Wie man Open Source ausbremst, ohne es zu verbieten
Benedikt Langer
6 Min. Lesezeit Das schärfste Argument gegen Chinas beste offene KI kommt von einem Mann bei OpenAI. ...
Zum Beitrag
6 Min. Lesezeit
Der Pilot lief, die Demo überzeugte, das Budget steht. Trotzdem kommt die KI nie in den Regelbetrieb. Branchenberichte zeichnen ein klares Bild: Nur ein kleiner Teil der KI-Vorhaben schafft den Sprung in den dauerhaften Produktivbetrieb, je nach Studie skalieren am Ende oft nur 10 bis 15 Prozent. Das Problem sitzt selten im Modell, fast immer im Betrieb drumherum.
Das Wichtigste in Kürze
- Der Pilot beweist das Falsche. Eine erfolgreiche Demo zeigt, dass ein Modell funktioniert, nicht dass die Organisation es tragen kann. Genau diese Lücke kostet die meisten Projekte den Übergang.
- Drei Hebel entscheiden: Ownership, produktionsreife Daten und ein mitgedachter Betrieb. Wer einen davon auslässt, baut einen Dauer-Pilot statt eines Regelbetriebs.
- CIOs steuern den Übergang, nicht das Modell. Die Entscheidung über Verantwortung, Datenqualität und Change liegt im Management, nicht beim Data-Science-Team allein.
Verwandt:Build, Buy oder Partner: die Rechnung davor / Das Operating Model, das die Reorg überlebt
Warum der Pilot das falsche Versprechen gibt
Was ist der Übergang vom Pilot zum Regelbetrieb? Gemeint ist der Schritt von einem zeitlich begrenzten Test, der unter kontrollierten Bedingungen läuft, hin zu einem dauerhaft betriebenen System mit echten Daten, festen Verantwortlichkeiten und Anbindung an Geschäftsprozesse. Erst dort entsteht Wert, dort scheitern aber auch die meisten Vorhaben.
Ein Pilot ist darauf ausgelegt, eine Frage zu beantworten: Kann das Modell die Aufgabe grundsätzlich lösen? Diese Frage fällt fast immer positiv aus, weil der Pilot in einer geschützten Umgebung läuft. Saubere Beispieldaten, ein engagiertes Team, keine Last, keine Haftung. Genau diese Bedingungen verschwinden im Regelbetrieb.
Die Mehrheit, die den Sprung nicht schafft, scheitert deshalb nicht am Modell allein. Sie scheitert daran, dass niemand den Pilot für den Dauerbetrieb gebaut hat. Wer das versteht, plant den Übergang von Anfang an mit, statt ihn als Anhängsel zu behandeln.
Hebel 1: Ownership klären, bevor die Technik steht
Die erste Frage im Regelbetrieb ist keine technische. Sie lautet: Wem gehört das System, wenn es morgens um sieben eine falsche Antwort gibt? Im Pilot beantwortet das Data-Science-Team alles selbst. Im Regelbetrieb braucht es eine benannte fachliche Verantwortung, einen Betriebsverantwortlichen und eine klare Eskalation.
Ohne diese Zuordnung pflegt das System niemand, sobald das Projektteam zur nächsten Initiative weiterzieht. Was im Pilot noch sauber lief, bleibt dann unbeobachtet liegen. Der CIO entscheidet hier über Rollen, Budgets und Rechenschaftspflicht. Die Algorithmen sind dabei zweitrangig.
Hebel 2: Daten produktionsreif machen
Im Pilot arbeitet das Modell mit einem kuratierten Datensatz, oft per Hand bereinigt. Im Regelbetrieb trifft es auf die Realität: lückenhafte Felder, doppelte Einträge, Formate, die sich von System zu System unterscheiden. Ein Modell, das mit sauberen Daten brilliert, kann an diesem Alltag zerbrechen.
Produktionsreife Daten heißt: eine verlässliche Pipeline, definierte Qualitätsregeln und ein Monitoring, das Abweichungen meldet, bevor sie zu falschen Ergebnissen werden. Das ist unglamourös und genau der Teil, den ein Pilot bewusst ausklammert. Wer ihn nicht nachholt, bekommt im Betrieb falsche Ergebnisse, die niemand rechtzeitig bemerkt.
Hebel 3: Den Betrieb von Anfang an mitdenken
Ein produktives KI-System ist ein laufender Betrieb, kein fertiges Produkt. Modelle altern, weil sich die Welt unter ihnen verändert. Eingabedaten verschieben sich, Nutzer verhalten sich anders, das Geschäft entwickelt sich weiter. Ohne regelmäßige Prüfung sinkt die Qualität schleichend, ohne dass jemand den Punkt bemerkt.
