Welche Herausforderungen bringt das KI-Projekt mit sich? | KI im Geschäft #65

Wie integriert man KI-Projekte effektiv in die Geschäftsstrategie?

Die Gartner-Forschung besagt, dass bis 2030 80 % der Aufgaben im Projektmanagement von KI übernommen werden. Wie hoch der Prozentsatz der Projekte sein wird, die KI zur Erledigung von Aufgaben nutzen, bleibt abzuwarten. Es ist jedoch bereits jetzt sinnvoll, darüber nachzudenken, wie man KI in die Betriebsstrategie eines Unternehmens integrieren kann.

Der erste Schritt besteht darin, das Potenzial und die Grenzen dieser Technologie zu verstehen. Künstliche Intelligenz ist gut darin, Trends und Muster zu analysieren, versagt jedoch bei Dingen wie mehrstufigem Denken und moralischen Entscheidungen. Sie erstellt sensationelle Visualisierungen, aber es erfordert beträchtliches Geschick, sie dazu zu bringen, konsistent Materialien zu generieren, die mit dem Image einer Marke übereinstimmen. Deshalb können wir, wenn wir mit der Arbeit an einem KI-Projekt beginnen, nicht mit einer Wahrscheinlichkeit vergleichen, die anderen Projekten ähnlich ist, davon ausgehen, dass es konkrete, messbare Ergebnisse liefern wird.

Ein guter Ausgangspunkt ist daher, die Vor- und Nachteile zu analysieren:

• Was sind die Gesamtkosten der verschiedenen Phasen der Implementierung des KI-Projekts?
• Welche KPIs sollten definiert werden, um die geschäftlichen Auswirkungen eines KI-Projekts zu bewerten?

Um eine glaubwürdige Antwort auf diese Fragen zu erhalten, ist es am besten, einfache KI-Projekte auszuwählen, die erheblichen Wert bringen, leicht messbar sind und in die Strategie des Unternehmens passen. Ein Startup, das Kurierdienste anbietet, kann als Beispiel dienen. Sein Ziel ist es, den Kundenservice zu verbessern und die Flexibilität der Lieferkette zu erhöhen. Ein einfaches, aber wertvolles KI-Projekt ist beispielsweise die Implementierung eines Chatbots, der Kundenanfragen bearbeitet. Ein solcher virtueller Assistent wird mehr Anfragen bearbeiten als ein traditionelles Callcenter und die Kundenzufriedenheit durch schnelle Antworten auf Anfragen und konsistente Kommunikationsqualität erhöhen. Im Gegensatz dazu passt ein fortschrittliches System, das die Kurierwege optimiert, zum Ziel, die Lieferflexibilität zu verbessern, ist jedoch komplex und birgt viel höhere Risiken.

Sobald die ersten KI-Projekte festgelegt sind, sollte das Startup deren Machbarkeit bewerten, beispielsweise im Hinblick auf das Budget, in das das KI-Projekt passen sollte.

Budgetierung von KI-Projekten. Zentrale Herausforderungen

Die Implementierung einer fertigen SaaS- oder KI-als-Service (AIaaS)-Lösung, oder so genannter “fertiger KI”, hat viele Vorteile. Einer davon ist die vorhersehbare Kostenstruktur für die Nutzung des Tools und die relativ leicht abzuschätzenden Kosten für die Implementierung eines KI-Projekts. Sie können aus Lösungen wie folgenden wählen:

• Chatbot für den Kundenservice – wie Intercom Fin, LiveChat von Chatbot.com, Drift oder FreshChat,
• Social Media-Analysen zur Erhöhung der Reichweite von Marketingbotschaften – mit Cortex, Buffer oder Lately, oder
• Geschäftsdatenanalyse mit Microsoft Power BI, Tableau oder für weniger komplexe Aufgaben – Google Bard, das sich in Google-Dokumente integriert.

