Artefact Wert nach Data

Warum scheitern KI-Pilotprojekte und wie lässt sich ein KI-orientiertes Unternehmen aufbauen?

Die meisten KI-Pilotprojekte in Unternehmen kommen ins Stocken, weil diese neue Technologien in Organisationsstrukturen einbinden, die ausschließlich für Menschen konzipiert wurden. In diesem Interview erläutert Victor Coimbra, CTO von Artefact, wie Teams im Hinblick auf eine hybride Belegschaft neu gestaltet werden können, warum Unternehmen ihren institutionellen Kontext selbst gestalten müssen, während sie Modelle nur mieten, und wie die Arbeit zwischen autonomen Agenten und menschlicher Kreativität aufgeteilt werden sollte.

Brasilianischer CMN-Beschluss Nr. 4.966 (IFRS 9): Unterscheidet Ihr Modell zwischen verschiedenen Risiken oder ermittelt es lediglich den richtigen Durchschnittswert?

Bei jüngsten Projekten mit brasilianischen Finanzinstituten stießen wir auf Modelle, die zwar vernünftige Gesamtschätzungen lieferten, jedoch Schwierigkeiten hatten, Kredite mit höherem Risiko von solchen mit geringerem Risiko zu unterscheiden. In einem Fall identifizierte eine Regel zwar 80 % der zukünftigen Zahlungsausfälle, stufte jedoch auch 73 % der Kunden, die ihre Zahlungen weiterhin pünktlich leisten würden, als problematisch ein. In einem anderen Fall lag die Korrelation zwischen prognostizierter und realisierter LGD praktisch bei Null, was darauf hindeutet, dass das Modell Kredite kaum nach ihrem Risiko einstufen konnte.

Teil 3 – Das Betriebsmodell: Vor Ort eingesetzte Teams im Gebäude

In Teil 1 haben wir aufgezeigt, wie die Einführung von Unternehmens-KI bei 14% ins Stocken gerät, wenn sie als SaaS erworben wird. In Teil 2 haben wir die vier Funktionen der Implementierungsebene (Deploy, Ground, Adopt, Build) dargestellt und erläutert, warum die Verankerung dem Training vorausgehen muss. In Teil 3 stellen wir die operative Struktur vor, die erforderlich ist, um den Erfolg nachhaltig zu sichern: eingebettete Teams, in denen Strategen und Ingenieure zusammenarbeiten, das Chaos, das ohne sie entsteht, sowie den Praxistest aus dem Fall „Chancerygate“.

Teil 2 – Der Leitfaden: Einführen, verankern, umsetzen, ausbauen

In Teil 1 haben wir untersucht, warum die Einführung von KI in Unternehmen bei einer Akzeptanzrate von 14% ins Stocken gerät, wenn sie wie eine gewöhnliche Softwarebeschaffung behandelt wird. Der Wert von „Frontier AI“ liegt in der Distanz zwischen dem Modell und dem Unternehmen data. In Teil 2 skizzieren wir die vier strukturellen Komponenten der Deployment-Ebene: „Deploy“ (Governance), „Ground“ (MCP & Geschäftsregeln), „Adopt“ (Training im Live-Betrieb data) und „Build“ (Produktionsagenten). Am Beispiel von Bora Brasil zeigen wir, warum die „Ground“-Phase stets dem Training vorausgehen muss.

Teil 1 – Die 14%-Falle: Warum die KI-Einführung in Unternehmen nach der Unterzeichnung des Lizenzvertrags ins Stocken gerät

Wenn Unternehmen innovative KI-Modelle wie Claude oder ChatGPT einführen, stagniert die wöchentliche aktive Nutzung regelmäßig bei etwa 14% und beschränkt sich auf das einfache Umschreiben von E-Mails, während aufwendige manuelle Arbeitsschritte unberührt bleiben. Der Versuch, modernste KI wie herkömmliche SaaS-Lösungen zu beschaffen, scheitert, da der Mehrwert nicht im Modell selbst liegt – er liegt vielmehr in der Kluft zwischen dem Modell und den internen data, Berechtigungen sowie den täglichen Arbeitsabläufen des Unternehmens. Der Wert unterliegt einer einfachen Rechnung: Wert = Modell × Bereitstellung × Ebene. Ohne diese Lücke zu schließen, verfügt ein Unternehmen nicht über KI-Fähigkeiten; es hat lediglich ein Abonnement.

Architekturkonzept: Implementierung einer Enterprise-Intelligence-Ebene für Pipelines im Bereich der dialogorientierten KI

Die Skalierung von dialogorientierter KI über erste Pilotprojekte hinaus erfordert mehr als nur probabilistische Informationsgewinnung – sie erfordert einen geregelten geschäftlichen Kontext. Erfahren Sie in diesem Architekturentwurf, wie Artefact und Starburst eine „Enterprise Intelligence Layer“ aufbauen, die unterschiedliche data-Systeme zu zertifizierten, KI-fähigen data-Produkten zusammenführt. Durch die Trennung der rohen data-Abfrage von der Geschäftslogik schafft dieses Framework eine deterministische, überprüfbare Steuerungsebene, die sicherstellt, dass Dialogagenten präzise, nachvollziehbare und rechtskonforme Ergebnisse liefern.

Wir optimieren den Arbeitsablauf, nicht die Marge

Die meisten Versicherer haben ihre KI-Programme auf die Kostenquote ausgerichtet. Ich schlage vor, dass sie sich stattdessen auf die Schadenquote konzentrieren sollten. Zwei Gespräche in den letzten zwei Wochen haben mich zu dieser Erkenntnis geführt. Am 17. September moderierte ich in London einen Roundtable zum Thema „Disruption durch KI im Bereich Risikoprüfung und Schadenabwicklung“, an dem COOs, Leiter der Bereiche Customer Journey und Data sowie Verantwortliche für die KI-Transformation von mehreren der größten britischen Versicherer und Makler teilnahmen. Letzte Woche nahm ich an einer INSEAD-Podiumsdiskussion zum Thema Versicherungen teil, und eine völlig andere Gruppe brachte mich zu einer ähnlichen Schlussfolgerung...

KI-ROI: Wie Finanzvorstände den Einsatz von KI diszipliniert genehmigen können – vom Pilotprojekt bis zur flächendeckenden Einführung

Jedes Unternehmen, das Mittel für artificial intelligence bewilligt, geht dasselbe Risiko ein: Es feiert ein technisch einwandfreies Pilotprojekt, das jedoch keinerlei Auswirkungen auf die Gewinn- und Verlustrechnung hat. Das Problem besteht nicht darin, zu hohe Mittel zu bewilligen. Das Problem ist vielmehr, dass die falschen Kennzahlen gemessen werden: Nutzung, Genauigkeit und Akzeptanz anstelle der finanziellen Ergebnisse.

Europa, China, USA: Drei unterschiedliche KI-Wettläufe auf derselben Strecke

Die Internationale Föderation für Robotik zählte im Jahr 2024 weltweit 542.000 Installationen von Industrierobotern. Davon entfielen 295.000 auf China, also mehr als die Hälfte. In Europa wurden etwa 85.000 und in den Vereinigten Staaten 34.200 installiert. Das Land, dessen Spitzenmodelle in der Regel an der Spitze der Vergleichswertlisten stehen, belegt den letzten Platz.

Nach oben