Der Startschuss ist lƤngst gefallen, hƶchste Zeit Fahrt aufzunehmen um den Anschluss nicht zu verpassen. Aber Schnelligkeit allein reicht nicht aus. Um KĆ¼nstliche Intelligenz (KI) sinnvoll als wertschƶpfende Technologie zu nutzen, ist vielmehr ein klar strukturiertes, methodisches Vorgehen notwendig, damit sie nicht zur teuren EnttƤuschung wird. Vier āEā liefern dafĆ¼r die passende Orientierung.
Der Hype um KĆ¼nstliche Intelligenz, insbesondere um generative KI, hat etwas von GoldgrƤberstimmung. In einer solchen Situation empfiehlt es sich cool zu bleiben, nĆ¼chtern die Chancen und Risiken fĆ¼r das eigene Unternehmen zu analysieren, und die richtigen Konsequenzen daraus zu ziehen. FehleinschƤtzungen, Fehlentwicklungen und EnttƤuschungen ist damit ein groĆer Teil des NƤhrbodens entzogen.
CGI hat dafĆ¼r einen Rahmen entwickelt, der die vier wichtigsten Schritte auf dem Weg zum KI-getriebenen Unternehmen beschreibt und miteinander verbindet. Sie sind die Imperative des praktischen Handelns Ć¼ber alle vier Phasen des KI-Lebenszyklus hinweg und helfen so dabei, die Innovationskraft KĆ¼nstlicher Intelligenz sinnvoll und erfolgreich zu nutzen.
1. Envision: Entwerfen der KI-Vision
Am Anfang steht die Idee, das groĆe Bild. Dabei muss von Beginn an sichergestellt werden, dass die KI-Strategie auf die Ć¼bergreifenden Unternehmensziele einzahlt und nicht als Wert an sich betrachtet wird. Wie auch immer die konkrete KI-Strategie dann aussieht, ihr Erfolg hƤngt maĆgeblich davon ab, welchen Reifegrad ein Unternehmen aufweist. Ambitionierte KI-Projekte machen wenig Sinn, wenn das Unternehmen in vielen Bereichen noch gar nicht bereit dafĆ¼r ist. Das betrifft sowohl die Planungs- und FĆ¼hrungsebene, als auch die operativen Abteilungen und die potenziellen Einsatzszenarien (Use Cases) fĆ¼r KI.
Der aktuelle Maturity Level eines Unternehmens wird Ć¼ber eine detaillierte Bestandaufnahme des Status Quo ermittelt. Wichtige Kriterien dafĆ¼r sind die Organisationsstruktur, die vorhandene Expertise, die Unternehmenskultur, die DatenverfĆ¼gbarkeit, die technischen und personellen Voraussetzungen und nicht zuletzt das umgebende Ćkosystem. Zudem ist es wichtig zu erfassen, welche Abteilungen bereits KI-Systeme implementiert haben, und diese gegebenenfalls zu inventarisieren. Auf Basis dieser Analyse kann dann eine Roadmap formuliert, sowie ein Risk und Compliance Management fĆ¼r die sichere und verantwortungsvolle KI-Nutzung implementiert werden.
2. Experiment: Erforschen der KI-Potenziale
WƤhrend im ersten Schritt noch groĆ gedacht wurde (Big Bang Approach), geht es beim Start in die praktische Umsetzung genau anders herum. Einer der hƤufigsten Fehler ist es, von heute auf morgen ein KI-getriebenes Unternehmen werden zu wollen. Der VerƤnderungsdruck ist zu groĆ, das VerƤnderungsrisiko unkalkulierbar, die notwendigen Investitionen sind immens und der Mehrwert ist, sofern er Ć¼berhaupt erzielt wird, erst sehr viel spƤter sichtbar. Ein methodisch sinnvolles Vorgehen setzt dagegen darauf, Ć¼berschaubare AnwendungsfƤlle zu identifizieren und entsprechende Proof-of-Concepts (PoC) dafĆ¼r zu entwickeln.
Idealerweise sind die Use Cases in nicht-produktiven Umgebungen angesiedelt und Erfolge schnell sichtbar, das mindert die Risiken beim Scheitern und erhƶht die Transparenz. In dieser Phase ist es wichtig, Fortschritte wie RĆ¼ckschlƤge minutiƶs zu analysieren und zu dokumentieren.
