KI-Projekte: Wie Unternehmen diese zum Erfolg führen

In einer sich rasant wandelnden Umgebung sind Unternehmen auf der Suche nach einem klaren Wettbewerbsvorteil. Ein Vorteil, der auch in der VUCA-Welt, geprägt von Volatility (Volatilität), Uncertainty (Ungewissheit), Complexity (Komplexität) und Ambiguity (Ambiguität), Bestand hat. Künstliche Intelligenz (KI) kann zweifelsohne das Instrument sein, um sich diesen Wettbewerbsvorteil langfristig zu sichern. Laut einer Studie von McKinsey setzen mittlerweile 56 Prozent der Unternehmen KI ein – Tendenz steigend. Wer allerdings über die Funktionalität von ChatGPT hinausgehen will, steht vor der Frage: Wie sollten Unternehmen ihre KI-Projekte umsetzen?

Potenzielle Anwendungsfälle für KI gibt es schließlich reichlich. Doch welche davon sind geeignet für Unternehmen, die sich dem Implementieren von KI annähern wollen? Unternehmen stehen vor der schwierigen Aufgabe, herauszufinden, wie sie KI am besten in ihre Abläufe integrieren können. Eine Studie von IDC zeigt, dass viele KI-Projekte an zu hohen Erwartungen, fehlenden Fachkompetenzen und unzureichender KI-Infrastruktur scheitern. Wie können Entscheider das Risiko minimieren, an falscher Stelle zu investieren?

KI-Projekte: Fragestellungen vorab klären

Bei der Wahl einer passenden KI-Lösung sollten Unternehmen vorab folgende Anforderungen klären:

Wem nützen KI-Projekte?

Zuallererst sollten Unternehmen ihre Zielgruppe, also die Anwender:innen im Unternehmen, klar definieren. Es gibt nichts Schlimmeres als KI-Projekte, die ungenutzt bleiben. Und die wertvolle Zeit der Datenteams vergeuden, weil die Zielgruppe nicht klar definiert wurde. Entwickler, die Daten- und KI-Projekte umsetzen, sollten daher eng mit den Unternehmens- und Fachexperten zusammenarbeiten, um die Zielgruppe vorab zu definieren. Folgende Fragen sollten in Betracht gezogen werden: Wer gehört zur Zielgruppe? Was brauchen sie? Wie arbeiten sie normalerweise? Und über wie viel technologisches Know-How verfügt die Zielgruppe?

Wie werden die Erfahrungen verbessert?

Nachdem die Zielgruppe für das KI-Projekt festgelegt wurde, sollte der Return on Investment (ROI) des KI-Systems bewertet werden. Dazu müssen Unternehmen überlegen, welche finanziellen Vorteile die KI-Lösung birgt, welche Kosten gesenkt und Ressourcen eingespart werden. Wenn Unternehmen keine klare Antwort auf diese Frage finden können, sollten sie das Projekt noch einmal überdenken. Denn: KI-Lösungen sollten ihren Fokus auf Bereiche legen, die konkrete und messbare Geschäftsergebnisse erzielen können. Andernfalls besteht die Gefahr, dass Teams anknüpfende KI-Initiativen nicht mehr unterstützen – weil sie den Mehrwert zuvor nicht erlebt haben. Typische Faktoren, anhand derer Mehrwert zu quantifizieren ist, lauten: Zeitersparnis, Umsatzsteigerung und Risikominderung gehören

Vorteile, wenn IT-Projekte erfolgreich sind

Zu oft liegt der Fokus ausschließlich auf dem Mehrwert, den KI potenziell bringen kann. Ganz wesentliche Faktoren bleiben bei dieser einseitigen Betrachtungsweise außen vor. Zum einen sind da die Kosten, die zugegeben oftmals noch zu berücksichtigen sind, zum anderen aber auch Risiken, dass Projekte scheitern, sich die Implementierung als langwierig entpuppt oder die Fachexperten die Modelle im Arbeitsalltag am Ende gar nicht anwenden.

Daran anknüpfen weitere Fragen. Etwa die, ob die Daten, um Modelle zu trainieren, bereits vorliegen und wenn ja in welcher Qualität. Regulatorisch gilt es zudem zu prüfen, ob alles im grünen Bereich ist und aus ethischer und regulatorischer Sicht sollte sichergestellt werden, dass die Modelle und Daten nicht von Vorurteilen geprägt sind und bestimmte Gruppen diskriminieren.

Sind die vorhandenen Daten für KI-Projekte geeignet?

Damit KI-Projekte und die späteren KI-Modelle effektiv arbeiten und präzise Ergebnisse liefern können, müssen sie anhand großer Datenmengen trainiert werden. Wenn für ein KI-Projekt nicht ausreichend geeignete Daten verfügbar sind, ist es ratsam, externe Abhängigkeiten zu reduzieren. Dies bedeutet, dass man versucht, das Projekt zu vereinfachen, um schnell erste Erfolge zu erzielen.

Wann muss ein Prototyp fertiggestellt werden?

Statt zu versuchen, mehrere KI-Lösungen auf einmal einzuführen, empfiehlt es sich, zunächst eine begrenzte Auswahl an Lösungen anzubieten, die dann weiterentwickelt werden können. Dadurch wird Raum für Feedback und Anpassungen geschaffen, während Entscheider in den Prozess eingebunden werden. Durch die Implementierung robuster MLOps-Praktiken wird der nahtlose Übergang von der Evaluierungsphase zur tatsächlichen Implementierung der KI ermöglicht. Klein anfangen, schnell skalieren! In vielen Fällen bietet es sich an, statt das perfekte Projekt ewig zu planen und vorzubereiten, lieber kleinere Modelle rasch anzustoßen. Erstens ist die Anwendung im echten Arbeitsalltag das beste Feedback. Zweitens motivieren kleine, rasche Erfolge das Team – und ohne das Team keine KI.

Über die Autorin: Rachel Boskovitch ist VP Sales and General Manager Central Europe bei Dataiku. Das Unternehmen unterstützt große Unternehmen bei ihrem Wandel zu Enterprise KI. Insbesondere fokussiert sie sich auf den deutschen Markt. Rachel Boskovitch arbeitet eng mit Kunden zusammen, um Mehrwerte aus KI-Initiativen zu ziehen. Die Absolventin der Open University, UK (Business & Management) war zuletzt als Sales Director bei Intralinks tätig und dort verantwortlich für die Regionen DACH, Europa und Afrika. (sg)

Lesen Sie auch: KI-Projekte: Partnerprogramm von appliedAI unterstützt bei der Umsetzung