Die meisten KI-Projekte scheitern nicht am Modell. Sie scheitern an den drei Faktoren drumherum: dem Zustand der Daten, der Stabilität der zu automatisierenden Prozesse und der Frage, ob im Unternehmen tatsächlich auf Basis der Vorhersagen gehandelt wird. Wenn diese Grundlagen stimmen, ist der Rest reine Ingenieursarbeit.
Kurz gesagt: wie KI ganze Branchen verändert, lässt sich auf drei wiederkehrende Ansätze reduzieren: die Prognose von Nachfrage und Ausfällen, die Automatisierung von Prüfprozessen und Dokumentation sowie die Personalisierung von Kundenerlebnissen. Im Folgenden werden sechzehn Sektoren beleuchtet – inklusive der bereits praxiserprobten Anwendungen, der jeweiligen Anbieter, unserer eigenen Implementierungen sowie einer Bewertung der Einsatzbereitschaft hinsichtlich Datenreife, Prozessstabilität, regulatorischer Anforderungen und Integrationskosten. In den meisten Branchen amortisiert sich die Investition innerhalb von sechs bis achtzehn Monaten.
Bevor wir beurteilen, wie KI die Geschäftswelt verändert, sollten wir uns auf die Begriffe einigen. Künstliche Intelligenz ist jede Software, die menschenähnliche Aufgaben ausführt: Lernen, Planen, Problemlösen. Das ist ein weiter Begriff, daher beschränken wir uns auf die drei Familien, die den Großteil der kommerziellen Arbeit leisten.
Maschinelles Lernen erkennt Muster in historischen Daten, um Unbekanntes vorherzusagen: die Nachfrage im nächsten Monat, den nächsten Ausfall einer Maschine oder die Ausfallwahrscheinlichkeit eines Kredits.
Computer Vision interpretiert Bilder und Videos, bewertet Schweißnähte, erkennt Pflanzenkrankheiten oder verfolgt einen Einkaufskorb durch ein Geschäft.
Natural Language Processing (NLP) liest und generiert Text und Sprache. Es ist die Basis für Chatbots, Dokumentenverarbeitung und Suchfunktionen.
Zwei weitere Begriffe tauchen unten erneut auf. Vorausschauende Wartung bedeutet, eine Maschine dann zu warten, wenn die Daten einen bevorstehenden Ausfall signalisieren, statt nach einem festen Zeitplan. Lidar ist ein Lasersensor, der eine 3D-Karte der Fahrzeugumgebung erstellt. Unsere Technologie-Guides behandeln jeden dieser Bereiche ausführlich.
Viele Unternehmen stehen KI und ihrer Bedeutung für die Zukunft der Arbeit noch immer skeptisch gegenüber. Anstatt über abstrakte Konzepte zu diskutieren, zeigt dieser Leitfaden sektorübergreifend auf, was KI bereits leistet und wo wir sie erfolgreich eingesetzt haben.
Die Adoptionszahlen haben sich drastisch verändert. Die Studie „State of AI 2025“ von McKinsey ergab, dass mittlerweile 88 % der Unternehmen KI in mindestens einem Geschäftsbereich einsetzen – ein Anstieg gegenüber 78 % im Vorjahr. Doch die eigentliche Erkenntnis liegt im Detail: Nur etwa ein Drittel hat KI tatsächlich unternehmensweit skaliert. Der Rest steckt im „Pilot-Fegefeuer“ fest und führt Experimente durch, die nie den produktiven Betrieb erreichen.
Diese Lücke ist der entscheidende Punkt, und sie deckt sich mit unseren Erfahrungen. Bei den Software- und Datenprojekten, die wir bei Imaginary Cloudumgesetzt haben, sind die Modelle selten die größte Herausforderung. Nehmen wir Environmental Intellect: Wir haben die Machine-Learning-Plattform für ihr Energieprodukt entwickelt, und das Muster war lehrbuchhaft. Das Modell war handhabbar; der eigentliche Aufwand und der Mehrwert lagen in der Daten-Pipeline und der Integration der Vorhersagen in den Arbeitsablauf des Kunden. Die Kunden von Ei sparen heute über 200.000 US-Dollar an Vertragskosten. Diese Lektion wiederholt sich bei jedem der unten aufgeführten Projekte: Das Modell zu kaufen oder zu bauen ist nur ein Drittel des Weges.
Drei Beobachtungen ziehen sich durch jeden Abschnitt.
