Mit den passenden Grundlagen werden KI-Erfolge sichtbar

Künstliche Intelligenz ist aus dem Geschäftsalltag nicht mehr wegzudenken – so der allgemeine Tenor. Doch schöpfen Unternehmen tatsächlich den maximalen Nutzen aus jener Technologie? In der Praxis stehen ihnen häufig zwei zentrale Hürden im Weg.

×

Zum einen gestaltet sich der Weg bis zur erfolgreichen Implementierung von Künstlicher Intelligenz (KI) sehr mühsam, zum anderen entpuppt es sich als große Herausforderung, den konkreten Mehrwert von KI messbar zu machen. Eine aktuelle Umfrage von Databricks und Dataiku unter 400 führenden KI-Experten verdeutlicht dieses Spannungsfeld. Trotz wachsender Begeisterung und steigender Investitionen verhindern einige Hürden, dass Unternehmen den Nutzen von Analytik und KI maximieren. Am häufigsten bemängeln IT-Führungskräfte die Datenqualität (58 Prozent). Als weitere Kritikpunkte folgen ungenügende Ressourcen (44 Prozent), Wissensdefizite bei den Mitarbeitern (28 Prozent) sowie IT- und politische Einschränkungen (22 Prozent). Es gibt allerdings ein paar wesentliche Schritte für Unternehmen, um Künstliche Intelligenz effektiv zu managen und kosteneffizient zu optimieren.

Datenqualität und geschultes Personal: 2024 beklagten 58 Prozent der befragten Unternehmen einen Mangel an qualitativ hochwertigen Daten für die KI-Verarbeitung oder fehlenden Zugang zu diesen. Eine ausreichende Datenqualität ist jedoch eine maßgebliche Voraussetzung dafür, dass Mitarbeiter diese im Arbeitsalltag korrekt einpflegen können. Stichwort "Mitarbeiter": Nur 57 Prozent der Unternehmen schulten 2024 ihre Mitarbeiter für den Umgang mit Daten. Es gibt eine Vielzahl von Lösungen, die Mitarbeitern dabei helfen, die Qualität der von ihnen verwendeten Daten zu überwachen. Diese Tools können die Datenqualität durch entsprechende Aufbereitung verbessern, sei es durch Code oder durch Klicken.

Breite versus Tiefe: Nach Schätzungen der Unternehmensberatung McKinsey beläuft sich allein das Potenzial von Generative-Artificial-Intelligence-Anwendungsfällen (GenAI) auf bis zu 9,2 Prozent des Umsatzes eines Unternehmens. In vielen Industrien stecken die größten Potenziale in den Bereichen Marketing und Vertrieb, Kundenservice, Software Engineering sowie Supply Chain/Operations. Ähnlich wie bei klassischen KI- beziehungsweise Analytics-Anwendungsfällen gibt es auch im GenAI-Bereich viele große Hebel – komplexe Anwendungsfälle mit enormem wirtschaftlichen Potenzial wie beispielsweise KI-Agenten, die unter der Haube verschiedene Modelle kombinieren, aber eben auch den "long tail" an kleineren, weniger komplexen Anwendungsfällen. Erfolgreiche Unternehmen meistern diesen Balanceakt, indem sie auch ihre Fachbereiche dazu befähigen, (in kontrolliertem Umfeld) die vielen kleineren Anwendungsfälle autonom umzusetzen. Hierfür lohnt es sich, in ganzheitliche KI-Lösungen zu investieren, besonders wenn diese Low-code-KI-Tools anbieten, statt im Chaos vieler Einzelanbieter unterzugehen, deren Lösungen gegebenenfalls nicht direkt auf andere Systeme übertragbar sind. Solche Lösungen bieten Kontrolle, Compliance, Transparenz, zugleich aber auch die Auswahl der besten Lösungen für den jeweiligen Anwendungsfall.

KI-Lösungen demokratisieren: Wie die jährliche McKinsey-Studie zum Geschäftswert von KI und Analytik aus dem Jahr 2024 zeigt, könnte GenAI einen zusätzlichen Mehrwert von 35 bis 70 Prozent zu dem beitragen, was durch Künstliche Intelligenz und Analytik voraussichtlich erschlossen wird. Das ist in der Tat vielversprechend für den Wert von GenAI, aber es deutet auch darauf hin, dass traditionelles Machine Learning und Analytik immer noch den Löwenanteil des Wertes ausmachen werden, den Unternehmen generieren können. Aus diesem Grund ist es von entscheidender Bedeutung, mit Innovationen im Bereich der generativen KI jonglieren zu können und gleichzeitig traditionelles ML und Analytics bereitzustellen. In einer Zeit, in der die generative KI die Aufmerksamkeit der überwiegenden Mehrheit der KI-Talente in Unternehmen auf sich zieht, ist es entscheidend, die Bemühungen zur Erstellung von KI- und GenAI-Anwendungsfällen auf eine breitere Nutzerbasis zu verteilen, und zwar durch Low-Code- und Full-Code-Lösungen. Einige Organisationen mögen das Gefühl haben, dass sie noch nicht bereit sind, die Entwicklung von ML- oder GenAI-Lösungen zu demokratisieren, aber in vielen Fällen sind sie schon weiter, als sie annehmen. Es könnte sich lohnen, bei Anbietern oder Beratern für KI-Demokratisierung nachzufragen, ob sie bereit sind.

