Von KI-Projekten zu einer operativen Fähigkeit

Während Unternehmen über Pilotprojekte und Proof of Concept (PoC) hinausgehen, stellt sich in den Chefetagen eine neue Frage: Wann ist KI nicht mehr nur eine Reihe von Projekten, sondern Teil des Geschäftsbetriebs?

Naveen Zutshi, CIO bei Databricks, arbeitet eng mit CIOs und Führungskräften zusammen, die den Wandel von der Experimentierphase zur unternehmensweiten KI-Scale bewältigen. In diesem Q&A stützt sich Naveen auf frühere Führungspositionen bei Unternehmen wie Palo Alto Networks, Gap Inc. und Walmart, wo er komplexe Modernisierungsmaßnahmen leitete, die Legacy-Umgebungen in skalierbare, Cloud-First-Architekturen umwandelten.

Was sich in unserem Gespräch herauskristallisierte, ist klar: Beim Wendepunkt geht es nicht um Modelle. Es geht um Modernisierung, Governance und operative Disziplin.

KI bewegt sich von Experimenten zur GuV

Catherine: Was ist für Sie das deutlichste Zeichen dafür, dass KI-Experimente einer KI als betriebliche Fähigkeit weichen?

Naveen: Ich glaube, die Branche muss noch mehr tun, um echten Mehrwert aus KI zu generieren. Aber in den letzten sechs bis zwölf Monaten habe ich eine bemerkenswerte Veränderung beobachtet. Ich verbringe Zeit mit CIOs und Führungskräften aus verschiedenen Branchen, und dabei stechen drei Muster hervor.

Erstens höre ich immer konkretere Beispiele für den Einsatz von KI in der täglichen Arbeit. Interessanterweise sind regulierte Branchen, die auf dem Weg in der Cloud als Nachzügler galten – zum Beispiel das Gesundheitswesen und die Finanzdienstleistungsbranche –, jetzt Early Adopters. Wir sehen, dass KI für die Automatisierung im Backoffice, die Betrugserkennung, die Generierung von Alpha bei Anlagerenditen, die Notizenerstellung von Klinikpersonal, die Arzneimittelforschung und sogar für die Unterstützung und Prävention in Krisenzentren eingesetzt wird. Zweitens werden Führungskräfte zunehmend in die Gespräche einbezogen. In der Vergangenheit wurden KI-Diskussionen von Data Engineers und Data Scientists dominiert. Jetzt kommen auch die Geschäftsbereiche an den Tisch, um zu diskutieren, wie Daten und KI ihre Funktionen transformieren können. Noch wichtiger ist, dass sie Beispiele dafür teilen, wie sie es bereits umgesetzt haben. KI ist erst dann wirklich angekommen, wenn sie sich in den KPIs der Unternehmen niederschlägt.

Drittens hat sich die Finanzierung verschoben. Früher wurde KI aus Innovationsbudgets oder frei verfügbaren Mitteln finanziert. Heute ist sie ein wichtiger Posten in der GuV – entweder direkt von den Geschäftsbereichen oder zentral von der CIO- oder CTO-Organisation finanziert. Dieser Wandel allein signalisiert bereits operatives Engagement. Es wird vielleicht nicht mehr lange dauern, bis die Ausgaben für KI-Tools nach den Personal- und Cloud-Ausgaben zu einem wichtigen Posten werden. Bei Databricks trennen wir die KI-Ausgaben von den gesamten SaaS-Ausgaben.

Der wahre Engpass: Altlasten, nicht Talente

Catherine: Welche gemeinsamen Themen tauchen in Gesprächen mit Ihren Branchenkollegen als Reibungspunkte bei der Produktivsetzung von KI-Projekten auf?

Naveen: Ich habe mich diese Woche gerade mit 20 CIOs getroffen, und das Thema Talent stand in den Umfrageergebnissen wieder ganz oben als größte Hürde. Aber meiner Erfahrung nach liegt die eigentliche Ursache oft in der Legacy.

Unternehmen kämpfen mit Altsystemen, SaaS-Wildwuchs, On-Prem-Wildwuchs und architektonischer Komplexität. Im Laufe der Zeit haben sie, sei es aus Untätigkeit oder wegen konkurrierender Prioritäten, keine entschlossenen Maßnahmen ergriffen, um es zu beseitigen. Doch Altsysteme beizubehalten ist heimtückisch. Eine Modernisierung steigert nicht nur die Geschwindigkeit, sondern Altsysteme führen auch zur Abwanderung von Talenten. Es wird schwieriger, Top-Ingenieure zu gewinnen und zu halten, wenn ihre Haupt-Job darin besteht, den Laden am Laufen zu halten, anstatt moderne Systeme zu entwickeln.

