Generative KI: mehr Zeit für wichtige Aufgaben

Unternehmen produzieren täglich riesige Mengen an Daten. Diese Datenflut belastet die interne Effizienz und Rentabilität. Eine Lösung: generative Künstliche Intelligenz (KI) stärker in den Arbeitsalltag zu integrieren. Klug eingesetzt, lassen sich mit KI-Tools zwei Tage pro Woche und Mitarbeiter einsparen.

Die Einführung von generativer KI hat das Potenzial, die Art und Weise, wie wir arbeiten, grundlegend zu verändern. Anstatt zum Beispiel langwierig nach relevanten Informationen in riesigen Datenbeständen suchen zu müssen, können Mitarbeiter mit den richtigen KI-Tools schnell auf benötigte Daten zugreifen. Eine solche Vorgehensweise könnte den Frust reduzieren, der oftmals wegen unzureichender Suchergebnisse entsteht. Vor allem aber verschafft sie den Mitarbeitern mehr Zeit für kreativere Aufgaben. Laut einer aktuellen Studie von Elastic erwarten 39 Prozent der an der Studie teilnehmenden deutschen Unternehmen eine Zeitersparnis von zwei Tagen pro Woche und Mitarbeiter.

Geschäftsvorteile durch effiziente Arbeitsprozesse

Wer generative KI einsetzt, hofft auf erhebliche Geschäftsvorteile: Durch die Zeitersparnis lassen sich Arbeitslasten umverteilen und produktiver verwalten. Dadurch sollen weniger Arbeiten liegen bleiben. Diese Erwartungen teilen 61 Prozent der von Elastic befragten deutschen Firmen.

Darüber hinaus können Unternehmen ihre Arbeitsprozesse effizient gestalten – und das könnte den akuten Fachkräftemangel entschärfen. Die internationale Beratungsgesellschaft McKinsey ist der Ansicht, dass eine frühe Einführung von KI-Tools Arbeitsschritte teilautomatisiert, Menschen von Routinearbeiten entlastet und so neue Freiräume für kreative Arbeit und Innovation schafft. Damit könnte, so Mckinsey, das insgesamt verlangsamte Produktivitätswachstum der vergangenen Jahrzehnte ausgeglichen werden.

Die KI-Hauptsorgen

Doch noch zögern die deutschen Entscheidungsträger. Fast alle machen sich Sorgen um die Sicherheit und den Datenschutz. Hinzu kommt, dass viele mit der wachsenden Größe und Komplexität ihrer Datenökosysteme zu kämpfen haben. Über zwei Drittel der Elastic-Studienteilnehmer finden es schwierig, auf die benötigten Daten zum richtigen Zeitpunkt zuzugreifen oder sie überhaupt angezeigt zu bekommen.

Ein weiteres Hindernis ist es, herauszufinden, ob die aus den Daten gewonnenen Erkenntnisse tatsächlich relevant sind. Dieser Prozess kostet Zeit: 38 Prozent der Studienteilnehmer gaben an, dass er die Entscheidungsfindung verlangsamt. Denn es sei komplex, den Output der generativen KI-Tools so gut zu verstehen, dass sie zusätzliche Einblicke gewinnen können. Etwa ein Drittel findet, dass diese Analysen sie in ihren Entscheidungen noch eher behindern als unterstützen.

Kurz gesagt: Obwohl die Potenziale generativer KI-Tools erkannt werden, gibt es Herausforderungen bei der Umsetzung, besonders im Bereich der Suche.

Kann KI die Suche verbessern?

Große Sprachmodelle (LLMs) benötigen den richtigen Kontext, um relevante Ergebnisse zu liefern. Ein vielversprechender Ansatz ist die Elasticsearch Relevance Engine (ESRE[A6]). Sie kombiniert KI-Technologien mit bewährten Textsuchtechniken und integriert fortschrittliche Suchalgorithmen. So können LLMs effektiv eingebunden werden.

Diese Methode, bekannt als Retrieval Augmented Generation (RAG), verbessert die Suchqualität. Sie nutzt zusätzliche Datenquellen, um die Sprachmodelle zu bereichern und zu trainieren. Experten sehen darin eine sichere Möglichkeit für Unternehmen, ihre eigenen Daten in KI-Anwendungen zu integrieren. Das Ziel ist, präzise und verlässliche Ergebnisse zu erzielen, besonders bei unternehmensspezifischen Informationen. Die Such-Tools sollten dabei so intuitiv und einfach sein, dass auch Nicht-Datenwissenschaftler sie nutzen können.

Balanceakt: Effizienzsteigerung durch generative KI

Zwei Tage pro Woche und Mitarbeiter: Ein Zeitgewinn, den kaum ein Entscheidungsträger ignorieren kann. Die Integration von generativer KI in Unternehmen erfordert jedoch einen ausgewogenen Ansatz. Einerseits gilt es, die Vorteile wie Zeitersparnis und verbesserte Produktivität zu nutzen. Andererseits sind Herausforderungen bei der Datenverarbeitung und -analyse zu bewältigen. Ansätze wie die Elasticsearch Relevance Engine (ESRE) zeigen, wie fortschrittliche Suchalgorithmen und KI-Technologien kombiniert werden können, um bei der Datensuche präzisere und relevantere Ergebnisse zu erzielen. Sie schaffen eine Brücke zwischen firmeneigenen Daten und Daten aus dem Internet und gewährleisten gleichzeitig Compliance.