Bei größeren KI-Projekten können die Kosten oft unterschätzt werden. Besonders wenn es um die Ressourcen und die Zeit geht, die für die Datensammlung und -vorbereitung benötigt werden. Laut Arvind Krishna von IBM kann die Phase der Datenvorbereitung für das KI-Lernen bis zu 80 % der Projektdauer ausmachen.

Quelle: DALL-E 3, Eingabeaufforderung: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Darüber hinaus benötigen wir, je mehr personalisierte KI-Modelle für ein Projekt erforderlich sind, desto mehr qualitative Daten müssen wir sammeln. Beispielsweise erfordern tiefe neuronale Netzwerke für das Lernen Hunderttausende von Beispielen. Dies bringt die Kosten für den Erwerb und die Bereinigung solcher riesigen Datensätze mit sich. Glücklicherweise bedeutet die rasante Entwicklung der künstlichen Intelligenz, dass immer mehr KI-Projekte ohne die Notwendigkeit eines kostspieligen Lernens eines maßgeschneiderten Modells umgesetzt werden können.

Dennoch sollte ein Unternehmen, das ein KI-Projekt plant, nicht nur die Phase der Lösungsentwicklung, sondern auch die Datenvorbereitung und den fortlaufenden Betrieb des Systems, einschließlich der Kosten für Wartung, Aktualisierung oder das Sammeln neuer Daten, berücksichtigen. Nur dann kann man den tatsächlichen Return on Investment in KI bewerten.

Datenmanagementprobleme in KI-Projekten. Was Sie wissen sollten

Eine zentrale Herausforderung in KI-Projekten sind die Daten – ihre Verfügbarkeit, Menge und Qualität. Was ist also zu tun? Vor dem Start eines KI-Projekts müssen Sie:

• genau prüfen, welche Daten das Unternehmen hat – in welcher Form sie gespeichert sind und woher sie stammen,
• auf die Infrastruktur achten und interne Prozesse zur Datenerfassung entwickeln,
• den Kauf externer Datensätze oder Crowdsourcing in Betracht ziehen, wenn sie knapp sind.

Ein häufiges Problem ist, dass Daten über mehrere Systeme und Formate verstreut sind. Es kann herausfordernd sein, sie zusammenzuführen, zu bereinigen und für das KI-Lernen vorzubereiten. Eine gute Praxis ist es, dass das KI-Team eng mit der IT-Abteilung oder Datenanalysten zusammenarbeitet. Gemeinsam sollten sie sicherstellen, dass die richtige Infrastruktur und die Datenakquisitionsprozesse vorhanden sind.

Technische und Sicherheitsherausforderungen in KI-Projekten

KI sind nicht nur maschinelle Lernalgorithmen. Um sie in der Praxis zum Laufen zu bringen, ist eine gesamte IT-Infrastruktur erforderlich. Inzwischen kann die Integration neuer KI-Systeme mit den bestehenden des Unternehmens herausfordernd sein. Oft erfordert es Anpassungen älterer Geschäftssysteme, was für viele Unternehmen erhebliche Upgrade-Kosten bedeutet.

Darüber hinaus erfordern KI-Projekte Fachwissen in Datenwissenschaft und Datenengineering. Inzwischen gibt es einen Mangel an Spezialisten auf diesem Gebiet. Laut dem Bericht “Technology Trends Outlook 2023” von McKinsey liegt das Verhältnis von Stellenanzeigen zu verfügbaren Spezialisten bei 7 zu 100, und die Nachfrage wächst ständig.

Das Thema Datensicherheit ist ebenfalls nicht unerheblich. KI-Systeme verarbeiten riesige Mengen sensibler Informationen, die ordnungsgemäß gegen Lecks gesichert werden müssen. Inzwischen haben Datenverletzungen in den letzten Jahren erheblich zugenommen. Dies ist daher ein weiteres wichtiges Risiko, das bei der Implementierung von KI-Projekten zu berücksichtigen ist.