Jedes Mal, wenn ich mich für eine Modernisierung entschieden habe – sei es bei compute, Speicher, Datenarchitektur oder Anwendungsebenen –, habe ich es bereut, es nicht früher getan zu haben. Modernisierung setzt Produktivität frei, stellt das Sendungsbewusstsein wieder her und vereinfacht die Umgebung. Es war immer eine Entscheidung, die ich nicht bereut habe.

Eine moderne, offene Architektur, mit der Sie die besten KI-Modelle einbinden können, ohne Ihren Stack komplett ersetzen zu müssen, bietet folgende Vorteile:

• Eine einheitliche Governance-Ebene, die die Komplexität der Datenbewegung reduziert.
• Einfachheit und Geschwindigkeit durch die Reduzierung des Tool-Wildwuchses.
• Die Fähigkeit, Top-Talente statt auf Wartung auf hochwertige Arbeit zu konzentrieren.

Das ist oft die eigentliche Lösung.

Die Plattform-Entscheidungen, die darüber bestimmen, ob KI skaliert

Catherine: Was sind die wichtigsten Plattform-Entscheidungen, die am stärksten darüber bestimmen, ob sich KI Scale lässt?

Naveen: Erstens, die Datenschicht. Sowohl strukturierte als auch unstrukturierte Daten (die fast 80 % der Unternehmensdaten ausmachen). Sie müssen beides unter einer gemeinsamen Governance-Schicht kombinieren. Am wichtigsten ist es, die Modelle zu den Daten zu bringen, nicht die Daten zu den Modellen. Das Verschieben von Daten über Umgebungen hinweg schafft Komplexität und Kontrollherausforderungen. Eine einheitliche Architektur vereinfacht die Verwaltung und verbessert die Sicherheit.

Es ist auch entscheidend, sich nicht an einen einzigen Modellanbieter zu binden. Die Frontier-Modelle entwickeln sich rasant weiter. Ein KI-Gateway oder eine Abstraktionsschicht ermöglicht es Ihnen, mehrere Modelle zu verwenden und die beste für die jeweilige Task auszuwählen.

Schließlich sollten Sie KI als eine Kernkompetenz behandeln, indem Sie stark in Beobachtbarkeit, Qualität, Validierung und Tests investieren. Die Entwicklung beschleunigt sich. Beim Testen kommt es auf Disziplin an. Möglicherweise verbringen Sie 80 % Ihrer Zeit mit Validierung und Verfeinerung und nur 20 % mit der eigentlichen Entwicklung. Und ich würde noch etwas hinzufügen – Kontext und Zustand werden immer wichtiger. KI-Systeme benötigen ein Gedächtnis und Kontinuität, damit sie sich im Laufe der Zeit verbessern können.

Wenn Daten und KI keine getrennten Gesprächsthemen mehr sind

Catherine: Was sind die Konsequenzen, wenn Führungskräfte von Daten- und KI-Initiativen ferngehalten werden?

Naveen: In vielen Unternehmen wird die KI-Strategie von Datenteams geleitet. Aber es ist auch eine geschäftliche Notwendigkeit. Ohne saubere, hochwertige Unternehmensdaten ist KI in einer Unternehmensumgebung nicht nützlich. Frontier Labs trainieren Modelle im Web. Unternehmen müssen Modelle mit ihren eigenen Daten nachtrainieren. Gleichzeitig kann Innovation am Edge stattfinden. Wenn Sie über einen konsistenten Daten- und KI-Stack mit ordnungsgemäßer Authentifizierung und Zugriffskontrollen verfügen, können Teams sicher Agenten und Anwendungen erstellen, ohne die Architektur zu fragmentieren. Der Schlüssel liegt in der Konsistenz und Governance, die der verteilten Innovation zugrunde liegen.

Wo agentenbasierte KI bereit ist – und wo nicht

Catherine: Welche Workflows sind am ehesten für eine agentenbasierte Eigenverantwortung bereit?

