Digital Business

Überzogene Erwartungen sind ein häufiges Element des momentanen Hypecycles. Fälschlicherweise wird KI oft als autonomes Entscheidungs-Tool verstanden, das für alles eine Antwort hat und ohne Probleme menschliche Arbeit reduzieren kann. Diejenigen, die sich damit intensiver auseinandersetzen, werden wohl oder übel der Realität ins Auge sehen müssen: Der Weg von Idee bis zur Umsetzung verläuft leider nicht linear. Wir sind jedoch überzeugt, dass aktuelle Entwicklungen, wie die Generative KI,  mit den vielen neuen KI-Tools ineinandergreifen und eine große transformative Kraft entfalten werden.

Auch der Mittelstand sollte die Potenziale für sich erkennen, denn bereits kleine Anwendungen können  Mehrwert schaffen und die eigene Technologiekompetenz stärken. Die Voraussetzungen für eine erfolgreiche Etablierung von KI kann man also direkt angehen:

Den richtigen Use Case definieren

Eine Quintessenz, die sich aus unseren Gesprächen mit Mittelständler:innen in den letzten Monaten stark herauskristallisiert, ist die Frage nach dem “Warum”. Also warum lohnt sich eine Investition in KI? Gefolgt von: Und wo fängt man an? Kritische Fragen, die jedoch helfen, eine konkrete Problemstellung oder eine Anwendung zu definieren. Soll z. B. eine wiederkehrende Aufgabe aus Effizienzgründen automatisiert werden oder die Innovationskraft gestärkt werden, z. B. durch eine neue Produktentwicklung? Generell sollten sich KI-Projekte mit Prozessen bzw. Abläufen befassen, die einen direkten Einfluss auf Kosten, Umsätze und Ressourcen haben und so den Unternehmensgewinn direkt beeinflussen. Als Use Case eignet sich daher am besten ein Bereich, der auf Datenverarbeitung basiert und für das eigene Unternehmen von  Relevanz ist.

Eine bewusste Auswahl ist wichtig, denn jeder einzelne Use Case bedarf eines eigenen KI-Modells.

Das bedeutet, dass KI-Modelle meist nicht ohne Weiteres generalisiert und auf andere Anwendungsfälle überführt werden können. Daher ist es ratsam, am Anfang klein zu starten, mit einer speziellen Aufgabe (z. B. Abgabe von Produktempfehlungen für Kund:innen). Besonders, wenn Unternehmen wenig Erfahrung haben, können KI-Projekte schnell überwältigen, da Umfang und Komplexität bei Projektstart oft falsch eingeschätzt werden.

Daten als Grundlage ernst nehmen

Die Aussage: “Ohne Daten keine KI” haben wir schon oft gehört. Aber genau so ist es. Daten sind der Nährboden für KI, um Algorithmen zu bilden und damit Muster oder Trends zu erkennen. Aus diesem Grund ist es wichtig, Datenerfassung und Datenmanagement ernst zu nehmen und als zentrale Komponente im KI-Prozess zu betrachten.

Ist das Ziel einer KI-Anwendung definiert, können die relevanten Daten und die notwendigen KI-Modelle abgeleitet werden. Auf diese Weise kann eine KI zielgerichtet trainiert und die Ergebnisse validiert werden.Doch woher die Daten nehmen? Der Zugang zu Daten stellt für viele Unternehmen eine große Hürde dar. Oft reichen die vorhandenen Daten im Unternehmen nicht aus (z. B. Kundendaten oder Sensordaten) und müssen erst noch erhoben werden oder es wird auf externe Quellen zurückgegriffen. Plattformen wie z. B. Hugging Face oder TensorFlow stellen vortrainierte KI-Modelle und Datensätze zur Verfügung, die  als Hilfestellung genutzt werden können.

Um eine höhere Genauigkeit einer KI zu gewährleisten, werden oft  unterschiedliche Datenformate benötigt. Diese beinhalten z. B. verschiedene Informationen und erfordern unterschiedliche  Analyseverfahren. Bilddaten werden für eine Bilderkennung oder Klassifizierung genutzt (z. B. Qualitätsprüfung in der Produktion). Numerische Daten hingegen werden häufig für Prognosen herangezogen (z. B. Umsatzprognosen oder Kaufwahrscheinlichkeiten).

