Mobile-Menu

Studie: Wie sich Reibungsverluste in KI- und Datenprojekten vermeiden lassen

Verantwortlicher Redakteur:in: Rainer Trummer 4 min Lesedauer

Anbieter zum Thema

MPDV Mikrolab GmbH
ECS Engineering Consulting & Solutions GmbH
invenio Virtual Technologies GmbH

Eine Studie von Altair zeigt Möglichkeiten, um Effizienz, Skalierbarkeit und Einsatz von KI- und Datenprojekten in Unternehmen zu steigern.

(Quelle: Gorodenkoff/stock.adobe.com)

  • Altair, ein Unternehmen im Bereich Computational Science und Künstliche Intelligenz (KI), veröffentlicht die Ergebnisse einer internationalen Umfrage [1].

  • Diese zeigen, dass Akzeptanz und Umsetzung von Unternehmensdaten und KI-Strategien weltweit hoch sind.

  • Die Umfrage ergab andererseits, dass KI-Projekte insbesondere unter drei wesentlichen Ursachen von Reibungsverlusten leiden: organisatorische, technologische und finanzielle.

  • Dazu identifiziert sie Möglichkeiten zur Beseitigung dieser Reibungsverluste.

„Unternehmen erkennen heute die Notwendigkeit, ihre Daten als strategische Ressource zu nutzen, um Wettbewerbsvorteile zu erschließen“, sagte James R. Scapa, Gründer und Chief Executive Officer von Altair. „Was Unternehmen daran hindert, ihre Daten so einzusetzen, dass sie die für Innovationen nötigen Ergebnisse liefern, ist auf mangelnde Mitarbeiterqualifikation, Technologieverfügbarkeit und fehlende Investitionsmöglichkeiten zurückzuführen. Um zu erreichen, was wir 'Frictionless AI' nennen, müssen Unternehmen auf Datenanalysetools umsteigen, die es auch nicht-technischen Anwendern ermöglichen, einfach und kosteneffizient komplexe Technologien anzuwenden. So lassen sich Reibungsverluste vermeiden, die sie daran hindern, voranzukommen."

Die unabhängige, branchenübergreifende Umfrage unter mehr als 2'000 Fachleuten in zehn Ländern zeigte, dass die hohe Misserfolgsquote, zwischen 36-56 Prozent bei KI- und Datenanalyseprojekten, auf organisatorische Reibung zwischen verschiedenen Abteilungen in Unternehmen zurückzuführen ist.

Hauptursachen für Reibungsverluste

In der Umfrage wurden organisatorische, technologische und finanzielle Reibung als größte Hindernisse für den Erfolg von Daten- und KI-Projekten genannt.

Organisatorische Ursachen

Gemäß der Umfrage haben Unternehmen Schwierigkeiten, ausgeschriebene Stellen im Bereich Data Science zu besetzen. Das stellt eine wichtige Ursache für Reibungsverluste dar.

  • 75 % der Befragten sagen, dass sie Schwierigkeiten haben, Data-Science-Talente zu finden.

  • 35 % geben an, dass die Mehrheit ihrer Belegschaft nur über geringe KI-Kenntnisse verfügt.

  • 58 % führen an, dass der Mangel an Talenten und die Zeit, die es braucht, um aktuelle Mitarbeiter weiterzubilden, das größte Problem bei der Einführung von KI-Strategien sind.

Technologische Defizite

Mehr als die Hälfte der Befragten gaben an, dass ihr Unternehmen häufig mit technischen Einschränkungen konfrontiert ist. Diese bremsen Daten- und KI-Initiativen aus.

  • Insgesamt haben die Befragten am meisten mit der Geschwindigkeit der Datenverarbeitung zu kämpfen. Hinzu kommen Probleme mit der schnellen und fundierten Entscheidungsfindung und bei der Datenqualität.

  • 63 % der Befragten gaben an, dass ihr Unternehmen dazu neigt, die Arbeit mit KI-gesteuerten Datentools komplizierter zu machen, als sie sein müsste.

  • 33 % nannten die Einschränkungen von Bestandssystemen, KI- und maschinelle Lerninitiativen zu entwickeln, als ein wiederkehrendes Problem.

Finanzielle Gründe

Trotz der Unternehmensziele, Daten- und KI-Strategien zu skalieren, stoßen Abteilungen und Anwender immer wieder auf finanzielle Hindernisse.

  • 25 % der Befragten nannten eingeschränkte finanzielle Mittel als Hinderungsgrund, der sich negativ auf KI-Initiativen in ihrem Unternehmen auswirkt.

  • 28 % gaben an, dass sich die Führungskräfte zu sehr auf strategische Vorlaufkosten konzentrieren. Somit wollten sie verstehen, wie die Investition in KI und maschinelles Lernen ihrem Unternehmen nutzen würde.

