Herausforderungen und Chancen der KI-Nutzung in deutschen Unternehmen

Anspruch und Realität: Die Erwartungen deutscher Unternehmen an KI-Systeme

Die Integration von Künstlicher Intelligenz (KI) in Geschäftsprozesse schreitet weltweit voran. Doch während die Potenziale als immens gelten, zeigen sich in der Praxis auch Herausforderungen, insbesondere in Deutschland. Eine aktuelle Umfrage offenbart, dass deutsche Unternehmen im internationalen Vergleich überdurchschnittlich häufig mit Problemen durch ungenaue KI-Antworten und sogenannten KI-Halluzinationen konfrontiert sind.

Geschäftliche Herausforderungen durch unpräzise KI

Im vergangenen Jahr berichteten 76 Prozent der Datenverantwortlichen in deutschen Unternehmen von geschäftlichen Problemen oder Krisen, die auf ungenaue KI-Antworten oder "Halluzinationen" zurückzuführen waren. Dies liegt deutlich über dem internationalen Durchschnitt von 59 Prozent. Als direkte Konsequenz mussten 56 Prozent der deutschen Unternehmen ein bereits erworbenes KI-Agenten-System aufgrund mangelhafter Performance wieder aufgeben, während der globale Durchschnitt hier bei 45 Prozent liegt.

Diese Zahlen stammen aus der Studie "Global AI Confessions" des US-amerikanischen Marktforschungsunternehmens The Harris Poll, die im Auftrag von Dataiku, einem Anbieter von KI- und ML-Diensten, durchgeführt wurde. Befragt wurden 812 Datenverantwortliche aus großen Unternehmen mit einem Jahresumsatz von über einer Milliarde US-Dollar, darunter 103 aus Deutschland.

Diskrepanz bei den Genauigkeitsanforderungen

Ein bemerkenswerter Aspekt der Umfrage ist die vergleichsweise geringe Erwartungshaltung deutscher Unternehmen an die Genauigkeit von KI-Systemen. Lediglich vier Prozent der deutschen Befragten forderten eine Systemgenauigkeit von 95 bis 100 Prozent. International lag dieser Wert bei 15 Prozent. Mehr als die Hälfte der deutschen Teilnehmer (53 Prozent) gab sich mit einer Genauigkeit von weniger als 80 Prozent bei KI-gestützten Entscheidungen zufrieden, während der internationale Durchschnitt bei 38 Prozent lag. Die Marktforscher sehen hier einen direkten Zusammenhang mit der in Deutschland beobachteten höchsten Rate an Projekten, die aufgrund geringer Qualität scheitern.

Risiken und Nachvollziehbarkeit

Die Bedenken hinsichtlich der Zuverlässigkeit von KI-Systemen sind in deutschen Unternehmen ebenfalls ausgeprägt. Knapp 60 Prozent der Befragten gaben an, eine Katastrophe durch KI-Halluzinationen in geschäftskritischen Workflows zu erwarten. Eine ebenso hohe Zahl befürchtet finanzielle Risiken durch unkontrollierte API- und Service-Kosten, die durch KI-Agenten entstehen könnten.

Die Nachvollziehbarkeit von KI-Entscheidungen, ein wesentlicher Aspekt im Hinblick auf regulatorische Anforderungen, zeigt ebenfalls Defizite. Nur 17 Prozent der deutschen Datenverantwortlichen verlangen eine vollständige End-to-End-Nachvollziehbarkeit von Multi-Agent-Workflows (global: 20 Prozent). Zudem gaben 34 Prozent der deutschen Teilnehmer an, dass ihre Teams weniger als die Hälfte der KI-Entscheidungen im Sinne aktueller regulatorischer Auflagen nachverfolgen könnten. 58 Prozent der deutschen Unternehmen verzögerten oder blockierten sogar KI-Agenten-Deployments aufgrund mangelnder Erklärbarkeit. International konnten nur fünf Prozent der Befragten die Entscheidungen ihrer KI-Systeme zu 100 Prozent erfassen.

