Warum so viele KI-Initiativen im Sande verlaufen
Laut dem MIT-Report „The GenAI Divide: State of AI in Business 2025" (Projekt NANDA: Networked Agents And Decentralized Architecture) erzielen 95 Prozent der Unternehmen keinen Return on Investment (ROI) aus ihren generativen KI-Initiativen. Gleichzeitig flossen 2025 geschätzte 30 bis 40 Milliarden US-Dollar in genau diese Projekte.
In den Fachabteilungen hört man dann oft den resignierten Satz: „Die Technik ist wohl einfach noch nicht so weit" oder „Das liegt an unseren Daten". Ein Trugschluss. Denn das Problem liegt selten bei der Technologie, es liegt beim Denkansatz.
Wer mit der Technologie beginnt, statt konkrete Probleme gemeinsam mit den Mitarbeitenden zu lösen, verspielt seinen größten Hebel: die eigenen Leute zu Treibern des Wandels zu machen und Investitionen dort zu platzieren, wo sie tatsächlich wirken.
Genau hier setzt Data Thinking an: als Denkmodell, nicht nur als weiteres Tool.
Wo Empathie auf Präzision trifft: Die Data Thinking Methode
Als Umsetzungsmethode verbindet Data Thinking die kreative Nutzerzentrierung des Design Thinking mit den konkreten Lösungsmöglichkeiten der Data Science und ist dabei konsequent auf einen Punkt ausgerichtet: echten Mehrwert zu schaffen.
Design Thinking: Die menschzentrierte Brille
Design Thinking ist eine agile Innovationsmethode, die konsequent den Menschen in den Mittelpunkt stellt. Statt von technischen Möglichkeiten auszugehen, nutzt sie kreative, qualitative Ansätze, um die echten Bedürfnisse und Schmerzpunkte der Nutzenden tiefgreifend zu verstehen. Sie steht für einen radikalen Mindshift: weg vom starren Plan, hin zu einem iterativen, lösungsoffenen Prozess, in dem Annahmen durch schnelles Prototyping validiert werden.
Data Science: Die analytische Maschine
Data Science nutzt mathematische Modelle und Algorithmen, um aus Datenfeldern präzise Vorhersagen und Erkenntnisse zu generieren. Ihr Ziel ist die messbare Optimierung: Sie ist strikt nutzengetrieben und darauf ausgelegt, Systeme zu schaffen, die durch kontinuierliche Datenströme selbstlernend und selbstverstärkend agieren. Der iterative Kern der Data Science sorgt dafür, dass sich die Vorhersagequalität mit jedem Datenpunkt stetig verbessert.
Die drei Dimensionen erfolgreicher KI-Implementierung
Im Data Thinking verschmelzen die beiden Welten des Design Thinking und der Data Science zu einer neuen Superkraft für Unternehmen. Daraus entstehen Lösungen, die technisch machbar sind, tatsächlich genutzt werden und messbaren Business Impact erzeugen. An der Schnittstelle dieser drei Dimensionen — User Benefit, Business Impact und Technical Feasibility — entsteht das Potenzial für echte Wettbewerbsvorteile.
User Benefit
Ein Use Case schafft erst dann Nutzen, wenn Menschen die Lösung aktiv einsetzen, nicht nur dulden. Entscheidend ist ein klar definiertes Qualitätsniveau: Nur wer weiß, was „gut genug" bedeutet, kann gezielt darauf hinarbeiten.
Business Impact
Ein Use Case ohne messbaren ROI kommt nicht über den Proof of Concept hinaus. Der ROI entsteht aus direkten Einsparungen, aber auch aus besseren Nutzererfahrungen, schlankeren Prozessen oder Erschließung von Neugeschäft.
Technical Feasibility
Technologie ist Mittel, nicht Selbstzweck. Diese Dimension klärt, mit welchem Ansatz das Problem lösbar ist, wie sich die Lösung in bestehende Prozesse einfügt und auf welchem Fundament sie sicher und skalierbar aufbaut.
Data Thinking: Eine Entstehungsgeschichte
Data Thinking ist aus über 25 Jahren Praxiserfahrung in Data-Science-Projekten und KI- und Digitalstrategie entstanden. Marc Weimer-Hablitzel hat mit dem von ihm entwickelten Framework zahlreiche Unternehmen vom Startup bis zum DAX-Konzern dabei begleitet, KI zum strategischen Wettbewerbsvorteil zu machen.
An der WHU – Otto Beisheim School of Management lehrt er zukünftigen Führungskräften seine Data Thinking Methode als Gast-Professor. Bei Studio Flying Octopus ist die Methode heute Ausgangspunkt jedes Beratungsprojekts, von der Use-Case-Ideation, über Strategie bis zur Implementierungsplanung.
