AI-Nutzung messen: Eine geschäftliche Notwendigkeit

Die Messung der KI-Nutzung wird zur geschäftlichen Anforderung

Unternehmensgruppen setzen bereits Dutzende von KI-Tools in ihrem täglichen Geschäft ein. Die Nutzung reicht von der Code-Generierung und Analytik über die Erstellung von Kundenunterstützungsdokumenten bis hin zur internen Forschung. Die Aufsicht bleibt ungleichmäßig über Rollen, Funktionen und Branchen verteilt. Eine neue Umfrage unter Führungskräften stellt die Messung und Governance in den Mittelpunkt dieses Betriebsumfelds.

Führungskräfte äußern häufig Vertrauen in ihr Verständnis der KI-Aktivitäten innerhalb der Organisation. Direktoren und Manager, die näher am täglichen Betrieb sind, beschreiben jedoch eine andere Situation. Das Vertrauen nimmt ab, je näher man an der Ausführung ist, was eine 16-Punkte-Lücke zwischen den Ansichten der Führungskräfte und der Direktoren zur Sichtbarkeit von KI erzeugt. Diese Lücke besteht branchenübergreifend und unabhängig von der Unternehmensgröße.

Die Nutzung von „Shadow AI“ trägt zu diesem Missverhältnis bei. Mehr als ein Fünftel der Führungskräfte identifizieren die Nutzung persönlicher oder nicht genehmigter KI-Tools durch Mitarbeiter als ein Hindernis für den Erfolg, obwohl die Mehrheit derselben Gruppe von hoher Sichtbarkeit überzeugt ist. Die Beschaffung von Tools bietet Einblick in die gekauften Lizenzen, jedoch nur begrenzte Informationen über die täglichen Nutzungsmuster auf Desktop- und Browserebene.

Ein führender CEO äußerte: „Die C-Suite glaubt, dass KI sichtbar, wertvoll und unter Kontrolle ist, während die Einführung schneller voranschreitet als die Messung und die Governance inkonsistent ist. Bis Unternehmen ihre Bemühungen um Echtzeitdaten organisieren können, könnte KI sowohl ein strategisches Risiko als auch ein strategisches Gut sein.“

Blindstellen im Vertrauen

Die meisten Unternehmen verlassen sich auf mehr als ein KI-Produkt. Organisationen, die stärkere Erträge melden, verwenden im Durchschnitt 2,7 Tools, während niedrigere Leistungsträger nur 1,1 nutzen. Spezialisierte Tools unterstützen unterschiedliche Arbeitsabläufe wie Softwareentwicklung, Automatisierung, Analyse und Inhaltserstellung. Zentralisierte Plattformen machen nur einen Teil der täglichen Aktivitäten aus.

Diese Diversifizierung führt zu Redundanzen. Einige Führungskräfte glauben, dass überlappende Tools eine Quelle für Budgetverschwendung sind. Eingebettete KI-Funktionen innerhalb von SaaS-Plattformen erhöhen die Anzahl der verwendeten Tools. Im Durchschnitt betreibt ein großes Unternehmen jetzt 23 KI-Tools, wobei 45 Prozent der Nutzung außerhalb formeller IT-Beschaffungswege erfolgt.

Nur 38 Prozent der Organisationen führen ein umfassendes Inventar der verwendeten KI-Anwendungen. Fehlende Inventare erschweren die Governance, das Budgetmanagement und das Risikomanagement, insbesondere da regulatorische Rahmenbedingungen wie ISO 42001 eine kontinuierliche Kenntnis der implementierten Systeme erfordern.

Rendite und Sichtbarkeit

Die Rendite variiert stark nach Sektor. Einzelhandel, Software, Fertigung und Telekommunikation melden eine hohe Wahrscheinlichkeit, innerhalb von sechs Monaten eine Rendite zu realisieren. Gastgewerbe, Restaurants und das Gesundheitswesen berichten über niedrigere Erwartungen.