Darüber hinaus äußerten 63 Prozent der Deutschen die Befürchtung, dass Kunden durch KI-Agenten Schäden entstehen könnten, und 69 Prozent glaubten, dass KI-Systeme ihren Mitarbeitern schaden könnten.

Die Kluft zwischen Management und technischer Realität

Die Studie hebt eine signifikante "Kluft zwischen C-Suite-Erwartungen und technischer Realität" hervor, die in Deutschland besonders ausgeprägt ist. Fast 80 Prozent der Datenverantwortlichen sind der Überzeugung, dass ihre Chefetage die Genauigkeit der KI-Systeme überschätzt (international: 68 Prozent). 82 Prozent der Deutschen gaben an, dass die Geschäftsführung die Zeit und Schwierigkeiten, KI-Systeme zur Produktionsreife zu bringen, unterschätzt.

Die Erwartungshaltung bezüglich der Konsequenzen gescheiterter KI-Strategien ist ebenfalls hoch: Rund 70 Prozent der Befragten in Deutschland erwarten, dass ein CEO bis Ende 2026 aufgrund einer fehlgeschlagenen KI-Strategie oder einer KI-induzierten Krise entlassen wird. Im globalen Durchschnitt liegt dieser Wert bei 56 Prozent.

Interessanterweise zeigt eine separate Umfrage unter 100 deutschen CEOs aus dem März 2025, dass ebenfalls knapp 70 Prozent mit Entlassungen aufgrund von KI-Projekten rechnen. Diese Umfrage zeigte auch, dass 95 Prozent der deutschen Geschäftsführer glauben, KI-Agenten könnten bei Geschäftsentscheidungen einen gleichwertigen oder besseren Rat geben als ein menschliches Vorstandsmitglied. 76 Prozent der Datenverantwortlichen teilen diese Ansicht, dass KI-generierten Geschäftsempfehlungen in ihren Unternehmen mehr Gewicht zukommt als denen von menschlichen Mitarbeitern, womit Deutschland auch hier über dem globalen Durchschnitt von 69 Prozent liegt.

KI im Einsatz: Die Deutsche Bahn als Beispiel

Ein konkretes Beispiel für die Anwendung von KI in einem deutschen Großunternehmen ist die Deutsche Bahn. Die Bahn setzt auf Künstliche Intelligenz, um die Pünktlichkeit zu verbessern und die Fahrgastinformation zu optimieren. Laut Daniela Gerd tom Markotten, Vorständin Digitalisierung und Technik bei der Deutschen Bahn AG, ist das Ziel, bis Ende 2027 eine Pünktlichkeit von 75 bis 80 Prozent zu erreichen und in 20 Jahren noch pünktlicher zu fahren, unter anderem durch vorausschauende Instandhaltung und intelligente Verkehrssteuerung.

Anwendungsfelder der KI bei der Deutschen Bahn

• Disposition von Zügen: KI-Systeme unterstützen Disponenten in S-Bahn-Netzen, indem sie mögliche Konflikte im Fahrplan frühzeitig erkennen und Alternativen vorschlagen, um Verspätungen zu minimieren. Die KI lernt dabei aus Echtzeitdaten und historischen Abläufen.
• Predictive Maintenance: Sensoren an Zügen liefern kontinuierlich Daten über den technischen Zustand, wodurch KI-Modelle Auffälligkeiten erkennen und Vorschläge für vorbeugende Reparaturen machen können. Dies zielt darauf ab, Ausfälle zu vermeiden und die Lebensdauer von Komponenten zu verlängern.
• Vegetationskontrolle: Mithilfe von Streckenvideos und Satellitenbildern identifiziert ein KI-System sturmanfällige Bäume oder wucherndes Grün entlang der Gleise, um präventiv eingreifen und Störungen vermeiden zu können.
• Fahrgastinformation: Ein KI-gestütztes automatisches Prognosesystem nutzt verschiedene Datenquellen wie GPS, Fahrpläne und KI, um die Genauigkeit von Ankunfts- und Abfahrtszeiten zu steigern. Dies verbessert die Zuverlässigkeit der Reisendeninformation erheblich. Ziel ist es, Fahrgäste bei Störungen auf allen Kanälen – DB Navigator, Bahnhofsanzeigen, Internetseite – identisch und zeitgleich zu informieren.

