KI bewegt sich über die Experimentierphase hinaus.
Branchenübergreifend tätigen Unternehmen erhebliche Investitionen in KI, um die Produktivität zu steigern, die Entscheidungsfindung zu beschleunigen und neue Wachstumschancen aufzudecken. Dennoch suchen viele Führungskräfte immer noch nach einem klaren Weg, der sie von Pilotprojekten zu messbaren Geschäftsergebnissen führt.
Während neun von zehn (88 %) Unternehmen KI testen, berichten laut dem Bericht The State of Organizations 2026 von McKinsey nur 19 % von nennenswerten geschäftlichen Vorteilen. Die Herausforderung besteht darin, KI auf eine Weise bereitzustellen und zu skalieren, die zuverlässig und kontrolliert ist und einen greifbaren Mehrwert bietet.
Diese Hürde prägte viele der Gespräche beim letzten Alteryx on Tour-Event in London, bei dem Kund:innen, Partner:innen und Branchenführer:innen ihre Sichtweise darüber austauschten, was tatsächlich notwendig ist, um KI von einer spannenden Idee zu einer produktionsreifen Technologie weiterzuentwickeln. Dabei kristallisierten sich drei zentrale Themen heraus.
1. Die entscheidende Herausforderung: Vertrauen
Die Chancen, die KI bietet, sind enorm – ebenso wie die Risiken, die sich daraus ergeben, dass KI ohne die richtige Governance und Kontrolle eingesetzt wird.
Da KI zunehmend in geschäftskritische Prozesse integriert wird, ist Vertrauen zu Recht zur entscheidenden Herausforderung geworden. Führungskräfte müssen darauf vertrauen können, dass KI-generierte Ergebnisse verständlich, validierbar und kontrollierbar sind, bevor sie zur Unterstützung wichtiger Entscheidungen und in großem Umfang eingesetzt werden.
In seiner Keynote stellte Andy MacMillan, CEO von Alteryx, ein einfaches Szenario vor, das den größten Stolperstein von KI auf den Punkt brachte: ihre probabilistische Natur. Nachdem er von einem Large Language Model eine fehlerhafte Finanzberatung erhalten hatte, fragte er ein anderes LLM nach dem Grund für diesen Fehler.
Dessen Antwort? „Naja, LLMs liegen oft falsch.“
Wenn man der KI nicht vertrauen kann, lässt sie sich auch nicht operativ nutzen.
Um diesem Problem zu begegnen, stellte er das VURA-Framework vor: KI muss sichtbar (Visible), verständlich (Understandable), wiederholbar (Repeatable) und prüfbar (Auditable) sein. Nur so können Unternehmen sicher sein, dass jede Erkenntnis transparent und erklärbar ist sowie auf verlässlicher Geschäftslogik beruht.
Das gilt insbesondere, wenn Unternehmen beginnen, agentenbasierte KI einzuführen. Im Gegensatz zu herkömmlichen Chatbots, die grundlegende Fragen beantworten, wird von KI-Agenten erwartet, dass sie Informationen analysieren, eigenständig handeln und Entscheidungen treffen. Ohne Vertrauen, Governance und Transparenz verwandelt sich dieses Potenzial schnell in ein Risiko.
Diese Bedenken sind weit verbreitet. Nur 3 % der Data Analysts fühlen sich mit vollständig autonomer KI wohl. Das unterstreicht, wie wichtig Vertrauen, Transparenz und Governance im Wettlauf von Unternehmen um die Skalierung von KI geworden sind.
Das bedeutet natürlich nicht, dass Unternehmen aufhören sollten, KI oder Large Language Models zu verwenden. Die Chance besteht nicht darin, dass KI bewährte Workflows ersetzt, die bereits aussagekräftige Dashboards, geschäftskritische Berichte und unternehmensweite Automatisierungen ermöglichen. Die Chance besteht darin, diese Workflows durch KI zu erweitern.
Vorhandene Analyse-Workflows und Geschäftslogik werden zur Grundlage für KI und verwandeln Workflows von statischen in interaktive Assets. Geschäftsanwender:innen können mithilfe natürlicher Sprache mit ihnen interagieren, während die KI auf Basis der Geschäftslogik Schlussfolgerungen zieht, anstatt Antworten isoliert zu generieren. Das Ergebnis ist eine schnellere Entscheidungsfindung, ohne Transparenz oder Rückverfolgbarkeit zu beeinträchtigen.
2. Im LLM-Zeitalter kommt es auf Geschäftskenntnisse an
Unternehmen haben jahrelang in moderne Cloud-Datenplattformen, Analyse-Workflows und Governance-Modelle investiert. Der nächste Schritt wäre nicht, diese Investitionen gegen KI einzutauschen, sondern KI mit den bewährten Daten, der Geschäftslogik und dem Fachwissen zu verknüpfen, die bereits Entscheidungen beeinflussen.