Pilot-Logik
- Kuratierte Beispieldaten
- Engagiertes Projektteam daneben
- Erfolg = funktioniert grundsätzlich
- Keine Haftung, keine Last
Regelbetrieb-Logik
- Echte, unaufgeräumte Produktivdaten
- Benannte Verantwortung und Eskalation
- Erfolg = liefert verlässlich über Zeit
- Monitoring, Haftung, Betriebskosten
Wer den Betrieb von Anfang an einplant, kalkuliert diese laufenden Kosten ein und definiert, wer das System pflegt. Das verschiebt die Wirtschaftlichkeitsrechnung, macht sie aber ehrlich. Ein KI-System ohne eingeplantes Betriebsbudget verschiebt seine Kosten nur in spätere Quartale.
Was CIOs zuerst angehen sollten
Der erste Schritt ist eine ehrliche Bestandsaufnahme der eigenen Piloten. Welche davon haben eine benannte fachliche Verantwortung, eine produktionsreife Datenbasis, ein eingeplantes Betriebsbudget und einen messbaren Geschäftsnutzen? Piloten, die diese Punkte erfüllen, sind übergangsreif. Die anderen brauchen erst diese Grundlagen, bevor weiteres Geld in Modelltuning fließt.
Der zweite Schritt ist Disziplin bei der Auswahl. Nicht jeder Pilot muss in den Regelbetrieb. Ein Unternehmen, das drei Vorhaben sauber produktiv setzt, steht besser da als eines mit fünfzehn Dauer-Piloten, die niemand verantwortet. Beim Übergang kommt ein Unternehmen mit klarem Fokus weiter als eines, das alles gleichzeitig produktiv setzen will.
Häufig gestellte Fragen
Warum scheitern so viele KI-Piloten am Übergang in den Regelbetrieb?
Weil der Pilot eine andere Frage beantwortet als der Betrieb. Er zeigt, dass ein Modell die Aufgabe grundsätzlich lösen kann, unter geschützten Bedingungen. Im Regelbetrieb fehlen dann benannte Verantwortung, produktionsreife Daten und ein eingeplanter Betrieb. Branchenberichte zeigen, dass nur eine Minderheit der Projekte diesen Sprung sauber schafft.
Was unterscheidet einen Piloten vom Regelbetrieb konkret?
Der Pilot läuft mit kuratierten Daten, einem Team daneben und ohne Haftung. Der Regelbetrieb arbeitet mit echten, unaufgeräumten Daten, braucht feste Verantwortlichkeiten, ein Monitoring und ein laufendes Betriebsbudget. Erfolg heißt im Pilot funktioniert grundsätzlich, im Betrieb liefert verlässlich über Zeit.
Welche Rolle hat der CIO beim Übergang?
Eine steuernde. Die Entscheidungen über Ownership, Datenqualität und Betriebsbudget liegen im Management, nicht beim Data-Science-Team allein. Der CIO sorgt dafür, dass jedes produktive KI-System eine fachliche Verantwortung, eine Eskalation und ein Pflegebudget hat.
Müssen alle Piloten in den Regelbetrieb überführt werden?
Nein, im Gegenteil. Disziplin bei der Auswahl ist ein eigener Erfolgsfaktor. Drei sauber produktiv gesetzte Vorhaben bringen mehr als fünfzehn Piloten, die im Dauerzustand verharren. Wenige übergangsreife Systeme sauber zu betreiben, bringt mehr als eine breite Streuung.
Was kostet der laufende Betrieb eines KI-Systems?
Mehr als der Pilot suggeriert. Zum Betrieb gehören Datenpflege, Monitoring, regelmäßige Prüfung der Modellqualität und eine benannte Verantwortung. Diese Kosten gehören in die Wirtschaftlichkeitsrechnung, sonst entsteht eine aufgeschobene Rechnung statt eines Sparmodells.
Weiterlesen auf Digital Chiefs
Digital ChiefsJeder baut jetzt KI-Agenten. Wer kontrolliert sie?Digital ChiefsWenn die KI ihre eigenen Nachfolger bautDigital ChiefsBuild, Buy oder Partner: die Rechnung davorMehr aus dem MBF Media Netzwerk
cloudmagazinCloud-Repatriation: Wann sich Rückholen rechnet mybusinessfutureKI-Vertrauen unter Druck: Anthropic macht verdeckte Eingriffe sichtbar securitytodaySecurity Awareness: die Klickrate misst das FalscheTitelbild: KI-generiert (Juni 2026)