Naveen: Abgesehen von Workflows in der Softwareentwicklung, die beim Einsatz von KI bereits ausgereift sind, sehen wir große Erfolge bei Go-to-Market-Workflows. Marketing- und Pre-Vertriebs-Teams nutzen Agents, um die Outbound-Reichweite und das Targeting zu verbessern, und übertreffen dabei oft manuelle Prozesse.

Agenten zeichnen sich auch bei der Verarbeitung großer Informationsmengen zur Unterstützung von Entscheidungen aus. Anstatt wochenlang auf Ad-hoc-Berichte von Analysten zu warten, können Führungskräfte die Daten direkt abfragen und schnell Einblicke erhalten, und das sowohl für strukturierte als auch für unstrukturierte Daten.

Wofür Agenten noch nicht bereit sind, sind deterministische Workflows, die 100 % Konsistenz und Genauigkeit erfordern. KI kann unterstützen, aber sie sollte nicht das menschliche Urteilsvermögen ersetzen. Es besteht auch das Risiko des sogenannten „KI-Slop“ – Ausgaben, die plausibel klingen, aber keine Tiefe haben. Führungskräfte müssen die Einführung mit Aufsicht verbinden.

Erfolg jenseits des Hypes definieren

Catherine: Wie definieren Sie Erfolg bei der Skalierung von Daten und KI?

Naveen: Ich orientiere mich an vier Dimensionen:

1. Effizienz
2. Effektivität und Auswirkungen auf den Umsatz
3. Qualität der Ergebnisse
4. Risikominderung

Bei KI-Systemen konzentriere ich mich auch auf steuerbare Inputs. In einem Vertriebs-KI-System zum Beispiel: Welcher Prozentsatz der Dateneingabe wird jetzt von einem Agenten automatisiert? Diese Eingabemetrik sollte mit Produktivitätssteigerungen korrelieren. Oder welcher Prozentsatz der Empfehlungen von Agenten wird übernommen und wie wirksam sind sie im Vergleich zu manuellen Ansätzen? Diese können Sie per A/B-Test überprüfen. Die Reduzierung der Zykluszeit und Kosteneinsparungen sind wichtig – aber nur im Kontext umfassenderer Geschäftsergebnisse.

Ein 12-monatiges Start, Stop, Continue

Catherine: Wenn Sie Ihren Kollegen für die nächsten 12 Monate einen Ratschlag nach dem „Start, Stop, Continue“-Prinzip geben müssten, wie würde dieser lauten?

Naveen: Ich würde sagen, hören Sie auf, das Monster der Altlasten zu füttern. Hören Sie auf, KI-Governance und -Sicherheit als nachträglichen Gedanken zu behandeln. Und vermeiden Sie es, die Ausuferung von SaaS durch eine Ausuferung von Agenten zu ersetzen. Wenn Agenten nicht angenommen werden oder keinen Mehrwert liefern, entfernen Sie sie.

Dann würde ich sagen, verfolgen Sie einen kompetenzbasierten oder „Jobs-to-be-done“-Ansatz. Anstatt ganze Anwendungen zu ersetzen, identifizieren Sie spezifische Tasks, die Agenten besser ausführen können. Schaffen Sie Glaubwürdigkeit durch gezielte Erfolge. Planen Sie Ihre Crawl-, Walk-, Ausführung-Reise. Und schließlich würde ich sagen, investieren Sie weiterhin in Daten und Governance – insbesondere bei unstrukturierten Daten. Und was am wichtigsten ist: Bleiben Sie geschäftsorientiert. Starten Sie mit dem Benutzer, dem Kunden und dem Ergebnis. Technologie allein schafft keinen Wert.

Der Wendepunkt für die Führungskräfte

Der Wendepunkt für Führungskräfte dreht sich um operative Bereitschaft, moderne Architektur, einheitliche Governance, diszipliniertes Testen, messbare Ergebnisse und die Ausrichtung auf das Geschäft.

KI wird zu einer operativen Fähigkeit, wenn sie sich von der Experimentierphase zur Verantwortlichkeit bewegt – wenn sie in KPIs, Budgetposten und Architekturentscheidungen auftaucht. Organisationen, die diesen Wandel frühzeitig erkennen, werden nicht einfach nur mehr KI einsetzen. Sie werden Unternehmen aufbauen, die strukturell darauf vorbereitet sind.

Um mehr über den Aufbau eines effektiven Betriebsmodells zu erfahren, laden Sie das Databricks AI Maturity Model herunter.

(Dieser Blogbeitrag wurde mit KI-gestützten Tools übersetzt.) Originalbeitrag