3 Lektionen für die Skalierung von Mission-KI: Erkenntnisse von Führungskräften aus dem öffentlichen Sektor

Der Druck, KI einzuführen und echten Mehrwert zu zeigen, ist real. Das gilt auch für die Kluft zwischen KI-Ambitionen und den Ergebnissen, die echte Wirkung erzielen.

Auf dem Snowflake Summit haben wir Führungskräfte aus dem öffentlichen Sektor gefragt: Wie gelangen Sie vom Marktdruck zur Einführung von KI zu einer Wirkung auf Missionsebene? Zwei Sitzungen zum öffentlichen Sektor lieferten eine übereinstimmende Antwort: Der Weg zu einer wertvollen KI-Produktion beginnt lange vor der Bereitstellung eines Modells. 

Das bedeutet, dass die Datengrundlage, die Governance-Architektur und die organisatorische Ausrichtung, die eine KI-Produktion erst möglich machen, an erster Stelle stehen müssen.

Im Folgenden gehen wir auf drei Lektionen von Führungskräften aus dem öffentlichen Sektor ein, wie sich die KI-Wertlücke schließen lässt.

Lektion 1: Schaffen Sie zuerst eine solide Datengrundlage

KI repariert keine fehlerhafte Dateninfrastruktur. Vielmehr deckt sie diese auf.

Als die University of Florida begann, mit KI zu experimentieren, stellte sie fest, dass nur 10 bis 15 % ihrer Daten semantisch definiert waren, was alle aus ihren Daten generierten Erkenntnisse unvollständig und damit unzuverlässig machte.¹ Ihre Lösung: Das Team entwickelte einen Prozess, der NaviGator AI und Komponenten innerhalb von Snowflake nutzt, um Definitionen in natürlicher Sprache in großem Maßstab zu generieren. Hätten sie die Arbeit manuell erledigt, hätte ein Mensch schätzungsweise 83 Wochen dafür gebraucht² (basierend auf internen Analytics der University of Florida, Stand Juni 2026).

James Martinez, Data Engineering Manager an der University of Florida, sagt: „Nachdem wir die grundlegende semantische Schicht aufgebaut haben, haben wir ein Produkt namens Navigator Insights entwickelt – Conversational Analytics, das in Snowflake sitzt, den MCP-Server nutzt und Cortex Analyst sowie Suchfunktionen bereitstellt.“ Damit kann das Team nun Fragen in natürlicher Sprache stellen und Datentrends entdecken, die sich direkt auf die Studierenden in ihrer Einrichtung auswirken. 

KI-Bereitschaft erfordert eine solide Datengrundlage. Data Governance, Sicherheit und Interoperabilität sind keine Voraussetzungen, auf die ein Unternehmen später zurückkommen kann. Vielmehr sind sie Elemente der wesentlichen Grundlage, die ein Unternehmen benötigt, bevor es einen Mehrwert aus KI-Innovationen erwarten kann. 

Lektion 2: Wechseln Sie von isolierten Pilotprojekten zu unternehmenstauglicher Intelligence

Den meisten Unternehmen mangelt es nicht an KI-Pilotprojekten. Es mangelt ihnen an KI, die skaliert.

Alan Sim hat in Epidemiologie an der Drexel University promoviert und ist Chief Data and Analytics Officer bei Leidos, einem Unternehmen für Verteidigungs- und Regierungsdienstleistungen mit KI-Einsätzen in den Bereichen Cyber, Veteranenleistungen und Logistik. Er sagt: „Der Wandel vollzieht sich von sehr fokussierten, isolierten Einzellösungen hin zu der Frage, was es bedeutet, unternehmenstauglich zu sein.“

Leidos nutzt KI und maschinelles Lernen schon seit Jahren, und ihre Herausforderung bestand nicht in der Entwicklung. Es ging darum, die Akzeptanz im gesamten Unternehmen zu gewinnen und KI-Funktionen mit den übergeordneten Prioritäten der Führungsebene zu verknüpfen.

