KI im Unternehmensumfeld: Nicht der größte Sprachkorpus gewinnt
Es gibt ein Gespräch, das die Führungsgremien schwerer Industriebranchen seit Jahren vor sich herschieben. Es geht nicht um Technologie. Es geht darum, was es – im genauen Sinne – bedeutet, eine gute operative Entscheidung zu treffen, wenn die Daten, auf die sie sich stützt, verstreut in zwölf verschiedenen Systemen, vier nicht miteinander kommunizierenden Abteilungen und einem Wartungsprotokoll leben, das niemand vollständig digitalisiert hat.
Octave hat kürzlich ein Positionierungspapier im Economic Times veröffentlicht, in dem das Unternehmen seine These zum nächsten Zyklus der unternehmerischen künstlichen Intelligenz formuliert. Das zentrale Argument ist nicht technischer Natur, auch wenn die Verpackung diesen Eindruck erweckt: Der Unterscheidungsfaktor des nächsten Kapitels wird nicht die Größe des Modells sein, sondern die Qualität der Entscheidungen, die dieses Modell ermöglicht. Das klingt zunächst vernünftig – bis man anfängt, die Konsequenzen auf organisatorischer Ebene zu messen. Und genau dort wird es auf eine Art und Weise kompliziert, die der Artikel letztlich nicht vollständig benennt.
Genau das möchte ich hier analysieren.
Das Argument von Octave und was es nicht sagt
Das Unternehmen beschreibt ein echtes Problem. Industrieorganisationen häufen gewaltige Informationsmengen an – Ingenieursdaten, Betriebsprotokolle, Wartungshistorien, Qualitätskennzahlen, georäumliche Informationen –, aber diese Daten leben fragmentiert. Ohne integrierten Kontext liefern selbst die ausgefeiltesten Modelle Antworten, die keinen Bezug zur operativen Realität derjenigen haben, die auf der Grundlage dieser Antworten handeln müssen.
Die von Octave vorgeschlagene Lösung ist das, was sie als Lebenszyklusintelligenz bezeichnen: die Verknüpfung von Informationen über die Phasen Entwurf, Bau, Betrieb und Schutz industrieller Anlagen hinweg zu einem kontinuierlichen digitalen Faden. Das erwartete Ergebnis: Die KI kann nicht nur antworten, was gerade passiert, sondern auch warum es passiert, welche Auswirkungen es haben kann und welche Maßnahme ergriffen werden sollte. Octave fügt ein Konzept hinzu, das es sich zu merken lohnt: die Weiterentwicklung digitaler Zwillinge zu sogenannten Entscheidungszwillingen – Systemen, die aufhören, passive Visualisierungswerkzeuge zu sein, und sich in aktive Motoren zur Entscheidungsunterstützung in Echtzeit verwandeln.
Das Dokument ist ein Advertorial, keine Fallstudie. Das ist relevant, weil es bedeutet, dass es keine echten Leistungskennzahlen gibt, keine zitierten Kunden, keine Zahlen zur Reduzierung von Ausfallzeiten oder zu Einsparungen bei ungeplanter Wartung. Was vorhanden ist, ist eine argumentative Architektur. Und als Argument funktioniert es. Doch für Führungskräfte, die entscheiden müssen, ob diese Logik in ihren eigenen Organisationen trägt, lässt das Papier den schwierigsten Teil aus.
Was Octave nicht benennt, ist das Problem, das der technischen Integration vorgelagert ist: warum die Daten überhaupt fragmentiert sind. Nicht verbundene Systeme sind keine Zufälle der Ingenieurswissenschaft. Sie sind das Ergebnis aufeinanderfolgender organisatorischer Entscheidungen, von denen jede mit lokaler Rationalität und verteilten Kosten getroffen wurde. Ein Wartungsteam, das mit seinem eigenen System arbeitet, tut dies, weil irgendwann jemand entschieden hat, dass operative Autonomie mehr wert sei als Interoperabilität. Eine Ingenieurungsabteilung, die ihre Modelle auf eigenen Servern speichert, tut dies, weil eine Integration mit dem Rest des Unternehmens die Aushandlung von Genehmigungen, Standards und Verantwortlichkeiten bedeutet hätte, die niemand übernehmen wollte. Die Datenfragmentierung in komplexen industriellen Umgebungen ist kein technologisches Problem mit einer technologischen Lösung. Sie ist der Niederschlag von Gesprächen, die über Jahre hinweg vermieden wurden.