Auf Basis dieser Erfahrungen kann dann eine Shortlist erstellt werden, die die Use Cases mit dem grƶĆten Potenzial priorisiert. Sie bildet dann eine Art praxisnah geprĆ¼fter Pipeline fĆ¼r die daran anschlieĆende Entwicklung konkreter KI-Applikationen. Als Problem entpuppt sich in der PoC-Phase hƤufig die unzureichende Datenbasis fĆ¼r das Training und die Evaluierung der KI-Modelle. Das betrifft sowohl die QuantitƤt, als auch die QualitƤt der verfĆ¼gbaren Daten. Daher ist die Nutzung entsprechender Daten-Plattformen sinnvoll, wobei die Frage zweitrangig ist, ob sie die Daten nun zentralisiert oder dezentral bereitstellen. Entscheidend ist vielmehr die VerfĆ¼gbarkeit.
3. Engineer: Entwickeln der KI-Grundlagen
Jetzt wird es ernst: Die PoC-geprĆ¼fte KI-Roadmap liegt vor, nun geht es darum sie umzusetzen und KI-Applikationen fĆ¼r den operativen Einsatz zu entwickeln. Dazu werden die KI-Modelle mit produktiven Daten trainiert und Architekturen, Plattformen, Standards, Technologien und Parameter so lange optimiert, bis sie bereit sind fĆ¼r den Einsatz in konkreten GeschƤftsprozessen. Wir sind also in einem iterativen Prozess stƤndiger Anpassung und AnnƤherung an die praktische Nutzung von KI. Das bedeutet auf technischer Ebene unter anderem die Konsolidierung und QualitƤtssicherung von Daten und den Ausbau der KI- und Dateninfrastruktur.
Damit ist auch der Zeitpunkt gekommen, die potenziellen Anwender mit ins Boot zu nehmen. Das geschieht idealerweise auf zwei Ebenen: Erstens als von der FĆ¼hrungsebene initiierter und gesteuerter Change-Management-Prozess, zweitens in praktischer Form von Schulungs- und Trainings-Programmen zur Steigerung der KI-Kompetenz. Denn ob eine KI-Applikation tatsƤchlich die gewĆ¼nschten Effekte bringt, hƤngt nicht zuletzt von den Mitarbeiterinnen und Mitarbeitern ab, die sie nutzen sollen.
Change Manager haben es hier oft mit irrationalen Ćngsten wie dem āHollywoodā-PhƤnomen zu tun. In vielen Filmen der Achtziger und Neunziger Jahre wurde KI als Bƶsewicht stilisiert. Diese Bilder haben sich eingebrannt. Wenn KI sinnvoll, sprich wertschƶpfend im besten Sinne genutzt werden soll, muss sie entmystifiziert werden. Daneben gilt es zu verhindern, dass KI-Projekte an verschiedenen Stellen im Unternehmen unkoordiniert vorangetrieben werden. Eine sinnvolle KI-Strategie fasst daher den Aufbau eines internen Center of Excellence (CoE) ins Auge. Es koordiniert und unterstĆ¼tzt die KI-Prozesse, dokumentiert sie und identifiziert Synergien, ohne dabei in die Abteilungen āhineinzuregierenā.
5. Expand: Erweitern der KI-FƤhigkeiten
Der Anfang ist damit gemacht, der wahre Wert KI-gestĆ¼tzter Prozesse entfaltet sich jedoch erst, wenn sie stƤndig erweitert, laufend verfeinert und in immer mehr Uses Cases umgesetzt werden. Dazu ist es notwendig, KI-Ops in den Abteilungen einzufĆ¼hren, um operativen Risiken von KI-Systemen vorzubeugen, kontinuierliche QualitƤtssicherung zu fƶrdern, und eine Nahtlose Skalierung bei hoher Auslastung zu ermƶglichen. So entsteht ein fĆ¼r die Weiterentwicklung hƶchst wertvolles KI-Ćkosystem. Auch dabei spielt das Center of Excellence eine tragende Rolle. Als Pendant zu dieser operativen Ebene muss die KI-Nutzung durch entsprechende Normen und Regularien begleitet werden. Dazu gehƶrt eine Lifecycle Governance die Leitlinien fĆ¼r jeden Schritt im Lebenszyklus einer KI-Anwendung formuliert und die Prozesse, Sicherheitsregularien und Verantwortlichkeiten festlegt.
Fazit
Um einem mƶglichen MissverstƤndnis vorzubeugen: Diese vier āEā sind kein Rezeptvorschlag mit Erfolgsgarantie. Der sinnvolle und wertschƶpfende Einsatz von KI hat immer mit Menschen zu tun und daher sind neben einem strukturierten Vorgehen auch QualitƤten wie EinfĆ¼hlungsvermƶgen, Fehlermanagement und MotivationsfƤhigkeit gefragt, um daraus ein Erfolgsmodell zu machen.