Erfolgreiche Pilotprojekte haben einen festen Verantwortlichen im operativen Geschäft. Projekte, die nur von der IT vorangetrieben werden, scheitern bei der Übergabe, weil niemand im operativen Bereich bereit ist, seine Arbeitsweise anzupassen.
Die Datenverfügbarkeit bestimmt den Zeitplan, nicht die Wahl des Modells. Vollständige, konsistent gekennzeichnete Datensätze ermöglichen ein erstes nützliches Modell innerhalb weniger Wochen. Wenn Datensätze über Tabellenkalkulationen und Altsysteme verstreut sind, fließt der Großteil des Budgets zunächst in die Pipeline – was den Kern dessen ausmacht, was ein Programm zur digitalen Transformation tatsächlich beinhaltet.
Fokus schlägt Ambition. Eine Entscheidung, ein Datensatz, ein messbares Ergebnis führen zur Produktreife. Eine plattformweite „KI-Strategie“ tut dies meist nicht.
Anstatt Branchen einfach alphabetisch aufzulisten und das als Analyse zu bezeichnen, bewerten wir jede anhand der vier Faktoren, die darüber entscheiden, ob ein Projekt die Produktionsreife erreicht. Es ist das Raster, auf das wir zurückgreifen, wenn ein Kunde fragt, ob seine Branche bereit ist.
Die Herkunft der Bewertungen ist wichtig, da sie das unten aufgeführte Gewicht tragen. Es handelt sich um unsere eigene Einschätzung, die auf Projekten basiert, die wir in diesen Branchen umgesetzt haben, und nicht um einen veröffentlichten Benchmark. Die Aufteilung des Budgets im Verhältnis zwei Drittel zu einem Drittel sowie das Amortisationsfenster von sechs bis achtzehn Monaten beruhen auf derselben Grundlage. Betrachten Sie das Raster als Werkzeug zur Priorisierung, nicht als Messgröße, und gehen Sie davon aus, dass sich zwei Unternehmen innerhalb einer Branche stärker voneinander unterscheiden als die Branchen selbst.
.webp)
| Sektor | Datenreife | Prozesswiederholbarkeit | Regulatorische Belastung | Integrationskosten |
|---|---|---|---|---|
| Landwirtschaft | Mittel | Hoch | Niedrig | Mittel |
| Baugewerbe | Niedrig | Mittel | Mittel | Hoch |
| Bildung | Mittel | Hoch | Mittel | Mittel |
| Energie | Hoch | Hoch | Hoch | Hoch |
| Finanzen | Hoch | Hoch | Hoch | Mittel |
| Öffentlicher Sektor | Mittel | Mittel | Hoch | Hoch |
| Gesundheitswesen | Mittel | Mittel | Hoch | Hoch |
| Logistik | Hoch | Hoch | Niedrig | Mittel |
| Fertigung | Hoch | Hoch | Mittel | Hoch |
| Immobilien | Mittel | Hoch | Niedrig | Niedrig |
| Einzelhandel | Hoch | Hoch | Niedrig | Niedrig |
| Sicherheit | Hoch | Hoch | Mittel | Mittel |
| Sport | Mittel | Hoch | Niedrig | Niedrig |
| Technologie | Hoch | Hoch | Niedrig | Niedrig |
| Transport | Mittel | Mittel | Hoch | Hoch |
| Reisen | Hoch | Hoch | Niedrig | Niedrig |
Verstehen Sie es als Werkzeug zur Priorisierung. Eine hohe Datenreife und Wiederholbarkeit bei geringen regulatorischen Anforderungen (Einzelhandel, Reiseverkehr, Logistik, Technologie) amortisieren sich am schnellsten. Bei hoher regulatorischer Belastung und hohem Integrationsaufwand (Gesundheitswesen, Energie, Behörden, Transportwesen) ist die technische Umsetzung zwar solide, aber der Genehmigungsprozess bestimmt den Zeitplan.
Jeder Abschnitt benennt die heute bereits funktionierenden Anwendungen, zeigt auf, wer sie anbietet, verweist auf unsere eigenen Erfolge und nennt den entscheidenden Faktor, der bestimmt, wie schnell ein Projekt die Produktionsreife erreicht. Wo es angebracht ist, wird zudem erläutert, wann man besser auf KI verzichten sollte.
Durch Produktionsprognosen können Landwirte ihre Erträge steigern und besser planen; zudem überwacht KI den Wasser- und Stromverbrauch, um Verschwendung zu reduzieren. Computer Vision erkennt Pflanzenkrankheiten frühzeitig und verhindert deren Ausbreitung.
