BARC — Lessons from the Leading Edge: erfolgreiche KI/GenAI-Umsetzung

BARCs „Lessons from the Leading Edge“ destilliert ein Muster, das sich mittlerweile jeder SAP-Analytics-Berater verinnerlichen muss: Enterprise-KI- und generative-KI-Initiativen scheitern weit häufiger, als dass sie gelingen, und die Fehlermuster sind weder zufällig noch mysteriös — sie wiederholen sich über Branchen, Anbieter und Use Cases hinweg auf eine Weise, die vermeidbar ist, wenn ein Delivery-Team weiß, worauf es achten muss, bevor Budget gebunden wird.

Warum KI-Delivery anders scheitert als konventionelle Software

Konventionelle Enterprise-Softwareprojekte scheitern aus bekannten Gründen — Scope Creep, schwaches Sponsoring, schwache Anforderungen. KI-Systeme fügen eine eigene Fehlerfläche obendrauf hinzu: Sie degradieren lautlos, wenn die Datenverteilung, auf der sie gebaut wurden, von den Daten abdriftet, denen sie in der Produktion begegnen; sie erzeugen selbstbewusst falsche Antworten (Halluzination) unter Bedingungen, die zur Entwurfszeit schwer vorherzusehen sind; und ihr realisierter Wert hängt von einem menschlichen Adoptionsverhalten ab — wird der Fachexperte dem Output tatsächlich vertrauen und danach handeln —, das Projektpläne routinemäßig überschätzen. Die Lücke zwischen einem beeindruckenden Prototyp-Demo und einem Produktionssystem, das sechs Monate später weiterhin Wert liefert, ist bei KI größer als bei fast jeder anderen Softwarekategorie — genau deshalb gehört das Verständnis dessen, was die beiden trennt, zu den kommerziell wertvollsten Urteilsleistungen, die ein Berater einem Kunden bieten kann.

Warum es zählt

• Die fünf Erfolgskriterien sind konkret, nicht generisch: eine abgegrenzte Aufgabe mit klaren Erfolgskriterien, ausreichendes historisches Datenvolumen, ein verfügbarer Fachexperte als Bewerter, erkennbare/behebbare Fehler, und Ergänzung statt Ersatz menschlichen Urteilsvermögens.
• Die benannten Fehlermuster sind ebenso konkret: vollständig autonome folgenreiche Entscheidungen ohne menschliches Review, spärliche/unstrukturierte Daten unbekannter Qualität, Use Cases, die aus technischem Interesse statt Geschäftswirkung gewählt werden, und Erfolg, der als „das Modell ist genau“ statt „das Geschäftsergebnis hat sich verbessert“ definiert wird.
• Speziell für SAP-Analytics werden starke Startkandidaten benannt: automatisierte Narrativgenerierung aus strukturierten Finanz-/Betriebsberichten, intelligente Suche über Wissensbasen, Anomalieerkennung und natürlichsprachliche Abfragen über governierte semantische Schichten wie Joule-über-Datasphere.

Kernpunkte

• BARC-Forschung mit Fokus auf tatsächliche produktive AI/GenAI-Umsetzung (nicht Pilotprojekte).
• Leading-Edge-Stichprobe = selbstselektierte Organisationen mit hoher Reife.
• Deckt sowohl klassische KI- als auch GenAI-Delivery-Muster ab.
• Bildet die Joule- + Knowledge-Graph-Delivery-Welle ab, in die SAP-Kunden gerade eintreten.
• Konkrete Erkenntnisse liegen hinter einer Paywall — die Karte dient als Gesprächsanker, nicht zum Zitieren von Prozentzahlen.
• Die zugrunde liegende Studie befragte 421 Organisationen weltweit; Datenqualität ist inzwischen die meistgenannte Barriere für KI-Erfolg (44 %), gegenüber einem zweitrangigen Thema in der Vorjahresausgabe (BARC, 2026).
• Mehr als die Hälfte der befragten Organisationen berichtete von Softwarekosten oberhalb der ursprünglichen Erwartungen, größtenteils getrieben durch Validierungs-, Qualitätskontroll- und Trainingskosten statt durch die Modelllizenz selbst (BARC, 2026).
• Die Leistung der Delivery-Partner streut in der Umfrage stark: Interne IT ist der Standard-Delivery-Treiber, erzielt aber die niedrigsten Zufriedenheitswerte, während regionale/globale Beratungsunternehmen die höchsten Werte für Delivery-Effektivität erzielen — ein Datenpunkt, der sich für ein Build-vs-Partner-Gespräch eignet (BARC, 2026).

Begriffe auf dieser Seite

Leading-Edge-Stichprobe

BARCs selbstselektierte Teilstichprobe von Organisationen, die AI/GenAI bereits produktiv im Einsatz haben — im Unterschied zu Pilotprojekten. Wird genutzt, um Delivery-Lektionen zu ziehen, denen der breitere Markt noch nicht begegnet ist.

Delivery-Modell

Das Betriebsmodell, das ein AI/GenAI-Produkt in der Produktion umgibt: Change Management, Vertrauensaufbau, Datenqualitätskontrollen, Governance-Prozess und Model-Lifecycle-Management. Getrennt von der ML/LLM-Technologie selbst.

GenAI

Generative AI — KI-Systeme, die aus Prompts Text, Code oder strukturierten Output erzeugen. Im SAP-Kontext: Joule, Joule for Consultants und die in BDC eingebetteten KI-Copiloten.

KI-Leadership-Reife

BARCs Begriff für Organisationen mit stärkeren Praktiken über Führungsdimensionen hinweg (Sponsoring, Governance, Change Management); die Umfrage ergab, dass 53 % dieser „KI-Leader“ mehr als fünf KI-Projekte in Produktion betreiben, gegenüber 28 % bei anderen Organisationen.

Datenreife (Data Readiness)

Die Bereinigungs-, Strukturierungs- und Governance-Arbeit, die nötig ist, bevor Daten ein KI-System zuverlässig verankern oder trainieren können; BARCs Forschung nennt unterschätzte Datenreife als Fehlerursache zweiter Ordnung, die typischerweise Monate nach dem Kickoff statt zu Beginn zutage tritt.

Quellen

1. BARC — Lessons from the Leading Edge: Successful Delivery of AI/GenAI
2. BARC Research Overview — AI & GenAI Studies
3. SAP — Joule for Consultants: EY 30% delivery time reduction (Q1 FY2026 earnings reference)
4. NIST — AI Risk Management Framework
5. Google Cloud — 101 real-world generative AI use cases
6. SAP Help Portal — Joule
7. BARC — Global Study Maps the Reality of AI Delivery in 2025/2026 (news release)
8. BARC — Successful Delivery of AI/GenAI: Key Takeaways (executive summary)
9. BARC — Successful Delivery of AI/GenAI: AI Leadership
10. BARC — Successful Delivery of AI/GenAI: AI Technology Trends
11. BARC — Infographic: Success Factors for AI Projects
12. BARC — Successful Delivery of AI/GenAI: Who Is Doing the Work?