„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 10 Ländern zeigte, dass die hohe Misserfolgsquote, zwischen 36-56% bei KI- und Datenanalyseprojekten, auf organisatorische Reibung zwischen verschiedenen Abteilungen in Unternehmen zurückzuführen ist.

Hauptursachen für Reibungsverluste

Insgesamt wurden in der Umfrage organisatorische, technologische und finanzielle Reibung als die größten Hindernisse für den Erfolg von Daten- und KI-Projekten genannt.

Organisatorische Ursachen

Die Umfrage ergab, dass Unternehmen Schwierigkeiten haben, ausgeschriebene Stellen im Bereich Data Science zu besetzen, was eine erhebliche Ursache für Reibungsverluste darstellt.

• 75 % der Befragten geben an, dass sie Schwierigkeiten haben, Data-Science-Talente zu finden.
• 35 % geben an, dass die Mehrheit ihrer Belegschaft nur über geringe KI-Kenntnisse verfügt.
• 58 % geben 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, die Daten- und KI-Initiativen ausbremsen.

• Insgesamt haben die Befragten am meisten mit der Geschwindigkeit der Datenverarbeitung zu kämpfen, ebenso wie mit der schnellen und fundierten Entscheidungsfindung und mit Problemen bei der Datenqualität.
• Fast zwei Drittel der Befragten (63 %) 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, fortschrittliche KI- und maschinelle Lerninitiativen zu entwickeln, als ein wiederkehrendes technologiebezogenes Problem, das zu Reibungen führt.

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, um zu 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, weil sie der Meinung sind, dass es noch immer die Möglichkeit gibt, Fähigkeiten oder Dienstleistungen langfristig zu verbessern (78 %), und weil die kleinen Erfolge das Potenzial für den langfristigen Durchbruch aufzeigen (54 %).

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.
• Darüber hinaus gaben 55 % der Befragten an, 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 es 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 gaben an, 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 können Reibungsverluste bei KI-Projekten eliminiert werden?

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

[1] 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-a.