KI wirklich verstehen und erfolgreich einsetzen
Dr. Michael Kollegger
Head of AI
Medien, Magazine und soziale Netzwerke zeichnen ein Bild, in dem KI alles kann: Mitarbeitende ersetzen, Probleme auf Knopfdruck lösen, Unternehmen transformieren. Dieses Bild stimmt nicht – und es schadet. In diesem Artikel räumen wir mit den häufigsten Missverständnissen auf und zeigen, wie Unternehmen KI wirklich erfolgreich einsetzen können. Die Grundlage dafür liefert Dr. Michael Kollegger, Head of AI bei Evol.X, mit über 25 Jahren Erfahrung und mehr als 100 abgeschlossenen KI-Projekten.
_Zphqnh.webp)
Das Wichtigste in Kürze
- KI ist kein Software-Paket, das man installiert – sondern ein Werkzeugkasten spezialisierter Methoden.
- ChatGPT & Co. machen nur einen kleinen Teil des KI-Spektrums aus – 95 % der realen KI-Projekte laufen mit klassischem Machine Learning.
- Der größte Erfolgsfaktor ist nicht die Technologie, sondern Datenqualität und Fachbereichswissen.
- Der empfohlene Einstieg: ein strukturierter Proof of Concept in 5 Schritten – in 10 bis 15 Tagen umsetzbar. Wer KI einführen will, braucht zuerst eine klare Strategie, realistische Erwartungen und saubere Daten.
Was KI ist – und was nicht
Das erste und wichtigste Missverständnis: KI ist keine Software, die man einfach installiert. Es gibt keine „One Button Solution“, die man kauft und die dann alles von alleine regelt. KI ist kein Ersatz für menschliche Expertise, kein Garant für perfekte Ergebnisse – und kein Tool, das alle Probleme automatisch löst.
Was KI in Wirklichkeit ist: ein statistisches Lernsystem, aufgebaut auf klassischen mathematischen und statistischen Algorithmen, von denen viele seit Jahrzehnten bekannt sind. Einige Grundalgorithmen wurden bereits im Jahr 1820 erstmals beschrieben. Was sich verändert hat, ist nicht die Mathematik dahinter, sondern die verfügbare Rechenleistung und Datenmenge.
KI ist daher am besten als Werkzeugkasten zu verstehen: Je nach Problem greift man zu unterschiedlichen Werkzeugen. Sie ist ein Analyse- und Prognoseinstrument, ein adaptives System – und ein echter Hebel für Innovation und Effizienzsteigerung, wenn sie richtig eingesetzt wird.
KI ≠ ChatGPT
Eine der größten Fehlannahmen: KI gleich ChatGPT. Tatsächlich sind ChatGPT und andere Large Language Models (LLMs) nur ein Teilbereich der KI – und zwar ein sehr spezieller. Rund 95 % aller realen KI-Anwendungen weltweit laufen mit klassischem Machine Learning, nicht mit Generativer AI.
Was sind die drei wichtigsten Lernarten von KI?
- Machine Learning (klassisches ML) ist die älteste und verbreitetste Disziplin. Es geht um mathematische Probleme wie Klassifikationen (kauft der Kunde oder kauft er nicht?) oder Regressionen (wie entwickelt sich der Umsatz?). Machine Learning steuert Maschinen, erkennt Qualitätsmängel, sagt Zugverspätungen voraus.
- Generative AI – dazu gehören ChatGPT, Gemini und Co. – ist auf die Erzeugung neuer Inhalte spezialisiert: Texte, Bilder, Audio, Code. Dieser Bereich ist der lauteste, aber zahlenmäßig der kleinste. Generative AI scheitert, wenn es um logische Aufgaben oder die Analyse großer strukturierter Datenmengen geht.
- Reinforcement Learning funktioniert über Belohnung und Bestrafung: Ein virtueller Agent lernt durch Millionen von Versuchen, eine Aufgabe optimal zu lösen. So wurden etwa Schachprogramme trainiert, die Weltmeister schlagen.
Der unterschätzte Erfolgsfaktor: Daten
Wer ein KI-Projekt startet, erwartet oft schnell beeindruckende Ergebnisse. Die Realität ist nüchterner: 80 bis 90 % der gesamten Projektzeit entfällt auf das Verstehen, Sammeln, Bereinigen und Aufbereitung von Daten.
