Warum Firmen sich mit KI so schwertun: Zwischen Hype und Realität

Kurzfassung

Der Podcast "KI-Podcast" diskutiert, warum Unternehmen trotz grosser Erwartungen Schwierigkeiten haben, künstliche Intelligenz erfolgreich zu implementieren. Die Hosts Gregor Schmalzried und Fritz Espenau sprechen mit Experten wie Alexander Tam und Elisabeth Lorange über technische, organisatorische und kulturelle Hürden. Das zentrale Problem liegt nicht in der Technologie selbst, sondern in mangelnder Strategie, fehlenden klaren Verantwortlichkeiten und Widerständen auf Mitarbeiterebene. Die vielbemühte Statistik von 95 Prozent gescheiterten KI-Projekten wird kritisch hinterfragt.

Personen

• Gregor Schmalzried
• Fritz Espenau
• Alexander Tam
• Elisabeth Lorange

Themen

• KI-Integration in Unternehmen
• Vertikale vs. horizontale Innovation
• Compliance und Datenschutz als Hürden
• Mitarbeiterbeteiligung und Unternehmenskultur
• Unterschied zwischen KI-Fizierung und KI-Transformation
• Autonome Fahrzeuge und Waymo

Detaillierte Zusammenfassung

Die Ausgangslage: San Francisco vs. Deutschland

Die Folge beginnt mit Fritz Espenau, der für Recherchezwecke nach San Francisco reist – dem Geburtsort der aktuellen KI-Revolution. Dort fällt ihm auf, dass auf praktisch jedem Bus KI-Tools beworben werden, allerdings nicht für Privatnutzer wie ChatGPT oder Claude, sondern spezialisierte Lösungen für KI-Startups. Dies zeigt: Die grossen Gewinne versprechen sich die Anbieter nicht von Einzelnutzern, sondern von Unternehmenskunden – und gerade die tun sich besonders schwer.

Vertikale vs. horizontale Innovation

Ein Kernkonzept der Diskussion ist die Unterscheidung zwischen zwei Ansätzen:

Vertikale Innovation (von oben herab): Das Management entscheidet zentral, dass KI eingesetzt wird. Dies funktioniert gut bei hochspezialisierten Anwendungen wie Radiologie, wo spezialisierte Systeme von Experten ausgerollt werden – ähnlich klassischer Software-Einführung.

Horizontale Innovation (von unten): Mitarbeiter experimentieren dezentral mit verfügbaren Tools und entdecken selbst Anwendungsmöglichkeiten. Das Problem: Nicht jeder hat Zeit, Energie oder Motivation, damit herumzuexperimentieren.

Alexander Tam, Daten-Science-Pionier und Gründer einer Beratung (gegründet 2012), beschreibt seinen Wandel von streng Use-Case-orientiertem Arbeiten hin zu einer Generalisierung durch Sprachmodelle. Während früher jedes Problem mit spezialisierten Algorithmen gelöst wurde, ermöglichen moderne LLMs wie GPT-5 und Claude 4.5 flexible, wiederverwendbare Lösungen – vorausgesetzt, sie werden richtig eingesetzt.

Das zentrale Problem: Implementierung

Das Hauptproblem ist nicht die Technologie, sondern die konkrete Umsetzung. Viele Unternehmen stellen ihren Mitarbeitern Tools zur Verfügung, ohne klare Vorgaben oder Schulungen anzubieten. Wenn jemand am Montag aufwacht und denkt „Ich sollte mehr KI nutzen", weiss er oft nicht, wo er konkret anfangen soll.

Organisatorische Hürden (nach Elisabeth Lorange von Deloitte):

• Procurement/Einkauf: Bis Tools gekauft sind, sind sie bereits veraltet
• Compliance und Datenschutz: Strikte Regelwerke schränken Flexibilität ein
• Betriebsrat: Mitbestimmungsrechte verzögern Entscheidungen
• Fehlende Verantwortlichkeiten: Unklar, wer entscheidungsbefugt ist (Finanzabteilung, CTO, Chief AI Officer)
• Fehlende Strategie und klare Tools: Oft gibt es keine übergeordnete KI-Strategie

Die „95-Prozent-Flop"-Statistik

Ein vielzitierter Mythos wird dekonstruiert: Die Behauptung, 95 Prozent aller KI-Projekte scheitern, stammt angeblich vom MIT. In Wahrheit basiert sie auf:

• Nur 52 Interviews (Small Data, nicht Big Data)
• Sehr kurze Erfolgsmessung: Nur 6 Monate bis zur Profitabilität
• Schmale Definition von Erfolg, die viele KI-Effekte ignoriert (schwer messbare Qualitätsverbesserungen)
• Veraltete Daten: Cloud Code existierte damals noch nicht

Die tatsächliche Effektivität von KI-Projekten ist schwer messbar, da viele Vorteile subtil sind (bessere Arbeit, nicht mehr Zeit sparen).

Unterschied: Microsoft Copilot vs. integrierte Lösungen

Ein konkretes Beispiel ist der Microsoft Copilot. Der Microsoft-CEO Satya Nadella soll laut einem Dezember-Bericht der Publikation "The Information" unzufrieden damit sein. Der Copilot liefert oft unerwartete Ergebnisse und kann beispielsweise einfache Aufgaben wie „Finde meine erste E-Mail an Person X" nicht verlässlich lösen.

Ironischerweise nutzt Microsoft intern selbst Claude Code, obwohl das Unternehmen diese Lösung nicht offiziell empfiehlt – weil es schlicht besser funktioniert.

Menschliche Faktoren und Widerstand

Ein grosses Problem liegt auf der emotionalen und kulturellen Ebene:

Angst vor Ersetzung: Studien der Harvard Business Review zeigen, dass Mitarbeiter, die KI nutzen, von Vorgesetzten oft benachteiligt werden (weniger Beförderung, niedrigere Gehälter).