Balance aus Mehrwert und Kostenkontrolle: Die Realisierung des GenAI-Potenzials bedarf jedoch nicht allein einer technisch sauberen Lösung, sondern die Anwendung muss auch mehrwertstiftend genutzt werden. Was hilft der technisch aufwendigste Unternehmens-Chatbot, wenn dieser nicht oder nur zum Zeitvertreib genutzt wird? Allerdings können initiale Spielereien die Akzeptanz für solch neuartige Ansätze stärken. Jedenfalls sollte der (langfristige) Mehrwert im Verhältnis zum Aufwand stehen. Neben der mehrwertstiftenden Nutzung der GenAI-Anwendung ist daher auch deren verhältnismäßig aufwandsarme Umsetzung und deren Betrieb von großer Bedeutung. Im Gegensatz zu klassischen KI-Anwendungsfällen, bei denen ein Großteil der Compute-Kosten beim initialen Training der Modelle anfällt, sind bei GenAI-Anwendungsfällen die laufenden Kosten der deutliche größere (und schwer zu antizipierende) Block. Einmal bereitgestellt, verursacht jede neue Interaktion mit einem Chatbot nun einmal neue Kosten – egal ob als Compute-Kosten für Open Source oder als Lizenzgebühr für geschlossene Large Language Models (LLMs). Und wer kann schon genau die Anzahl und Komplexität aller Interaktionen vorhersagen? Daher benötigen Unternehmen Transparenz über die Mehrwerte und Kosten der GenAI-Anwendungsfälle, inklusive einer proaktiven beziehungsweise vorausschauenden Möglichkeit, bestimmte Anwendungsfälle zu beschränken oder ganz zu stoppen – beispielsweise durch Kostenlimits auf Nutzer, Gruppen oder Anwendungsebene.

Return on Investment wird oft nicht spezifisch gemessen

Früher oder später stellt sich in allen Organisationen aber die Frage: Haben sich alle Maßnahmen finanziell rentiert? Genau deshalb sollten Entscheider nicht nur Zugang und Anwendung zu KI effizienter gestalten, sondern parallel dazu überlegen, wie sie den Erfolg von Künstlicher Intelligenz in der Organisation validieren. Mehr als ein Drittel der Unternehmen verfügt bereits über ein eigenes Budget für GenAI und muss damit eigentlich einer Rechenschaftspflicht gegenüber der Führungsebene nachkommen. Und immerhin investieren 65 Prozent der Befragten IT-Führungskräfte bereits erfolgreich in KI-Projekte – zumindest eigenen Angaben zufolge. Denn unter diesen Entscheidern geben 21 Prozent an, den Return on Investment (ROI) von GenAI überhaupt nicht spezifisch zu messen. Wie kann das sein?

Oftmals besteht das Problem darin, dass nicht nur eine KI-Anwendung, sondern gleich mehrere pro Unternehmen eingesetzt werden. Wenn diese dann auch noch unabhängig voneinander agieren, wird es schwer, den Überblick zu behalten und deren Wertschöpfung einheitlich zu messen. Ganzheitliche KI-Lösungen schaffen hier mit einer übersichtlichen Infrastruktur Abhilfe. Solche integrierten Anwendungen werden vorrangig als gehostete Dienste angeboten und sind längst kein Geheimnis mehr: 85 Prozent der Befragten nutzen sie bereits aktiv oder prüfen deren Potenzial.

Dezidierte Datenverantwortliche in Unternehmen können außerdem helfen, die tatsächliche Wertschöpfung von Künstlicher Intelligenz sichtbar zu machen. Unter sogenannten KI-Pionieren übernehmen sie die Rechenschaft für alle Anwendungen dieser Art und beziffern ihren Erfolg: 69 Prozent der Pioniere verkünden einen positiven ROI bei der Nutzung von GenAI, im Gegensatz zu 52 Prozent der Nicht-Pioniere.

Unternehmen können sich mithilfe von KI einen Wettbewerbsvorteil verschaffen, so viel ist klar. Wer jedoch über die Pilotphase von KI-Projekten hinauskommen und den ROI maximieren will, muss intern die passenden Grundlagen schaffen und die KI-gestützten Erfolge auch fortlaufend sichtbar machen. Zentrale Lösungen für entsprechende Anwendungsfälle und das Management von Daten bieten hierbei eine vorteilhafte Basis.