Liegen die richtigen Daten vor, müssen diese organisiert und strukturiert werden, damit sie für ein KI-Modell nutzbar sind. Dabei sie nicht die verzerrt werden, z.B. durch eine zu hohe Gewichtung einzelner Attribute wie Geschlecht oder Region. Ein wichtiger und aufwendiger Prozess beim Vorbereiten von Daten ist das Data Labeling. Dabei werden Rohdaten gekennzeichnet und mit informativen Labels versehen. Das ist die Basis für ein effektives KI-Training. Verändert sich jedoch die Zielsetzung der aufgesetzten KI, werden evtl. neue Daten benötigt hinsichtlich Aktualität oder Format.  

Die richtigen Fähigkeiten und Fachkenntnisse aneignen

Wie bei jeder neuen Technologie erfordert die Implementierung von KI spezifische Fähigkeiten und Fachwissen. Dies kann eine Herausforderung, aber auch eine große Chance für Unternehmen darstellen. Zu den relevanten Aufgabenfeldern gehören u. a. die Datengenerierung, die Datenauswertung, aber auch die technische Wartung der Systeme. Alles in allem ein komplexes Unterfangen, das neue Kompetenzen erfordert in den Bereichen Statistik, Datenmodellierung und maschinelles Lernen. Auch die Fachkenntnisse aus den relevanten Unternehmensbereichen müssen im ausreichenden Umfang vorhanden sein, damit ein Wissenstransfer möglich ist.

Natürlich ist es nicht einfach, das notwendige Know How in kurzer Zeit aufzubauen. Hier können Unternehmen kurzfristig die Lücken mit externen Partner:innen füllen und sich das notwendige Wissen sukzessive aneignen. Beim ersten KI-Projekt ist es ratsam, externe Hilfe in Anspruch zu nehmen, um genügend Lernerfahrungen zu sammeln.

Bei einer erfolgreichen KI-Anwendung kann entschieden werden, welche Kompetenzen langfristig besser in-house aufgehoben sind und ggf. mit neuen Stellen einhergehen, z. B. Data Scientists oder ML-Expert:innen. Das können Kompetenzen sein, die eine  strategische Markt-Relevanz haben (z. B. Aufbau und Pflege des KI-Modells). Risikoarme Bereiche hingegen können extern abgedeckt und langfristig wieder in die eigene Organisation zurückgeführt werden.

‍

‍

Die passende IT-Infrastruktur als Basis schaffen

Wir stellen oft fest, dass die IT-Architektur in Unternehmen veraltet ist - ein häufiger Grund, warum Innovationsprojekte ins Straucheln geraten. Für eine KI-Anwendung muss die Systemlandschaft anpassungsfähig und skalierbar sein und sollte keine Barrieren zwischen wichtigen Unternehmensbereichen aufweisen, um beispielsweise Daten einfach zusammenführen zu können. Eine gründliche Analyse der bestehenden IT-Landschaft und eine klare Strategie hinsichtlich der zukünftigen Anforderungen sind hier unerlässlich.

Je nach Use Case kann eine KI-Anwendung eine hohe Rechenleistung und große Speicherkapazitäten erfordern. Hier gilt es für Unternehmen abzuwägen, welche Funktionen auf dem eigenen Server abgebildet werden sollen. Die alternative ist eine Cloud-Ansatz. Besonders am Anfang, wenn die benötigten Ressourcen nicht ganz abschätzbar sind, bietet die Cloud viel Flexibilität und eine einfache Skalierbarkeit.

Ein weiterer wichtiger Punkt ist die Auswahl der richtigen Software-Lösung(en), mit welchen eine KI-Anwendung ausgeführt werden soll. Bevor mit einer aufwändigen Entwicklung begonnen wird, ist es sinnvoll zu prüfen, ob es bereits fertige Lösungen gibt, die im  ersten Schritt genutzt werden können. Das spart Zeit, Geld und bringt schnelle Lerneffekte im Umgang mit der Technologie. Hier kann z. B. auf Out-of-the-Box Lösungen zurückgegriffen werden. Anbieter wie Amazon Rekognition, Google Cloud Vision, Microsoft Azure Computer Vision, Open AI, Clarifai oder Custom Vision bieten vorgefertigte KI-Modelle für spezielle Funktionen wie Bilderkennung, Text-zu-Sprache-Modelle oder vorgefertigte Prognosen.

