DIgilife - stock.adobe.com
Trustworthy AI und ROI: KI-Projekte wirtschaftlich umsetzen
Bei KI zählt nicht mehr Dabeisein um jeden Preis, sondern der Mehrwert. Unternehmen müssen ihre Investitionen rechtfertigen. Ein Faktor ist die Vertrauenswürdigkeit der Technologie.
Unternehmen, die Trustworthy AI priorisieren, haben eine um 60 Prozent höhere Wahrscheinlichkeit, dass KI-Projekte profitabel sind. Dies hat eine globale IDC-Studie ergeben, die im Auftrag von SAS durchgeführt wurde. Die Erhebung gibt zudem Einblick in ein Vertrauensdilemma rund um KI: Unternehmen weltweit vertrauen im Durchschnitt den noch recht jungen Technologien wie generative KI wesentlich mehr als traditioneller, etablierter KI (beispielsweise Machine Learning). Und das, obwohl diese vom deterministischen Aufbau (klar definiert) und von der Struktur (logisch) her eigentlich vertrauenswürdiger ist als eine probabilistische Blackbox wie ChatGPT, Gemini und Co.
Die Antworten der rund 2.400 Experten aus IT- und Fachabteilungen, die weltweit befragt wurden, zeigen eine große Diskrepanz zwischen Bauchgefühl und Realität: Obwohl 78 Prozent von ihnen angeben, KI vollkommen zu vertrauen, haben erst 40 Prozent in KI-Governance, Erklärbarkeit und ethische Vorgaben investiert, die dieses Vertrauen rechtfertigen.
KI ohne Gießkanne
Diese Unbesonnenheit zeigt sich auch im konkreten Einsatz: Viele Unternehmen wenden KI blind auf Fälle an, für die sie nicht geeignet ist. Nachdem Milliarden an Investitionen in LLM-Anwendungen ins Leere gelaufen sind, fragen CFOs nach dem realen ROI – und die wenigsten Generative-AI-Projekte haben etwas Handfestes vorzuweisen. Das Siegel KI-Innovation, das bisher fast jedes Budget rechtfertigte, wird konkreten Fragen nach Kosten pro Abfrage, Trefferquoten und messbaren Geschäftsergebnissen weichen.
Für eine erfolgreiche Transformation ist es daher wichtig, dass Menschen und Unternehmen gezielt analysieren, wo KI in ihrer Branche wertschöpfend ist und wo nicht. Doch unter welchen Bedingungen bringt KI tatsächlich einen geschäftlichen Mehrwert, und auf welche Trends müssen sich Unternehmen dabei einstellen?
Innovation geht nur mit vertrauenswürdiger KI
2026 bilden Innovation und Vertrauen keinen Widerspruch mehr – sie sollten sich ergänzen. Solange es keine konsistente KI-Regulierung von staatlicher Seite gibt, müssen Unternehmen selbst Leitplanken etablieren, die einen verantwortungsvollen KI-Einsatz sicherstellen. Letztlich wird es nicht darauf ankommen, wer zuerst KI implementiert, sondern wer die strategische Bedeutung eines Rahmenwerks zur Kontrolle anerkennt – und dies nicht als Hemmschuh für Innovation ansieht.
Tipps für den erfolgreichen Business Use Cases mit KI
- Prozess auswählen, den man kennt (denn nur so entsteht eine Bewertungsgrundlage)
- Produktionsreife einplanen und sich nicht auf isolierte Piloten beschränken
- Mitarbeiter von vornherein mitnehmen und entsprechend ausbilden, um größtmögliche Akzeptanz zu schaffen
- agile Methoden/Prozesse/Denken einsetzen, die schnelle Erkenntnisse bringen, ob das Vorgehen in Sachen KI zielführend ist
Gerade die Demokratisierung nach dem Motto „KI für alle“ bringt mehr potenzielle Anwendungsfälle und damit höhere Anforderungen an Governance mit sich. Das zieht auch signifikante Veränderungen für die Unternehmensführung nach sich.
Sustainable Leadership als Geschäftstugend
Moderne KI-Führung bewegt sich in einem auf den ersten Blick unauflösbaren Paradox: der Druck, schnell reagieren, sich anpassen, entscheiden zu müssen, versus die Verantwortung, nachhaltige und sichere Systeme aufzubauen. Die kurze Antwort drauf: Es geht nicht um die Entscheidung Geschwindigkeit oder Kontrolle – es geht darum, beides unter einen Hut zu bringen.
Eine der wichtigsten Anforderungen an AI Leadership ist, die Zyklen aus Hype, Korrektur und Reife gekonnt zu navigieren. Oft behandeln Führungskräfte jede Welle als Neustart: neue Tools, Teams, Strategien. Ein besserer Ansatz ist, diese als Iteration einer längerfristigen Entwicklung zu begreifen, bei der Funktionalitäten und Fähigkeiten aufeinander aufbauen und sich ergänzen – nicht ablösen und ersetzen. Auf dieser Grundlage kann eine Organisation lernen, sich anzupassen und Kohärenz über verschiedene Phasen des Wandels zu bewahren.
