KI funktioniert in Demos. Warum sie in Ihrem Unternehmen scheitert.

Vor ein paar Wochen hat Harry Zumaque, der die KI-Strategie bei LANXESS leitet, einen pointierten Beitrag darüber veröffentlicht, was Silicon Valley an der Chemieindustrie nicht versteht. Etwa zur gleichen Zeit schrieb Dennis Hublitz bei Azelis über die Hürden der digitalen Transformation, die er bereits 2018 kartiert hatte - und was sich seitdem verändert hat.

Beide kamen zum selben Schluss: Das Schwierige an KI war nie die Technologie.

Ich denke viel darüber nach, weil ich es aus einem anderen Blickwinkel sehe. Ich arbeite nicht in einem einzigen Unternehmen. Ich arbeite gleichzeitig in mehreren Branchen. Als fraktionaler CCO für Biotech- und Chemieunternehmen verantworte ich die kommerzielle Seite. Über opencream.ai entwickle und betreibe ich maßgeschneiderte KI-Lösungen für kleine und mittelständische B2B-Unternehmen - darunter Rohstoff-Startups, Biotech-Ventures und aktuell ein Schadensregulierungsunternehmen. Für größere Unternehmen in der Chemieindustrie arbeite ich mit Kimia.ai zusammen, die eine spezialisierte Lösung für diese Größenordnung bieten.

Überall die gleiche Lücke. Die KI funktioniert. Die Implementierung nicht.

Die Menschen sind nicht das Problem. Die Art, wie Silicon Valley über KI spricht, hat fast nichts damit zu tun, wie KI tatsächlich Wert im B2B-Bereich schafft.

Das Demo-Problem

Jede Woche sehe ich eine neue KI-Demo, die unglaublich aussieht. Eine App in vier Stunden bauen. Eine komplette Marketingstrategie in zehn Minuten generieren. Tausend Dokumente in Sekunden analysieren.

Und jede Woche sitze ich mit B2B-Unternehmen zusammen, bei denen davon nichts ankommt.

Nicht weil die KI die Arbeit nicht leisten kann. Das kann sie. Aber weil in ihrer Welt das Ergebnis nicht in einen Browser geht. Es geht in eine behördliche Einreichung, durch einen Kundenqualifizierungsprozess, vorbei an einem Einkaufsteam, das seit 15 Jahren alles genauso macht, und in eine Geschäftsbeziehung, deren Aufbau ein Jahrzehnt gedauert hat.

Kimia.ai, mit denen ich für größere Chemieunternehmen zusammenarbeite, hat kürzlich eine Geschichte geteilt, die mir nicht mehr aus dem Kopf geht. Ein europäischer Chemiedistributor - 400 Millionen Euro Umsatz - hat einen sechsstelligen Betrag für einen KI-Chatbot für sein Vertriebsteam ausgegeben. Die Technologie funktionierte einwandfrei. Niemand nutzte sie. Weil die Vertriebsmitarbeiter keine strukturierten Anfragen stellen. Sie fragen: "Was soll ich empfehlen?" Und diese Frage zu beantworten erfordert, Chemie, Regulierung, Kundenhistorie und kaufmännisches Urteilsvermögen gleichzeitig zu kombinieren.

Ein Biotech-Inhaltsstoffunternehmen, das ich als fraktionaler CCO betreue, hatte eine ähnliche Erfahrung. Sie kauften ein KI-Tool für Marktanalysen. Beeindruckende Ergebnisse. Aber niemand vertraute den Daten, weil das Tool die Beziehungsdynamiken nicht berücksichtigen konnte, die 80% ihrer Verkaufsentscheidungen bestimmen.

Ein Freund von mir, ein leitender Manager bei einem sehr großen deutschen Konzern, erzählte mir, dass sie jetzt messen, wie oft Mitarbeiter ihr internes KI-Tool nutzen. Im Grunde erzwungene Adoption über Dashboard-Kennzahlen. Aber zu messen "wie oft hast du das Tool geöffnet" sagt nichts darüber aus, ob jemand echten Mehrwert daraus gezogen hat. Das ist wie Umsatzwachstum daran zu messen, wie viele Besuchsberichte die Vertriebler ins CRM eintragen. Aktivitätskennzahlen ohne Ergebniskennzahlen. Die klassische Kausalitätsfalle.

Verschiedene Branchen, verschiedene Details. Aber dasselbe Muster: Die KI funktioniert, die Menschen nutzen sie entweder nicht oder nutzen sie, ohne echten Mehrwert zu erzielen.

