top of page
Suche

KI-Hype auf dem Prüfstand – Warum Data Science jetzt gefragt ist

  • 29. Aug. 2025
  • 2 Min. Lesezeit

STAT-UP AI Newsletter · Freitag, 29. August 2025 · Vol. 4

STAT-UP KI-Newsletter Illustration zu scheiternden KI-Projekten und der Rolle von Data Science

Willkommen zur neuen Ausgabe unseres STAT-UP KI-Newsletters! Heute geht es um den aktuellen Zustand des KI-Booms. Trotz immer leistungsfähigerer Tools zeigen neue Analysen, dass viele Projekte an der Realität scheitern oder schlicht keine Ergebnisse liefern.

Zitat der Woche

Was bedeutet das?

Die Aussage stammt aus einer umfassenden Auswertung aktueller Unternehmensdaten. Obwohl der Markt für generative KI mit Tools wie ChatGPT, Midjourney oder Claude stark gewachsen ist, zeigt sich: In der Breite wird damit noch kein echter wirtschaftlicher Nutzen generiert. Das betrifft nicht nur große Konzerne, sondern auch viele mittelständische Unternehmen, die auf schnelle Ergebnisse gehofft hatten.

Zwischen Vision und Wirklichkeit: Was läuft schief?

  • Projekte werden zu technologiegetrieben umgesetzt statt mit einem klaren, wirtschaftlichen Ziel.

  • Nutzerakzeptanz bleibt gering, wenn die Tools nicht sinnvoll integriert sind.

  • Viele Unternehmen unterschätzen den Aufwand für Datenqualität, Modellpflege und Sicherheit.

Warum gerade jetzt Data Science gebraucht wird

Inmitten dieser Ernüchterung zeigt sich, welche Rolle gute Datenarbeit spielt:

  • Data Scientists können helfen, realistische Zielsetzungen zu definieren – etwa durch Use-Case-Priorisierung, Machbarkeitsanalysen oder Impact-Simulationen.

  • Sie sind entscheidend für die Evaluation von KI-Performance im Alltag: Wo liefert ein Modell echte Vorteile? Wo bleibt es hinter menschlicher Intuition zurück?

  • Und nicht zuletzt braucht es sie für erklärbare Modelle – ein Faktor, der für Vertrauen in KI-Lösungen sorgt und regulatorisch immer wichtiger wird.

Ein konkretes Beispiel

Ein großes Energieversorgungsunternehmen plante, seinen Kundenservice mithilfe eines KI-gestützten Sprachassistenten zu automatisieren. Dieser sollte Anfragen zu Verträgen, Zählerständen und Rechnungen übernehmen. Doch nach Monaten der Entwicklung und Pilotphase zeigte sich: Die Erkennungsrate komplexerer Anliegen lag unter 50 %, die Kundenzufriedenheit sank spürbar. Daraufhin wurde das Projekt neu ausgerichtet.

Statt Vollautomatisierung setzte das Unternehmen auf datenbasierte Vorhersagemodelle, die erkennen, welche Kunden mit hoher Wahrscheinlichkeit anrufen werden, und zu welchem Thema. Die Servicemitarbeitenden erhielten diese Informationen vorab und konnten gezielter und schneller helfen. Ergebnis: kürzere Wartezeiten, zufriedenere Kunden, besser planbare Ressourcen im Callcenter.

Fazit

Nicht der vollständig automatisierte Chatbot brachte den Durchbruch, sondern ein intelligenter, datengetriebener Assistenzansatz. Pragmatisch, realistisch und mit messbarem Effekt.

Quellen dieser Ausgabe: The Guardian; MIT-Analyse (zitiert), August 2025

Hinweis: Dieser Newsletter wurde unter Zuhilfenahme von KI erstellt.

bottom of page