„Gute KI-Unterstützung entsteht nur in der Nähe zum Arbeitsalltag."
Marc Weimer-Hablitzel
Use Case vor Technologie: Die Kernlogik von Data Thinking
Data Thinking folgt keinem starren Ablaufplan, aber einem klaren Muster: vier Phasen, die sich idealerweise zyklisch wiederholen.
Data
Thinking
Die Reihenfolge lautet: erst der Use Case, dann der Business Case, zuletzt die technische Umsetzbarkeit. In der Praxis ist das ein großer Unterschied. Er bedeutet:
- Die Technik passt sich dem Menschen an, nicht umgekehrt.
- Daten werden nicht blind gesammelt, ihr Zweck wird vorher definiert.
- Statt theoretischer Top-Down-Annahmen kalkuliert man ROI bottom-up aus konkreten Fällen.
Nebeneffekt: ein inklusiver Kulturwandel, der die Akzeptanz für KI unter den Mitarbeitenden deutlich erhöht.
Die 5 Prinzipien des Data Thinking
Der entscheidende Mindshift — sowohl beim Individuum als auch im Unternehmen — fußt dabei auf fünf Prinzipien:
- 01
Impact First, Data Second
Nicht die Datenlage bestimmt das Ziel, sondern der angestrebte Nutzen definiert den Datenbedarf. Nur Projekte mit echtem Mehrwert schaffen den Sprung vom Proof of Concept in den Arbeitsalltag.
- 02
Start Small, Test Early, Iterate Fast
Kleine Testreihen validieren Hypothesen früh, erzeugen schnelle Lernschleifen und durch sichtbare Erfolge Rückenwind im Unternehmen.
- 03
Design on Needs, not on Haves
Viele Unternehmen starten mit den Daten, die sie haben, statt zu fragen, welche Daten sie für einen echten Wettbewerbsvorteil bräuchten. Data Thinking dreht diese Logik um.
- 04
Better Fake Data than no Data
Die Datenlage ist nie perfekt — und das darf kein Grund sein, nicht zu starten. Synthetische Daten, Annahmen oder Simulationen ermöglichen es, einen Use Case früh zu testen. Die richtigen Daten baut man parallel auf.
- 05
Be Solution Agnostic
KI entwickelt sich rasant. Wer sich zu früh auf ein Framework oder Tool festlegt, verliert Flexibilität. Entscheidend ist, welche Lösung das jeweilige Problem am wirksamsten löst, nicht was gerade im Trend liegt.
Der Check: Klassische IT-Logik vs. Data Thinking
Doch was unterscheidet den Ansatz konkret von herkömmlichen Herangehensweisen an KI-Projekte?
| Fokus-Thema |
Klassische KI-Projekte (Technik-zentriert) |
Data Thinking Projekte (Nutzen-zentriert) |
|---|---|---|
| Denkansatz | „Die Technologie und das Wissen sind da. Jetzt müssen wir nur noch umsetzen." | „Wir lernen mit dem Nutzer, was gebraucht wird, und setzen um, was sich durch konkreten Nutzen bewährt." |
| Startpunkt | Lösung sucht Problem: „Was können wir mit KI bzw. unseren Daten machen?" | Problem sucht Lösung: „Wo liegt das größte Geschäftspotenzial?" |
| Investition | High Risk: Fehler werden erst in kostenintensiven späten Phasen sichtbar. | Iterativ: Frühes, kontinuierliches Testen deckt Fehlentwicklungen auf, bevor sie teuer werden. |
| Mitarbeiter | Widerstand: Technik wird von oben herab „verordnet". | Akzeptanz: Co-Creation — Nutzer bauen bei der Lösung mit und erleben deren Nutzen. |
| Daten-Umgang | Daten sammeln: Erst alle Daten zusammentragen, dann überlegen, was man damit macht. | Daten designen: Gezielt die Daten erzeugen, die für den konkreten Nutzen gebraucht werden. |
| Ergebnis | Teure Lösungen, die keiner nutzt, weil sie schlecht integriert sind. | Schlanke Werkzeuge, die vom ersten Tag an Wirkung zeigen. |
Richtig eingesetzt schafft Data Thinking also mehr als das Einführen kleiner KI-Lösungen. Es verankert ein Mindset, das Strategie, Technologie und die Bedürfnisse der Mitarbeitenden zusammenbringt. Wer die Methode verinnerlicht, baut keine isolierten Anwendungen, sondern eine lernende, zukunftsfähige Organisation.