"Fang einfach an, KI zu nutzen" ist gefährlicher Rat

Der häufigste Ratschlag in der KI-Welt lautet derzeit: Experimentiere. Verbringe eine Stunde am Tag damit. Fang einfach an.

Das ist in Ordnung für Einzelpersonen, die in ihrer Freizeit lernen. Für Unternehmen ist es gefährlich.

Wenn ein Tech-Startup KI schlecht einführt, liefern sie ein fehlerhaftes Feature aus und rollen es zurück. Wenn ein Chemieunternehmen KI schlecht einführt, bekommen sie einen Compliance-Verstoß. Wenn ein Biotech-Unternehmen es falsch macht, beschädigen sie eine Kundenbeziehung, deren Aufbau Jahre gedauert hat.

Die Risiken sind andere. Der Ansatz muss es auch sein.

Ich habe Unternehmen dabei beobachtet, wie sie nach viralen KI-Posts in Panik geraten und Geld in "KI-Initiativen" stecken, ohne die grundlegenden Fragen zuerst zu beantworten. Wer ist verantwortlich, wenn die KI eine falsche Empfehlung gibt? Wie passt das in Systeme, die vor zehn Jahren aufgesetzt wurden? Verbessert dieser Anwendungsfall tatsächlich das Ergebnis, oder sieht er nur gut in einer Vorstandspräsentation aus?

Jedes gescheiterte KI-Projekt macht das nächste schwieriger. Das Team wird skeptisch. Das Management zieht sich zurück. Und das Zeitfenster, tatsächlich Wert zu schaffen, wird immer kleiner.

Was tatsächlich funktioniert (in jeder Branche, die ich gesehen habe)

Nach der Implementierung von KI in Chemie, Biotech, Rohstoffen und Schadensregulierung sehe ich immer wieder dieselben Muster, die Erfolg von Misserfolg trennen.

Beginnen Sie mit der Entscheidung, nicht mit der Technologie. Welche konkrete Entscheidung kostet Sie am meisten, wenn sie falsch ist? Für einen Rohstofflieferanten könnten es Produktempfehlungen sein. Für einen Schadensgutachter ist es die Schadensklassifizierung. Für ein Biotech-Unternehmen ist es die Vorbereitung auf Meetings in langen Vertriebszyklen. Bauen Sie KI um diese eine Entscheidung herum. Nicht um alles.

Kartieren Sie den tatsächlichen Entscheidungsfluss, bevor Sie irgendetwas bauen. Die meisten Unternehmen überspringen diesen Schritt. Sie kaufen das KI-Tool, bevor sie verstehen, wie ihre Mitarbeiter tatsächlich Entscheidungen treffen. Dann wundern sie sich, warum niemand es nutzt. Die KI muss in den bestehenden Workflow passen, nicht ihn am ersten Tag ersetzen.

Lassen Sie Menschen verifizieren, bevor Sie automatisieren. Das ist der Punkt, der bei unseren Implementierungen alles verändert hat. Wir machen das gerade bei einem Schadensregulierungsunternehmen bei opencream.ai. Die KI analysiert Schadensfotos und erstellt Berichte. Sie könnte vom ersten Tag an vollautomatisch laufen - die Technologie ist da.

Aber das haben wir nicht gemacht. Bewusst haben wir damit begonnen, dass jeder Hauptschritt eine manuelle Bestätigung erfordert. Der Gutachter sieht, was die KI entschieden hat, prüft es gegen sein Expertenwissen und bestätigt. Er bleibt am Steuer.

Nach 10 bis 15 korrekten Bestätigungen bei der gleichen Art von Aufgabe wird dieser Schritt automatisch. Es gibt einen visuellen Zähler, damit sie sehen können, wie das Vertrauen in Echtzeit wächst. Wenn die KI in diesen ersten Runden etwas falsch macht, korrigieren wir es gemeinsam. Der Gutachter trainiert das System.

Könnten wir das überspringen und schneller sein? Absolut. Aber das Ergebnis ist völlig anders. Das Team hat nicht das Gefühl, dass KI über sie verhängt wurde. Sie haben das Gefühl, sie selbst trainiert zu haben. Sie bleiben die Experten. Die KI wird nur schneller darin, das zu tun, was sie bereits genehmigt haben.

