Digitale Transformationsprojekte werden häufig als IT-Vorhaben gestartet und geraten genau deshalb ins Stocken. Neue Systeme lassen sich implementieren. Schwieriger wird es bei Prozessen, Verantwortlichkeiten, Steuerung und Zusammenarbeit. Genau dort entstehen in der Praxis die eigentlichen Reibungsverluste.

Gerade mittelständische Unternehmen stehen dabei unter hohem Zeit- und Ergebnisdruck. In solchen Situationen kommen erfahrene Interim Manager ins Spiel: Führungspersönlichkeiten, die Transformationen nicht theoretisch diskutieren, sondern Entscheidungen treffen, die operative Umsetzung sichern und Projekte wieder handlungsfähig machen. In der Praxis zeigt sich dabei immer wieder ein ähnliches Muster: Hinter scheinbar technischen Problemen stecken meist organisatorische und prozessuale Ursachen.

Genau darum geht es in einer neuen Artikelserie, die wir gemeinsam mit Vera Schmidt, Michael Assmann und der DDIM.fachgruppe // Projekt- und Programm-Management veröffentlichen. Wir greifen reale Situationen aus Transformationsprojekten auf und diskutieren unterschiedliche Perspektiven und Lösungsansätze.

Den Einstieg machen wir mit einer These, die in vielen Unternehmen gerade relevant sein dürfte:

Wer seine Stammdaten nicht im Griff hat, wird auch mit KI scheitern.

Aktuell hoffen viele Unternehmen, dass KI bestehende Komplexität beherrschbar macht. In der Realität werden KI-Initiativen jedoch oft zunächst zu Daten- und Integrationsprojekten.

Ein typisches Beispiel: Ein Unternehmen möchte eine 360 Grad Sicht auf seine Kunden aufbauen. CRM, ERP und weitere Systeme sollen zusammengeführt werden. Ziel ist es, Kunden konsistent zu identifizieren und bessere Entscheidungen zu ermöglichen. Was zunächst wie ein technisches Integrationsprojekt aussieht, entwickelt sich sehr schnell zu einem organisatorischen Problem.

Der gleiche Kunde existiert in mehreren Systemen mit unterschiedlichen IDs. Die Daten werden unterschiedlich gepflegt. Verantwortlichkeiten sind unklar. Plötzlich geht es nicht mehr primär um Technologie, sondern um eine viel grundlegendere Frage: „Wer trägt die fachliche Verantwortung für die Stammdaten eines Kunden?“

Genau hier beginnt das eigentliche Problem.

Denn KI kann Daten analysieren. KI kann Muster erkennen. KI kann Prozesse unterstützen. Aber KI entscheidet nicht, welche Daten fachlich korrekt sind und wem sie organisatorisch gehören. Wenn ein Kunde in drei Systemen unterschiedlich erfasst ist, arbeitet KI im Zweifel mit allen drei Versionen gleichzeitig. Sind die Verantwortlichkeiten unklar, reproduziert KI genau diese Unschärfen. Und wenn Daten im Alltag nicht sauber gepflegt werden, wird diese mangelnde Qualität einfach skaliert.

Ein ähnliches Muster zeigt sich aktuell auch im E-Commerce-Umfeld.

Auf Messen wie der OMR wird Händlern derzeit von unterschiedlichsten Anbietern erklärt, wie die KI-basierte Suche das Einkaufserlebnis revolutionieren kann. Die Realität in vielen Unternehmen sieht allerdings deutlich weniger futuristisch aus. Produktdaten werden noch über Excel-Tabellen gepflegt. Artikelmerkmale sind uneinheitlich beschrieben. Farben, Größen oder Materialien folgen keiner konsistenten Logik. Je nach Produktbereich existieren zudem unterschiedliche Schreibweisen und Strukturen. Auch hier zeigt sich: Die KI-Suche scheitert selten am Modell, sondern an der Qualität und Konsistenz der zugrunde liegenden Daten.

Die eigentliche Herausforderung liegt daher meist nicht in der Technologie, sondern in Verantwortung, Governance und Zusammenarbeit. Solange Verantwortung für Daten nicht klar geregelt ist, bleibt jede KI Initiative auf unsicherem Fundament.

Und genau dort wird es spannend. Denn dieselbe Grundproblematik zeigt sich später auch an ganz anderen Stellen: bei ERP-Einführungen, bei gewachsenen Systemlandschaften, bei Compliance-Anforderungen oder im Spannungsfeld zwischen zentraler und dezentraler Datenverantwortung.

Dazu einige Thesen, als Einladung zur weiteren Diskussion:

• KI wird überschätzt. Das eigentliche Problem sind Organisation und Governance.
• Die größte Baustelle bleibt die Datenqualität und die fehlende Ownership.
• Unternehmen scheitern eher an Kultur, Führung und Akzeptanz.
• Das Problem liegt weniger in der Organisation als in zu komplexen IT-Landschaften.

Das Beispiel der Stammdaten zeigt damit mehr als ein Datenproblem. Es macht ein Grundmuster vieler KI-Initiativen sichtbar: Unternehmen diskutieren über Tools, Modelle, Plattformen und Use Cases, bevor ausreichend klar ist, welches Problem eigentlich gelöst werden soll. Datenqualität und Ownership sind deshalb nicht nur technische Vorbedingungen. Sie sind Prüfsteine dafür, ob Zielbild, Verantwortung und Nutzen überhaupt geklärt sind.