Wenn genügend Erfahrungswerte vorliegen, kann die Anwendung bei Bedarf auf einen individuellen Ansatz überführt werden. Dann kann ebenfalls entschieden werden, ob die Anwendung in der Cloud verbleiben soll oder auf eigenen Servern betrieben wird.

Ethik und Datenschutz im Fokus behalten

Trotz des derzeitigen Hypes um KI dürfen ethische Grundsätze und Datenschutzrichtlinien nicht außer Acht gelassen werden. Der Einsatz von KI darf nicht auf Kosten der Privatsphäre und des Einzelnen oder auf Kosten gesellschaftlicher Werte gehen. Hier müssen Unternehmen sicherstellen, dass keine Verarbeitung sensibler personenbezogener Daten ohne die Zustimmung des Einzelnen erfolgt. Dies gilt nicht nur für die eigene Daten, sondern auch für externe Quellen, die in eine KI-Anwendung einfließen. Zudem sollte die Nutzung der Daten ethischen Grundsätzen folgen, die einen verantwortungsvollen Umgang sicherstellen und Missbrauch oder Manipulation ausschließen. Angesichts der rasanten Entwicklung ist es verständlich, dass insbesondere ethische Grundsätze an Bedeutung gewinnen, um den richtigen Einsatz der Technologie zu gewährleisten.

Die Gefahr liegt jedoch nicht in den technischen Möglichkeiten, sondern vielmehr in deren Ausschöpfung durch uns Menschen.

Am Beispiel von Microsoft kann man erahnen, welche Abwägungen zwischen Machbarkeit und ethischen Grundsätzen getroffen werden müssen. Microsoft hatte Anfang dieses Jahres das Ethik-Team aufgelöst. Dieses war damit beauftragt, ein Regelwerk für eine verantwortungsvolle KI-Nutzung im Bereich der Produktentwicklung zu schaffen. Ein anderes Beispiel ist Google. Dessen anerkannter KI-Experte Dr. Geoffrey Hinton hat das Unternehmen verlassen. Er steht derzeit stark in der Öffentlichkeit und wirft kritische Fragen zum Umgang mit KI auf.

Eine Kultur des Wandels pflegen

Die Einführung von KI kann ein Unternehmen und seine Kultur stark verändern. Je nach Anwendungsfall müssen z. B. Arbeitsweisen, Tätigkeiten und Positionen angepasst oder sogar neu geschaffen werden. Je mehr Bereiche eines Unternehmens KI für sich nutzen, desto mehr Gewicht erhält die Technologie im Alltag. Das kann Unsicherheit oder auch Unzufriedenheit bei Mitarbeitenden auslösen. Daher ist es wichtig, alle  auf dem Weg in die KI-gestützte Zukunft mitzunehmen. Transparenz und ein gemeinsamer Dialog sind dabei eine gute Unterstützung.

Eine klare Vision schafft zudem ein klares Bild vom langfristige Ziel und zeigt auf, warum der Einsatz dieser Technologie unerlässlich ist.

KI kann z. B. zu einem nachhaltigen Wettbewerbsvorteil führen, was wiederum den Fortbestand eines Unternehmens sichert – eine plausible und nachvollziehbare Formulierung. Im nächsten Schritt kann ein Schulungsangebot für Mitarbeitende das Verständnis für die neue Technologie zusätzlich stärken und einen Transfer in die eigenen Fachbereiche schaffen.

Kurzum: Die Einführung von KI erfordert ein generelles Umdenken im gesamten Management. Unternehmen, die in ihrer digitalen Transformation fortgeschritten sind, wird die Adaption etwas einfacher fallen. Diejenigen, die eher am Anfang stehen, haben evtl. einen längeren Change-Prozess vor sich, der eine klare Roadmap erfordert. Doch mit den richtigen Schritten und einem klaren Zielbild wird KI nicht nur ein Hype bleiben, sondern kann zur treibenden Kraft in der Unternehmensentwicklung werden.

‍

‍

‍