Wichtige Kompetenzen in KI für Unternehmer. Auf welche Schwierigkeiten könnten Sie stoßen?

Ein häufiges Hindernis bei der Implementierung eines KI-Projekts kann das geringe Wissen über künstliche Intelligenz bei Managern und Entscheidungsträgern im Unternehmen sein. Ohne ein tiefes Verständnis der Möglichkeiten der Technologie ist es schwierig, die Machbarkeit spezifischer Projekte zu bewerten und fundierte Entscheidungen zu treffen. Deshalb ist es entscheidend, in die Verbesserung des Wissens der Manager im Bereich neuer Technologien zu investieren.

Die Umschulung aktueller Mitarbeiter kann ebenfalls helfen. Es wird zunehmend von sogenannten “Bürgerdatenanalysten” (“Citizen Data Scientists”) gesprochen. Diese Spezialisten nutzen modernste Technologien, um spezifische Geschäftsprobleme zu lösen, mit denen sie täglich konfrontiert sind. Sie sind sehr gut über die Branche informiert, in der sie arbeiten. Indem sie Teil des Teams sind, das an einem KI-Projekt arbeitet, ermöglichen sie es den KI-Spezialisten, sich auf Implementierungsprobleme zu konzentrieren, indem sie branchenspezifische Fragen beantworten.

Zusätzlich zu technischen Fähigkeiten, wie der Bewertung von KI-Empfehlungen und der Entscheidungsfindung, sind auch soziale Fähigkeiten wichtig, einschließlich Führung und strategisches Denken. Dies ist ein weiterer Weg, um dem Mangel an KI-Kompetenzen in Unternehmen zu begegnen.

Analyse des Erfolgs von KI-Projekten. Wie vermeidet man Fehler bei der Messung des ROI?

Es gibt ein unbegründetes (und wahrscheinlich unwahres) Gerücht, das im Internet kursiert, dass bis zu 87 % der KI-Projekte niemals die Produktionsphase erreichen. Während wir keinen Zugang zu zuverlässigen Studien über erfolgreiche Projekte hatten, ist eine frühe Definition von Möglichkeiten zur Erfolgsmessung entscheidend für die Bewertung der tatsächlichen Auswirkungen der KI-Implementierung.

Eine gute Praxis ist hier ein Experiment im kleinen Maßstab. Es beinhaltet die Testung der KI-Leistung, beispielsweise an einer zufälligen Benutzergruppe und den Vergleich der Ergebnisse mit einer Kontrollgruppe, die eine Standardlösung verwendet. Ein solcher A/B-Test hilft zu überprüfen, ob das neue KI-System die erwarteten Ergebnisse wie eine Steigerung der Konversionen oder der Kundenzufriedenheit bringen kann.

Quelle: DALL-E 3, Eingabeaufforderung: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

A/B-Tests sind auch nach der KI-Implementierung regelmäßig zu wiederholen, da Modelle an Genauigkeit und Relevanz bei der Problemlösung verlieren können. Dies ermöglicht es, schnell auftretende Anomalien und die Notwendigkeit zur Neukalibrierung des Systems zu identifizieren, damit es weiterhin die erwarteten Geschäftsergebnisse liefert.

Zusammenfassung

Während KI enorme Möglichkeiten bietet, bringen Projekte in diesem Bereich erhebliche Herausforderungen mit sich. Um erfolgreich zu sein, müssen Sie die Kosten und den Nutzen von KI realistisch bewerten, sich um die Datenerfassung und -qualität kümmern, interne Kompetenzen entwickeln und auf die schrittweise Implementierung neuer Technologien setzen. Es ist auch entscheidend, die greifbaren geschäftlichen Auswirkungen von Implementierungen zu messen und schnell auf auftretende Probleme zu reagieren. Nur dann wird die KI eine Bereicherung und keine Bedrohung für das Unternehmen.

Wenn Ihnen unser Inhalt gefällt, treten Sie unserer aktiven Community auf Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.