Hayden Kastens beschreibt ein verbreitetes Problem in der Data-Science-Praxis: Stakeholder fordern ein Modell an, das Team liefert nach wochenlanger Arbeit – und dann passiert nichts. Als ersten Grund identifiziert er mangelnde Erklärbarkeit: Im Healthcare-Umfeld, wo Ärzte auf klinisches Urteilsvermögen vertrauen, scheitern Black-Box-Modelle am Misstrauen der Anwender. Sein Gegenmittel ist ein strukturiertes „Model Brief" – ein Foliensatz, der Population, Zielvariable, Features und Proof-of-Concept-Performance in der Sprache der Kunden erklärt, ohne reine Statistik-Terminologie. Zweiter Faktor ist die Entwicklungsdauer: Wenn Monate vergehen, finden Stakeholder eigene Lösungen und melden zurück, das Modell werde nicht mehr benötigt. Kastens empfiehlt, schnell ein v1 auszuliefern und Verbesserungen iterativ nachzuliefern – nach dem Prinzip „Don't let the perfect get in the way of the good". Dritter Punkt ist die Konsumierbarkeit: Selbst ein akkurates Modell wird nicht genutzt, wenn der Zugriff auf Vorhersagen den Arbeitsablauf verlangsamt oder verkompliziert. Gerade in der Pflege, wo Personal stark ausgelastet ist, führt jede zusätzliche Reibung direkt zur Ablehnung.