Die Struktur der Arbeitsabläufe erklärt einen Großteil des Unterschieds. Sektoren, die Wissensarbeit in diskrete, automatisierbare Aufgaben zerlegen, erzielen schnellere Ergebnisse. Branchen, die in physischen Operationen oder streng regulierten Prozessen verankert sind, berichten von langsameren Fortschritten. Das Gesundheitswesen sticht hervor mit hohem Vertrauen der Führungskräfte in die Sichtbarkeit, gepaart mit den niedrigsten Renditeerwartungen, was auf Friktionen bei der Governance und Compliance-Beschränkungen hinweist.

Unterschiede nach Funktion

Die Ergebnisse unterscheiden sich auch nach Jobfunktion. IT-Teams berichten von den stärksten Ergebnissen und dem höchsten Vertrauen in sowohl Sichtbarkeit als auch Rendite. Diese Teams nutzen KI zur Code-Generierung, Automatisierung von Infrastruktur und Beschleunigung der Bereitstellung, was messbare Ergebnisse wie Bereitstellungshäufigkeit und Systemverfügbarkeit erzeugt.

Kundenservice und Logistik berichten von geringerem Vertrauen. Die KI-Nutzung in diesen Funktionen konzentriert sich auf Entwurf, Zusammenfassung und Koordinationsaufgaben, die inkrementelle Gewinne liefern. Die Messung bleibt begrenzt, und die Wertzuweisung erweist sich als schwierig. Kundenservice-Rollen berichten über das niedrigste Vertrauen in die Rendite aller Funktionen, trotz hoher Investitionen in Chatbots und Hilfstools für Agenten.

Produktivitätsgegensätze

Die meisten Mitarbeiter berichten von bescheidenen Zeitersparnissen durch KI. Mehr als 85 Prozent sparen weniger als 10 Stunden pro Monat. Eine kleine Gruppe von Power-Usern, etwa sechs Prozent der Belegschaft, berichtet von Einsparungen von über 20 Stunden pro Monat. Diese Nutzer engagieren sich über mehrere Tools und nutzen fortgeschrittene Funktionen.

Die Schulung korreliert stark mit der Kompetenz. Organisationen mit formalen KI-Schulungsprogrammen berichten von höheren Fähigkeiten, Zufriedenheit und Produktivitätsgewinnen. Nutzungsmetriken allein erfassen diesen Unterschied nicht. Anmeldezahlen und Lizenzen bieten nur begrenzte Einblicke in die Effektivität oder Wertschöpfung.

Herausforderungen bei der Messung

Strukturelle Probleme schränken die Messung von KI in Unternehmen ein. Dreißig Prozent der Befragten geben an, dass es Verantwortungslücken bei der Messung von KI gibt. Fragmentierte Zuständigkeiten über die Teams hinweg folgen dicht dahinter. Technische Einschränkungen rangieren niedriger.

Governance-Richtlinien bestehen in den meisten Organisationen, jedoch variiert die Ausführung. Neunundsechzig Prozent berichten, dass sie Richtlinien zu KI-Risiken und Compliance haben, und mehr als 80 Prozent äußern Zufriedenheit mit den Schutzmaßnahmen. Gleichzeitig fehlt vielen die Sichtbarkeit über die Nutzungsraten der Belegschaft, das Risikopotenzial und die Wertmetriken. Organisationen mit formalisierten Governance-Strukturen zeigen eine höhere Wahrscheinlichkeit für eine Rendite, was die Ausrichtung zwischen Führung, Sicherheit und operativen Teams widerspiegelt.

Die verfolgten Metriken betonen die Erfassungsfreundlichkeit. Einsparungen, Nutzeranteile und wöchentliche Zeitersparnisse führen die Liste an. Weniger Organisationen verfolgen die Investitionen pro Tool, die Reife nach Funktion oder Verbesserungen der Liefergeschwindigkeit. Diese Lücken schränken die Fähigkeit ein, die KI-Nutzung mit Geschäftsergebnissen zu verknüpfen.