Entscheidender Faktor: Datenreife. Ertragsmodelle benötigen Aufzeichnungen aus mehreren Saisons auf Feldebene, um aussagekräftig zu sein. Landwirte, die nur über Gesamtzahlen für den gesamten Betrieb verfügen, sollten zuerst die Felder erfassen und erst danach ein Modell trainieren.
Wer bietet es an (Kaufempfehlung): Cropin, Blue River Technology, FarmWise sind ausgereift genug für den Kauf; entwickeln Sie nur das Ertragsmodell auf Basis Ihrer eigenen Daten selbst. Wir haben selbst im Bereich Agrartechnologie gearbeitet und die Produkterfahrung von GrainFoxneu gestaltet – eine Erinnerung daran, dass in der Praxis oft die Akzeptanz und nicht die Algorithmen das eigentliche Hindernis darstellen.
Wo genügend Projekthistorie vorhanden ist, schätzt KI Bauzeiten und Kosten und prognostiziert Budget und Zeitplan eines neuen Projekts innerhalb eines nutzbaren Rahmens. Die Analyse dieser Historie deckt zudem die tatsächliche Teamleistung auf und weist auf Probleme hin, bevor sie eskalieren.
Entscheidender Faktor: Datenreife. Die meisten Bauunternehmen speichern ihre Historie in Dokumenten statt in strukturierten Datensätzen. Phase eins ist daher die Datenwiederherstellung, nicht die Modellierung. Wenn Ihre letzten zehn Projekte nur als PDFs und E-Mail-Verläufe vorliegen, beginnen Sie nicht mit einem Modell.
Wer bietet es an: Caidio, Kwant.ai, AirWorks. Bei Großprojekten liefern wir KI und Software für NEOM, wo die Datengrundlagen parallel zu den Gebäuden entstehen.
Die wertvollste Anwendung ist die, die niemand fotografiert: Lehrkräfte von repetitiven Verwaltungsaufgaben zu entlasten, von der Korrektur und Ablage bis hin zu Fortschrittsberichten. Die Daten liegen bereits im Lernmanagementsystem vor. An zweiter Stelle steht die Planung der Einschreibungen: Institutionen planen ihre Aufnahmekapazitäten auf Basis der bereits vorhandenen Daten zu Zulassungen und Ergebnissen.
Bindeglied: regulatorische Anforderungen, wie der Schutz von Studentendaten. Alles, was individuelle Datensätze betrifft, benötigt eine rechtliche Grundlage und einen Audit-Trail, bevor ein Modell auf die Daten zugreifen kann.
Wer liefert es: Carnegie Learning, Cognii, Century Tech. Wir haben das Produkterlebnis für ELSAgestaltet, eine KI-gestützte Sprachlern-App, die heute zu den führenden KI-Tools in ihrer Kategorie zählt – ein Beweis dafür, dass ein Modell im EdTech-Bereich nur so nützlich ist wie die Benutzeroberfläche, die es umgibt.
Im Bereich Energieschätzt KI die Emissionen, die ein System über einen bestimmten Zeitraum verursacht, prognostiziert kurzfristigen Bedarf präzise und erkennt mithilfe von Computer Vision und Analytik Komponentendefekte, bevor ein Betriebsausfall teuer wird.
Bindeglied: Integrationskosten. Stromnetz- und Anlagensysteme sind Betriebstechnologien mit langen Änderungszyklen, weshalb es meist schwieriger ist, eine Vorhersage in die Leitwarte zu bringen, als sie zu erstellen.
Wer liefert es und wo wir es entwickelt haben: wir haben die Machine-Learning-Plattform für Environmental Intellect entwickelt, deren Kunden über 200.000 $ an Vertragskosten einsparen. Neben Anbietern wie Google DeepMind, Anova und Siemens ist es ein praktisches Beispiel für den zentralen Zielkonflikt der Branche: leistungsstarke Modelle bei schwieriger Integration.
Finanzwesen hat sich am schnellsten entwickelt; viele Prozesse sind mittlerweile weitgehend automatisiert. KI unterstützt menschliche Entscheidungen bei der Kreditvergabe durch die Gewichtung von Kreditnehmer- und Vertragsmerkmalen sowie im Portfoliomanagement durch die Auswahl unkorrelierter Positionen und die Identifizierung relevanter Marktbewegungen.
