48: gibt es uns in zehn Jahren nicht mehr.

00:14:49: Das ist völlig strange eigentlich.

00:14:51: Jetzt wollen wir gar nicht auf den Kunden herumreiten.

00:14:52: Nein, nein, nein.

00:14:53: Aber das sind ja ganz natürliche Herausforderungen gerade, die wir haben.

00:14:57: Ich glaube, das ist aus Angst heraus auch.

00:14:59: Kann gut sein.

00:15:00: Dass man sagt: Okay, ich kann den Vertrieb nicht verändern, will den

00:15:03: gerade nicht verändern.

00:15:04: Deswegen, wir fragen das auch immer nach: Was passiert, wenn es erfolgreich ist?

00:15:08: Wie wird es implementiert?

00:15:11: Wie machst du das? Wie macht ihr das im Team?

00:15:12: Ja, tatsächlich, wir legen immer mehr Wert auch drauf, dass wir sagen, es ist nicht

00:15:17: nur das Stückchen Technologie, sondern letztlich auch eine

00:15:24: Änderung im Mindset, eine Veränderung in der Organisation.

00:15:26: Teilweise werden sich Prozesse auch ändern, teilweise werden sich

00:15:30: Jobrollen ändern.

00:15:31: Das ist so.

00:15:32: Das muss man einfach auch klar benennen.

00:15:36: Das nennt sich ja alles heute Change Management, alles, was ich da herumdreht,

00:15:41: und ich glaube, das ist ein sehr, sehr wesentlicher Faktor.

00:15:45: Also gerade diese Angst.

00:15:46: Ich habe es in letzter Zeit, ich weiß auch nicht, wieso, aber in den letzten paar

00:15:49: Monaten habe ich sehr viel mit Personalräten und Datenschützern zu tun,

00:15:54: weil da gibt es auch die wildesten Vorstellungen.

00:15:58: Also der Datenschützer kommen dann und sagen, die hören nur KI,

00:16:02: rotes Tuch direkt.

00:16:04: Wo du denkst: Eigentlich ist jetzt die Anforderung an den Datenschutz,

00:16:10: ob du jetzt Software mit KI drin hast oder Software ohne KI.

00:16:15: Genau das Gleiche. Ist nicht anders.

00:16:17: Aber trotzdem ist da irgendwie so ein …

00:16:21: Das schwingt irgendwie was mit.

00:16:23: Und natürlich bei Personalräten, Betriebsräten und so weiter,

00:16:26: da geht es natürlich gleich immer die Situation der Arbeitnehmer, die ich total

00:16:30: verstehen kann, aber letztlich ist es doch auch eine Chance.

00:16:34: Total.

00:16:35: Also es ist doch auch eine Chance, zu sagen, man transformiert die Organisation

00:16:41: mithilfe der Technologie letztlich, um sich auch am Markt behaupten zu können.

00:16:46: Es ist ja nicht nur eine Frage der Arbeitnehmer: innen zufriedenheit,

00:16:51: sondern es geht auch irgendwie auch darum, dass man das Unternehmen mit in diese

00:16:56: Ära nimmt, um letztlich auch am Markt, auch über Jahrzehnte hinweg und im

00:17:00: Wettbewerb, sich behaupten zu können.

00:17:01: Ja, verrückter Gedanke.

00:17:03: Da bleibt die Firma länger.

00:17:04: Haben alle was davon. Ja, genau.

00:17:06: Und ich glaube, das ist halt wichtig, dass insbesondere dieses mentale Drumherum

00:17:12: auf C-Level-Ebene halt auch adressiert wird und nicht einfach

00:17:15: nur durchregiert wird.

00:17:17: Man muss die Leute auch ein Stück weit mitnehmen.

00:17:19: Und ich glaube, das ist ein super, super Stichpunkt.

00:17:23: Change ist wichtig, die Prozesse sind wichtig, die Menschen

00:17:26: mitzunehmen, ist total wichtig.

00:17:27: Es geht nicht die Technik.

00:17:29: Also es hat super Potenzial. Ja, genau.

00:17:31: Und wenn ihr Unleash your potential, also euer Potenzial entdecken wollt,

00:17:38: schreibt uns an.

00:17:39: Matze, sein Team, die Fellows dazu, haben ganz viel gesehen und können euch in den

00:17:45: Situationen helfen oder auch mal sagen: Macht mal nicht so was,

00:17:48: sondern macht was anderes. Genau.

00:17:48: Matze, danke für die Einblicke, ist immer wieder erhält.

00:17:53: Und wie machen Pfadfinder, wenn es losgeht?

00:17:56: Gibt es da ein Zeichen?

00:17:59: Nicht wirklich, okay. Nicht?

00:18:01: allzeit bereit, ist natürlich eher der Abschiedsgruß oder „Gut

00:18:08: Fahrt" sagt man auch da. gut Fahrt, sagen wir.

00:18:09: gut Fahrt. Genau.

00:18:10: Schön, dass ihr zu geschaut und zugehört habt.

00:18:13: Danke, Matze. Ja, gerne.