REGENSBURG / LONDON (IT BOLTWISE) – Eine aktuelle Untersuchung unter Führungskräften zeigt: Fast die Hälfte gescheiterter KI-Vorhaben scheitert nicht an der Modellgüte, sondern an fehlender Abstimmung zwischen IT, Fachbereichen und Compliance. Gleichzeitig demonstriert ein Praxistest an der OTH Regensburg, dass KI-Chatbots bei komplexen Fällen ohne Rückfragen schnell falsche Ergebnisse liefern. Parallel treiben KI-Agenten die Automatisierung von Routineprozessen voran, etwa durch Systeme auf Basis von Gemini 3.5. Für Unternehmen bedeutet das: Ohne klare Verantwortlichkeiten, saubere Integrationen und robuste Sicherheitsleitplanken bleibt der Nutzen hinter den Erwartungen zurück.
Die Debatte um Künstliche Intelligenz im Unternehmen verlagert sich spürbar: In vielen Organisationen geht es weniger um das „richtige“ Modell, sondern um die Frage, wie Teams Entscheidungen treffen, Risiken bewerten und Integrationen zuverlässig betreiben. Eine aktuelle Erhebung unter deutschen Führungskräften legt dabei einen harten Schwerpunkt auf ein Organisationsproblem: 49 Prozent der als gescheitert beschriebenen KI-Projekte sollen vor allem an mangelnder Abstimmung zwischen IT, Fachabteilungen und Compliance liegen. Das ist deshalb so brisant, weil „KI-ready“ nicht nur datengetrieben ist, sondern auch prozess- und kontrollgetrieben.
Ein Blick auf praktische Tests unterstreicht den Zusammenhang aus Governance und fachlicher Qualität. An der OTH Regensburg wurde ein Chatbot-Verhalten untersucht, das bei Standardfragen zunächst überzeugend wirkt, bei kniffligen Sachverhalten jedoch ohne gezieltes Nachfragen falsche Antworten produziert. Für Unternehmen heißt das: selbst wenn ein System statistisch plausibel formuliert, bleibt die fachliche Richtigkeit bei hoher Komplexität anfällig. Besonders kritisch wird dies in Domänen wie Steuerprüfung oder rechtlich geprägten Workflows, wo fehlende Rückfragen und unklare Annahmen unmittelbar zu Compliance-Risiken führen können.
Technisch betrachtet scheitern viele Vorhaben an der Kette zwischen Modell und Betrieb: von Datenzugang über Prompt- und Tool-Orchestrierung bis hin zur Ausspielung in Fachprozessen. Laut Branchenbild ringen 95 Prozent der Pilotprojekte mit generativer KI mit Integrationsproblemen; parallel sehen nur wenige Unternehmen ihre Datenlandschaft als ausreichend vorbereitet an. Häufige Ursachen sind nicht nur technische Hürden, sondern auch fehlende Entscheidungsrechte: Wer definiert Qualitätskriterien, wer genehmigt Freigaben, wer trägt Verantwortung für Modell-Outputs? In reifen Setups wird dafür eine flexible Architektur gewählt, die unterschiedliche Komponenten austauschbar macht.
Ein sinnvoller Vergleich ist der zwischen Cloud-nativen Ansätzen und stärker „on-device“ bzw. kontrollierten Umgebungen: Während Cloud-native Deployments meist schneller starten, steigen die Anforderungen an Identitätsmanagement, Netzwerksegmentierung und Logging. Umgekehrt erlauben stärker isolierte Betriebsmodelle mehr Kontrolle über Datenflüsse, können aber Entwicklungs- und Wartungsaufwand erhöhen. Unabhängig vom Zielbetriebskonzept benötigen Enterprises ein sauberes Monitoring, das nicht nur Latenz oder Kosten betrachtet, sondern auch fachliche Drift und Sicherheitsereignisse. Gerade bei agentischen Systemen, die Aktionen ausführen, muss die Pipeline so gestaltet sein, dass die Kontrolle über Tools, Berechtigungen und Verantwortlichkeiten nicht „nebenher“ verloren geht.
