Bevor das erste Modell ausgewählt wird, müsste eine Frage schriftlich beantwortet sein: Was soll nach der Implementierung konkret anders sein? In der Praxis wird sie selten gestellt. Teams deployen Modelle, konfigurieren Schnittstellen, schulen Mitarbeiter — und merken Monate später, dass das Tool funktioniert, aber nicht das löst, was zählt.
Die Define-Phase aus DMAIC ist im KI-Kontext die am häufigsten übersprungene. Nicht weil sie unbekannt wäre, sondern weil der Druck, sichtbar zu handeln, größer ist als der Impuls, erst zu verstehen. Ein definiertes Problem ist keine Bremse. Es ist die Voraussetzung dafür, dass am Ende etwas Messbares entsteht.
Die Frage nach dem konkreten Sollzustand wird selten schriftlich beantwortet, bevor die erste Lizenz läuft. Was nicht aufgeschrieben ist, kann nicht gemessen werden. Was nicht gemessen werden kann, kann nicht verbessert werden.
Die Measure-Phase überträgt sich direkt in den KI-Kontext: Datenbasis-Audit vor Implementierungsstart. Wie sehen die vorhandenen Daten heute wirklich aus? Wo entstehen Inkonsistenzen, Lücken, Doppelungen? KI-Systeme arbeiten auf dem, was vorhanden ist. Wer das nicht kennt, automatisiert auf unsicherem Fundament.
Was in der Praxis häufig passiert: Unternehmen starten die Implementierung mit der Annahme, dass die Datenlage ausreicht. Die Annahme stellt sich als falsch heraus — aber erst nach dem Go-Live, wenn Korrekturen teurer sind als vorher. Der Measure-First-Ansatz dreht diese Reihenfolge um. Erst die Datenbasis kennen, dann entscheiden, was möglich ist.
Zwei bis drei Messgrößen, die den Kern des Problems abbilden, reichen als Ausgangspunkt. Wer diese Größen vor dem Start definiert, hat nach der Implementierung ein Argument. Wer es nicht tut, hat eine Hoffnung.
Die Analyze-Phase stellt sicher, dass die Ursache eines Problems verstanden ist, bevor eine Lösung gebaut wird. Im KI-Kontext bedeutet das: Welche Engpässe im Prozess sind auf Datenprobleme zurückzuführen? Welche auf fehlende Prozessklarheit? Welche tatsächlich auf fehlende Automatisierung?
Datenprobleme
KI löst diese nicht, sie verstärkt sie
Fehlende Prozessklarheit
KI löst diese nicht, sie verstärkt sie
Fehlende Automatisierung
KI löst dieses Problem gut
Die Improve-Phase ist dann der Moment, in dem das Tool ins Spiel kommt. Nicht vorher. Welches System passt zur definierten Anforderung, zur vorhandenen Infrastruktur, zur Datenlage, die in Measure ermittelt wurde? Diese Reihenfolge klingt aufwändig. Sie ist in Wirklichkeit die kürzere Strecke — weil sie Umwege vermeidet, die nach dem Go-Live teuer werden.
Die Control-Phase wird im KI-Kontext am häufigsten unterschätzt. Nach dem Go-Live fehlen Monitoring-Mechanismen, die frühzeitig anzeigen, wenn Nutzung, Datenqualität oder Prozessfit abdriften. Das Ergebnis ist bekannt: Nutzungsquoten sinken, ohne dass jemand genau sagen kann, wann es gekippt ist.
Der KIRA-Prozess von Jörn Kugler (KI-Readiness-Analyse) integriert die Control-Logik bereits in die Vorbereitungsphase. Wer definiert, was gemessen wird, legt damit auch fest, wie erkannt wird, wenn etwas abdriftet. Feedback-Schleifen entstehen nicht durch nachgerüstete Dashboards. Sie entstehen, wenn vor der Implementierung klar ist, welche Signale relevant sind.
Die KI PRAXIS AKADEMIE begleitet Mittelstandsunternehmen durch diesen strukturierten Prozess. Das Ziel ist nicht das Tool. Das Ziel ist ein KI-Projekt, das nach zwölf Monaten noch trägt.
KI-Projekte scheitern selten an der Technologie. Sie scheitern daran, dass die Schritte vor der Technologie übersprungen wurden. DMAIC ist kein Bürokratieaufwand. Es ist der Unterschied zwischen einem Piloten mit gutem Start und einer skalierten Lösung mit messbarem ROI.
Hinweis gemäß Art. 50 EU Ai Act: Der Inhalt dieser Seite (Text und Bilder) wurde mithilfe künstlicher Intelligenz erstellt.
Veröffentlicht am 03. Juli 2026