Warum KI‑Projekte scheitern – und wie sie wirklich Wirkung entfalten

In dieser Folge des KI‑Inside‑Podcasts spricht Patrick Ratheiser, Head of AI bei EY, mit Susanne Zach, Partnerin und AI & Data Lead bei EY, über den Weg von KI‑Pilotprojekten hin zu messbarem, produktivem Einsatz in Unternehmen.

Viele Unternehmen experimentieren mit künstlicher Intelligenz – doch nur ein Bruchteil schafft den Schritt in die produktive Anwendung. In dieser Episode von KI Inside gibt Susanne Zach, Partnerin bei EY und verantwortlich für den Bereich AI & Data, einen tiefgehenden Einblick in die Praxis der KI‑Transformation. Gemeinsam mit dem Host Patrick Ratheiser beleuchtet sie, warum rund 70 Prozent der KI‑Use‑Cases im Experiment stecken bleiben und was es braucht, um nachhaltigen Mehrwert zu schaffen.

Im Gespräch geht es um zentrale Erfolgsfaktoren wie KI‑Strategie, Datenreife, AI‑Governance, Change‑Management und AI‑Literacy. Susanne Zach teilt Erkenntnisse aus dem EY European AI Barometer und erklärt, warum Technologien allein nicht ausschlaggebend sind und welche Faktoren wirklich zählen.

Anhand konkreter Praxisbeispiele zeigt die Folge, wie Unternehmen KI schrittweise skalieren können: mit klar priorisierten Use-Cases, messbaren KPIs, vertrauenswürdiger Governance und sauber aufbereiteten Daten.

Jetzt reinhören – auch auf Spotify oder YouTube.

Das Wichtigste auf einen Blick:

• Vom Pilot zur Skalierung: Die meisten KI‑Projekte scheitern nicht an Technologie, sondern an Organisation und Kultur.
• Strategie zuerst: KI ist eine Business‑Transformation – ohne klare Ziele und KPIs bleibt der Impact aus.
• Daten sind die Basis: Ohne Datenqualität, Data-Ownership und Governance ist KI nicht produktiv einsetzbar.
• People & Change zählen: Adoption‑Rate ist ein zentraler Erfolgsfaktor – Schulung und Enablement sind entscheidend.
• Governance von Beginn an: Trusted AI, klare Rollen und Transparenz entlang des KI‑Lebenszyklus sind unerlässlich.
• Nicht alles auf einmal: Wenige, gut priorisierte Use-Cases sind wirksamer als große, unklare Initiativen.
• Qualität vor Effizienz: KI steigert oft zuerst die Qualität von Arbeit, nicht sofort die Produktivität.
• KI‑Agenten mit Verantwortung: Autonome Systeme brauchen klare Regeln und „Human in the Loop“.
• EU AI Act ernst nehmen: Regulierung und KI‑Literacy sollten proaktiv angegangen werden.
• Mut zur Veränderung: Vertrauen, Offenheit und kontinuierliches Lernen sind Schlüssel für nachhaltigen KI‑Erfolg.

Mehr Einordnung, Studien und Praxisbeispiele? Melden Sie sich jetzt zu unserem KI‑Newsletter an und erhalten Sie regelmäßig Insights zu KI‑Strategie und -Umsetzung in der Praxis!