- Der MIT-Bericht „State of AI in Business 2025“ zeigt, dass Unternehmen 30-40 Milliarden US-Dollar für generative KI ausgegeben haben, aber 95 % keinen Return on Investment sehen; nur 5 % haben die „GenAI-Kluft“ überwunden.
- Qlik & ESG: 94 % der Unternehmen erhöhen ihre KI-Investitionen, aber nur 21 % arbeiten effektiv. Informatica: Die Hauptursachen sind schlechte Datenqualität, mangelnde Bereitschaft und eine unausgereifte Infrastruktur.
- Das Problem liegt nicht in den KI-Modellen selbst, sondern in der mangelnden Integration, der Unfähigkeit, die Dateneignung zu messen, den Erwartungen der Mitarbeiter und einer dynamischen Governance.
- Traditionelle Frameworks (RICE, ICE, MoSCoW) scheitern bei KI, weil:
- Reach (Reichweite) basiert auf absoluten Nutzerzahlen, die leicht übertrieben werden können.
- Confidence (Vertrauen) ist subjektiv und ignoriert Datenrisiken und Modellfähigkeiten.
- Effort (Aufwand) berücksichtigt nur das Codieren, nicht die Kosten für die Datenbereinigung.
- Impact (Auswirkung) ist schwer zu messen, da KI Menschen unterstützen oder ersetzen kann und das Verhalten inkonsistent ist.
- Apple hebt mit seiner Forschung „Die Illusion des Denkens“ die Grenzen von Großen Schlussfolgerungsmodellen (LRMs) hervor: Schwierigkeiten bei der Generalisierung über die Trainingsdaten hinaus und instabiles Verhalten.
- Eine Stanford-Studie von 2025 zu 800 Aufgaben/100 Berufen ergab: Mitarbeiter möchten, dass KI bei fast 50 % ihrer Arbeit hilft, aber viele KI-Projekte konzentrieren sich auf die falschen Aufgaben. Die vorgeschlagene „Skala der menschlichen Handlungsfähigkeit“ zeigt, dass der höchste Wert in der KI-Unterstützung liegt, nicht im Ersatz.
- ARISE (Bewertung der KI-Bereitschaft und -Auswirkung) wurde als Ersatz für RICE entwickelt:
- Es behält Reichweite, Auswirkung, Vertrauen und Aufwand bei, standardisiert aber deren Skalen.
- Es fügt 3 neue Faktoren hinzu: AI Desire (echter Bedarf), AI Capability (Daten, Modellreife) und Intent (KI-Unterstützung vs. Automatisierung).
- Formel: ARISE-Score = (Reichweite * Auswirkung * Vertrauen / Aufwand) × KI-Bedarf × KI-Fähigkeit × Absichts-Multiplikator.
- Beispiel: Ein KI-Programmierassistent (ARISE-Score = 20) wird höher priorisiert als eine KI zur automatischen Fehlerbehebung (Score = 1), da die Datenfähigkeit noch schwach ist.
- ARISE hilft Unternehmen, das Jagen nach glänzenden Demos zu vermeiden und sich auf Projekte mit echtem Wert zu konzentrieren, die Mensch und KI in Einklang bringen.
📌
Obwohl 30-40 Milliarden US-Dollar in generative KI investiert wurden, haben 95 % der Organisationen noch keine Vorteile geerntet, hauptsächlich aufgrund veralteter Projektmanagement-Frameworks und mangelnder Datenbereitschaft. ARISE tritt als KI-natives Werkzeug an die Stelle von RICE und fügt Metriken für KI-Bedarf, -Fähigkeit und -Absicht hinzu, um Machbarkeit und realen Wert sicherzustellen. Dies hilft Unternehmen, häufige Fallstricke zu vermeiden, die richtigen KI-Projekte zu priorisieren und ein Gleichgewicht zwischen menschlicher Unterstützung und Automatisierung zu finden.