Bindender Faktor: regulatorische Anforderungen. Ein Kreditmodell, das seine Entscheidungen nicht begründen kann, ist nicht einsatzfähig. Der EU AI Act stuft die Bonitätsprüfung von Einzelpersonen weiterhin als Hochrisiko ein (Anhang III, 5(b)), aber der Zeitplan hat sich verschoben: Der Digital Omnibus, der seit dem 27. Juli 2026 in Kraft ist, hat die Verpflichtungen für Hochrisiko-Systeme gemäß Anhang III von August 2026 auf den 2. Dezember 2027 verlagert. Das ist ein Aufschub, keine Aufhebung, und Unternehmen in Großbritannien unterliegen ohnehin einem anderen Regelwerk (kein vergleichbares Gesetz; ein vom ICO geleiteter, innovationsfreundlicher Ansatz). So oder so: Erledigen Sie die Arbeit an der Erklärbarkeit bereits im ersten Sprint; das ist bewährte Praxis, lange bevor es gesetzliche Pflicht wird.
Wer setzt es um und wo haben wir es entwickelt: wir haben Finanzprodukte für Kunden wie BNP Paribas, EY und Sage bereitgestellt und Plattformen wie FundSpace und Confinzeentwickelt. Anbieter, die man im Auge behalten sollte: Socure, Scienaptic AI, AlphaSense.
Die offensichtlichste Anwendung im öffentlichen Sektor ist die sozioökonomische Modellierung: Beschäftigung, Produktivität, Handel, Wohnungsbau, Zugang zu Gesundheits- und Bildungseinrichtungen sowie Einkommensverteilung – alles ist miteinander verknüpft und erfordert computergestützte Unterstützung. Die entscheidende Frage ist, welche Initiative in welchem Umfang finanziert wird. Der zweite Bereich ist der Infrastrukturbetrieb: öffentlicher Nahverkehr, Standortwahl für Krankenhäuser und Schulen, Versorgungsunternehmen sowie der Lastausgleich in Netzwerken – allesamt Planungs- oder Zuweisungsentscheidungen, die auf jahrelangen Erfahrungswerten basieren.
Bindender Faktor: Integrationskosten, verschärft durch das Beschaffungswesen. Öffentliche Systeme sind langlebig und selten darauf ausgelegt, externe Vorhersagen zu integrieren, daher bestimmt der Zugangsweg den Zeitplan stärker als das Modell selbst.
Wer setzt es um und wo haben wir es entwickelt: das ist unser Heimspiel. Wir haben Sozioökonomische Analyseplattform (MPI) von Eurofound, genau das oben beschriebene Problem der „Modellierung vernetzter Verteilungen zur fundierten Mittelvergabe“, und lieferten ein Frontend, das über 280 politische Initiativen abdeckt, in sechs Wochen. Andernorts eingesetzte Plattformen: IBM Watson, Amazon Machine Learning, Google Vertex AI.
Im Bereich Healthtechreicht KI von der Diagnose bis zur Medikamentenentwicklung. Die Schwierigkeit bei der Diagnose besteht darin, dass viele Anzeichen gleichzeitig auf mehrere Erkrankungen hindeuten. Der Ausschluss von Diagnosen ist daher zeitaufwendig, und nur die erfahrensten Kliniker können komplexe Fälle zuverlässig beurteilen.
Bindender Faktor: regulatorische Anforderungen, die höchsten im gesamten Raster. Diagnosesoftware ist in den meisten Märkten ein reguliertes Medizinprodukt: Die FDA führt eine öffentliche Liste KI-gestützter Geräte , die sie zugelassen hat. Das Modell verzögert das Projekt selten; Validierung und klinische Governance hingegen schon. Wann man auf KI verzichten sollte: Wenn Sie den Validierungsprozess nicht personell absichern können, beginnen Sie nicht mit dem Modell.
Wer setzt es ein und wo haben wir es entwickelt: wir haben die KI-gestützte Entscheidungsmaschine für klinische Studien von Aurora Analytica entwickeltund Healthtech-Lösungen für Thermo Fisher, VestaConnect und Jinga Life. Anbieter, die man im Auge behalten sollte: Komodo Health, Corti, Ezra.
KI hilft bei der Entscheidung, welche Lieferanten und Fahrzeuge eingesetzt werden, welche Routen gewählt werden, wann der Versand erfolgt, wie verpackt wird, wo Verteilzentren angesiedelt werden und wie sortiert wird. Ein derart umfangreicher Betrieb wird in Teilprobleme zerlegt und Schritt für Schritt gelöst.
