Studie enthüllt: Kontext entscheidet über Erfolg von KI in Geschäftsprozessen – Strukturelle Hindernisse bremsen Wertschöpfung.

Neue Studie von Celonis und Fraunhofer: Herausforderungen beim Einsatz von Künstlicher Intelligenz in Geschäftsprozessen

Eine aktuelle Untersuchung von Celonis und dem Fraunhofer-Institut für Angewandte Informationstechnik FIT analysiert die Ursachen, warum viele KI-Projekte nicht die erwarteten Ergebnisse erzielen. Die Studie basiert auf qualitativen Interviews mit Führungskräften aus internationalen Unternehmen unterschiedlicher Branchen sowie auf der Auswertung empirischer Daten und aktueller Markt- und Forschungsberichte zu Künstlicher Intelligenz, Process Intelligence und Object-centric Process Mining.

Zentrale Erkenntnisse: Kontext als Schlüssel zum Erfolg

Im Mittelpunkt der Analyse steht die Erkenntnis, dass der Erfolg von KI-Anwendungen weniger von der Qualität der Modelle abhängt, sondern vielmehr von der Fähigkeit eines Unternehmens, den relevanten Kontext seiner Geschäftsprozesse zu erfassen, zu steuern und als gemeinsame Grundlage für KI-Lösungen bereitzustellen. Diese sogenannte Kontextschicht verbindet Unternehmensdaten mit der IT-Infrastruktur und schafft so die Basis für messbare Mehrwerte.

Strukturelle Hindernisse verhindern Wertschöpfung

Ein wesentlicher Fokus der Studie liegt auf dem sogenannten Action-Value-Gap, dem Spannungsfeld zwischen den hohen Erwartungen an KI und den tatsächlichen Ergebnissen. Die Analyse zeigt, dass dieses Gap nicht primär durch technische Defizite oder fehlendes Know-how entsteht, sondern durch strukturelle Probleme innerhalb der Unternehmen. Die wichtigsten identifizierten Barrieren sind:

• Fragmentierte Daten- und Prozesslandschaft: Aufgrund von isolierten Systemen, komplexen Prozessüberlappungen und Datensilos fehlt eine ganzheitliche Sicht auf Prozessketten, was KI-Anwendungen nur Teilaspekte erkennen lässt.
• Fehlender gemeinsamer Geschäftskontext: Wichtige Elemente wie Begriffe, Objekte, Kennzahlen und Regeln sind nicht zentral verankert, sondern werden in einzelnen KI-Projekten separat definiert.
• Unklare Betriebsmodelle und Governance: Rollen, Verantwortlichkeiten und Entscheidungsprozesse sind oft unzureichend definiert und können mit der schnellen Entwicklung von KI-Anwendungen nicht Schritt halten.
• Intransparente Wertlogik und steigende Kosten: Es fehlen klare Ziel-KPIs und eine durchgängige Messlogik für den Nutzen von KI. Gleichzeitig steigen Kosten für Plattformen, Cloud-Dienste und Token, was die Skalierung von KI-Projekten erschwert.
• Unzureichendes Change-Management und fehlende Integration: KI wird häufig als isoliertes Technologievorhaben behandelt, während die Veränderung von Arbeitsorganisation und Entscheidungsprozessen unzureichend begleitet wird.

Diese Faktoren führen dazu, dass KI-Lösungen zwar technisch leistungsfähig sein können, jedoch im Kerngeschäft selten zuverlässig und skalierbar zum Einsatz kommen. Prof. Dr. Maximilian Röglinger, stellvertretender Institutsleiter des Fraunhofer FIT, betont: „Der Mangel an Verständnis für die tatsächlichen Abläufe im Unternehmen ist häufig der Grund für das Scheitern von KI-Anwendungen. Erst wenn Geschäftsprozesse maschinenlesbar abgebildet sind – inklusive der beteiligten Objekte, Regeln, Verantwortlichkeiten und Erfolgskriterien – kann KI verlässlich und skalierbar Mehrwert schaffen.“

Die Rolle der Kontextschicht für skalierbare KI

Die Studie empfiehlt, punktuelle KI-Einsätze durch eine gemeinsame Kontextschicht zu ersetzen, die die Dimensionen Daten, Erkenntnisse, Maßnahmen und Wertschöpfung miteinander verknüpft. Dies ermöglicht eine kontinuierliche Übertragung von Verbesserungen auf nachfolgende Prozessschritte und erzeugt einen Kaskadeneffekt. Dabei verbessert der Geschäftskontext die Datenqualität, während der KI-Einsatz auf jeder Ebene neue Potenziale erschließt.

Lars Reinkemeyer, Chief Evangelist bei Celonis, fasst zusammen: „Ohne einen relevanten Prozesskontext bleiben Unternehmens-KI-Projekte hinter ihren Möglichkeiten zurück. Unternehmen müssen die isolierte Betrachtung einzelner KI-Projekte überwinden und eine belastbare Datenbasis für Prozesse und Kontext schaffen, um Pilotprojekte in messbaren Geschäftserfolg zu überführen.“

Empfehlungen zur Überwindung des Action-Value-Gaps

Die Untersuchung zeigt auf, wie eine solche Kontextschicht systematisch aufgebaut werden kann und welche Bedeutung Process Intelligence dabei hat. Anhand von Interviews und Praxisbeispielen wird dargestellt, wie Unternehmen KI entlang klar definierter Handlungsfelder implementieren können. Daraus entstand ein Umsetzungsleitfaden, der den organisationsweiten Rollout von Unternehmens-KI und die Realisierung messbarer Mehrwerte unterstützt.

Zur Unterstützung des Einstiegs enthält die Studie einen Fragenkatalog zur Selbsteinschätzung, mit dem Unternehmen ihre Bereitschaft für den KI-Einsatz evaluieren können. So lässt sich Enterprise AI als skalierbares Betriebsmodell etablieren und der Action-Value-Gap Schritt für Schritt verringern.

Die vollständige Studie steht unter folgendem Link zur Verfügung: https://www.celonis.com/fraunhofer-enterprise-ai

Methodisches Vorgehen

Die Studie wurde als gemeinsame Initiative von Celonis und dem Fraunhofer-Institut für Angewandte Informationstechnik FIT durchgeführt. Grundlage bildeten qualitative Interviews mit Führungskräften aus internationalen Unternehmen verschiedener Branchen sowie die Auswertung von Daten aus über 1.600 Befragungen, wissenschaftlicher Literatur und aktuellen Marktstudien zu Künstlicher Intelligenz, Process Intelligence und Object-centric Process Mining.

Auch interessant: Buisiness.Bucheditionen