Softe Faktoren als Projektkiller: ML Deployment Crisis

58% der Machine Learning-Experten geben an, dass weniger als 20% der von ihnen entwickelten Machine Learning-Anwendungen auch tatsächlich in Unternehmen zum Einsatz kommen. Das bedeutet, über 80% ihrer Modelle enden in Schubladen und die investierten Ressourcen verpuffen wirkungslos. 💥 Fachexperten sprechen wörtlich von einer „ML Deployment Crisis“. (Link zur Studie weiter unten)

👉🏻 Woran liegt das? Technische Herausforderungen werden nur in 35% der Fälle als Grund für das Scheitern genannt.

⚠️ In 32% der Fälle sind lt. ML-Experten die Entscheider im Unternehmen nicht bereit bestehende Prozesse und Handlungsweisen zu ändern. Hier kommt zum Ausdruck, dass AI- und Datenprojekte immer als Changeprojekte verstanden werden müssen.

⚠️ In 24% der Fälle finden die Entscheider die Modellperformance (z.B. Vorhersagekraft) nicht stark genug. Das sagt nichts über die tatsächliche Performance aus, sondern darüber, dass wir Vertrauen gewinnen müssen. Achtung Spoiler: Vertrauen gewinnen wir nicht durch eindeutige Performancewerte. Mehr über dieses gut erforschte Phänomen in unserem Data Storytelling Bootcamp.

⚠️ Als weitere Gründe (jeweils unter 5%) werden rechtliche Themen, verloren gegangenes Interesse und User Adoption genannt.

In unseren Projekten arbeiten wir mit all diesen Herausforderungen:
✅ KI-Einführungen werden als Changeprojekte aufgesetzt, sodass die performanten Modelle in Unternehmen auf fruchtbaren Boden fallen.
✅ Wir unterstützen Expert:innen dabei, ihre KI- und Datenservices mitten in Herz und Hirn der Entscheider:innen zu setzen um Widerstände abzubauen und Implementierungen zu ermöglichen. Das gelingt mit der richtigen Kommunikation, Psychologie, Produktdesign.
✅ Das Interesse von Entscheidungsträgern muss über längere Zeit aufrecht gehalten werden. Das gelingt über geschickte Kommunikation und kleinere Quickwins, die by Design in den Projekten eingebaut sind.
✅ Aus meiner Sicht ist die zentrale Erfolgskennzahl für KI-Projekte nicht die Modellperformance, sondern ganz klar die User Adoption. Dadurch verändert sich auch der Arbeits- und Wertschöpfungsprozess in KI- und Datenprojekten.

📰 Originalartikel zur Studie