Bindungsfaktor: Integrationskosten, eher moderat als hoch. Die Datenlage ist gut und Entscheidungen wiederholen sich täglich. Die Arbeit besteht also darin, einen Optimierer in das Transportmanagementsystem einzubinden, nicht darin, den Optimierer selbst zu entwickeln. Deshalb zahlt sich Logistik schneller aus, als es ihre Komplexität vermuten lässt.
Wer liefert es aus und wo haben wir es implementiert: wir haben Software für nationale Post- und Logistikunternehmen bereitgestellt für CTT. Anbieter, die man im Auge behalten sollte: Uptake, Symbotic, HAVI.
Fertigung verbindet komplexe Prozesse mit geringen Margen, sodass kleine Verbesserungen zu erheblichen Einsparungen führen, vor allem in der Qualitätskontrolle und Automatisierung. Computer Vision erkennt Fehler zuverlässig und leitet betroffene Produkte zur manuellen Überprüfung aus. Zudem überwacht die vorausschauende Wartung Maschinendaten in Echtzeit, um Maschinen vor einem Ausfall zu warten, anstatt starre Wartungsintervalle einzuhalten. Die Richtlinien des US-Energieministeriums belegen die Wirtschaftlichkeit einer zustandsbasierten Wartung.
Bindungsfaktor: Integrationskosten. Fertigungssysteme und SPS waren nie dafür ausgelegt, die Ergebnisse eines Modells zu verarbeiten, daher scheitern Projekte oft an der Schnittstelle zwischen Vorhersage und Arbeitsauftrag. Für Teams, die die gesamte Fertigungslinie modernisieren, ist dies Industrie 4.0 -Terrain.
Wer liefert es aus und wo haben wir es implementiert: wir haben TrustPortal, eine Plattform zur Automatisierung von Betriebsabläufen, sowie Nextbitt, für die Anlagenwartung, entwickelt. Anbieter, die man im Auge behalten sollte: Rockwell Automation, Nvidia und Environmental Intellect, siehe oben.
Im Bereich Proptechsorgen automatisierte Bewertungen dafür, dass Verkäufer ihre Immobilien schneller listen. Durch digitale Zwillinge können Käufer ihre Präferenzen bereits vor der Besichtigung eingrenzen, was zu weniger Besichtigungsterminen und mehr parallelen Abschlüssen führt. Dokumentenverarbeitung und immersive Modelle runden das Angebot ab.
Der entscheidende Faktor: Datenreife. Die Qualität automatisierter Bewertungen hängt von der Vollständigkeit lokaler Transaktionsdaten ab – deshalb kann dasselbe Modell in einem Markt zuverlässig und im nächsten völlig unbrauchbar sein.
Wer setzt es um und wo haben wir es entwickelt: wir haben Proptech-Lösungen für RE/MAX und Invisible Homesgeliefert. Anbieter, die man im Auge behalten sollte: Compass, Zillow, Redfin.
Im Einzelhandel passiert weit mehr als nur die Optimierung von Filialen: Neben den Klassikern wie E-Commerce und personalisierten Empfehlungen kommen nun virtuelle Anproben, AR sowie Sprach- oder Bildsuche hinzu. Auch der stationäre Handel wandelt sich, wenn auch anders als ursprünglich erwartet: Kassenlose Konzepte erwiesen sich im Betrieb als zu teuer. Amazon hat 2024 das „Just Walk Out“-System aus seinen US-amerikanischen Fresh-Supermärkten entfernt und durch „Dash Carts“ zum Scannen während des Einkaufs ersetzt. Die Technologie wird nun eher an Drittanbieter lizenziert, anstatt sie in eigenen großen Supermärkten zu betreiben. Die Lektion daraus: Der ROI kassenloser Systeme hängt vom Format ab und ist in kleinen Geschäften mit hohem Durchsatz am stärksten.
Bindungsfaktor: kaum eine Einschränkung. Saubere Transaktionsdaten, tägliche Wiederholungen, geringe Regulierung außerhalb personenbezogener Daten. Deshalb ist der Einzelhandel der Sektor, in dem man am schnellsten erste Ergebnisse erzielt.
Wer liefert es und wo haben wir es implementiert: wir haben Einzelhandelsabläufe digitalisiert, einschließlich UNUA's Modegeschäft. Anbieter, die man im Auge behalten sollte: Intel, Bloomreach, Pinterest.