Der Markt liefert parallel neue Impulse, die den Druck auf Organisationen erhöhen: In den USA wird ein KI-Agent auf Basis von Gemini 3.5 in den Produktivbetrieb überführt, der Kreditkartenabrechnungen analysiert, aus E-Mails Tagesübersichten ableitet und Termine plant. Erste Nutzer berichten über konkrete Entlastung bei der digitalen Organisation, etwa beim Zusammenfassen von Newslettern oder beim Verfolgen von Preisen. Gleichzeitig zeigen sich typische Einschränkungen: unregelmäßige Intervalle bei Preisprüfungen und fehleranfällige Verlinkungen. Aus Wettbewerbssicht ist das relevant, weil sich „Zeitersparnis“ schnell zu einem Einkaufsargument entwickelt—doch falsche Aktionen oder inkonsistente Daten können die Akzeptanz dauerhaft beschädigen.
In diesem Kontext lohnt der Blick auf etablierte Konkurrenten und deren Strategien. Microsoft positioniert KI-Assistenz bereits stark über Copilot in Unternehmensumgebungen und betont dabei Integrationen in Office, Identitäten und Compliance-Features; Google treibt mit Gemini ebenfalls Tools und agentische Workflows voran; OpenAI adressiert mit Modellen und Agenten-orientierten Schnittstellen vor allem die Entwicklerseite. Für Fachbereiche entsteht dadurch eine Erwartungshaltung: „KI macht das doch automatisch.“ Unternehmen müssen jedoch klar kommunizieren, wie Entscheidungswege aussehen, welche Outputs geprüft werden und welche Prozesse weiterhin menschliche Freigaben benötigen. Genau hier greifen die in der Studie genannten Erfolgsfaktoren: klare Entscheidungsrechte, flexible Architektur und die Einbindung der Endnutzer.
Besonders deutlich wird der Praxisunterschied in Branchen, in denen Personal- und Kostenstrukturen stark variieren. In der Textilbranche treten dabei zwei oft gegensätzliche Strategien sichtbar zutage: Freelancer nutzen KI teilweise, um schneller zu produzieren, was in Einzelfällen sogar mit Einkommensrückgängen verbunden ist; traditionsreiche Unternehmen setzen eher auf Integration ohne Personalabbau, um bestehende Prozesse zu unterstützen. Diese Spannungsfelder sind mehr als Soziologie: Sie betreffen Skalierung, Änderungsmanagement und die Frage, ob KI-Kompetenzen im Team verankert werden. Wer Endnutzer erst spät einbindet, produziert häufig „Nice-to-have“-Prototypen statt messbarer Produktivitätsgewinne.
Für die Zukunft ergibt sich eine klare Entwicklungsrichtung: Agentische KI wird weiter Routineaufgaben übernehmen, aber die Qualitätssicherung wird zum zentralen Wettbewerbsvorteil. Unternehmen sollten deshalb nicht nur in Modelle investieren, sondern in Governance-Mechanismen: Rollenmodelle, Freigabeprozesse, nachvollziehbare Logs und Sicherheitskonzepte, die auch bei Tool-Aufrufen und Datenweitergaben greifen. Zusätzlich wird die Frage der Datenverarbeitung regulatorisch sensibler: Je enger KI in operative Systeme integriert ist, desto wichtiger sind Datenschutzkonzepte, transparente Dokumentation und ein Risikomanagement, das sich an den tatsächlichen Use Cases orientiert. Wer das jetzt strukturiert, kann Pilotprojekte schneller industrialisieren und die Akzeptanz im Betrieb nachhaltig erhöhen.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-Projekte scheitern oft an fehlender Abstimmung zwischen Teams" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-Projekte scheitern oft an fehlender Abstimmung zwischen Teams" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-Projekte scheitern oft an fehlender Abstimmung zwischen Teams« bei Google Deutschland suchen, bei Bing oder Google News!