KI-Projekte scheitern selten an der Technik. Sie scheitern an Menschen, an der Kultur und an Erwartungen, die niemand geprüft hat. Gescheitert, aber gescheiter, unter diesem Motto steht die folgende Liste.
Die Menschen
Wer die künftigen Anwender nicht früh einbindet, erntet Ablehnung, manchmal offenen Widerstand. Dazu kommt fehlende Qualifizierung. Wer nicht weiß, wie er mit einem KI-System zusammenarbeiten soll, reagiert mit Unsicherheit oder Angst. Grundlegendes Wissen über KI fehlt in vielen Unternehmen, und Schulungen helfen hier mehr als jede Präsentation.
KI verändert Aufgaben, und Veränderung erzeugt Widerstand. Ohne aktives Change Management bleibt das System ungenutzt. Die Angst vor dem Verlust des Arbeitsplatzes ist dabei real. Eine ehrliche Darstellung, was sich ändert und was bleibt, nimmt ihr die Schärfe.
Die Kultur
In risikoscheuen Organisationen haben KI-Projekte es schwer. Silodenken verhindert, dass Fachbereich, IT und Datenteam ihr Wissen teilen. Wer nur auf das nächste Quartal schaut, gibt KI nicht die Zeit, die sie braucht. Und eine Kultur, die von Anfang an Perfektion erwartet, verträgt keine Systeme, die zunächst Fehler machen und daraus lernen. Ohne Führungskräfte, die das vorleben, ändert sich daran wenig.
Die Projektarbeit
Viele KI-Projekte starten mit Zeitplänen, die nicht zu halten sind. Die Kosten für Datenaufbereitung, Betrieb und Wartung werden unterschätzt. Eigene Expertise fehlt, und nach dem Go-live wird das System sich selbst überlassen, obwohl Modelle gepflegt werden müssen.
Überzogene Erwartungen sind ein eigener Stolperstein. KI löst bestimmte Aufgaben gut, aber nicht alle automatisch. Schlechte oder nicht repräsentative Daten führen zu schlechten Ergebnissen, ganz gleich wie gut das Modell ist. Ein erfolgreiches Team braucht Fachexperten, Datenleute und Entwickler gemeinsam. Fehlt eine dieser Kompetenzen, leidet die Qualität.
Für die Anwender wirkt KI oft wie eine Blackbox. Nachvollziehbare Ergebnisse schaffen Vertrauen. Und schließlich bringt KI erst Nutzen, wenn sie in bestehende Prozesse und Systeme eingebunden ist. Ein Prototyp im Labor ist das eine, der stabile Betrieb im Alltag das andere. Diesen Übergang unterschätzen viele, ebenso wie den verantwortungsvollen Umgang mit Daten und die Vermeidung von Verzerrungen.
Was bleibt
Der Erfolg hängt an vielen Faktoren, und die meisten liegen außerhalb der Technik. Wer Menschen und Kultur vorbereitet, realistische Erwartungen setzt und die Integration von Anfang an mitdenkt, hat gute Chancen. Wie sich diese Erfahrungen auf KI im Dokumentenmanagement übertragen, zeigt Woran KI im ECM zuerst hängen bleibt. Warum die Führung dabei nicht delegierbar ist, beschreibe ich in Human in the Lead beginnt vor dem ersten Prompt.