Herausforderungen und Zukunftsperspektiven

Trotz der vielversprechenden Ansätze stehen auch bei der Deutschen Bahn Herausforderungen an. Dazu gehören die Verbesserung der Datenqualität, der Umgang mit fragmentierten Datenquellen unter Gewährleistung des Datenschutzes sowie die umfassende Schulung der Mitarbeitenden für den breiten Einsatz von KI. Die langfristige Vision beinhaltet den Einsatz von Quantenalgorithmen zur Echtzeit-Optimierung des gesamten Zugverkehrs, was jedoch noch Zukunftsmusik ist und leistungsfähige Quantencomputer erfordert.

Die Deutsche Bahn betont, dass ein ganzheitlicher Ansatz entscheidend ist, der sowohl Realisierbarkeit und fachlichen Nutzen als auch regulatorische Aspekte berücksichtigt. Ziel ist es, Insellösungen zu vermeiden und übergreifende fachliche Ziele zu definieren, die viele Fachbereiche betreffen, um komplexere Anwendungen zu realisieren und die Wettbewerbsfähigkeit zu stärken.

Fazit

Die Erfahrungen deutscher Unternehmen mit KI-Systemen zeigen ein komplexes Bild. Einerseits besteht ein großes Potenzial zur Effizienzsteigerung und Problemlösung, wie das Beispiel der Deutschen Bahn illustriert. Andererseits offenbaren die Umfrageergebnisse eine erhöhte Anfälligkeit für KI-bedingte Probleme, geringere Genauigkeitserwartungen und eine deutliche Diskrepanz zwischen den Vorstellungen des Managements und der technischen Realität. Für eine erfolgreiche und nachhaltige Integration von KI ist es entscheidend, diese Herausforderungen anzuerkennen und durch präzise Anforderungen, verbesserte Nachvollziehbarkeit und eine realistische Einschätzung der Technologie zu adressieren.

Bibliography

• Heise Online; Philipp Steevens. (o. J.). So exakt, wie die Bahn pünktlich ist: Ansprüche deutscher Firmen an KI-Systeme. Abgerufen von https://www.heise.de/news/So-exakt-wie-die-Bahn-puenktlich-ist-Ansprueche-deutscher-Firmen-an-KI-Systeme-10750376.html
• Dataiku. (o. J.). Global AI Confessions Report. Abgerufen von https://pages.dataiku.com/global-ai-confessions-report
• Dataiku. (o. J.). Global AI Confessions Report – Data Leaders Edition. Abgerufen von https://pages.dataiku.com/global-ai-confessions-report-data-leaders-edition
• DB Systel. (03/2025). Eine KI-Roadmap für mehr Verlässlichkeit und Wirtschaftlichkeit im Fernverkehr. Abgerufen von https://www.dbsystel.de/dbsystel/Digital-Stories/ki-roadmap-fuer-verlaesslichkeit-wirtschaftlichkeit-fernverkehr-13315878
• t3n; Ingmar Höhmann. (o. J.). Deutsche Bahn 2045 pünktlich? Digitalchefin setzt auf KI – und Quantencomputer. Abgerufen von https://t3n.de/news/deutsche-bahn-2045-puenktlich-digitalchefin-setzt-auf-ki-und-quantencomputer-1699485/
• IMTEST; Rachel Calé. (o. J.). Deutsche Bahn: Weniger Verspätungen dank KI? Abgerufen von https://www.imtest.de/news/deutsche-bahn-verspaetung-kuenstliche-intelligenz/402090