  • 33 % der Befragten gaben an, dass, wenn man sich auf ein KI-Tool einlässt, die „hohen Implementierungskosten" als schwierig zu planen wahrgenommen und so zum organisatorischen Hemmnis werden.

Projekte scheitern häufig, generell herrscht aber Optimismus 

Unternehmen aller Branchen und Regionen setzen KI trotz hoher Misserfolgsquoten bei Projekten weiterhin ein.

  • Einer von vier Befragten gab an, dass mehr als 50 % seiner Projekte scheitern.

  • 42 % der Befragten geben zu, dass sie in den letzten zwei Jahren mit KI gescheitert sind. Bei diesen Befragten lag die durchschnittliche Fehlerquote in ihrem Unternehmen bei 36 %.

  • Trotz des Scheiterns von KI-Projekten setzen Unternehmen KI weiterhin ein. Denn sie sind der Meinung dass es noch immer die Möglichkeit gibt, Fähigkeiten oder Dienstleistungen langfristig zu verbessern (78 %). Zudem zeigen die kleinen Erfolge das Potenzial für den langfristigen Durchbruch auf (54 %).

    Jetzt Newsletter abonnieren

    Verpassen Sie nicht unsere besten Inhalte

    Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

    Aufklappen für Details zu Ihrer Einwilligung

Viele Unternehmen haben Schwierigkeiten, ihre Data-Science-Projekte abzuschließen

  • 33 % der Befragten gaben an, dass mehr als die Hälfte ihrer Data-Science-Projekte in den letzten zwei Jahren nie in Produktion gegangen sind.

  • Zudem sagen 55 % der Befragten, dass mehr als ein Drittel ihrer Data-Science-Projekte in den letzten zwei Jahren nicht in Produktion gegangen sind.

  • Erstaunliche 67 % der Befragten gaben an, dass mehr als ein Viertel der Projekte nie in den produktiven Einsatz gehen.

Reibungsverluste gibt es überall auf der Welt

Weltweit ergab die Umfrage, dass sowohl die Technologie als auch der Mangel an Talenten die größten Hindernisse für Unternehmen bei der Umsetzung von Daten- und KI-Strategien darstellen.

  • Die Befragten in den Regionen Asien-Pazifik (APAC) und Europa-Mittlerer Osten (EMEA) gaben an, in den letzten zwei Jahren mehr KI-Ausfälle erlebt zu haben (54 % und 35 %) als die Befragten in der Region Nord-Südamerika (AMER) (29 %).

  • 65 % der APAC-Befragten und 61 % der EMEA-Befragten sagen, dass ihr Unternehmen die Arbeit mit KI-Tools komplizierter macht als nötig.

  • 78 % der Befragten aus der APAC-Region und 75 % der Befragten aus der EMEA-Region gaben an, dass sie Schwierigkeiten haben, genügend im Bereich Data Science ausgebildete Fachleute zu finden.

Wie lassen sich Reibungsverluste bei KI-Projekten eliminieren?

Wenn Unternehmen "reibungslose KI" gelingt, dann wird die Datenanalyse zu einem einfachen, natürlichen Teil des Projektalltags. Sie wird somit schnell, wiederholbar und skalierbar. Es gibt keine technischen Reibungsverluste zwischen Nutzern und Daten. Ebenso wenig gibt es organisatorische Reibungsverluste zwischen Daten- und Fachexperten. Reibungsverluste in den Arbeitsabläufen zwischen der Entwicklung der Datenanwendung und der produktiven Bereitstellung für eine effektive Entscheidungsfindung entfallen genauso wie solche bei der Migration, wenn sich Infrastruktur oder Werkzeuge ändern.

Die globale Umfrage wurde von Atomik Research im Auftrag von Altair zwischen dem 14. und 31. März 2023 durchgeführt. 2'037 Fachleute aus verschiedenen Branchen, die sich in ihrer Funktion mit Daten und Datenanalyse befassen, haben geantwortet. Die Stichprobe bestand aus Teilnehmern aus 10 verschiedenen Ländern weltweit, darunter die Vereinigten Staaten, China, Frankreich, Deutschland, Indien, Italien, Japan, Südkorea, Spanien und das Vereinigte Königreich.

Um den vollständigen Frictionless AI Global Survey Report zu lesen und mehr über Altairs reibungslose KI-Lösungen zu erfahren, besuchen Sie https://altair.com/frictionless-ai.

Erfahren Sie hier mehr über die KI-unterstützte, visuelle Inspektion in der Fertigung.

Lesen Sie auch: "Wie sich die digitale Bildbearbeitung durch eine KI-Methode von Grund auf verändern könnte"

Weiterführende Inhalte