Jedes Unternehmen schützt vertrauliche Informationen, und KI hilft dabei, unbefugten Zugriff zu verhindern. Standardfilter fangen die meisten bösartigen E-Mails ab; die Versuche, die dennoch durchkommen, benötigen eine zusätzliche Schutzschicht. Bots machen einen großen Teil des Internet-Traffics aus, daher sorgt das Erkennen verdächtiger Muster dafür, dass Systeme reibungslos laufen. Das britische National Cyber Security Centre veröffentlicht Leitlinien sowohl zur defensiven als auch zur offensiven Nutzung von KI.
Bindungsfaktor: Prozesswiederholbarkeit, in einem ungewöhnlichen Sinne, da Ihr Angreifer den Prozess absichtlich ändert. Sicherheitsmodelle veralten schneller als alle anderen hier und benötigen eine kontinuierliche Nachschulung als laufende Kostenstelle, nicht als einmaliges Projekt.
Wer liefert es: Cynet, Trellix, Qualys.
Die Analyse von Spielvideos ist Standard. Objekterkennung lokalisiert Spieler und Ball Bild für Bild; Pose Estimation verfolgt, wie sich ein Körper bewegt. Zusammen decken sie Muster über Spiele hinweg auf und liefern Daten für Prognosen, Scouting und Rekrutierung.
Bindungsfaktor: Datenreife, die meist eher zugekauft als selbst aufgebaut wird. Die meisten Vereine lizenzieren Tracking-Daten. Die wettbewerbsrelevante Frage ist also, was Sie mit einem Feed anfangen, den auch Ihre Konkurrenten haben.
Wer liefert es und wo haben wir es implementiert: wir haben Sport- und Fitnessplattformen bereitgestellt, einschließlich obé und das nationale Desporto Escolar Programm. Anbieter, die man im Auge behalten sollte: Run Motion, Wingfield, Hawk-Eye.
KI stammt aus der IT, daher findet sie dort und in der Telekommunikation die meisten Anwendungen. Sie zieht Nutzer durch Chatbots und personalisierte Produkte an, und Nutzungsanalysen zeigen auf, wo eine App Verbesserungsbedarf hat.
Verbindendes Element: keines der vier, was genau das Risiko darstellt. Saubere Daten, wiederholbare Prozesse, lockere Regulierung, niedrige Integrationskosten: Technologieunternehmen liefern KI-Funktionen schneller aus, als sie entscheiden können, ob eine Funktion überhaupt sinnvoll ist. Hier muss die Disziplin vom Produktmanagement kommen, nicht von der Entwicklung. Genau darauf verwenden unsere Teams die meiste Zeit, von Sedna in der maritimen Kommunikation bis hin zu Advania (KI-gestützte IT-Aufarbeitung) und Elephants Don't Forget. Ein Großteil davon fließt in unsere KI-gestützte Individualentwicklung Arbeit.
Anbieter, die man im Auge behalten sollte: DeepL, UiPath, NIQ.
Autonomes Fahren unterteilt sich in Wahrnehmung, Steuerung und Navigation. Ein Steuerungsalgorithmus aktiviert Pedale und Lenkung basierend auf einer 3D-Darstellung, die durch Computer Vision, Lidar und Karten sowie GPS-Routing erstellt wird. Einige Implementierungen überspringen den von Menschen entwickelten Schritt und sagen Steuerungsaktionen direkt aus Videodaten voraus. Autonomie verspricht langlebigere Flotten, geringere Kosten und – da das Verhalten vorhersehbarer wird – weniger Unfälle. Regulierungsbehörden veröffentlichen bereits Sicherheitsdaten, einschließlich der Die allgemeine Anordnung der US-Verkehrssicherheitsbehörde NHTSA zur Meldung von Unfällen mit automatisierten Fahrsystemen.
Bindender Faktor: regulatorischer Aufwand. Wahrnehmung und Steuerung sind technische Probleme mit bekannten Lösungsansätzen. Die Zulassung für den öffentlichen Straßenverkehr hingegen nicht – und sie bestimmt den Zeitplan.
Wer setzt es bereits ein und wo haben wir es implementiert: wir haben Software und Design für die Fluggesellschaft TAPgeliefert. Anbieter, die man im Auge behalten sollte: Tesla, Zensors, Uber.
Die wertvollste Anwendung ist die Empfehlungs-Engine, da sie eine kommerzielle Entscheidung beeinflusst: welche Reiseroute, welches Hotel oder welcher Tarif einem Kunden zuerst angezeigt wird. Ein Online-Reisebüro verfügt bereits über die für ein Empfehlungssystem notwendigen Daten, was dieses Projekt zum schnellsten Weg zu messbaren Ergebnissen in diesem Sektor macht. Routenoptimierung, Sicherheitskontrollen und automatisierte Erstantworten folgen demselben Muster.