Viele Unternehmen diskutieren über KI, bevor überhaupt klar ist, welches Problem gelöst werden soll.

Der Druck, «etwas mit KI» zu machen, ist derzeit in vielen Unternehmen größer als die Klarheit darüber, welches Problem eigentlich gelöst werden soll. Kaum ein Strategiepapier, kaum eine Managementrunde und kaum eine Transformationsdiskussion kommt noch ohne KI aus. Der Druck ist hoch, die Erwartungshaltung ebenfalls. Der Wettbewerb scheint schon weiter zu sein, der Vorstand möchte konkrete Initiativen sehen und irgendwo zwischen OMR, LinkedIn und Anbieter Pitches entsteht schnell das Gefühl, dass man jetzt dringend «etwas mit KI» machen muss.

Trotzdem wird erstaunlich selten sauber beschrieben, welches Problem eigentlich konkret gelöst werden soll.

Stattdessen startet die Diskussion häufig direkt bei Tools, Modellen, Plattformen und möglichen Use Cases. Gleichzeitig bleiben grundlegende Fragen erstaunlich unscharf: Welche Entscheidung soll künftig besser getroffen werden? Welcher Prozess soll tatsächlich verändert werden? Woran würde man erkennen, dass die Initiative erfolgreich war? Und braucht es dafür überhaupt künstliche Intelligenz?

Hinzu kommt, dass unter «KI» häufig völlig unterschiedliche Dinge verstanden werden. Für manche geht es um Automatisierung, für andere um generative KI, Analytics oder Agentensysteme. Nicht selten wird inzwischen schlicht jede neue Softwarefunktion als KI bezeichnet.

In manchen Projekten ist die Technologieentscheidung weiter als das Problemverständnis.

In Projekten zeigt sich diese Unschärfe meist sehr schnell. Nicht selten werden bereits Anbieter bewertet, Architekturentscheidungen diskutiert und Pilotprojekte gestartet, obwohl gleichzeitig niemand eindeutig formulieren kann, welche konkrete Entscheidung künftig besser getroffen werden soll. Genau an dieser Stelle beginnt dann häufig die eigentliche Komplexität.

Nicht selten laufen bereits erste Pilotprojekte, während gleichzeitig noch darüber diskutiert wird, welche Fachbereiche eigentlich verantwortlich sind und woran Erfolg überhaupt gemessen werden soll.

Denn sobald aus einer KI Idee ein reales Vorhaben wird, landet man überraschend schnell nicht mehr bei Technologie, sondern bei klassischen Fragen des Projekt und Programmmanagements.

Wer priorisiert die Initiative? Wer verantwortet fachliche Entscheidungen? Welche Prozesse verändern sich dadurch? Welche Daten werden benötigt? Welche Abhängigkeiten entstehen zwischen Fachbereichen, IT, Compliance und Governance?

Viele Unternehmen unterschätzen genau diesen Übergang. Aus einer vermeintlichen KI Initiative wird plötzlich ein komplexes Transformationsprogramm mit Zielbildern, Abhängigkeiten, Change Prozessen, neuen Verantwortlichkeiten und erheblichem Steuerungsaufwand.

Die eigentliche Herausforderung liegt dann oft nicht in der Technologie selbst, sondern in fehlender Klarheit. Fehlende Zielbilder führen zu ständig wechselnden Erwartungen. Unklare Problemdefinitionen erzeugen Scope Diskussionen. Pilotprojekte laufen parallel nebeneinander, ohne gemeinsamen Rahmen. Und am Ende entsteht viel Aktivität, aber erstaunlich wenig belastbarer Nutzen.

Deshalb halte ich aktuell eine Frage für wichtiger als die Auswahl des nächsten KI Tools:

Welches Problem soll eigentlich konkret gelöst werden?

Denn nicht jede ineffiziente Organisation braucht künstliche Intelligenz. Manchmal braucht sie zunächst klarere Prozesse, bessere Entscheidungen, eindeutige Verantwortlichkeiten oder schlicht ein konsistentes Zielbild.

KI kann Prozesse unterstützen, Muster erkennen und Entscheidungen vorbereiten. KI kann fehlende Klarheit nicht kompensieren. Sie macht sie meist nur sichtbarer.

Sonst entsteht am Ende oft genau das, was viele Unternehmen eigentlich vermeiden wollten: viel technologische Aktivität, aber wenig tatsächliche Transformation.

Dazu einige Thesen, als Einladung zur weiteren Diskussion:

• Viele KI Initiativen starten ohne klare Problemdefinition
• Unternehmen unterschätzen den organisatorischen Aufwand massiv
• Die Diskussion dreht sich zu stark um Tools und zu wenig um Nutzen
• KI macht bestehende organisatorische Schwächen erst richtig sichtbar

Die nächsten Beiträge der Serie entstehen gemeinsam mit Vera Schmidt, Michael Assmann und der DDIM.fachgruppe // Projekt- und Programm-Management und greifen genau diese Spannungsfelder aus unterschiedlichen Perspektiven auf.