KI lernt aus Vergangenheitsdaten. Wenn diese Daten fehlerhaft, unvollständig oder falsch strukturiert sind, sind auch die Ergebnisse wertlos. In der Branche nennt man das „Garbage in, Garbage out“.
Genauso entscheidend ist Domain Knowledge – also das Fachbereichswissen über den Bereich, in dem die KI eingesetzt werden soll. Eine KI für den Handel kann nur jemand sinnvoll bauen, der den Handel kennt. Das ist auch der Hauptgrund, warum viele KI-Startups scheitern: exzellentes technisches Wissen – aber kein Verständnis für die Branche, in der sie Lösungen bauen wollen.
_Z22i0lA.webp)
9 KI-Herausforderungen, die Unternehmen kennen sollten
- Fehlende KI-Strategie – Einzelne Abteilungen experimentieren ohne klare Zielsetzung. Das scheitert immer.
- Falsche Erwartungen – Der Glaube, KI könne alles, führt zu Frustration. Erwartungsmanagement ist entscheidend.
- Mangelndes Fachwissen – Kaum ein Unternehmen hat intern KI-Expertise. Das muss aufgebaut oder extern eingekauft werden.
- Schlechte Datenqualität – Fehlerhafte und inkonsistente Daten sind die Norm, nicht die Ausnahme.
- Rechtliche und ethische Fragen – In Europa gelten DSGVO und seit 2024 der EU AI Act mit klaren Grenzen.
- Change Management – KI verändert Prozesse und Tätigkeiten. Menschen müssen mitgenommen werden.
- ROI messen – Zu Beginn ist der Nutzen kaum exakt bezifferbar. Kontrollgruppen helfen weiter.
- Abteilungsübergreifende Zusammenarbeit – Wo mehrere Teams involviert sind, entstehen Reibungsverluste.
- Tool-Hype – Viele Unternehmen kaufen teure Softwarepakete, bevor sie überhaupt wissen, welches Problem sie lösen wollen.
Jetzt das ganze Webinar von Dr. Michael Kollegger ansehen!
Zum WebinarDer richtige Einstieg: Proof of Concept in 5 Schritten
Wer mit KI starten will, sollte nicht mit der Technologie beginnen, sondern mit dem Problem. Die bewährteste Methode ist ein strukturierter Proof of Concept (PoC) – durchführbar in 10 bis 15 Tagen.
Schritt 1: Die betriebswirtschaftliche Fragestellung finden – Wo tut es im Unternehmen weh? Was kostet Geld, Zeit oder Kunden? Ein klassisches Beispiel: Kundenabwanderung im Handel – welche Kunden sind gefährdet, und wie kann man sie halten?
Schritt 2: Daten sammeln und analysieren – Welche Daten gibt es intern (Transaktionsdaten, Kundendaten, Maschinendaten)? Welche externen Quellen sind relevant (Wetter, Feiertage, wirtschaftliche Indikatoren)? Dieser Schritt nimmt den Großteil der Zeit in Anspruch – und deckt fast immer überraschende Datenprobleme auf.
Schritt 3: Modellierung – Jetzt kommen die Algorithmen zum Einsatz. Das Ziel wird definiert, das Modell trainiert und optimiert.
Schritt 4: Deployment – Wo läuft das Modell in der bestehenden IT-Infrastruktur? Wo werden die Ergebnisse ausgespielt – zum Beispiel direkt ins CRM, damit das Marketing sofort reagieren kann?
Schritt 5: Auswirkungen auf das Unternehmen – Welche Prozesse und Abteilungen sind betroffen? Was braucht es im Change Management, damit die Lösung wirklich gelebt wird?
“KI ist kein Wundermittel – sondern eine Sammlung von Werkzeugen, die, richtig eingesetzt, echten Mehrwert schaffen können.”
Die 5 wichtigsten Learnings
- ChatGPT & Co. sind nur ein kleiner Teil des KI-Spektrums – klassisches Machine Learning dominiert die reale Anwendung.
- KI bedeutet nicht „eine Lösung für alles“ – sondern spezifische Lösungen für spezifische Probleme.
- Der größte Hebel liegt in klar definierten Anwendungsfällen, nicht in der Technologie selbst.
- Datenqualität und Domain Knowledge sind entscheidender als jedes Tool.
- KI schafft echten Mehrwert – aber erst nach der richtigen Vorbereitung.