Bindender Faktor: auch hier kaum eine Einschränkung. Saubere Buchungsdaten und eine moderate Regulierung machen die Reisebranche neben dem Einzelhandel zu einem der Vorreiter in diesem Bereich.
Wer setzt es bereits ein und wo haben wir es implementiert: wir haben Travel Wifi durch UX zum Marktführer gemacht. Anbieter, die man im Auge behalten sollte: Skyscanner, Hopper, BagsID.
Die Branchenabschnitte beschreiben, was möglich ist. Dieser Abschnitt beschreibt, was dafür nötig ist – die Frage, die sich CEOs, CTOs oder COOs tatsächlich stellen. Wie bei der Matrix handelt es sich hierbei um unsere Beobachtungen aus der Praxis, nicht um einen veröffentlichten Benchmark.
Was vor dem Start gegeben sein muss. Drei bis fünf Jahre nutzbare historische Daten für das, was Sie vorhersagen möchten. Ein benannter Prozess mit einer verantwortlichen Person. Eine definierte Entscheidung, die sich ändert, sobald die Vorhersage vorliegt. Wenn sich nichts ändert, ist das Modell ein Dashboard, kein System.
Wohin das Budget fließt. Betrachten Sie Ihre Daten wie Wasser: In einer Pfütze sind sie wertlos. Der Großteil der Arbeit besteht also aus „Installationsarbeiten“: Leitungen, um das Wasser zu transportieren, Filter, um Verunreinigungen zu entfernen, und ein Hahn, den das Unternehmen aufdrehen kann. Bei den meisten Projekten entfallen etwa zwei Drittel auf Data Engineering und Integration, ein Drittel auf die Modellierung. Beim Aufbau von Environmental Intellect war genau dieses Verhältnis der Grund für den Erfolg: Das Modell war das einfache Drittel. Teams, die das Budget für das Modell planen und die „Installationsarbeiten“ als zweitrangig betrachten, überschreiten ihr Budget.
Dauer bis zur Wertschöpfung. Ein eng gefasstes, gut definiertes Projekt mit sauberen Daten liefert erste Ergebnisse in sechs bis zwölf Wochen und messbaren Mehrwert innerhalb von sechs bis achtzehn Monaten. Regulierte Entscheidungen in den Bereichen Gesundheitswesen, Finanzen, Energie und Behörden erfordern zusätzliche Genehmigungsprozesse, die eher in Quartalen als in Sprints gemessen werden.
Die Fehlerquellen, nach Häufigkeit geordnet. Daten, die sich als unvollständig oder inkonsistent gekennzeichnet erweisen. Ein Prozess, der zu instabil ist, um daraus zu lernen. Kein Verantwortlicher im operativen Bereich, sodass sich bei der Übergabe nichts ändert. Ein Modell, das im Test funktioniert, aber keinen Weg in das System findet, in dem die eigentliche Arbeit stattfindet.
Selbst entwickeln oder zukaufen. Bei einem gängigen Problem mit einem ausgereiften Anbietermarkt, wie etwa Dokumentenverarbeitung, Betrugserkennung oder Nachfrageprognosen, sollten Sie zukaufen und die gesparte Energie in die Integration investieren. Entwickeln Sie selbst, wenn das Modell proprietäre Bereiche berührt: Ihre Preisgestaltung, Ihre Routenplanung, Ihre Ausrüstung, Ihre Kundendaten. Unser Team für angewandte KI und maschinelles Lernen beherrscht beides.
Einzelhandel, Finanzwesen, Logistik und Technologie sind am weitesten fortgeschritten: Sie verfügen über ausgereifte Daten, wiederholbare Prozesse und einen geringen Genehmigungsaufwand. Gesundheitswesen, Energie und öffentliche Verwaltung haben ebenso starke Anwendungsfälle, aber höhere regulatorische Hürden, sodass die Umsetzung eher vom Tempo der Validierung als von der technischen Entwicklung abhängt.
Drei wiederkehrende Ansätze: Prognose von Nachfrage, Ausfällen, Risiken und Erträgen; Automatisierung von Wahrnehmung und Dokumentation; sowie Personalisierung von Ergebnissen. Fast jede Anwendung lässt sich auf einen dieser drei Punkte in Bezug auf die Daten eines Sektors zurückführen.
