6 Learnings aus unseren KI-Projekten | Warum das 'Wie' oft mehr zählt als das 'Was'

In den letzten Jahren haben wir zahlreiche KI-Projekte für die österreichische Industrie, den Großhandel sowie öffentliche Organisationen geplant und umgesetzt – vom intelligenten Vertriebsassistenten für die Bedarfserhebung bis hin zum agentischen Engineering Framework.

In diesem Artikel teilen wir die sechs wichtigsten Learnings aus diesen Projekten. Es sind Erkenntnisse, die quer über Branchen und Unternehmensgrößen Relevanz haben.

Eines vorweg: Die Technologie selbst war selten das Problem. Was über Erfolg und Scheitern entscheidet, sind zumeist Zeit, Ressourcen, Daten, Wissen und die Organisation.

Starten wir mit dem Faktor Zeit. Viele Unternehmen zögern, wenn es um KI-Investitionen geht. Man bekommt zu hören: "Wir wollen uns erst einen Überblick über alle Möglichkeiten verschaffen." "Wir müssen uns erst in das Thema einarbeiten." Oder: "Der Business Case muss vorher stehen." Statt ins Tun zu kommen, wird geplant, theoretisiert und überlegt, ohne dass etwas Handfestes entsteht.

Ja, eine KI-Strategie ist wichtig. Ja, es ist wichtig, technische Optionen zu evaluieren und zu priorisieren, sich mit dem Thema KI zu beschäftigen, die Machbarkeit zu prüfen und die wirtschaftliche Seite des KI-Projekts zu betrachten. Aber: Es braucht auch Tempo in der Umsetzung. Mit Theorie alleine gewinnt man kein Rennen. Die Kosten fürs Nichtstun sind in unserem dynamischen Marktumfeld, in dem Mitbewerber ihren Wettbewerbsvorteil kontinuierlich mit KI ausbauen, schlicht zu hoch.

Außerdem wird eine Vision oder Strategie erst durch konkrete, praktische Use Cases belastbar. Praktische Prototypen oder PoCs helfen dabei, die theoretischen Überlegungen zu validieren und zu prüfen, wie es um Daten, Systeme und Ressourcen wirklich steht – und ob z.B. externe Unterstützung notwendig ist. Bleibt man am Papier, verliert man nicht nur Zeit, sondern riskiert auch Lösungen, die in der Praxis keinen Bestand haben.

Bei Netural kombinieren wir Theorie und Praxis. Wir starten mit der Strategie, ergänzen sie mit einem Proof of Concept (PoC), validieren Ihre Architektur sowie Ihren Business Case und ebnen so den Weg zu einer Produktivlösung, die wirklich funktioniert.

Ebenfalls dem Faktor Zeit zugerechnet werden kann unser Learning rund um Ressourcen. Generell sehen wir, dass in vielen Unternehmen der Wunsch besteht, dass die Mitarbeitenden KI einsetzen. Das ist gut. Aber vielfach fehlt es den Mitarbeitenden an Zeit, um passende Tools zu finden, Prompting zu lernen, Kontext zu recherchieren und Ergebnisse zu testen. Das ist Arbeit – und sie passiert nicht einfach nebenbei. Wird den Mitarbeitenden nicht ausreichend Zeit freigespielt, wird das Tagesgeschäft gegenüber den Bestrebungen, KI einzusetzen, stets gewinnen.

Abseits der Zeit, die Mitarbeitenden fehlt, um KI zu testen und in ihre Prozesse einzubauen, gibt es aber noch ein weiteres Ressourcenproblem: Viele Unternehmen wollen zu viel selbst machen – und kommen ins Stocken, weil die Erfahrung fehlt, wie man von der Idee zum funktionierenden Tool kommt. Verstärkt wird dieses Problem durch den EU AI Act, der seit Februar 2025 (besttunlichst) KI-Kompetenz der Mitarbeitenden verlangt. Kompetenz, die (noch nicht) vorhanden ist. Die Frage lautet also: "Wie befähigen wir unsere Organisation langfristig, eine ideale KI-Lösung zu entwickeln?"

Ein Weg dahin ist ‘Guided Learning by Doing’, also Kompetenz gemeinsam mit einem Partner aufzubauen, während das KI-Projekt aktiv umgesetzt wird. So verliert man keine Zeit und keine Kontrolle über das Projekt. Es können z.B. in einem agentischen Framework selbst KI-Tools für ausgewählte Prozesse gebaut werden, während der externe Partner den Erfahrungsaustausch zwischen den Abteilungen unterstützt, bei der Standardisierung und Qualitätssicherung hilft und Tipps gibt, um zu verhindern, dass aus Bottom-up-Lösungen Wildwuchs wird.

Oft heißt es: "Daten haben wir genug." Das stimmt zwar fast immer, ist jedoch nicht der Punkt. Die Frage ist viel eher, ob es die richtigen Daten für den jeweiligen Anwendungsfall sind. Bei einem Industriekunden etwa war die Entwicklung einer KI-Suche quer über die zentrale Produktdatenbank geplant. Doch 1. lagen die Informationen verteilt in Datenblättern, Lieferantenkatalogen und weiteren Systemen, und 2. waren viele davon als Freitext erfasst worden und somit für das KI-System in seiner originalen Form schwer verwertbar. Die Analyse zeigte also exakt, wo im Daily Business strukturierte Felder nötig sind, damit Datenqualität künftig von selbst entsteht.