Zudem reicht es nicht, Systeme zu bauen; es gilt, die Verantwortung für diese zu übernehmen. Die Frage lautet also weniger „Können wir dieses Modell bauen?“ als „Sollten wir automatischen Entscheidungen des Modells in großem Maßstab vertrauen?“. Dieser Ansatz erfordert neue operative Modelle, Governance-Strukturen und vor allem: ein neues Mindset. Ziel ist es nicht, die Performance zu optimieren, sondern maximale Resilienz aufzubauen. Erfolgreich setzen diesen Wandel diejenigen Unternehmen um, die Verantwortung früh mitdenken und einbetten, bevor die Skalierung Schwächen aufzeigt, die im Nachhinein kostspielig zu korrigieren sind.
Modelle mit Halbwertszeit
Oft wird übersehen, dass performante Modelle im Laufe der Zeit an Qualität verlieren. Kundenverhalten ändert sich, Betrugsmuster entwickeln sich weiter, wirtschaftliche Bedingungen wechseln: Für die nachlassende Zuverlässigkeit eines prädiktiven Systems gibt es viele Gründe. Statt als statisches Asset ist ein Modell stets als lebendes System zu begreifen. Ein nachhaltiger Ansatz baut daher das Monitoring im Hinblick auf die Zuverlässigkeit der Modelle von vornherein in deren Lebenszyklus ein. Das umfasst Feedbackschleifen, Strategien für das Umtrainieren und einen Gesamtüberblick über die operativen Abläufe.
Schnelle Innovation muss nicht zwangsläufig zu geschäftlichem Erfolg führen, wenn entscheidende Randbedingungen nicht erfüllt sind. Erfolg bemisst sich bei KI-Projekten nicht an der Anzahl produktiver Modelle oder deren Performance, sondern an der Qualität der Entscheidungen, zu denen ein Modell beiträgt.
Die drei Phasen bei KI-Projekten
KI-Verantwortliche verfolgen ganz unterschiedliche Ziele – je nachdem, in welchem zeitlichen Abschnitt sich das KI-Projekt gerade befindet. Kurzfristig geht es darum, schnell Funktionalitäten zu schaffen: Was können wir heute bauen, implementieren und vorzeigen? Mittelfristig steht die Zuverlässigkeit der Systeme im Vordergrund. Hier kommen Governance, Monitoring und operative Kontrolle ins Spiel. Langfristig zählt Vertrauen: Wie werden die Systeme wahrgenommen, reguliert und in die Organisation integriert?
„Nachhaltige KI-Führung begreift die Notwendigkeit, Anpassungen vorzunehmen, als Chance, die Basis zu stärken, Wertschöpfung sicherzustellen und Best Practices zu etablieren, die den Hype Cycle überdauern.“
Sascha Schubert, SAS
Während sich die meisten Unternehmen auf die erste Phase konzentrieren, ist das Alignment zwischen allen Dreien entscheidend für nachhaltiges KI-Management. Denn Entscheidungen, die heute in Bezug auf Daten, Governance und Transparenz getroffen werden, bestimmen nicht nur die aktuelle Performance, sondern die zukünftige Legitimität des KI-Einsatzes.
Korrekturen sind keine Schwäche, sondern eine Chance
Nachhaltige KI-Führung begreift die Notwendigkeit, Anpassungen vorzunehmen, als Chance, die Basis zu stärken, Wertschöpfung sicherzustellen und Best Practices zu etablieren, die den Hype Cycle überdauern. Das setzt voraus, strenger nachzufragen, stärker zu priorisieren und sich auf weniger, dafür vielversprechende Anwendungsfälle zu fokussieren. Und in die weniger sichtbaren, aber geschäftskritischen Aspekte von KI zu investieren: Governance, Datenqualität und operative Resilienz.
Fazit
Die KI-Entwicklung und die Anpassungen, die sie fordert, werden sich nicht verlangsamen. Es geht also nicht darum, ob, sondern wie Unternehmen mit diesen Technologien Schritt halten können. Im Vordergrund steht die Aufgabe, bei aller Veränderung die Kohärenz aufrechtzuerhalten. Das bedeutet, Systeme und Organisationsstrukturen aufzubauen, die Innovation aufnehmen können, ohne die Kontrolle zu verlieren.
Verantwortung statt Geschwindigkeit, Dauerhaftigkeit statt schnelle Implementierung, langfristige Wertschöpfung statt Quick Wins: Wer KI-Einführung auf lange Sicht betreibt, läuft nicht Gefahr, den Zug zu verpassen, sondern stellt sicher, dass der Zug in die richtige Richtung fährt. Und gewährleistet damit eine stabile, bewusste und letztlich wirksamere Nutzung von KI.
Über den Autor:
Sascha Schubert führt das EMEA Cloud, Data and AI Team in der Global Technology Practice bei SAS. Der Fokus seiner Tätigkeit liegt darauf, Innovationen im Bereich Analytics und künstliche Intelligenz in Strategien für die Optimierung von Geschäftsprozessen zu übertragen. Schubert hat in seinen mehr als 25 Jahren bei SAS zahlreiche Projekte umgesetzt, die Unternehmen mit Machine Learning und KI geholfen haben, effektiver und wettbewerbsfähiger zu werden.
Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.
