KI-Einführung: 6 Hürden für Schweizer Unternehmen

Der Engpass bei KI ist selten das Modell. Er liegt fast immer davor oder dahinter: in den Daten, in der Infrastruktur, in der Frage, wer das Ergebnis verantwortet.

Das erklärt ein Muster, das sich in vielen Schweizer Unternehmen wiederholt. Der Pilot funktioniert. Die Demo überzeugt. Danach passiert monatelang nichts. Nicht weil die Technik versagt hat, sondern weil der Weg vom Piloten in den Betrieb nie geplant war.

Sechs Hürden, in der Reihenfolge, in der sie auftreten.

Hürde 1 — Die Strategie nennt kein Ergebnis

«Wir wollen KI einsetzen» ist kein Ziel. Es ist ein Technologiewunsch, und er lässt sich nicht widerlegen, also auch nicht erfüllen.

Eine belastbare Formulierung nennt drei Dinge: welche Entscheidung verbessert werden soll, wer sie heute trifft und woran Sie in sechs Monaten erkennen, dass es funktioniert hat.

• Schwach: «KI im Kundenservice einsetzen.»
• Belastbar: «Die Erstklassifizierung von Support-Tickets automatisieren, damit die Zuweisung nicht mehr manuell erfolgt — Messgrösse ist die Zeit bis zur ersten qualifizierten Antwort.»

Die zweite Fassung lässt sich planen, schätzen und abbrechen. Die erste nicht.

Hürde 2 — Die Daten sind nicht so weit

Das ist die Hürde, die am häufigsten unterschätzt wird, und sie zeigt sich erst spät.

Typische Befunde bei einer ersten Bestandsaufnahme: Kundendaten liegen in drei Systemen mit drei unterschiedlichen Schlüsseln. Historische Daten reichen 18 Monate zurück, das Modell bräuchte drei Jahre. Das entscheidende Feld wird von Hand befüllt und ist in 40 Prozent der Datensätze leer.

Nichts davon ist unlösbar. Aber es ist Arbeit, die vor dem Modell stattfindet, nicht danach — und sie gehört in die Planung, nicht in die Überraschung.

Ein praktischer Test: Können Sie die Frage, die das Modell beantworten soll, heute mit einer SQL-Abfrage und genügend Zeit selbst beantworten? Wenn nein, wird das Modell es auch nicht können.

Hürde 3 — Die Infrastruktur trägt keinen Betrieb

Ein Modell im Notebook ist kein Produkt. Zwischen beiden liegen Dinge, die in keiner Demo vorkommen: Versionierung von Modell und Daten, ein Weg zurück auf die Vorgängerversion, Überwachung der Eingabeverteilung, Protokollierung jedes Ergebnisses für die Nachvollziehbarkeit.

Fehlt das, passiert Folgendes: Das Modell läuft, die Qualität sinkt langsam, niemand merkt es, bis sich ein Kunde beschwert. Dann lässt sich nicht rekonstruieren, welche Version wann was entschieden hat.

Das ist der Teil, den MLOps und KI-Infrastruktur abdecken. Er wirkt unsexy neben dem Modell selbst und entscheidet, ob es den Betrieb überlebt.

Hürde 4 — Der Plan hängt an Neueinstellungen

Die verbreitete Annahme: Wir stellen Data Scientists ein, dann geht es los. In der Schweiz ist das eine teure und langsame Wette. Die Profile sind knapp, die Lohnbandbreiten hoch, und die Einarbeitung in eine gewachsene Systemlandschaft dauert unabhängig vom Können.

Realistischer ist eine Mischung:

• Intern bleibt, was Fachwissen über Ihr Geschäft braucht — welche Daten was bedeuten, welche Ausnahmen es gibt, welche Entscheidung wirklich zählt.
• Extern kommt dazu, was Erfahrung aus vielen Umsetzungen braucht — MLOps-Aufbau, Modellauswahl, Evaluationsmethodik.

Genau dafür gibt es dedizierte Entwicklungsteams: Sie bauen Kapazität auf, ohne eine Festanstellung für eine Fähigkeit zu schaffen, die Sie in zwei Jahren anders brauchen.

Hürde 5 — Governance kommt zu spät

Governance wird meist als Bremse wahrgenommen und deshalb ans Ende geschoben. Das dreht die Kosten um.

Wenn ein Modell Kreditwürdigkeit bewertet, Bewerbungen vorsortiert oder eine medizinische Einschätzung stützt, gelten Pflichten aus dem EU AI Act und aus dem Schweizer Datenschutzrecht (revDSG/nDSG). Beide verlangen Dinge, die sich nachträglich nur schwer herstellen lassen: dokumentierte Datenherkunft, nachvollziehbare Entscheidungswege, eine benannte verantwortliche Person.

Nachträglich bedeutet in der Praxis: neu trainieren, weil die Herkunft der Trainingsdaten nicht belegbar ist. Das ist teurer als die Dokumentation von Anfang an.

Was dazu jetzt zu tun ist, steht ausführlich im Beitrag zum EU AI Act für CTOs im DACH-Raum.

Hürde 6 — Niemand hat den Betrieb übernommen

Die letzte Hürde ist organisatorisch. Der Pilot gehörte einem Projektteam. Nach dem Go-live gehört das System niemandem.

Drei Fragen, die vor dem Produktivgang beantwortet sein müssen:

• Wer entscheidet, wann neu trainiert wird?
• Wer wird alarmiert, wenn die Modellqualität abfällt?
• Wer darf das System abschalten, und wie sieht der Betrieb ohne es aus?

Gibt es auf eine dieser Fragen keine Antwort mit einem Namen darin, ist das System noch nicht produktionsreif — unabhängig von seiner Genauigkeit.

Die Reihenfolge ist der eigentliche Rat

Diese sechs Hürden stehen nicht zufällig in dieser Reihenfolge. Jede spätere setzt die früheren voraus.

Eine Datenaufbereitung ohne klar formuliertes Ergebnis produziert saubere Daten für die falsche Frage. MLOps ohne brauchbare Daten automatisiert ein Modell, das nicht funktioniert. Governance ohne Betriebsverantwortung ist ein Dokument, das niemand pflegt.

Der übliche Fehler ist, in der Mitte anzufangen — meist beim Modell, weil das der sichtbare Teil ist.

Wenn Sie wissen möchten, an welcher der sechs Hürden Sie gerade stehen, ist ein KI-Sprint genau dafür gedacht: eine kurze, klar abgegrenzte Standortbestimmung mit einem konkreten nächsten Schritt. Oder vereinbaren Sie direkt ein Gespräch — unverbindlich.