Data Thinking im Mittelstand: Maximale Wirkung bei minimalem Risiko
Data Thinking lässt sich im Großen wie im Kleinen anwenden, von der strategischen Neuausrichtung bis zum spezialisierten KI-Agenten. Das macht die Methode zum idealen Werkzeug für den Mittelstand: Sie setzt keine riesigen IT-Kapazitäten voraus, sondern macht Effizienz zum Prinzip. Durch den frühen Selektionsprozess und das iterative Vorgehen fließen Investitionen nur in Lösungen, die sich bereits in frühen Stadien als wertvoll erweisen. Die Projekte kommen termingerecht, sind kostengünstig und überzeugen mit klaren Kennzahlen.
Die Anwendungsfelder sind dabei so vielfältig wie der Mittelstand selbst. Drei Beispiele aus der Praxis:
Neugeschäft identifizieren
Das Startup Hortiya stellt Pflanzensensoren samt GreenBrain AI her, um den Gewächshausanbau nachhaltiger und kostengünstiger zu machen. Über Data Thinking wurden mehrere Use Cases identifiziert, iterativ entwickelt und im Markt erprobt, um neue Geschäftsfelder zu erschließen. Durchgesetzt hat sich der stärkste Kandidat: eine intelligente Lichtsteuerung, die die künstliche Beleuchtung in Echtzeit an die Bedürfnisse der Pflanzen anpasst und so die Photosyntheseaktivität maximiert.
bis zu 30 % Energieeinsparung
Entlastung im Arbeitsalltag
Die S-COM (Sparkassen-Finanzgruppe) nutzt Data Thinking entlang der gesamten Wertschöpfungskette ihres Newsrooms, um Prozesse neu auszurichten und Freiräume für die Mitarbeitenden zu schaffen. In sechs Monaten wurde eine Reihe von Use Cases umgesetzt und gemeinsam mit den Mitarbeitenden eine Infrastruktur für KI-gestütztes Arbeiten aufgebaut. Die Bandbreite reicht vom Ticket Cloner, einer Automatisierungslösung, die wiederkehrende Jira-Aufgaben automatisch einstellt, bis zu intelligenten KI-Agenten, die den Content-Erstellungsprozess beschleunigen. Ganze Teams werden befähigt, KI so zu nutzen, wie es für ihre Arbeit am sinnvollsten ist.
Use Cases live in 6 Monaten
Industrieprozesse optimieren
Die SMS Group, einer der führenden Anlagenbauer der Stahlbranche, hat Data Thinking eingesetzt, um aus vorhandenen Maschinen- und Produktionsdaten neue digitale Produkte zu entwickeln. Aus dem erfolgreichsten Use Case, der Defekterkennung in Stranggussanlagen, wurde das erste KI-Produkt des Konzerns. Der eigentliche Gewinn: ein Kulturwandel weg von der klassischen Ingenieursdenke hin zu einem iterativen Prozess, in dem sich die beste Lösung durchsetzt.
erstes KI-Produkt des KonzernsGerade für mittelständische Unternehmen hat Data Thinking einen entscheidenden Vorteil: Man startet nicht mit einer vermeintlich perfekten Lösung, sondern mit dem konkreten Problem. Weder eine ausgewachsene IT-Abteilung noch perfekte Daten sind Voraussetzung. Die Methode funktioniert in jeder Branche und jeder Fachabteilung, mit messbaren Ergebnissen in drei bis sechs Monaten.
Nicht das bessere Tool. Das bessere Denken.
- 1
Problem vor Technologie
Der Erfolg von KI-Projekten entscheidet sich nicht an der Rechenleistung, sondern am Denkansatz. Data Thinking kehrt die klassische IT-Logik um und stellt Nutzer und Nutzen in den Mittelpunkt.
- 2
Symbiose aus Empathie und Analytik
Durch die methodische Verbindung von Design Thinking (Nutzerzentrierung) und Data Science (analytische Intelligenz) entstehen Lösungen, die nicht nur technisch umsetzbar sind, sondern eine hohe Akzeptanz finden und messbaren Business-Impact erzielen.
- 3
Der „Sweet Spot" der Implementierung
Nachhaltiger Mehrwert entsteht nur an der Schnittstelle dreier Dimensionen: User Benefit, Business Impact und Technical Feasibility. Fehlt eine davon, bleibt das Projekt im Proof of Concept stecken.
- 4
Kulturwandel durch Agilität
Data Thinking fungiert als Treiber für eine lernende Organisation. Nach dem Prinzip „Start Small, Iterate Fast" werden Berührungsängste abgebaut und Mitarbeitende von passiven Betroffenen zu aktiven Gestaltern der KI-Transformation gemacht.
Mehr zu Data Thinking erfahren
Im Erstgespräch klären wir, wie sich Data Thinking in Ihrem Unternehmen einsetzen lässt.