Dieses emotionale Stück - das Gefühl, am Steuer zu sitzen - ist das, was die 5% der KI-Implementierungen, die Bestand haben, von den 95% trennt, die aufgegeben werden.

Unterscheiden Sie zwischen dem, was einen Copiloten braucht, und dem, was bereit für den Autopiloten ist. Nicht jeder Prozess ist bereit für volle Automatisierung. Manche Aufgaben brauchen einen Menschen, der KI-Vorschläge überprüft (Copilot). Andere können nach der Vertrauensaufbauphase selbständig laufen (Autopilot). Die Reife Ihrer Daten, das Risikoniveau der Entscheidung und das Komfortniveau Ihres Teams bestimmen, in welcher Phase eine Aufgabe ist. Das in eine der beiden Richtungen falsch einzuschätzen, tötet die Adoption.

Das Expertise-Zeitfenster schließt sich

Es gibt hier eine Dringlichkeit, die die meisten Unternehmen unterschätzen.

Die besten Leute in diesen Organisationen - diejenigen mit 20 oder 30 Jahren Fachwissen - nähern sich dem Ruhestand. In der Chemie, in der Biotech, in der Spezialproduktion. Der Vertriebsleiter, der die Eigenheiten jedes Kunden kennt. Der Formulierer, der Probleme instinktiv lösen kann. Der Schadensgutachter, der Betrugsmuster erkennt, die sonst niemand sieht.

Dieses Wissen geht jedes Jahr ein Stück mehr zur Tür hinaus.

Unternehmen, die einen Weg finden, diese Expertise zu erfassen und in ihre KI-Systeme einzubauen, werden einen Vorsprung aufbauen, der schwer einzuholen ist. Unternehmen, die warten, werden institutionelles Wissen verlieren, das sie nie wieder aufbauen können.

Deshalb habe ich ein agentisches CRM für B2B-Rohstoff-Startups gebaut. Kleine Teams von 5 bis 15 Personen, die Spezialinhaltsstoffe in Vertriebszyklen von 12 bis 24 Monaten verkaufen. Sie brauchen ein System, das erfasst, was ihre besten Leute wissen, und es allen zugänglich macht. Nicht durch einen Chatbot, der Dokumente durchsucht, sondern durch KI, die tatsächlich erinnert und schlussfolgert.

Und deshalb ist unsere Partnerschaft mit Kimia.ai für größere Chemiedistributoren und -hersteller wichtig. Gleiches Kernproblem, andere Größenordnung. Die Wissenslücke kennt keine Unternehmensgröße.

Der Weg nach vorn

Silicon Valleys Vision von KI ist nicht falsch. Wahrscheinlich wird jedes Unternehmen irgendwann KI-Agenten haben, die Teile seiner Abläufe übernehmen. Zuckerberg spricht von mehr KI-Agenten als Menschen auf der Welt. Diese Zukunft kommt.

Aber der Weg von hier nach dort führt nicht über "experimentier einfach." Er führt durch Ihre spezifische organisatorische Realität.

Ihre Compliance-Anforderungen, Ihre Altsysteme, das Komfortniveau Ihres Teams und die Kundenbeziehungen, die Sie über Jahrzehnte aufgebaut haben.

Die Unternehmen, die KI richtig hinbekommen, werden nicht die schnellsten Anwender sein. Es werden die sein, die die Einführung intelligent sequenzieren - beginnend mit einer wertschöpfenden Entscheidung, Vertrauen durch menschliche Verifikation aufbauend und schrittweise erweiternd, während die Organisation jeden Schritt absorbiert.

Das ist weniger aufregend als "geh vier Stunden weg und komm zurück zu fertiger Software." Aber es ist das, was in den Branchen, in denen ich arbeite, tatsächlich funktioniert.

Wenn Sie ein kleines oder mittelständisches B2B-Unternehmen sind und herausfinden wollen, wo KI tatsächlich passt, genau das machen wir bei opencream.ai - maßgeschneiderte KI-Lösungen für Ihre spezifischen Workflows entwickeln, implementieren und umsetzen. Für größere Chemiedistributoren und -hersteller arbeite ich mit Kimia.ai zusammen, die spezialisierte Chemical Intelligence in dieser Größenordnung bauen.

Die Beschleunigung lässt nicht nach. Aber die Implementierung ist der Punkt, an dem sich entscheidet, ob Wert entsteht oder stirbt.

Beginnen Sie mit einer Entscheidung. Bauen Sie Vertrauen auf. Lassen Sie die Intelligenz kommen.