Misstrauen gegenüber KI-Ergebnissen: Ein Hörer namens Marco berichtete, dass obwohl sein Unternehmen KI-Nutzung empfahl, Kollegen die Ergebnisse ablehnten, sobald sie merkten, dass KI involviert war.

AI-Slop-Problem: Mitarbeiter nutzen KI, überarbeiten die Ergebnisse aber nicht. Das führt zu schlechten Dokumenten, die andere Kollegen dann überarbeiten müssen. Das schafft systematisches Misstrauen.

Zwei Extreme: Manche Menschen haben übertriebene Angst vor KI (weil sie sie nicht nutzen), andere überschätzen sie (weil sie mal ein grossartiges Ergebnis hatten). Beide Extreme blockieren rationale Nutzung.

Wie man Mitarbeiter zum richtigen Einsatz motiviert

Statt Mitarbeitern KI „von oben herab" vorzuschreiben, sollten Unternehmen:

• Prozesse respektieren: Nicht einfach ein Anwaltsarbeitsablauf durch KI ersetzen, sondern gemeinsam einen Workflow entwickeln, der zum individuellen Stil passt
• Experimentierfreiräume schaffen: Zeit und Spielraum für Fehler
• Anreize für Knowledge Sharing: Wertschätzung zeigen, wenn Mitarbeiter KI-Wissen weitergeben – nicht mit mehr Arbeit bestrafen
• Unternehmenskultur: Eine Kultur, in der Innovation und Fehler akzeptiert sind
• Echte Schulung: Nicht nur Tools vorstellen, sondern begleiten

KI-Fizierung vs. KI-Transformation

Ein wichtiger konzeptioneller Unterschied:

KI-Fizierung: Bestehende Prozesse digital optimieren (z.B. KI fasst Meeting-Notizen zusammen).

KI-Transformation: Prozesse grundlegend umgestalten, sodass alte Schritte überflüssig werden (z.B. KI gleicht Infos ab, das Meeting findet gar nicht statt).

Die meisten Unternehmen sind noch in der KI-Fizierungs-Phase. Echte Transformation erfordert strategisches Denken und Mut zur Prozessveränderung.

Die vier Dimensionen erfolgreicher KI-Integration

Alexander Tam fasst zusammen:

1. Strategie: Wohin will das Unternehmen? Welche Probleme sollen gelöst werden? Machtverhältnisse klären.
2. Umsetzung: Welche Use Cases sind relevant? Produktentwicklung-Mindset statt rein funktionale Organisation.
3. Technologie: Architektur, Tools, Datenverfügbarkeit, Integration.
4. Change-Management: Erklärung, Schulung, spielerische Elemente, kulturelle Begleitung.

Kritisch: Wenn auch nur eine Dimension vergessen wird, scheitert das Projekt.

San Francisco und die Waymo-Erfahrung

Fritz Espenau berichtet von Fahrten in selbstfahrenden Waymo-Taxis. In San Francisco sind diese völlig normal (10–20 % des Strassenverkehrs). Das wirft eine wichtige Frage auf: Spaltet sich die technologische Entwicklung zwischen USA und Europa auf? Waymo ist hochspezialisiert auf einzelne Städte, Teslas Ansatz (nur Kameras, keine LiDAR) könnte universeller sein, ist aber noch nicht produktionsreif.

Praktische KI-Anwendungen der Hosts

Gregor: Nutzte ChatGPT, Claude und Google Gemini, um herauszufinden, warum ein Hotel-Buchung günstiger wurde. Nur Gemini recherchierte eigenständig und fand heraus, dass parallel eine Schuhmesse in der Stadt stattfand – das erklärt die höheren Preise in der ersten Woche.

Leser-Beitrag (Kilian): Baute eine Pipeline für politische/gesellschaftliche Recherche: Deep Research in ChatGPT → Google Gemini → Notebook LM → generierter 15-Minuten-Podcast zum Anhören. Hocheffizient für komplexe Themen, aber unmöglich messbar im klassischen ROI-Sinne.

Kernaussagen

• Das grösste Problem ist nicht die Technologie selbst, sondern die Implementierung: Unternehmen fehlt es an Strategie, klarer Verantwortung und Change-Management.

• Die „95-Prozent-Flop"-Statistik ist irreführend: Sie basiert auf 52 Interviews mit unrealistisch kurzer Erfolgsmessung und ignoriert schwer quantifizierbare Verbesserungen.

• Microsoft Copilot ist ein warnendes Beispiel: Trotz grosser Versprechen liefert er in der Praxis oft schlechte Ergebnisse, während Microsoft intern Claude Code nutzt.

• Mitarbeiter brauchen Vertrauen, nicht Vorschriften: KI funktioniert nur, wenn Arbeitnehmer damit experimentieren dürfen und Fehler akzeptiert sind – nicht wenn sie bestraft werden für KI-Nutzung.

• Unterscheidung zwischen KI-Fizierung und KI-Transformation ist entscheidend: Echte Wertschöpfung kommt erst durch Umgestaltung von Prozessen, nicht durch blosse Digitalisierung.

• KI-Integration braucht vier Dimensionen: Strategie, Umsetzung, Technologie und Change-Management – das Weglassen auch nur einer führt zum Scheitern.

• Regionale Unterschiede wachsen: San Francisco hat bereits autonome Taxis im alltäglichen Betrieb, während Europa durch regulatorische Hürden deutlich langsamer ist.

• Erfolg ist schwer messbar: Viele KI-Effekte (bessere Qualität, leichtere Arbeit) lassen sich nicht in klassische ROI-Metriken übersetzen.

Metadaten