Entsprechend empfehlen wir vor jedem KI-Projekt eine Discovery-Phase, in der drei Fragen geklärt werden – noch bevor Architektur und Modell feststehen: Welche Daten gibt es wirklich und wo? Sind die vorhandenen Daten verwertbar? Und welche Daten dürfen laut DSGVO, internen Policies und EU AI Act in welches Modell fließen?

Zur dritten Frage gehört auch die Klärung, wie die Daten zur Verfügung stehen sollen: Via Anbieter-API? Über die eigene Cloud? Oder doch über eine On-Premise-Infrastruktur? Wer diese Frage nicht frühzeitig klärt, riskiert einen Prototyp, der überzeugt – aber am Ende nie produktiv gehen darf.

Der dritte Faktor ist das Wissen bzw. der Kontext. Viele (potenzielle) Kunden stellen uns gleich zu Beginn der Zusammenarbeit die Frage "Welches Modell ist das beste? Und welche fertigen Lösungen gibt es?". Die Antwort auf diese Frage(n) überrascht nur allzu oft: Das Modell ist fast egal. Ist die Architektur sauber, lässt sich das Modell jederzeit tauschen. Außerdem überholen sich die Anbieter ohnehin im Quartalsrhythmus.

Nicht austauschbar ist hingegen das Wissen bzw. der Kontext, den ein Modell braucht, um im konkreten Unternehmen brauchbare Ergebnisse zu liefern. Dazu gehören Erfahrungen, Intuition oder unausgesprochene Regeln, die in den Köpfen der Mitarbeitenden verankert sind. Dieses Wissen ist oft nicht digitalisiert oder passend aufbereitet – und somit für die KI nicht greifbar.

Nehmen wir das Beispiel eines Anlagenbauers: Hier ist wichtiges Wissen zu Auslegungsvarianten oder Sonderfällen oft in den Köpfen einiger weniger Schlüsselpersonen verankert. Es wird von keinem System dokumentiert und kann von KI nicht genutzt werden. Deshalb braucht es Context Engineering. Daten und kodifiziertes Wissen müssen so aufbereitet werden, dass jedes Modell damit arbeiten kann.

Unsere letzten beiden Learnings beziehen sich auf die Organisation. Das erste Thema? Prozesse. Viele Unternehmen stehen auf dem Standpunkt, dass ihre Prozesse zu komplex sind, um sie mit KI zu automatisieren. Und ja, zum Teil stimmt das auch. Doch nur weil ein Prozess als Ganzes womöglich zu komplex ist, können Teilbereiche oder einzelne Schritte durchaus mit KI automatisiert werden.

Die physikalische Auslegung einer Maschinenanlage z.B. wird man keinem Sprachmodell überlassen. Aber die vielen Schritte davor, bis eine Auslegung überhaupt berechnet werden kann, die Schleifen währenddessen, wenn unerwartete Ergebnisse herauskommen, und die Schritte danach bis zum fertigen Angebot, die eignen sich perfekt. Denn genau dort geht heute oft wertvolle Zeit verloren.

Echter Mehrwert entsteht, wo Probabilistik und Deterministik zusammenspielen. Regelbasierte Tools rechnen exakt, KI übernimmt Erfahrungswissen, Varianten und Sonderfälle, und der Mensch bleibt an den Freigabe-Gates. In unseren Konzepten steht deshalb an jedem Prozessschritt, was ihn trägt: KI, KI mit Mensch oder eine Regel. Das klingt weniger spektakulär als "die KI macht alles", aber es ist produktiv.

Steht die Lösung, geht es weiter mit dem Rollout – einem ebenso wichtigen Organisationsthema. Ein Satz, der in unseren Treffen mit potenziellen Partnern oft fällt, ist: "Wir haben die Lizenzen zwar ausgerollt, aber kaum jemand nutzt das Tool."

Die Ursachen sind häufig: Unsicherheit, wie das Tool zu bedienen ist, mangelndes Vertrauen in die Ergebnisse oder Angst um den eigenen Job. Es reicht nicht, Mitarbeitenden eine Lizenz zu geben und zu sagen: "Probiert es einfach mal aus." Es braucht die aktive Arbeit mit den Mitarbeitenden, um auf ihre Fragen und Befürchtungen einzugehen. Zudem braucht es konkrete Use-Case-Kataloge für ihre jeweilige Rolle.

Vertrauen in die Lösung setzt voraus, dass die Lösung selbst operativ sauber funktioniert (z.B. durch eine gute UX, Schnittstellen zu den relevanten Systemen, saubere Stammdaten, klare Berechtigungen) und einen spürbaren Mehrwert gegenüber dem Status quo liefert. Dafür braucht es klare KPIs, die gemessen werden und anhand derer nachgeschärft werden kann. Bei einem Industriekunden haben wir den Rollout deshalb mit einem detaillierten Datenaudit und einem konkreten Use-Case-Katalog unterstützt.

[Mehr zur Wichtigkeit von Change Management, finden Sie in unserem Artikel "Die 5 größten Herausforderungen bei der Digitalisierung 2026/2027"]

Das waren die Top-6-Learnings aus unseren KI-Projekten in den Jahren 2025/2026. Erkennen Sie sich in einem der Absätze wieder? Oder gar in mehreren? Dann stehen wir gerne für ein unverbindliches Gespräch oder einen individuellen Use-Case-Check zur Verfügung und klären gemeinsam, wie Sie Ihre Herausforderungen überwinden können – egal, ob in Bezug auf Ressourcen, Daten oder die Organisation selbst.