Die Verknüpfung dieser Daten erfordert zunächst, diese Gespräche aufzulösen. Und das hat einen internen politischen Preis, der in keiner KI-Implementierungsroadmap auftaucht.
Was die gesamte Branche falsch misst
Die Marktschätzungen für unternehmensorientierte künstliche Intelligenz schwanken zwischen 40 und 115 Milliarden US-Dollar für das Jahr 2026 – je nachdem, welches Forschungsunternehmen man befragt und wie es den Marktperimeter definiert. Diese Streuung von fast dem Dreifachen zwischen der niedrigsten und der höchsten Zahl ist kein Problem der statistischen Methodik: Sie ist ein Signal dafür, dass die Kategorie selbst noch keine stabilen Konturen hat.
Ein Teil des Problems besteht darin, dass „unternehmensorientierte künstliche Intelligenz" zu einem Containerbegriff geworden ist, der sehr unterschiedliche Dinge zusammenfasst: Robotic-Process-Automation-Plattformen, in Arbeitsabläufe integrierte Sprachmodelle, Systeme zur Vorhersage von Ausfällen bei industriellen Anlagen, Vertragsanalyse-Tools und jetzt auch die Entscheidungsunterstützungssysteme, die Octave beschreibt. Wenn eine Kategorie so durchlässig ist, können sich Anbieter mit sehr unterschiedlichen Argumenten innerhalb dieser Kategorie positionieren, ohne dass jemand sie direkt widerlegen kann.
Das ist für institutionelle Käufer von Bedeutung. Ein CFO, der eine Investition in Plattformen für operative Intelligenz genehmigen muss, kann seine Analyse nicht auf Marktprognosen mit einer Fehlerquote von 200 % stützen. Was er tun kann, ist zu beurteilen, ob der Anbieter nachweist, dass er die tatsächlichen Kosten des Problems versteht, das er zu lösen behauptet.
Genau hier hat das Positionierungskonzept von Octave gleichzeitig Stärke und Grenzen. Die Stärke: Es benennt konkrete operative Konsequenzen – Störungen, antizipierte Ausfälle, Projektlaufzeiten, Cybersicherheit – anstatt abstrakt über „digitale Transformation" zu sprechen. Die Grenze: Es quantifiziert keine dieser Konsequenzen mit Daten aus realen Implementierungen. Für einen anspruchsvollen Käufer ist das ein notwendiger, aber nicht ausreichender Schritt.
Der nächste Wettbewerbsschritt in diesem Markt wird weder derjenige sein, der das größte Modell entwickelt, noch derjenige, der die beste Datenarchitektur besitzt. Es wird derjenige sein, der mit verifizierbaren Zahlen belegen kann, wie viel es eine Raffinerie, ein Kraftwerk oder einen Betreiber kritischer Infrastruktur kostet, keine integrierte Lebenszyklusintelligenz zu haben. Diese Zahl existiert. Sie steckt in den Aufzeichnungen zu ungeplanter Wartung, in den Kosten erzwungener Betriebsunterbrechungen, in den Ingenieursstunden, die damit verloren gehen, Versionen von Plänen abzugleichen, die eigentlich alle dieselbe Quelle sein sollten. Wer diese Zahl berechnet und mit Sorgfalt präsentiert, besitzt das schwer zu widerlegende Verkaufsargument.
Das Grundproblem, das die Technologie allein nicht löst
Es gibt eine Passage in Octaves Positionierungspapier, die mehr Zeit verdient, als der Artikel ihr widmet. Es ist die Passage, die die Komplementarität zwischen KI und menschlichen Experten in industriellen Umgebungen beschreibt. Das Argument ist in seiner Grundannahme korrekt: Komplexe Systeme erfordern Fachwissen, angesammelte Erfahrung und Verantwortung, die kein Modell übernehmen kann. KI kann Informationsmengen verarbeiten und Muster erkennen, die ein Mensch nicht mit derselben Geschwindigkeit verarbeiten könnte. Der Experte bringt den Kontext, die Prioritätshierarchie und die Fähigkeit mit, eine Entscheidung mit realen Konsequenzen zu treffen.
Was der Artikel nicht sagt, ist, dass diese Komplementarität, die in einem Positionierungspapier harmonisch klingt, in der Praxis einer der Punkte mit den größten organisatorischen Spannungen bei der Einführung industrieller KI ist.