Das ist wichtig, da KI nicht automatisch Rückschlüsse auf die Finanzkontrollen, operativen Richtlinien oder regulatorischen Anforderungen eines Unternehmens ziehen kann. Um erfolgreich skalieren zu können, benötigt KI Geschäftskenntnisse, die in die Art und Weise integriert sind, wie sie aufgebaut, verwaltet und genutzt wird.
Diese Botschaft zog sich wie ein roter Faden durch die Alteryx on Tour.
Während der UBS-Session betonte die Bank, wie wichtig es sei, „das System zu steuern, nicht die Benutzer “. Ziel ist es nicht, Geschäftsteams daran zu hindern, KI und Analysen zu nutzen, sondern ihnen eine sichere und kontrollierte Basis zu bieten, auf der sie gefahrlos und effektiv arbeiten können.
Das bedeutet, unterschiedlichsten Anwender:innen – von sog. „Citizen Buildern“ über reguläre Fachanwender:innen bis hin zu Expert:innen – die Nutzung von Analytics in ihrem jeweiligen Kontext zu ermöglichen. Gleichzeitig behält die IT die Kontrolle über Standards und Leitplanken, die für eine sichere Skalierung erforderlich sind.
Unternehmen, die KI erfolgreich skalieren, müssen nicht zwischen Geschäft und IT wählen – sie bringen beide zusammen, um zuverlässige Daten, Geschäftsexpertise und Governance zu kombinieren und so bessere Ergebnisse zu erzielen.
Starten Sie durch: Laden Sie jetzt unsere KI-fähigen Starter-Kits herunter
3. Lösen Sie geschäftliche (keine rein technischen) Probleme
Während KI weiterhin die Schlagzeilen beherrscht, konzentrieren sich viele der überzeugendsten Geschichten auf die Lösung praktischer Herausforderungen.
Ein herausragendes Beispiel stammt von der Marine Conservation Society. Mit einem kleineren Daten- und Analyseteam entwickelte die Wohltätigkeitsorganisation ein KI-gestütztes Modell, um die Auswirkungen öffentlicher Richtlinien auf den Müll an Stränden zu messen und so eine auf Fakten basierende Umweltarbeit zu fördern.
Das Team nutzt Analytics und KI, um komplexe Ergebnisse in verständliche Berichte zu übersetzen und diese anschließend über einen KI-Chatbot zugänglich zu machen. Dies ermöglicht es Stakeholdern, Folgefragen in natürlicher Sprache zu stellen, wodurch der Zugang zu Erkenntnissen erweitert wird, ohne zusätzliche Anforderungen an das Analyseteam zu stellen.
Dieses Prinzip spiegelte sich in der gesamten Veranstaltung wider. Anstatt Automatisierung und KI um ihrer selbst willen einzusetzen, integrieren Unternehmen die Technologie in Workflows, die ihr Geschäft vorantreiben.
Der Grußkartenanbieter UK Greetings hat sein Business-Intelligence-Reporting vollständig automatisiert und weitet nun die Anwendungsbereiche für Analytik auf die gesamte Lieferkette aus – von der Reduzierung von Verschwendung bis zur Optimierung von Verkaufschancen.
Marex berichtete, wie das Unternehmen Alteryx One für kontinuierliche, eigenständige Automatisierungsprozesse nutzt, während Zenith demonstrierte, wie Automatisierung die Finanzabläufe im großen Stil transformiert.
Unternehmen beginnen nicht mit KI und suchen dann nach einem Use Case. Sie beginnen mit einer geschäftlichen Herausforderung und nutzen Analytics, Automatisierung und KI, um diese schneller und intelligenter zu lösen.
Wie geht es weiter?
Die Diskussion über KI und Agenten entwickelt sich rasant weiter.
Unternehmen gehen über die reine Experimentierphase hinaus und stellen sich eine wichtigere Frage: Wie lässt sich verantwortungsvoll skalieren?
Die Antwort besteht darin, vertrauenswürdige Grundlagen zu schaffen, geschäftliches Fachwissen zu integrieren und die direkt in die Arbeit eingebundenen Mitarbeiter:innen zu befähigen, selbstbewusst Innovationen voranzutreiben.
Angesichts des rasanten Fortschritts der KI werden nicht zwangsläufig jene Unternehmen den größten Mehrwert schaffen, die die Technologie am schnellsten einführen. Vielmehr werden diejenigen erfolgreich sein, die zunächst Vertrauen aufbauen – indem sie Daten, geschäftliches Fachwissen und KI miteinander verknüpfen, um wirkungsvolle Geschäftsergebnisse zu erzielen.