Um die Flut an Anfragen für neue KI-Pilotprojekte und -Tools besser zu bewältigen, fragt Sim die Teams bei Leidos nicht mehr, welche Tools sie wollen, sondern was sie zu lösen versuchen. Er sagt: „Manchmal ist es so einfach zu sagen: ‚Sind Sie sicher, dass Sie einen Agenten brauchen? Vielleicht brauchen Sie nur Automatisierung. Vielleicht ist dies eine Aktivität zur Prozessneugestaltung.‘“ Er hat festgestellt, dass diese Disziplin, die richtige Lösung für das richtige Problem zu finden, KI-Pilotprojekte von echter KI-Produktion unterscheidet, die echten Mehrwert schafft. 

Joe Larson, VP of OpenAI for Government, bekräftigte diese Einschätzung von der Modellseite. Er sagt: „Es ist überzeugender und wird meiner Meinung nach einen viel höheren Wert liefern, wenn die Regierung in der Lage ist, das Frontier-Modell mit ihrer Dateninfrastruktur zu verknüpfen und etwas zu schaffen, das umfassender und gut durchdacht ist.“

Die Bereitstellung von Modellen ist ein Ausgangspunkt. Aber sie durch die Integration in Unternehmensdaten, Workflows und Governance operativ nutzbar zu machen, ist das eigentliche Ziel, das die größte Wirkung erzielen wird. 

Lektion 3: Richten Sie KI an Missionsergebnissen aus, nicht an Technologie-Metriken

Viele KI-Projekte scheitern meist daran, dass sie nicht an greifbare Unternehmensergebnisse gebunden sind. Im öffentlichen Sektor, wo der Erfolg nicht am Umsatz, sondern an der Wirkung gemessen wird, kann diese Herausforderung noch gravierender sein. 

Stephen Moon, Public Sector Field CTO bei Snowflake, sagt: „Im öffentlichen Sektor geht es um die Mission. Treiben wir mit diesen KI-Initiativen Missionsergebnisse voran?“

Beim Team von General Dynamics Mission Systems verarbeitete das System zur Bearbeitung von Verkaufsangeboten Tausende von Anbieter-PDFs mit unterschiedlichen Formaten, Layouts und Terminologien. Das Team versuchte, einen trainingsbasierten Ansatz zu implementieren, um diese Inkonsistenzen zu bekämpfen, scheiterte jedoch. Sie wechselten dann zu Zero-Shot-Prompting mit Snowflake Cortex AI und steigerten die Genauigkeit bei ihrem jüngsten Go-Live in der Produktion von 50 % auf 85 %³ (basierend auf internen Analytics von General Dynamics Mission Systems, Stand Juni 2026). Das Ergebnis wurde nicht an der Performance des Modells gemessen. Es wurde an Geschwindigkeit, Genauigkeit und Kosteneinsparungen bei einem Workflow gemessen, der sich direkt auf die Erfüllung der Mission auswirkt. 

Vom Entwurf zur Umsetzung

Bei jedem Unternehmen, das auf dem Snowflake Summit vertreten war, einschließlich General Dynamics, Leidos, OpenAI for Government und der University of Florida, zeigte sich ein roter Faden: Unternehmen, die echte KI-Ergebnisse liefern, schaffen zuerst die richtige Grundlage und gehen dann überlegt vor. Sie nehmen sich die Zeit für die Einrichtung von:

• Einheitlichen, kontrollierten Daten vor Modellen
• Unternehmenstauglichen Anwendungsfällen vor der Skalierung von KI-Pilotprojekten
• Klarer Missionsausrichtung vor der Messung des ROI

Die KI-Technologie ist bereit. Die Frage für die meisten Behörden ist, ob die Datengrundlage, die Governance-Architektur und die organisatorische Ausrichtung ebenfalls bereit sind.

Erkunden Sie Snowflakes Ressourcen für den öffentlichen Sektor, um Ihre KI-Bereitschaft zu bewerten und auf Ergebnisse im Missionsmaßstab hinzuarbeiten.

_{¹ Snowflake Summit 26 Session IN227: Skalierung von KI im öffentlichen Sektor Showcase: Von Pilotprojekten zu realen Auswirkungen}

_{² Snowflake Summit 26 Session IN227: Skalierung von KI im öffentlichen Sektor Showcase: Von Pilotprojekten zu realen Auswirkungen}

_{³ Snowflake Summit 26 Session IN227: Skalierung von KI im öffentlichen Sektor Showcase: Von Pilotprojekten zu realen Auswirkungen}