Experten mit jahrzehntelanger Erfahrung in komplexen Betriebsabläufen begrüßen nicht immer mit Begeisterung ein System, das ihnen sagt, was zu tun ist – selbst wenn dieses System statistisch zu 90 % der Zeit recht hat. Das Problem ist keine irrationale Veränderungsresistenz. Es liegt daran, dass ihr organisatorisches Kapital auf dem Wert ihres Urteilsvermögens aufgebaut ist, und ein System, das Empfehlungen mit hoher Präzision erzeugt, erodiert dieses Kapital, auch wenn das niemand laut ausspricht. Das ist das Gespräch, das Führungsteams selten vor der Implementierung führen: Wie werden Rollen, Anreize und Anerkennung so neu gestaltet, dass augmentierte Intelligenz als Erweiterung des Experten wahrgenommen wird und nicht als sein schrittweiser Ersatz?
Industrielle KI-Implementierungen scheitern in den meisten Fällen nicht aus technischen Gründen. Sie scheitern, weil niemand dieses Gespräch rechtzeitig geführt hat, und wenn das System beginnt, Empfehlungen zu produzieren, die dem Urteil des erfahrenen Betriebsleiters widersprechen, entscheidet sich die Organisation dafür, die Empfehlungen zu ignorieren, anstatt die etablierte Hierarchie in Frage zu stellen.
Octave hat recht damit, dass die Zukunft der unternehmensorientierten KI eine der Zusammenarbeit zwischen Maschinen und Menschen ist. Aber diese Zusammenarbeit wird nicht in der Datenarchitektur entworfen. Sie wird in der Machtstruktur und der Anerkennungsstruktur innerhalb des operativen Teams entworfen. Das sind zwei unterschiedliche Projekte, die parallel voranschreiten müssen, wobei das zweite konsistent langsamer ist als das erste.
Der Parameter, den Führungskräfte einfordern sollten
Die These von Octave, den Erfolg unternehmerischer KI an Geschäftsergebnissen zu messen – weniger Betriebsunterbrechungen, bessere Anlagenzuverlässigkeit, schnellere Projektausführung –, weist in die richtige Richtung. Das Problem ist, dass sich diese Indikatoren langsam materialisieren und schwer als direkte Folge einer bestimmten KI-Implementierung zu isolieren sind. In der Zwischenzeit werden Projekte nach der Anzahl aktiver Nutzer, nach den Nutzungsstunden des Systems oder nach dem Prozentsatz integrierter Daten bewertet – allesamt Adoptionsindikatoren, keine Indikatoren für generierten Wert.
Diese Lücke zwischen dem, was gemessen wird, und dem, was zählt, ist kein technologisches Problem. Es ist ein Problem des Projektgovernance-Designs. Und es ist der Ort, an dem die meisten Investitionen in unternehmensorientierte künstliche Intelligenz ihren Bezug zum echten Geschäft verlieren.
Führungskräfte, die Investitionen in diese Art von Plattformen bewerten, sollten – bevor sie irgendeinen Vertrag unterzeichnen – vom Anbieter verlangen, dass er präzise definiert, welche drei oder vier operative Kennzahlen sich als Ergebnis der Implementierung verändern werden, in welchem Zeitraum und unter welchen Bedingungen. Wenn der Anbieter diese Frage nicht mit Präzision beantworten kann, liegt das Problem nicht daran, dass die Technologie unzureichend ist. Das Problem ist, dass die verkaufende Organisation die Arbeit, das Geschäft des Kunden mit der behaupteten Tiefe zu verstehen, noch nicht geleistet hat.
Die Lebenszyklusintelligenz, die Octave als strategischen Differenzierungsfaktor beschreibt, wird erst dann zum echten Differenzierungsfaktor, wenn die Organisation, die sie einführt, zuvor geklärt hat, wer für jede Entscheidung verantwortlich ist, die dieses System informieren soll. Ohne diese Klarheit produziert das ausgefeilteste System Empfehlungen, auf die niemand reagiert, weil niemand weiß, ob es in seiner Verantwortung liegt oder in der eines anderen, darauf zu handeln.
Das löst kein Modell. Das löst ein Gespräch, das viele Führungsteams seit Monaten aufschieben, weil es unmittelbare politische Kosten hat und sein Nutzen erst mittelfristig sichtbar wird. Den nächsten Zyklus der unternehmerischen KI werden die Organisationen gewinnen, die dieses Gespräch führen, bevor sie den Implementierungsvertrag unterzeichnen – nicht danach.
