Trotz steigender Investitionen und einer breiten Nutzung von KI-Werkzeugen gelingt es vielen kleinen und mittelständischen Unternehmen (KMU) bislang nicht, Künstliche Intelligenz systematisch und organisationsweit zu verankern. Rund 70 Prozent sind bislang nicht über das Stadium hinausgekommen, KI experimentell oder punktuell einzusetzen. Das zeigt eine aktuelle globale Studie, die SAS gemeinsam mit IDC veröffentlicht hat.
Die Untersuchung legt eine deutliche Diskrepanz zwischen den KI-Ambitionen der Unternehmen und ihrer organisatorischen Reife offen. Viele KMU verfügen weder über die Datenbasis noch über die Strategie, Kompetenzen und Governance-Strukturen, die für eine effiziente Skalierung von KI erforderlich sind. Die Ergebnisse bestätigen einen Trend, der derzeit in vielen Unternehmen zu beobachten ist: Die technische Einführung von KI gelingt häufig schneller als ihre organisatorische Verankerung in Prozessen, Datenstrukturen und Verantwortlichkeiten.
„Um aus ihrer KI-Strategie tatsächlich Wert zu schöpfen, müssen KMU von isolierten Pilotprojekten zu einer sinnvollen Verknüpfung von Daten, Mitarbeitenden und Ressourcen kommen“, sagt Daniel-Zoe Jimenez, Vice President Research bei IDC. „Mit der Technologie zu experimentieren, ist eine Sache. Sie strategisch und nachhaltig einzusetzen, eine ganz andere.“
Warum viele KI-Projekte nicht skalieren
Die Mehrheit der KMU betreibt KI in voneinander getrennten Implementierungen, ohne diese in eine einheitliche Strategie zu überführen. Als zentrale Hürden nennen die Befragten:
- fragmentierte Daten und Werkzeuge
- isolierte KI-Initiativen
- mangelnde Kompetenzen und organisatorische Reife
- unzureichende Governance und fehlende ROI-Messung
- Branchenspezifische Hürden
Der Report analysiert fünf Branchen genauer und zeigt, woran die Skalierung von KI jeweils scheitert:
1. Banken sind bei KI-Strategie und Governance vergleichsweise weit, tun sich aber schwer damit, Pilotprojekte unternehmensweit effizient umzusetzen.
2. Versicherungen wenden KI bereits für konkrete Geschäftsprobleme an. Fragmentierte Daten und uneinheitliche Umsetzung verhindern jedoch eine Übertragung von Best Practices.
3. Behörden erweisen sich als stark in der Planung und Kontrolle von KI-Projekten, werden aber durch Legacy-Systeme und Datensilos ausgebremst.
4. Im Gesundheitswesen stehen Datenkomplexität, Regulierung und fehlende Kompetenzen einer breiteren Nutzung im Weg.
5. Pharmaunternehmen sehen großes Potenzial in KI; komplexe Datenumgebungen und regulatorische Anforderungen erschweren jedoch einen breiteren Einsatz über spezialisierte Teams hinaus.
KI-Reifegrad messen: AI Readiness Index als Orientierungsrahmen
Mit dem AI Readiness Index stellt der Report ein Bewertungsmodell vor, das den KI-Reifegrad von KMU in den vier Dimensionen Planung, Aufbau, Know-how und Umsetzung erfasst. Daraus ergeben sich folgende Reifegrade: experimentell, punktuell, strukturiert und integriert. Der Index soll KMU eine Orientierung geben, um den eigenen Status in Sachen KI einzuordnen und konkrete nächste Schritte abzuleiten. Die Studie verdeutlicht den Bedarf an integrierten Plattformen, klaren Governance-Strukturen und geeigneten Partnern, um KI-Initiativen erfolgreich zu skalieren – insbesondere in Unternehmen mit begrenzten IT-Ressourcen.