Ein eng gefasstes Projekt mit sauberen Daten liefert erste nutzbare Ergebnisse nach sechs bis zwölf Wochen und messbaren Mehrwert innerhalb von sechs bis achtzehn Monaten. Regulierte Entscheidungen dauern eher Quartale. Bei Projekten, die mit einer Datenbereinigung beginnen, sollte man mit dem längeren Zeitraum rechnen.
Weniger für die Modellierung, als die meisten Budgets annehmen, dafür mehr für Data Engineering: Etwa zwei Drittel entfallen auf Pipelines, Integration und Monitoring, ein Drittel auf das Modell. Die Kosten laufen nach dem Start weiter, da Modelle driften und neu trainiert werden müssen.
Historische Aufzeichnungen zu dem, was Sie vorhersagen möchten – idealerweise über drei bis fünf Jahre, vollständig, konsistent gelabelt und ohne manuellen Export zugänglich. Wenn Ihre Daten über Tabellenkalkulationen und Altsysteme verstreut sind, ist deren Konsolidierung die erste Phase des Projekts und sollte entsprechend budgetiert werden.
Kaufen Sie bei Standardproblemen mit einem ausgereiften Anbietermarkt (Dokumentenverarbeitung, Betrugserkennung, Standardprognosen) und investieren Sie die gesparte Energie in die Integration. Entwickeln Sie selbst, wenn das Modell einen Bereich betrifft, der für Sie geschäftskritisch und wettbewerbsrelevant ist.
Das Muster bezieht sich auf die Aufgaben- und nicht auf die Rollenebene. Markieren, Prüfen, Ablegen, Erstsichtung und Routine-Screening werden automatisiert. Urteilsvermögen, Ausnahmebehandlung und zwischenmenschliche Beziehungen hingegen nicht. Am stärksten verändern sich die Rollen, in denen der Arbeitstag größtenteils aus wiederholbaren, dokumentierten Aufgaben besteht.
Die Datenverfügbarkeit, gefolgt von der Verantwortlichkeit. Dies ist ein Ergebnis, das die McKinsey-Studie 2025 in großem Umfang bestätigt, da die meisten Unternehmen in der Pilotphase stecken bleiben, anstatt in den produktiven Betrieb zu gehen. Die Wahl des Modells ist selten die Ursache.
Die Branchensegmente und das Raster zeigen in dieselbe Richtung: Die Technologie ist nicht der limitierende Faktor. Datenreife, Prozesswiederholbarkeit, regulatorische Anforderungen und Integrationskosten entscheiden darüber, ob ein Projekt die Produktionsreife erreicht – und diese Faktoren variieren zwischen zwei Unternehmen derselben Branche weitaus stärker als zwischen den Branchen selbst.
Der sinnvollste nächste Schritt ist daher keine KI-Strategie. Suchen Sie sich stattdessen eine Entscheidung aus, die in Ihrem Unternehmen regelmäßig getroffen wird, prüfen Sie, ob Sie über eine saubere Datenhistorie verfügen, und finden Sie die Person, die bei einer entsprechenden Vorhersage anders handeln würde. Fangen Sie dort an.
Wenn Sie eine zweite Meinung dazu einholen möchten, wo Ihr Unternehmen in diesem Raster steht, steht Ihnen unser Engineering-Team gerne für ein Gespräch zur Verfügung. Es ist dasselbe Team, das hinter den oben verlinkten Projekten steht und das in den FT 1000 sowie den Deloitte Technology Fast 50 ausgezeichnet wurde.
Alexandra Mendes ist Senior Growth Specialist bei Imaginary Cloud und verfügt über mehr als 3 Jahre Erfahrung in der Erstellung von Texten über Softwareentwicklung, KI und digitale Transformation. Nach Abschluss eines Frontend-Entwicklungskurses erwarb Alexandra einige praktische Programmierkenntnisse und arbeitet nun eng mit technischen Teams zusammen. Alexandra ist begeistert davon, wie neue Technologien Wirtschaft und Gesellschaft prägen. Sie liebt es, komplexe Themen in klare, hilfreiche Inhalte für Entscheidungsträger umzuwandeln.
CEO von Imaginary Cloud und Mitautor des Buches Product Design Process. Ich mag Essen, Wein und Krav Maga (nicht unbedingt in dieser Reihenfolge).
People who read this post, also found these interesting:
-%2520Survey%2520Insights.webp)
